混合无功补偿范文
混合无功补偿范文（精选7篇）
混合无功补偿 第1篇
工作于各电力厂站的无功补偿控制器需要专业人员对其进行控制策略制定、控制命令的下发、历史数据和实时数据采集、电容投切等操作,目前采用的方式主要有:1)工作人员手动对控制器进行操作;2)工作人员到现场通过控制器外挂近距无线模块进行操作;3)工作人员通过互联网对控制器进行远程操作。本文讨论通过互联网对控制器进行远程操控的系统设计和软件开发,作者结合高压无功补偿控制器的通信规约,基于微软.NET平台开发出能兼容B/S、C/S架构的无功补偿集中控制系统。
1 系统工作原理和系统的组成结构
1.1 系统工作原理
分布于工作现场的无功补偿控制器采用高可靠微处理器,具有实时保障电能质量的功能,并具有过压、欠压、谐波、过补、温度等保护功能,控制器外接GPRS/CDMA无线通信终端(以下简称DTU)通过运营商提供的无线网络服务连接本系统服务器,DTU与服务器之间采用定时发送心跳数据包的长连接方式,用户通过互联网登录通过服务器中转下发通信指令,指令到达DTU通过串口通信等方式传递给无功补偿控制器,无功补偿控制器接收到命令后再将所需数据通过DTU返回给服务器进行相应处理,并将结果反馈给用户。
1.2 系统组成和结构
系统主要组成部分有:1)DTU网络通信模块:用于服务器与控制器的通信;2)用户与服务器网络通信模块:用于用户通过C/S模式的客户端软件登录服务器;3)WEB服务模块:用于用户通过Web方式登录服务器;4)专用消息队列收发模块:用于即时数据和命令的缓存;5)数据库模块:用于维护和管理用户以及控制器相关数据。
运行于服务器端的DTU服务软件是本系统的核心部分,在系统结构上作者采用数据层、中间层、表示层三层分离的设计模式,表示层在C/S结构体现在客户端的界面,在B/S结构体现在基于ASP.NET的页面表达;数据层基于分布式网络数据库和XML的数据结构,实现对高压无功补偿控制中的数据和控制策略以及控制命令的表达;中间层为各程序模块提供可重复使用的组件,如网络通信、各进程间通信、数据库访问等。
2 系统各部分之间的通信
2.1 服务器与DTU之间的通信
采用高性能的GPRS/CDMA DTU来实现控制器与服务器之间的连接,DTU的传输方式有透明传输和协议传输两种,服务器需要对每个控制器进行唯一标识,如果无功控制器自身不带唯一标识码,可以采用协议传输方式,在传输的数据中会注入DTU厂商提供的DTU标识码用于区别控制器。通常GPRS理论带宽可达171.2 Kbps,实际应用带宽大约在40~100 Kbps,在此信道上提供TCP/IP连接;CDMA 1x理论带宽可达300 Kb/s,目前的实际应用带宽大约在100 Kb/s左右。GPRS/CDMA 1x移动数据网络的信道可提供TCP/IP连接,可以用于INTERNET连接、数据传输等应用。为了兼容不同厂商的DTU,在系统设计时采用了透明传输,因此要求各无功补偿控制器提供唯一识别的地址编号。DTU与服务器之间关系如图1所示。
本文所述的混合式结构的服务端软件为各DTU提供数据交互服务,DTU通过运营商提供的GPRS或者CDMA无线网络服务连接上互联网,服务器与各个DTU之间形成星型网络拓扑结构,用户通过互联网登陆服务器转发用户指令到达相应的DTU实现远程集中控制[1]。
2.2 用户与服务器之间通信模式
C/S和B/S架构是常见的两种软件体系结构,C/S架构的优点是响应迅速,服务端与客户端能即时互动,缺点是用户需要在本地计算机安装相关软件,软件版本变化后需要专门进行升级和维护。B/S架构的优点是维护方便,软件在服务端升级,不需要用户本地安装程序,但在速度和安全性方面不如C/S架构,目前随着WEB2.0概念的提出,以及AJAX(Asynchronous Java Script+XML)开发方法的应用,为B/S架构应用开发带来了新的活力。
作者在实际开发中为了适应实际应用中的需求,采用了兼容B/S和C/S架构的设计方案。用户既可以通过网页也可以通过客户端软件登录服务器。C/S架构的设计和普通网络应用程序设计类似,在实际开发中,网络I/O模型采用了Windows操作系统提供的完成端口(I/O Completion Port)模型,并采用可伸缩的网络结构来优化内存资源管理和客户端的连接,从而实现服务器性能的最优化,实现非阻塞多线程的网络数据传送。B/S架构的设计在ASP.NET 2.0基础上进行开发。
由于在服务器端同时提供了B/S和C/S两种结构的服务,两种服务方式对应不同的独立进程,两种结构共用一个DTU通信模块,不管是B/S还是C/S模式都要通过该DTU通信模块来实现命令和数据的中转,因此B/S和C/S架构统一的核心在于通过同一个DTU通信模块来实现数据的同步和一致,DTU通信模块采用如前所述的完成端口的网络通信模式,作者所设计的系统中利用Windows操作系统中的专用消息队列来实现DTU通信模块与B/S以及C/S的服务端进程间的通信。另外由于服务器需要对各个无功控制器进行历史数据的定时召收,纯B/S架构的服务器由于工作线程在访问空闲期间可能会被Web服务器挂起休眠,实现定时任务具有不确定性,因此独立的DTU通信服务模块是不可缺少的,并且兼具备了定时任务功能。
各部分通信连接可以用图2来简要表示。
考虑到当DTU数量和在线用户数量的增加,对服务端通信质量的影响,在实际设计中采用多路消息队列来实现DTU数据的分流,相当于在DTU网络通信模块和B/S服务模块、C/S服务模块之间搭建了多个通道,当数据从控制器到达服务器端后需要进行即时的通道选择,决定由哪个通道提交传输,通道与DTU编号的对应关系由服务器实时维护,随DTU在数据库中的添/删和在线访问量的增减而动态地改变,多路消息队列的创建参考如下:
3 即时数据的处理
3.1 即时数据格式[2]
即使数据采用XML格式,存在于各路消息队列之中,比如接收到控制器的实时数据可能如下:<根节点><数据类型>实时数据
3.2 即时数据的缓存
数据缓存主要针对B/S方式,C/S模式数据到达后直接通过网络转发给客户端,用户通过Web向远程控制器下发命令后,等待数据的到来,Web服务器分配给用户一个工作线程主动地去查询是否有新数据到达,在服务器为登录用户分配的工作线程中,配合AJAX提供的异步调用和异步数据传输的方法,在用户的Web页面上做出局部刷新提示。
Web服务器将接收到的数据加上时间信息存储在哈希表中,如图3所示:每个DTU索引对应的也是哈希表,对实时数据、定值数据等进行存储,比如实时数据又有实时电压、实时电流等数据,整个数据的存储结构就是哈希表的嵌套。当用户在提出查询请求后,在等待的过程中会不停去查询相关数据的时间信息,如果发现数据中的时间信息晚于发出查询指令时候的时间则判断是刚收到的新数据,从而提交用户页面显示结果,并退出等待。
3.3 即时数据的表达
在C/S结构下易于实现数据的即时刷新和表达,界面设计灵活多样,传统的B/S结构的网页界面在功能的丰富度、操作的弹性、响应速度等方面表现不尽人意,AJAX(Asynchronous Java Script+XML)技术的出现实现了服务器与浏览器之间的异步沟通,为用户提供了更人性化和友好的操作界面,能更好地实现实时数据的显示。
4 历史数据存储和系统管理设计
系统采用SQL Server 2005作为服务器数据库,每日定时向各DTU进行整点数据(包括整点电压、电流、功率因数、谐波畸变率等)、每日极限数据(包括电流、电压、谐波等参数的极值)、每日统计数据(包括电容动作、保护动作类型、动作发生时间,以及动作当时电压、电流、有功功率、无功功率等)进行招收和存储。系统管理的功能在于维护用户信息和DTU信息,以及用户和DTU对应关系等[3]。
5 结论
两种不同的通信架构并存于无功集中控制系统中,作者在.NET平台上开发出的高压无功集中控制系统,目前适用于35 k V、10 k V、6 k V等厂站的无功控制,实践证明在功能划分明确、模块清晰的前提下,两种架构并存工作运行稳定,能适合于不同的用户需求,系统可扩展性强[4]。为无功控制的集中管理提供了一个高效便捷的服务平台,有效地提高管理质量,在节能降耗、降低工作人员劳动强度、提高电能质量等方面均能起到积极的作用。参考文献
参考文献
[1]王翔,高维忠,胡红艳,等.数字远动通道监测系统的研究[J].电力系统通信,2007,28(181):34-37.WANG Xiang,GAO Wei-zhong,HU Hong-yan,et al.Study on Monitoring System for Digital Remote Control Channel[J].Telecommunications for Electric Power System,28(181):34-37.
[2]赵宏波,宋杨,陈希.GPRS在电力光缆在线监测与管理系统中的应用[J].电力系统通信,2008,29(183):46-49.ZHAO Hong-bo,SONG Yang,CHEN Xi.Application of GPRS in On-line Monitoring and Management System of Power Optical Fiber[J].Telecommunications for Electric Power System,2008,29(183):46-49.
[3]顾宁,杨灵敏,李佳佳.基于XML和Web Services的数据交换在分布式电力企业中的应用[J].计算机工程与科学,2008,30(1):25,26,92.GU Ning,YANG Ling-min,LI Jia-jia.The Application of Data Exchange Based on XML and Web Services in Distributed Power Plants[J].Computer Engineering&Science,2008,30(1):25-26,92.
混合无功补偿 第2篇
配电网的无功优化补偿问题是一个动态的、多目标、多约束、不确定性的非线性整数规划问题,其控制变量既有连续变量,又有离散变量,使得优化过程十分复杂。传统的数学优化方法,如线性规划、非线性规划、二次规划、混合整数法等,各自都有一定的优越性和适应性,但是这些方法需要假设各控制变量是连续的,而且要求目标函数可微,求解时间很长,易产生“维数灾"等问题[1,2,3]。
遗传算法(GA)处理离散变量能力较强,但局部搜索能力较差,收敛速度缓慢,一般可以以极快的速度达到最优解的90%左右,但要达到真正的最优解则要花费很长时间;模拟退火算法(SA)具有较强的全局搜索能力,但所需的时间不仅过长,而且还会随着系统规模的扩大及复杂性的提高而增加;禁忌搜索算法(TS)收敛速度较快,局部搜索能力强,但其收敛性与初值的选择有很大关系。本文在前人研究的基础上,结合配电网无功优化问题的特点,采用改进的自适应遗传算法,将退火选择作为个体替换策略,并结合节点电压约束条件,对每代个体进行启发式二次邻域变异,与罚函数一起对越限节点电压作用,提高了优化速度和精度,最后运用禁忌搜索算法进行局部寻优,有效地保证最后输出解的质量。将该方法应用于IEEE28-bus节点系统和一实际配电网系统,通过将优化结果与自适应遗传算法、遗传模拟退火算法以及遗传禁忌搜索算法进行比较,验证了本文方法的可行性、有效性和优越性。
2 配电网无功补偿的数学模型
无功补偿的目的是为了降低网损和提高电压合格率,但配置无功补偿设备需要投入资金。也就是说,无功补偿一方面降低损耗可以减小成本,但另一方面也要使投入的资金尽量少,因此本文考虑年综合运行费用最小,建立如下无功补偿数学模型。无功优化数学模型包括目标函数、等式约束条件、不等式约束条件3个部分。
(1) 目标函数
配电网一般是由1个电源点(根节点)构成的辐射状网络,线路和节点都较多,但PV节点很少甚至没有。因此,目标函数和约束条件中可以不考虑发电机节点的无功调节和罚函数项。通过对配电网的分析和简化,建立目标函数如下:
其中:
式中:Ke为系统电价,元/kW5h;DPi为系统有功损耗;τmax为年最大负荷损耗小时数;Km为电容器固定安装费用,万元/节点;nc为补偿电容器的个数;Kc为单位电容器的年运行费用,万元/kvar;Qci为节点i的补偿容量;Kv为电压越界罚系数。第一项为配电网年运行损耗费用,第二项和第三项为电容器年补偿费用,第四项为电压越界惩罚项。
(2) 等式约束条件
无功优化的等式约束选取潮流方程:
式中:Pi、Qi、Ui分别为节点i注入的有功、无功功率和电压;Gij、Bij、δij分别为节点i、j之间的电导、电纳和相角差;n为节点数。
(3) 不等式约束条件
无功优化问题中的不等式约束包括补偿容量约束和节点电压值约束,即
式中:Uimin和Uimax分别为节点电压上下限值,N为配电网所有节点个数。Qcimax和Qcimin分别为无功补偿容量上下限值,Nc为电容器补偿点数。
在本文的遗传算法计算过程中,补偿容量的取值范围已被限制在其定义范围内,所以约束条件(6)自动得到满足。式(5)如式(2)中采用罚函数处理,进而使目标函数转化为无不等式约束问题。
3 混合搜索算法
3.1 GA基本操作的改进策略
① 编码策略和初始种群的生成
本文采用整数编码表示各节点的补偿量,以避免用二进制编码表示离散变量时编码冗余问题。这样某一节点k的补偿容量的可选值的集合就为{0,Nundefined,Nundefined+1,L,Nundefined},即无补偿和有补偿时单组补偿容量倍数的集合来表示。这样可以由一个长度为Nc的整数编码构成一个染色体。
遗传算法最优解的质量取决于初始群体是否能够包含解空间的全部可能解的取值,并在进化的过程中不失去其中优良的性状。初始解群应尽量散布在解空间中,这就要求具有较大的群体规模,然而,群体规模过大,大大影响了遗传的寻优效率。针对以上问题,本文随机抽取M种状态作为遗传算法的原始种群,然后采用竞争择优的选择策略,从原始种群中随机选取两个个体,比较两个个体的适应度值,选择适应度值较大的个体放入遗传初始种群中,直到选择个体数目达到N(N
② 复制策略
在某次迭代中,将父代和子代所有个体的适应值求平均值,并产生一个随机数rnd,对于那些适应值高于平均值的个体,将其与复制概率Ps进行比较,若rndPs则选择该个体,否则淘汰该个体。对于那些适应值低于平均值的个体,若rnd≥Ps则选择该个体,否则淘汰该个体。这样不仅保留了群体中那些适应值较高的个体,以利于搜寻最优值使迭代收敛,而且保留了一些“较差的”个体,又保证了个体在解空间中的分散性,在一定程度上避免了“早熟”现象。对于该代中的最优个体不进行上述操作而直接进入下一代。
③ 竞争择优的交叉和变异操作
遗传算法的交叉概率Pc和变异概率Pm的选择是影响遗传算法行为和性能的关键参数,直接影响算法的收敛性。所以本文选用随种群适应度变化而改变的Pc和Pm。把个体适应度大于群体平均适应度的个体,对应于较低的交叉率和变异率,使该解得以保护进入下一代;对于低于平均适应度的个体,对应于较高的交叉率和变异率,使该解被淘汰。因此本文选用文献[12]给出的交叉率和变异率计算公式。
对于参加交叉操作个体的选择,如不采取措施,上代交叉操作产生的子代对很可能作为新的父代对进行交叉配对,即产生了近亲繁殖,因此本文加入竞争机制,从上代群体中随机选取两个个体,然后比较其适应度值,保留适应度值大的个体,再从上代群体中随机选取两个个体同样保留适应度值大的个体,以保留下来的两个个体作为父代对来产生子代对,而且让子代对中适应度值高的个体保留到子代中生存,避免近亲繁殖,反复选择不同的父代对配对,直到生成设定个数的子代。类似交叉操作竞争择优的过程,对于变异操作,可以将按照模板变异后的个体的适应值与变异前的个体比较,保留适应值大者作为下一代个体。
④ 启发式二次邻域变异的引入
经过选择、交叉和变异后的种群中可能出现一些不满足电压质量要求而适应函数值较大的个体,还会存在一些相同或者相似的个体,这两种情况个体的存在严重影响了遗传的搜索效率和寻优结果,针对这些个体进行启发式二次邻域变异。该方法是充分考虑无功优化问题中节点电压的约束条件,限制二次变异的随意性,使只有符合电力系统无功优化问题的实际时才进行下一步运算。具体步骤如下:首先通过潮流解算各节点电压;然后判断当节点i的电压Ui
经过二次邻域变异后的种群个体更加优良,同时增强了种群个体的多样性,与罚函数一起对越限点电压共同作用,更有助于寻优效果的提高。
3.2 混合搜索算法原理
传统遗传算法最为严重的问题是“过早收敛”问题和局部搜索能力不强,针对这些问题,本文将SA作为GA的个体选择策略,以增强GA在搜索过程中的个体多样性和全局搜索能力,同时在迭代后期,使用TS进行局部搜索,改善GA局部搜索能力不强的缺点。
本文首先按照上述改进GA策略进行复制、交叉和变异,然后引入模拟退火个体生存策略,按模拟退火接收Metroplis判别准则[12]接受新个体,即:
式中:f(k+1)和f(k)分别为新个体和旧个体的适应函数值;P(Tk+1)为温度T下的接受概率;β为降温系数;T0为初始温度。在每个个体的邻域内随机产生一个新个体,当新个体的适应度大于旧个体时,替换旧个体,否则,以概率undefined替换旧个体。这样在迭代初期温度较高时,P(Tk+1)值相对较大,容易接受新解,从而保持群体多样性;随着遗传代数的增加,P(Tk+1)值逐渐减小,即接受新解的概率逐渐降低,在迭代后期几乎只接受优化解。这里遗传算法和退火算法的功能特别明确,遗传逐步找到最优解,而退火有选择地接受新解,加上保留方案的实施,能够根据解群的需要,提供新特性,扩大了解的搜索范围,为全局范围内取得最优解提供了理论保障。
虽然GA/SA算法的确有利于GA种群中个体的多样性,但算法只是避免陷入局部最优解,其整体局部搜索能力还是不强,本文利用TS的较强的局部搜索能力,将上述GA/SA方法基础上得到的最优解,作为TS的初始解,利用TS算法继续寻优,继而形成混合搜索算法。这样可以在随机性所代表的全局搜索能力和强化局部搜索能力、提高收敛速度这两种矛盾中取得平衡,也能够有效地保证最后输出解的质量。
混合搜索算法的具体步骤见图1。
4 算例分析
本文首先以IEEE28-bus节点系统[13]为例,分别采用GA/SA/TA算法、AGA算法、GA/SA算法以及GA/TS算法进行配电网最优无功补偿计算。该系统总有功负荷为761.04kW,总无功负荷为776.35kvar。系统在初始状态下网络节点电压较低,功率损耗较大。
在进行无功补偿之前由灵敏度分析得到10个待补偿节点。设置算例中目标函数的参数为:最大负荷利用小时数τmax为4760h,电价为0.5元/kWh;电容器单组容量为10kvar,价格为100元/kvar;电压越界罚系数取1000000;由于遗传算法是一种随机搜索算法,每次计算出的最优值不尽相同,所以本文对几种优化算法都做了20次计算,取其平均值作为比较值。
在上述相同条件下,将GA/SA/TA算法、AGA算法、GA/SA算法以及GA/TS算法的优化结果进行比较,如表1所示。可见采用本文提出的混合搜索算法进行无功优化后,系统有功网损最小,并且在较小的种群规模和最少补偿容量下,获得运行费用最少,表明该算法比其它几种优化方法更有效。采用本文算法优化前后节点电压比较如图2,可见采用本文算法优化后节点电压明显提高,不存在越界的节点电压。
为进一步验证本文算法的有效性,以一实际电力系统为例进行计算。该算例是一从110kv变电所向外供配电的辐射状网络,共有节点34个,支路33条,变压器12个,由灵敏度分析得到8个电容补偿节点,优化前系统在初始状态下大部分节点电压偏低,电压合格率仅为41.17%,且优化前网络损耗为615.71kW。经过本文算法计算后,在由灵敏度分析确定的15个补偿节点共补偿容量3730kvar,有功网损降到395.12kW,无电压越界点。该结果表明混合算法的实际应用效果较好,不仅减小了线路的损耗,还提高了电网的电能质量。
5 结束语
本文研究了以网损最小,同时考虑补偿电容器投资费用为目标的配电网最优无功补偿问题,并研究了将遗传算法与模拟退火算法和禁忌搜索算法有机地结合起来的混合搜索算法进行无功补偿的计算过程。算例结果表明,混合算法比单一算法在优化性能和鲁棒性方面均有大幅度提高,尤其在求解较大规模的复杂问题方面有着很好的应用前景。
摘要：针对目前无功优化算法所存在的问题,提出一种综合三种智能优化方法优点于一身的混合搜索算法。该方法在自适应遗传算法基础上,加入二次邻域变异过程,加快遗传进化速度,引导个体向符合无功优化问题的实际方向发展。然后运用模拟退火进行个体更新,以便增加群的多样性;最后将所得最优解作为禁忌搜索的初始解,进行局部寻优求解过程。以IEEE28-bus系统和一实际配电网系统为例进行优化计算,结果表明混合搜索算法具有较优的性能和求解精度。
混合无功补偿 第3篇
动态无功优化除了考虑电压合格率和网损最小之外,还考虑系统负荷的动态变化和离散控制设备的动作次数约束。相对于静态无功优化,它不仅变量个数增多很多倍,还由于动态约束和静态约束的耦合,使得它的求解变得十分困难。
如何处理动态约束是动态无功优化求解的重点和难点,目前常见的方法是通过各种手段去除动态约束,最终将原问题解耦为静态无功优化问题,例如:文献[1-2]将一天内负荷曲线分段,分段数为设备允许动作次数,各分段内采用静态无功优化模型求解。文献[3-4]在目标函数中计及代价以避免其调节次数过多,有效降低了计算复杂度。文献[5-6]提出一种混合整数规划内点法,对离散变量构造罚函数并直接嵌入内点法中。文献[7]先通过启发式规则确定离散变量的动作序列,再将问题简化为静态优化模型,从而可用常规的优化方法求解。
上述算法虽能加快计算速度,减少动作次数,但缩小了解的搜索空间,易于丢失最优解。文献[8-13]提出的混合算法将连续变量和离散变量的优化分开进行。结合混合算法,本文提出启发式策略对遗传个体的离散变量进行校正,使其严格满足动态约束。本文算法没有预先设定离散变量的动作方案,而是对生成的个体进行校正,最大限度地保留其动作自由,在严格限制动作次数的基础上快速寻找问题的可行最优解。
1 动态无功优化模型
假设系统全天24个时段的负荷保持恒定,动作次数定义为离散控制变量对应的开关或档位在一天内的投切或调节次数,同时考虑OLTC分接头相邻时段的调节档位差限制,则完整的动态无功优化模型可简化表示如下,其中,t=1,,24。
1)目标函数(系统全天有功损耗最小)
2)控制变量约束
各时段连续控制变量的上下限约束
各时段离散控制变量的约束
3)静态约束
有功、无功潮流方程约束
状态变量约束
4)动态约束
式中:￣和_分别表示变量的上下限;xCt为t时段的连续控制变量,包括发电机电压幅值;xDt为t时段的离散控制变量,包括并联电容器组的无功补偿容量和OLTC分接头变比;xSt为t时段的状态变量,包括节点电压和发电机的无功注入量;Ti,t为第i个OLTC分接头t时段的档位值;Cl,t为第l个电容器组t时段的投入组数;ki为第i个OLTC相邻时段最大调整数;Ki为第i个OLTC的日允许最大档位调整数;Ml为第l个电容器组的日允许最大档位调整数。
2 优化算法
2.1 遗传算法
遗传算法是一种随机搜索算法,它以个体为对象来进行选择、交叉和变异等操作。下面是遗传算法应用于无功优化问题时的几个关键环节。
1)个体编码。离散优化子问题只含有离散变量,因此采用分组整数编码方式构成染色体为:
式中:下标p,q分别表示电网中电容器组和OLTC的个数;C1,,Cp和T1,,Tq均为24维列向量,它们分别表示电容器组各时刻电容器投入组数和变压器各时刻档位数。
2)适应度函数。离散优化子问题没有考虑变量的静态约束,但考虑到系统实际运行条件,适应度函数设计为:
式中:F为目标函数值;Vi,over为节点i的电压越限量;Qi,over为节点i的无功出力越限量;NPQ和NPV分别表示系统中PQ节点和PV节点的个数。
2.2 内点法
设有非线性规划问题:
对式(11),先引入松弛变量u≥0,l≥0,将不等式约束转化为等式约束,然后再引入对数障碍函数消去松弛变量的非负性约束,并引入拉格朗日乘子y、z、w,形成增广拉格朗日函数如式(12):
式中:z≥0;w≥0;μ为障碍因子。
根据库恩-塔克最优条件,令函数L对变量x、y、l、u、z、w的偏导数为零,得到一个非线性方程组。求解方程组得到迭代方向(Δx,Δy,Δl,Δu,Δz,Δw),根据迭代方向更新向量(x、y、l、u、z、w)。根据新的变量向量继续迭代,直至满足收敛判据,得到最优解。
2.3 优化算法的改进
1)传统遗传算法具有收敛性差,易早熟的缺点,本文采用文献[14]提出的混沌遗传算法,通过混沌移民操作维个体的多样性,避免陷入局部最优解,确保算法的全局收敛性,加快计算速度。
2)动态无功优化问题的变量矩阵维数很大,由于各时段的电网结构和参数相同,本文采用文献[15]提出的采用虚拟节点技术的预测-校正内点法,使初步优化和连续控制变量优化子问题为全二次模型,简化矩阵计算,加快计算速度。
3 动态无功优化的混合算法
动态无功优化问题的控制变量包括连续变量和离散变量,约束条件包括静态约束和动态约束,其中静态约束是关于连续变量的约束,动态约束是关于离散变量的约束。将原问题分为只包含离散控制变量﹑动态约束的离散优化子问题和只包含连续控制变量﹑静态约束的连续优化子问题。内点法具有易于求解连续优化问题但难以处理离散变量及其约束的特点,而遗传算法具有易于处理离散变量及其复杂约束但对连续变量的精确寻优速度较慢的特点,因此采用内点法和遗传算法来分别求解这两个子问题。
本文采用交替迭代的混合策略:首先忽略离散变量的离散约束和动态约束,将原问题转化为24个静态无功优化问题,采用内点法求解得到初始解;然后交替求解离散优化子问题和连续优化子问题,直至满足相邻两次迭代的最优解基本相同的终止条件。混合算法的流程图如图1所示。
1)离散优化子问题的实现
在使用遗传算法求解离散优化子问题时,当混合迭代次数m=1时,连续变量值取初始解,将离散变量的搜索范围缩小到初始解的上下2档范围内,在缩小范围内随机产生初始群体;当m>1时,连续变量值取第m-1次迭代中连续优化后的最优解,初始群体取第m-1次迭代中离散优化后的最终群体,在新的连续变量值的条件下对其继续进化。本文采用启发式策略对遗传个体进行校正,使其满足动态约束,具体方法见第4节。
2)连续优化子问题的实现
由于连续优化子问题不考虑动态约束,可以采用内点法对未来一天24 h各个时段分别进行静态无功优化,离散变量值取本次混合迭代中离散优化子问题的最优解。
4 启发式策略
原始个体(指遗传算法求解过程中随机产生,交叉和变异后的个体)的离散控制变量可能不满足动态约束,需要把这些不可行个体校正为可行个体,才能在此基础上继续寻找可行最优解。动态约束条件包括式(6)~(8)。式(7)、式(8)的形式一模一样,可将它们归为一类处理。若原始个体的该类型约束越限,即设备的日动作次数越限,则须对设备一天内的动作情况进行综合调整,采用全局调整策略校正(全局校正)。若原始个体对式(6)越限,即OLTC的相邻时段档位差越限,则须对设备在相邻时段内进行局部调整,采用局部调整策略校正(局部校正)。
1)全局调整策略
计算原始个体中各离散控制设备Di一天内的调节次数NDi23:
式中,CDi(t)表示Di在t时刻的编码值。
电力系统运行时无功控制设备调节的基本规则为:在负荷骤升骤降和负荷处于峰谷状态的时段,控制设备的调节概率较大;在负荷变化较平缓或负荷接近平均水平的时段,控制设备的调节概率较小。因此,可以根据系统中负荷的变化程度和负荷水平计算控制设备各时段调节概率ηt。
设Qt为控制设备Di在时段t的无功负荷,Qa为一天内的平均无功负荷,Qa为:
计算该设备各时段的调节概率ηt,其中t=(2,,24),不用考虑t=1时刻的调节概率。
等式右侧第一项表示该时段无功负荷变化的剧烈程度,第二项表示该时段无功负荷与平均无功负荷的距离。
计算控制设备Di各时段的实际调节概率ηt’:
通过计算得到离散控制设备Di各时段的调节概率ηt和实际调节概率,选择ηt与(t=2,,24)差距最大的时段,将该时段Di的动作幅度减少1档。检查Di的日动作次数NDi,如果仍然越限,则再次计算Di调整后各时段的实际调节概率ηt’,选择ηt’与ηt差距最大的时段修正,如此往复,直到其满足一天内的动作次数限制。
2)局部调整策略
局部调整策略的基本思路为:首先检查原始个体中OLTC设备相邻时段档位差是否越限,若越限,则调整该设备相邻时段的档位值,使相邻时段档位差在约束范围内。以可调变压器l为例,局部校正过程如下:从t=1开始到t=23结束,逐个检验相邻时段t+1和t的档位差是否满足式(6),若遇到某相邻时段不满足,则调整l在该相邻时段的分接头位置。由于检查和调整是从时段1开始顺序往下进行的,即t及其之前时段的档位已经满足相邻调节次数约束,若改动Tl,t,则不能保证相邻时段t-1和t依然满足式(6),所以不能调节Tl,t的值,只能调节时刻t+1的值Tl,t+1:
5 算例分析
在Matlab 7.0平台上采用本文提出的算法对算例系统进行仿真,系统的日负荷曲线如图2所示,曲线上的负荷值以初始状态各点的负荷值为基准,表示为基准值的倍数。假设系统有功功率日负荷曲线和无功功率日负荷曲线相同,且各节点负荷一天中以相同的负荷率波动。假设电容器组和OLTC分接头的日最大调节次数为9次,OLTC分接头的相邻时段最大调节次数为3次。
5.1 Ward-hale 6节点系统
以Ward-hale 6节点系统[16]为例,发电机节点2、6(记作G2和G6),其中G6定为平衡节点,G2的电压上下限分别为1.15和1.1(标幺值);OLTC支路1-4,3-5(记作T1-4和T3-5)的变比调节范围均为(1.0±8)1.25%;节点3、4(记作Q3和Q4)分别接有100.5 Mvar和110.5 Mvar的可投切电容器组。优化前系统在负荷轻和负荷重时均容易出现节点电压越限,日网损为328.8 MWh。优化后系统的节点电压和发电机无功出力均未越限,日网损为285.4 MWh,比优化前减少13.2%。系统无功控制设备的最优控制方案见表1,表中节点电压为标幺值。
由表1可见,G2一天内的机端电压均在其调节范围内;T1-4,T3-5,Q3,Q4的日调节次数均在其限制范围内;T1-4和T3-5的相邻时段最大调节次数分别为2和3,均在其限制范围内。
综上所述,优化后系统的运行状态得到改善且控制设备满足所有动态约束条件,证明本文提出的启发式策略确实能够严格限制离散控制设备的日调节次数和OLTC的相邻时段调节档位差。
5.2 IEEE30节点系统
分别采用本文和文献[11]的混合算法,对IEEE30节点系统[17]一天负荷进行动态无功优化仿真,两种优化算法的优化结果对比见表2。
结果分析如下:
1)本文算法的日网损和迭代次数较文献[11]算法的要低一些,但差距不是特别大。这是因为:两种算法均采用相同的交替迭代混合策略,混合算法的收敛性相差不大;本文算法采用改进后的遗传算法和内点法,改善两个子问题的优化结果,从而改善了混合算法的收敛性和目标值;本文算法在遗传算法中采用启发式策略来限制离散变量的动作次数,能最大程度地保留离散变量的动作自由,从而能在更大范围内寻找到最优解。
2)本文算法的计算时间几乎是文献[11]算法的一半,这是由于改进后的遗传算法有很好的收敛性和计算速度,特别是内点法的改进大大降低了复杂矩阵的计算时间。
仿真结果证明本文算法在严格保证离散控制设备的动作次数限制的同时,能尽量地减少目标网损,优化算法的计算性能。
6 结论
混合算法充分利用了遗传算法和内点法分别在处理离散变量和连续变量问题中的优势,将离散变量和连续变量优化分开进行,有利于动态约束的解决。结合混合算法,本文提出采用启发式策略对遗传个体的离散变量进行校正,使个体能在满足动态约束的可行方向上,在尽量大的解空间内寻找到原问题的最优解。同时,本文还采用改进后的遗传算法和内点法求解子问题,改善了混合算法的收敛性和计算速度。
Ward-hale 6和IEEE30节点系统的计算结果表明,本文算法既能严格保证动态次数限制,又能得到很好的无功优化结果,同时还能大大改善算法的收敛性和计算速度。
摘要：严格考虑控制设备的动作次数限制,建立一个完整的非线性混合整数动态无功优化模型。结合混合算法,把离散变量和连续变量分开优化,分别使用改进后的遗传算法和内点法求解,以改善算法的收敛性和计算速度。将动态约束分为设备一天内调节次数限制和变压器相邻时段调节次数限制,提出全局调整策略和局部调整策略来分别处理这两类动态约束,使离散变量严格满足动作次数限制。启发式策略的应用使算法既能严格保证离散变量的动态约束,又能充分保留其动作自由,得到可行的最优解。Ward-hale6和IEEE30节点系统的仿真结果证明提出算法的有效性。
混合无功补偿 第4篇
电力系统无功优化问题是一个典型的非线性组合优化问题[1,2,3,4]。无功优化控制手段包括调节发电机机端电压(连续变量),变压器抽头和并联电容器或电抗器(离散变量)投切。以遗传算法(GA)为代表的人工智能算法由于特别适合处理离散变量,而被广泛被应用到无功优化中[5,6,7,8]。但这类基于群体智能的优化算法在处理电力系统无功优化问题时,将会随着解空间的逐渐增大而带来“组合灾”,且容易陷入局部最优,从而难以保证得到最优解。
遗传算法具有较强的全局搜索能力和离散变量处理能力,但局部搜索能力较差,容易出现早熟收敛。文献[9]提出的群搜索优化(GSO)算法近年来也开始被应用到电力系统优化问题中[10],其具有处理大规模多变量优化问题不敏感的优点。为适应处理无功优化问题,本文进一步提出了基于邻域搜索的GSO算法,即NGSO算法。该算法容易实现且具有较强局部搜索能力,不容易陷入局部最优,但由于其在邻域范围内逐步搜索,因此全局搜索能力较差。
由于遗传算法和NGSO算法在原理上具有互补特征,本文提出了一种综合两种算法优势的新型无功优化混合算法来求解无功优化问题。该混合算法采用两种算法交替求解,既发挥了遗传算法的全局收敛性能,又利用了NGSO的局部搜索能力,有效地保证了混合算法的整体寻优效率。
本文首先对遗传算法和群搜索优化算法进行了改进,进而融合两种算法在“全局寻优”和“局部求精”方面的互补特点,提出了本文的混合优化算法。通过IEEE118节点系统和某实际290节点电网的无功优化试验计算,并与其他算法进行了比照分析,结果表明,混合算法在算法稳定度和优化效果方面都具有明显的优势,能够适应电力系统无功优化问题的求解。
1 基于邻域搜索的GSO算法
1.1 基本GSO算法[9]
在GSO算法中,群成员被分为发现者、加入者和游荡者三类。发现者和加入者使得算法逐渐向最优解靠拢,而游荡者则使得算法能够跳出局部最优,从而避免了早熟收敛。
在n维搜索空间中,第i个个体在第k次迭代过程中的位置可以表示为Xik∈Rn,搜索角度为ϕik=(ϕki1,,ϕik(n-1))∈Rn-1,搜索方向为Dik(ϕik)=(d ki1,,dkin)∈Rn,搜索方向可按式(1)~式(3)转换到笛卡尔坐标。
在算法的每一轮迭代中,选取位置最佳的个体作为发现者,发现者按照式(4)~(6)探测周围区域是否有更好的资源。
式中:Xpk为第k轮迭代的发现者;r1∈R1为均值为0、方差为1的正态分布随机数;r2∈Rn-1为(0-1)间均匀分布随机数。lmax∈R1为最大搜索距离;θmax∈Rn-1为最大搜索角度。
若有更优资源则发现者转移到该位置上,否则保持原位置不变。并按照式(7)调整搜索方向。
式中,αmax为最大搜索转角。
若发现者经过a次迭代后仍没有找到更优资源,则搜索角度重新变为ϕk。
其他个体随机的被选择为加入者和游荡者。加入者按照式(8)以一定的步长向发现者靠拢。
式中,r3∈Rn为(0-1)间均匀分布随机数。
游荡者则按式(9)、式(10)随机选择搜索角度和搜索距离并按式(11)移动到新位置上。
在迭代过程中,每个个体都会通过适应度的不同而在三种角色中切换。
1.2 GSO算法改进(NGSO)
基本GSO算法用于无功优化计算存在两个方面问题:一是算法复杂,影响了计算速度;二是不能处理离散变量。本文提出的基于邻域搜索的GSO算法(NGSO)三类成员均采用邻域搜索策略,放弃按角度搜索方式,从而使算法大大简化,并能够较好的处理离散变量,大大提高了算法的局部搜索能力。
对于发现者,搜索方式可由式(12)表示。
对于加入者,搜索方式可由式(13)表示。
对于与流浪者,搜索方式可由式(14)表示。
且对于上述三类成员,完成搜索后均需判定其是否越限,若越限则按照式(15)处理。
式中:Xi和X i′为控制变量变化前后档位值;iY为发现者相应控制变量档位值;RDint(x)为0~x之间的随机整数;Rf()为0~1之间的随机数。
NGSO的算法步骤如下。
步骤1初始化各变量上下边界值,用随机值初始化种群个体,计算群体中各个体适应度值。
步骤2统计种群个体适应度,找出适应度最小的个体作为发现者。
步骤3发现者采用式(12)在周围执行邻域搜索,计算新个体适应度,若比发现者更优则该个体变为发现者,若找不到比发现者更优的个体,则保持原发现者。
步骤4将除发现者以外的个体随机选为加入者或流浪者。若0-1分布随机数小于0.8,则第i个体为加入者,采用式(13)逐渐向发现者靠拢。否则为流浪者,采用式(14)向任意方向移动。
步骤5计算新种群个体适应度值,判断终止条件,若满足则输出最优个体结果,否则返回步骤2。
2 灾变遗传算法改进(ICGA)
为了进一步提高GA的全局搜索性能,本文作者在文献[11]中引进了“灾变”的概念来提高算法的开拓能力,提出灾变遗传(CGA)算法,同时算法中采用了分组整数编码技术,锦标赛选择机制和临近变异操作算子,为了更好地提高算法的收敛性能,本文对其做以下进一步改进。
1)对临近变异操作算子的改进。由于机端电压为连续变量,所以在遗传算法中多将其离散化归档处理,为了保证电压的连续性,电压的离散化密度应尽量大,档位应尽量多。但是当进行临近变异时,机端电压变化将不明显,将影响优化效果,本文在进行机端电压档位变异时,由原来的加1或者减1操作变为加或减1或2的操作,即
式中,Xk和X k′分别为变异前后的基因值。
2)对交叉、变异概率进行自适应设计的改进。过小的交叉、变异概率对进化到一定代数而使得种群间个体相似度极大的群体的进一步进化无疑会产生不利的影响,适当的加大交叉、变异概率对于搜索跳出局部最优解则起到了至关重要的作用。基于这种思想,给出了基于前两代相似度系数的自适应交叉、变异概率为
式中:Pc′m为当代交叉、变异概率(二者不等);Pcm、Pcmmax分别为预设置的交叉、变异概率和最大交叉、变异概率;Pminfitness(n)为第n代最小适应度;sP为前两代相似度系数;tP为预设置的相似率,一般取0.9~1.0。
大量试验计算表明,该改进可快速获得可行解,即能避免海明悬崖问题,又能使优化效果更佳。
3 基于NGSO和ICGA融合的混合优化算法
3.1 混合算法及其收敛特性
NGSO和ICGA在收敛特性上具有互补特征,本文将两种算法融合,采用ICGA迭代2次,NGSO迭代1次,从而充分发挥了ICGA在“全局寻优”与NGSO在“局部求精”方面的特性。图1为混合算法流程图。
图2为混合算法演示图,由于NGSO迭代过程中有80%的个体向发现者(当前最优解)移动,所以每一阶段的解都会朝着更加优化的方向发展,而其余20%个体任意游动,以防止早熟收敛,从而较好地适应了无功优化问题的求解。当接近全局最优解时,遗传算法将会陷入局部最优,但由于NGSO的引入,使得个体仍会逐步向全局最优解靠拢,进而达到全局最优解。
3.2 自适应目标函数的设计
本文以有功网损最小化为目标,可表述为
式中:k为支路号;Ne为支路数集合;Pkloss为第k条支路的有功网损。其约束条件包括潮流方程(等式约束),电压幅值,发电机无功出力,可调变压器抽头和可投切无功补偿装置容量约束等不等式约束[12]。
在无功优化中,由于PQ节点电压与无功发电功率是状态变量,所以将其作为惩罚项加入目标函数中,本文采用最大约束代理,只用一个惩罚量[11]
式中,sat(x)是饱和函数,如式(22)所示。
在算法初期,群体可行解较少,系统越限节点较多,越限量较大,为此,本文利用Sigmoid函数设计了与进化代数相关的自适应惩罚系数,并对系统越限量进行指数惩罚,得出自适应惩罚函数如下
式中:rmin为最小惩罚系数;Tgen为预设最大进化代数;t为当前进化代数;A=9.903 438。
该公式在算法初期越限量较大时对不可行解进行严格的指数惩罚,使不可行解快速趋于可行;在算法后期随着进化代数逐渐增加,解群体越限量大幅减小,自适应惩罚系数逐渐减小,在继续对越限进行惩罚的同时更加注重网损优化,最终在满足各项运行约束的前提下,达到网损最优,使目标函数达到最小。
进而得到目标函数为
4 算例分析
选用IEEE118节点系统和某实际290节点电网来检验混合优化算法的有效性,无功优化计算程序采用VC++6.0编制。
4.1 IEEE118节点系统
分别采用文献[11]灾变遗传算法(CGA)、ICGA、NGSO算法以及混合算法单独进行无功优化计算。种群个体数为80,迭代100次。由于遗传算法和群搜索优化算法具有一定随机性,所以对各算法反复运行40次计算结果进行对比对照。
图3和图4分别为CGA和ICGA 40次运算结果最优解分布。
由图易知,ICGA算法稳定度较高,40次最优解平均值大幅降低,效果较佳。
表1统计了CGA、NGSO和混合算法迭代100次优化结果。
注:优化前网损为1.3337*,*表示存在节点电压或(和)无功越限的情况,为不可行解。基准值为100 MVA。
由表1可见,各算法优化结果可行,各项性能指标满足各自约束条件。且易知混合算法40次最优结果较优越,表现如下。
1)在最终优化结果上,混合算法网损最大值、最小值和平均值要明显优于CGA和NGSO,混合算法网损最大值与CGA和NGSO的网损最小值相当,网损平均值分别较二者小2.94%和3.59%。充分说明了混合算法的收敛能力。
2)在算法稳定度上,混合算法各次最优解的总体方差照比CGA和NGSO总体方差小一个数量级。且分别约为二者的1/30和1/50。充分显示了混合算法有着更好的收敛稳定性。
表2为CGA,混合算法迭代200次优化结果和文献[13]MPSO算法的最终优化结果对比,充分说明了混合算法在寻优能力以及算法稳定度上的优越性和可靠性。
4.2 290节点电网
该电网包括290个节点,116条线路,104台变压器,26台发电机,80个无功补偿节点。发电机无功出力上下限、变压器变比的分级步长和无功补偿设备的分组容量以及组数均按系统给定值确定。系统优化前网损为13.89 MW,电压越限节点数90个。采用CGA和本文混合算法对其进行40次优化,结果如表3。
由表3可得如下几点。
1)CGA 40次优化结果会出现不可行解而混合算法优化结果无越限节点,均为可行解。
2)混合算法优化结果明显优于CGA,优化后网损比初始状态降低了18.46%,40次优化结果最大值要比CGA最小值还小,平均值比CGA优化平均值小6.16%,CGA年度节省电量为747万k Wh,而混合算法年度节省电量为1 026万k Wh,进一步节省了近2/5的电量,带来了可观的经济效益。
3)混合算法方差约为CGA方差的1/8,进一步说明了该混合算法的收敛稳定性;平均迭代次数较CGA小175代,说明混合算法收敛速度较快。唯一不足的是,虽然混合算法平均迭代次数要比CGA少,但是平均计算时间却多了3.22 s,但仍在1 min之内,能够满足实际系统运行的需要。
通过分析该实际电网的优化结果可知,虽然系统规模扩大,控制变量大幅增多,本文的混合算法仍可以得到令人满意的优化解,说明了本文的混合算法具有较好地求解大规模电力系统无功优化问题的能力。
5 结论
遗传算法在探索较优可行解,把握搜索过程整体能力较强,而NGSO算法的局部搜索能力较强,本文提出的混合算法充分利用了两者的优势,采用遗传算法把握寻优过程的全局收敛性,在此基础上插入NGSO算法搜索当前解附近的更优解,使结果逐步逼近全局最优解,使两者的搜索性能优势充分结合,从而大幅提高了算法的寻优效果。
IEEE118节点系统和某实际290节点电网计算结果表明,该混合算法稳定度高,具有较强的收敛能力,能够有效地求解电力系统无功优化这类大规模非线性优化问题,具有一定的实用价值。
摘要：提出了一种适合于求解电力系统无功优化问题的新型混合优化算法,该算法结合基于邻域搜索的群搜索优化算法和改进灾变遗传算法。综合考虑两种算法的特点,将无功优化问题分步进行交替求解,第一步采用改进灾变遗传算法迭代两次更新解群体,第二步在此基础上采用基于邻域搜索的群搜索优化算法使群体中各解向当前最优解靠拢,交替进行,最终达到全局最优解。在IEEE118节点系统试验计算结果表明,与其他算法相比,该混合算法具有较好的全局收敛性且不容易陷入局部最优,在优化效果以及算法稳定度上都具有明显的优势。在某实际290节点电网计算结果表明,该混合算法能够适应实际电力系统无功优化问题的求解。
混合无功补偿 第5篇
电力滤波装置是目前抑制谐波、进行无功补偿的主要手段,其主要分为无源滤波(PPF)、有源滤波(APF)和混合滤波(HPF)3种[1,2,3]。PPF体积较大,滤波效果与系统运行情况有关,同时在特定情况下会与系统发生谐振;APF能够克服PPF的部分缺点,对谐波和无功功率进行动态补偿,且补偿特性不受电网阻抗的影响,但APF补偿谐波需要采用容量较大的电容元件,实施难度大,成本高;HPF将PPF和APF结合起来,根据电网侧谐波电流和负载侧谐波电流来进行控制,只需较小的容量,即可达到满意的补偿效果,然而根据固定电网参数设计控制策略,当电网运行受到环境影响且电网参数发生变化时,滤波效果将出现较大波动。
本文在分析各种不同形式HPF的基础上,针对电网参数发生变化对滤波控制效果的影响,在检测电网侧谐波电流和负载侧谐波电流进行复合控制的基础上,引入智能补偿因子,利用智能算法估计电网参数变化对滤波效果的影响,折算成智能补偿因子,对滤波控制策略进行调节,提出了一种基于小波分析和遗传神经网络的HPF,并叙述了关于该HPF控制算法原理、小波分析过程、BP神经网络结构设计及遗传神经网络训练的具体方法。
1 HPF算法的提出
HPF的实质是在对系统谐波含量准确测量的基础上完成对各PPF的投切和对APF输出的控制。
1.1 HPF原理及结构
大多数工业负载电流具有奇次对称性,一般只需对奇次谐波进行补偿,而3次谐波在三相三线制供电方式中可以忽略[4],在静态补偿电容器组中仅考虑5次、7次、11次谐波。图1所示三相HPF系统中,将APF串入PPF中,然后整体与补偿对象并联接入电网,谐波和无功主要由PPF补偿,APF的作用是改善补偿特性,并抑制电网和PPF之间可能发生的谐振。PPF由两部分组成:C5、L5,C7、L7,C11、L11分别构成了5次、7次、11次单调谐波和高通滤波器,并承受绝大部分的电网电压;APF附加电感La通过耦合变压器并联后串入PPF中,Lr与Cr构成小功率LC滤波器滤除APF的开关毛刺;耦合变压器将PPF与APF隔离,起到均衡PWM变流器电压和电容的补偿作用。
1.2 HPF控制策略分析
三相HPF系统等效电路图如图2所示。APF等效为受控电流源,由基尔霍夫定律分析得:
其中,Zsh为电源侧的谐波等效阻抗;Zah为附加电感La的谐波等效阻抗;Ush为电源电压的谐波分量;ILf、ILh分别为负载侧电流IL的基波和谐波分量;Ish为电源电流Is的谐波分量;UTh为连接点处的谐波电压;Ic为APF等价的可控电流源输出的控制电流。
当无APF时,将Ic=0代入式(1)得到PPF的控制效果如式(2)所示:
三相HPF系统分为3种控制策略[5]:基于电网谐波电流控制、基于负载谐波电流控制和复合控制。
1.2.1 基于电网谐波电流的控制
检测电网谐波电流的控制策略为:Ic=KSIsh,KS为控制系数。将该策略代入式(1),得到基于电网谐波电流的控制效果如式(3)所示:
式(3)表明电网侧谐波电流由负载谐波电流和电源谐波电压共同产生。对比式(3)与式(2)不难看出,APF明显改善了PPF的滤波特性,同时降低了由负载谐波电流和电源谐波电压在电网侧产生的谐波电流;KS越大,滤波效果越好。
1.2.2 基于负载谐波电流的控制
检测负载谐波电流的控制策略为:Ic=KLILh,KL为控制系数。将该策略代入式(1),得到基于负载谐波电流的控制效果如式(4)所示:
当Zfh=0、KL=0时,负载谐波电流全部被滤波器滤除,电网谐波电流取决于电源谐波电压。
1.2.3 复合控制
检测电网谐波电流和负载谐波电流的复合控制策略为:Ic=KLILh+KSIsh,将该策略代入式(1),得到复合控制的控制效果如式(5)所示:
对比分析式(3)(5),在相同的KS下,取KL=1,复合控制的滤波效果优于基于电网谐波电流和基于负载谐波电流的控制。复合控制方法中,系数KS和KL完全解耦,可以根据需要对这2个系数进行独立控制,获得满意的效果。系数KL可以确保HPF系统获得良好的补偿特性,系数KS可以防止谐振的发生,且KS不必很大,因而不会对系统的稳定性构成威胁。
1.3 基于小波和遗传神经网络的HPF算法
复合控制中,KS和KL是根据电网参数进行设计的,当KS和KL选定后,控制策略Ic=KLILh+KSIsh也固定下来,电网谐波和负载谐波分别经过KS和KL系数的放大叠加后,与控制电流抵消,达到滤波的目的。然而电网阻抗、电网频率等电网参数常受到环境温度、运行时间等因素的影响而出现波动。因此单纯的复合控制无法抑制电网参数变化的影响。
因此,本文在复合控制的基础上,引入智能补偿因子σ,取Ic=KLILh+KSIsh+σ。并提出一种基于小波和遗传神经网络的HPF控制算法,其基本思路为:在复合控制控制系数KS和KL选定后,首先,利用小波算法检测电网电流和负载电流谐波分量;其次,利用遗传神经网络根据谐波特征预测电网参数变化对HPF效果的影响,实时调整σ;最后,将电网电流和负载电流谐波分量乘以适当的KS和KL,并利用补偿因子σ进行调节,得到指令信号,该信号作为给定,通过PWM发生器控制APF的输出。
基于小波和遗传神经网络的HPF算法如图3所示,由小波分析、基于神经网络的滤波补偿以及基于遗传算法的神经网络权重优化3个部分组成。
a.小波分析。电网中的谐波往往较为复杂,无法直接应用到Ic=KLILh+KSIsh+σ中,将电力系统电网中含有谐波的电网电流和负载电流信号进行小波变换,从而实现基波与谐波的分离,提取谐波分量,从而为补偿因子的预测和最终控制信号的形成打下基础。另外由于小波分析在频域和时域同时有局部性,所以能有效跟踪谐波变化来实现谐波实时检测。
b.基于BP神经网络的滤波补偿。这是抑制电网参数变化对滤波效果影响的关键环节。通过对当前控制周期负载谐波电流ILh(t)、电网谐波电流Ish(t)和上一周期负载谐波电流ILh(t-1)、电网谐波电流Ish(t-1)进行学习,分析不同时间点滤波效果的细微变化,估计当前网络参数波动对滤波效果的影响,从而实时调节补偿因子σ的取值。
c.基于遗传算法的BP神经网络权重优化。利用遗传算法寻求最佳的BP神经网络结构和连接权值,从而加速收敛,抑制误差,使补偿因子σ更加精确。
2 基于小波分析的谐波检测
在本文提出HPF算法中,电网谐波电流和负载谐波电流是计算控制电流信号Ic的依据,同时在控制系数KS和KL确定的情况下,电网谐波电流和负载谐波电流的变化也反映了电力系统中电网参数的变化,对σ的计算有重要的参考价值。
传统的电力系统谐波检测方法有快速傅里叶变换(FFT)和短时傅里叶变换(STFT)[6]:FFT能精确地检测整数次谐波,但不能检测非整数次谐波,且存在频谱泄漏和栅栏现象,虽有单峰检测双峰检测,插值改进算法仍有许多不足;STFT通过窗函数使频谱泄漏得到有效的控制,实现了非周期、非整数谐波检测,然而时频窗的宽度固定,不能自适应调整,分辨率较低。
小波分析能将电网谐波电流和负载谐波电流信号变换投影到不同的尺度上,表现出高频、奇异高次谐波信号,并具有将频率空间细分的特性,克服了FFT、STFT算法的局限性,因此本文运用小波分析对电流谐波信号进行离散小波变换[7,8],将原信号分解为高频部分和低频部分,并利用分解结果重构谐波分量。
设电网谐波电流和负载谐波电流一维连续信号为表示能量有限空间),其傅里叶变换为ψ(ω)。当ψ(ω)满足时,称φ(t)为母小波,将母小波φ(t)经伸缩和平移后,得到小波序列如式(6)所示:
其中,,a≠0为伸缩因子,b为平移因子。
滤波器实现中,硬件难以处理连续信号,因此需对连续信号进行采样得到离散信号,把连续小波变换中的a和b分别取a=a0j和b=kaj0 b0,,得到对应的离散小波函数如式(7)所示:
考虑二进制小波分解在实际应用中的简便性,本文对频域进行二进制离散变换,取a0=2、b0=1代入式(7),则对于电流信号的二进制小波变换如式(8)所示:
其中,nN,ckj和dkj分别为第2j尺度(第j层)的离散平滑近似信号和离散细节信号,递推方法如式(9)所示:
其中,j为分解层数,分别为低通与高通滤波器系数。
首先对输入序列c kj-1作滤波运算;然后每隔一点进行抽取;最终至上限频率接近基波频率频段时,分解结束。由低频段分量ckj-1(k)重构基波分量,由高频段分量dkj-1(k)重构各次谐波分量,实现对电流谐波变化跟踪。以3层分解为例,分解关系式:x(n)=c3(k)+d3(k)+d2(k)+d1(k)。进一步分解以得到基波分量,则可以把低频部分c4(k)分解成低频部分c5(k)和高频部分d5(k),依此类推。所以小波多分辨率信号分解可用多抽样率子带滤波器组来实现。
通过分解,在每一尺度2 j上(第j层上)。信号f(k)被分解为近似部分的小波系数ckj(k)和细节部分的小波系数dkj(k)。从滤波器的角度来看,利用二进制小波变换将信号f(k)的频带划分为一系列子带,其实质是不同尺度下的带通滤波器和低通滤波器设计。
电力系统中,通过互感器可以采集到电网侧电流和负载侧电流信号,以负载侧谐波为例,设原始负载侧电流信号为
其中,ω=100π,表示系统中电流基波频率(50 Hz)信号中含有10次和14次谐波,且相位不同。根据香农采样定理,采样频率不能低于最高频率的2倍。为了较好地重构信号,本文在一个基波周期内采样数据为512点,取采样频率fs=50512=25 600(Hz)。为了得到包含50 Hz频率范围的子带,取j=7,即进行7次小波分解。
利用MATLAB小波工具箱的函数对上述信号进行仿真分析,通过比较发现,选取具有紧支集的正交小波Danbechies4(Db4)对上述信号进行分解,能取得较好的效果,分解结果如图4所示,根据多分辨率小波分解对信号频带划分可知,d1~d7以及c7信号对应的频带分别为6 400~12 800 Hz、3 200~6 400 Hz、1 600~3 200 Hz、800~1 600 Hz、400~800 Hz、200~400 Hz、100~200 Hz和0~100 Hz。
从图中可以看出小波分析算法实现了基波与谐波的分离。根据前述频谱分布的分析可知,分解得到的d1~d7包含了5次、7次、11次负载谐波电流。利用d1~d7重构谐波信号,可以近似得到实际电流谐波分量如图5所示。不难看出利用小波算法,能够跟踪谐波变化并准确地反映电流的谐波分量。
3 基于神经网络的滤波补偿
由运行环境引起的电网参数变化对滤波效果影响难以建立准确的数学模型,导致无法利用确定的数学关系计算补偿因子σ。
BP神经网络算法既能有效地处理非线性数据,又能限制过学习[9,10,11,12],BP神经网络算法具有严格的理论基础和数学基础,小样本学习也具有很强的泛化能力,对样本数量的依赖性弱[13]。因此本文采用BP神经网络算法方法对电网控制补偿因子σ进行求解。
3.1 输入的选取
从信息论角度看,本文所讨论的三相电力滤波控制系统中,基于简单HPF控制,本质上是依据某一时刻的电网状态制定的控制策略,而没有考虑到滤波效果时间上的相关性,从而在电网参数波动时、由于控制系数KS和KL固定,难以达到较好的滤波效果,而2个时刻滤波效果的差别,恰恰反映了电网参数波动对滤波效果的影响。因此本文利用神经网络在一定时间范围内分析前一时刻与当前时刻下的电网谐波电流和负载谐波电流的差异,计算补偿因子σ,从而抑制电网参数波动对滤波效果带来的影响。由此可以确定网络输入层的输入如式(10)所示:
其中,输入神经元个数N1取决于被控对象的复杂程度,这里N1选为4,输入的4个量分别为上一处理周期的电网谐波分量、负载谐波分量,以及当前处理周期的电网谐波分量、负载谐波分量。
3.2 隐层的设计
BP神经网络中,隐层是决定算法性能的关键因素,直接决定了算法的快速性和准确性。它主要涉及到隐层结构的确定和传递函数的选择2个方面。
3.2.1 BP神经网络隐层结构设计
BP神经网络可包含若干隐层,当隐层数增加时,算法复杂程度成指数增长,影响算法收敛性。目前已证明单隐层BP神经网络具备足够隐层神经元数时,可以以任意精度逼近任何具有有限间断点的非线性函数。本文从实际应用效果上看,增加隐层后,σ对滤波效果提升并不明显,因此采用一个隐层。网络隐含层的输入输出如式(11)所示:
其中,i=1,2,,N2;ωim(2)为隐含层加权系数。
隐层神经元数目采用如下经验公式:
其中,N2为隐层神经元个数;l为神经网络隐层数,b为当前隐层所在层数,T为训练样本维数。考虑到HPF控制算法数据处理量较大,为在确保精度的前提下保证神经网络收敛过程的快速性,本文通过实验,将隐含层节点数N2取7。
3.2.2 BP神经网络隐层传递函数设计
隐层神经元的传递函数通常有对称Sigmoid型、三角型、正选函数等。三角形的传递函数,对于离散型的对象精度较高,在电力滤波应用中,电网参数的变化具有一定的随机性,但离散程度并不明显,采用三角形反而导致精度不高;正选函数精度较高,但正选函数将增加系统计算负担。对称Sigmoid型实现简单,精度较高,非常适合HPF。这里采用对称Sigmoid型,其形式如式(13)所示:
3.3 输出节点的选取
输出节点神经元个数N3为1,输出结果为滤波控制补偿因子σ,如式(14)所示:
输出层输出节点对应σ,输出层神经元活化函数取非负的Sigmoid函数如式(15)所示:
至此,确定BP神经网络结构为4-7-1,见图6。
3.4 性能指标选取
本文所提出的HPF算法中,补偿因子σ的选取,应使得电网参数波动对滤波效果的影响降到最低,即要求每次滤波后谐波的结果差异最小,因此,取性能指标函数如式(16)所示:
其中,yout(k-1)为上一控制周期滤波效果,即确定了控制系数KS和KL的条件下,上一控制周期剩余谐波指标;yout(k)为本次控制周期滤波效果,即同一控制系数KS和KL下滤波后,本次控制周期剩余谐波指标。式(16)反映了电网参数变化对滤波效果影响。
4 基于遗传算法的权重优化
对电力滤波这一应用而言,算法的收敛性和准确性直接决定了最终的滤波效果。BP神经网络的拓扑结构中,连接权值的取值对神经元网络性能的影响至关重要,因此针对HPF控制补偿因子σ预估这类输入节点和输出节点已定的实际问题,求解最佳的神经元网络结构和连接权值是提高算法性能的关键。
有学者提出利用梯度下降法最小化留一法LOO(Leave One-Out)误差上限来确定神经网络连接权重,但由于无法以解析式的形式给出估计公式,难以使用。另有学者提出了基于粒子群优化(PSO)算法对BP神经网络连接权重进行优化,但常规PSO算法在优化时有其自身缺陷,尤其针对解决被优化参数相互关联的优化问题,效率明显减弱[14]。与常规PSO算法相比,遗传算法(GA)具有算法简单、计算效率高的优点,在陷入局部最优问题上有一定改善,因此为了提高模型预测的准确性[15,16,17],本文采用将GA算法和BP神经网络进行结合,适当地选择连接权重。
BP神经网络的连接权重共同构成了GA解空间。根据HPF应用特点选择适应度函数,通过个体的变异搜索,寻找使得适应度函数最优的连接权重,即得到最优的BP神经网络权重参数。利用GA选择BP神经网络的连接权重,实现步骤如下:
a.利用三相HPF系统采集到的电网电流和负载电流检测值进行小波分析,得到各自的谐波电流值,计算新的适应度函数;
b.首轮随机产生n个BP神经网络连接权重解个体,组成初始种群,非首轮随机产生n-1个个体,第n个个体为前一代种群的最优个体,组成下一轮种群;
c.利用适应度函数评估个体适应度,寻求适应度函数最小的解作为最优个体,并将其标识为种群中的第n个个体,将该个体保留为下一代种群成员;
d.选择种群中所有个体(包括第n个个体)进行交叉操作;
e.检查当前种群是否符合名义收敛条件,如果满足条件,则执行f,否则转向b;
f.如果满足给定的优化条件,终止优化过程,否则转向b。
4.1 编码表示
神经权重编码表示是利用GA对BP神经网络经权重优化的重要步骤。一般有二进制编码和实数编码2种方式,采用实数编码方式不利于计算机的计算,同时会导致收敛时间过长,二进制编码方式适合硬件计算,能够显著提高算法的效率和精确度,能够更好地保持种群多样性。待编码的参数为神经网络各级权重,由于本文采用的是4-7-1型的神经网络,则1、2层间权重28个,2、3层间权重7个,共有35个连接权重需要确定,因此染色体编码如式(17)所示:
每个连接权重用一个称作粒度位数的参数来描述其权值的二进制位数的大小(本文粒度位数取7 bit);一个连接的编码等于描述连接存在/不存在的一位编码,连接编码+连接权值的二进制位数共8 bit,构成了一个连接权重二进制编码。对于部分连接的网络,在网络结构和连接权值进化过程中,粒度位数、连接位数不断变化,当连接位为0时,此连接不存在,无连接权值;当连接位为1时,此连接权值也发生变化。
4.2 适应度函数
在GA中,个体适应度函数需要考虑BP神经网络整体准确性指标,即提高网络输出的滤波控制补偿因子σ的准确性。基于这一考虑,补偿因子σ换算得到的电网谐波电流和负载谐波电流的补偿值,应使得本控制周期与上一控制周期的谐波变化量最小。因此,采用的性能指标如式(20)所示:
其中,Fexact用以衡量经补偿因子调节后,实际谐波变化量,Jσ表示补偿因子σ换算的谐波补偿量,J t1s h为前一控制周期的负载侧谐波分量,J lht1为前一控制周期的电网侧谐波分量,Jlth2为当前控制周期的负载侧谐波分量,J sht2为当前控制周期的电网侧谐波分量,ΔJsh为2次控制周期间电网侧谐波补偿后剩余谐波变化量,ΔJlh为2次控制周期间负载侧谐波补偿后剩余谐波变化量。
4.3 变异策略
目前使用较多的变异策略有点式交叉变异和均匀交叉变异,点式交叉破坏模式的概率较小,但搜索到的模式较少;均匀交叉破坏模式的概率较大,但搜索到的模式较多,这里采用点式交叉策略。
4.4 杂交策略
目前使用较为广泛的杂交操作是单点杂交、两点杂交和多点杂交。采用单点杂交、两点杂交基因的变化较为缓慢,从而导致BP神经网络连接权重优化周期增加,严重影响算法的整体效率,因此本文采用多点杂交的方式,加速算法收敛过程。
5 仿真实验对比
在仿真模型中,系统电源采用标准的正弦波电压源来模拟,相电压为220 V,频率为50 Hz。谐波源设计为工业中常见的晶闸管三相桥式整流电路带阻感性负载,触发延迟角α=60°。考虑负载谐波源的谐波特性,PPF由5次、7次、11次3组单调谐滤波器组成。PPF的参数L5=11 m H,C5=50μF(5次滤波器);L7=11 m H,C7=25μF(7次滤波器);L11=22m H,C11=12μF(11次滤波器)。
5.1 小波检测方法结果
根据电力工程计算中的需要,小波分析主要考虑5次、7次、11次谐波分量,考虑到谐波信号的重构仿真试验中,采用采样频率定为每周期512次,分解层级定为7级,选取具有紧支集的正交小波Danbechies4(Db4)对电网侧和电流侧谐波信号进行小波分解,表13分别为对仿真模型电网侧电流检测得到的5次、7次和11次谐波的仿真结果。
从表13的结果可以看出,本文采用的小波分析方法能够有效地对电网电流谐波和负载电流谐波5次、7次和11次谐波分量进行提取,且达到较高的精度,完全满足本文提出的基于小波和遗传神经网络的HPF算法的需要。
5.2 引入补偿因子σ仿真结果
小波算法能够实时分析电流谐波分量,通过BP神经网络对电流谐波分量变化进行学习,分析现有控制参数对电流谐波的抑制效果,从而调整补偿因子σ。实际电网中器件参数的变化并不频繁,设定每5 s采集小波检测的电网侧和负载侧电流谐波分量一次,每500组采样结果作为一组神经网络训练样本集,因此每2 500 s调节一次σ。由于电网谐波、负载谐波各个分量幅值差异较大,这里需做归一化处理,处理后的样本由BP神经网络和GA进行训练,得到补偿因子σ。为了加速BP神经网络的收敛,对其35个连接权重进行优选。
在GA中,种群规模Psize=200,选择概率PS=0.05,交叉率PC=0.4,变异率Pm=0.1;在BP算法中,学习效率η=0.4,权系数修正常数α=0.9。经26 917次运算,收敛误差达到0.000 5,达到收敛。
为了验证电网参数的变化下本文算法的实际滤波效果,将仿真电路的电源阻抗、无源滤波LC电路的元器件参数做1%、5%、7%的随机波动。针对同一仿真环境,在控制系数KS和KL相同的条件下,对比无滤波处理、单纯的复合滤波控制方法与引入补偿因子σ方法,结果如表46所示。
由实验结果可知,在电网参数未出现明显波动时,单纯的HPF方式和引入补偿因子σ的滤波方式,滤波和无功补偿效果基本相同。当电网参数出现波动时,单纯的HPF方式因采用Ic=KLILh+KSIsh,当KS和KL确定后,补偿效果无法根据电网参数波动做出相应的调节,导致滤波效果和无功补偿效果随电网参数变化而下降。而引入补偿因子σ后,Ic=KLILh+KS Ish+σ,通过基于遗传神经网络的训练,σ可以根据电网参数波动对控制输出做出补偿,从而在电网参数波动时保持基本相同的滤波和无功补偿效果。
6 结语
利用HPF实现对电力系统的谐波抑制和无功功率补偿是解决电网非线性负载对系统污染的有效方法。检测电网谐波电流和负载谐波电流的HPF控制算法,在电网参数稳定条件下,能够获得良好的滤波和补偿特性,当电网参数波动时,补偿效果往往出现波动。针对这一不足,本文在复合控制策略的基础上引入补偿因子σ,利用遗传神经网络算法,对电网参数波动补偿量进行训练,从而提供了一种提高HPF动态、稳定性能的有效途径,仿真结果验证了该方法的可行性。
摘要：在分析传统电力滤波方法的基础上,针对检测电网侧谐波分量和负荷侧谐波分量的复合滤波控制方法无法抑制电网参数对滤波和无功补偿影响的不足,引入智能补偿因子。提出基于小波分析和智能补偿的三相电力混合滤波算法。利用小波算法检测电网电流和载荷电流谐波分量,该结果作为样本利用遗传神经网络进行训练,预测当前电网参数对滤波效果的影响程度,计算智能补偿因子,对混合滤波控制进行补偿。实验结果说明,基于小波分析和智能算法对混合滤波控制进行补偿,是提高其动态性和降低谐波量的有效途径。
混合无功补偿 第6篇
关键词：混合型,巨灾,利,弊
在高速发展的经济背景下, 城市地区人口越来越密集, 财产总值越来越大, 社会财富集中度也变得越来越高, 自然灾害造成的损失也越来越大。巨灾不仅给中国造成了非常巨大的经济损失和人员伤亡, 也阻碍中国经济的可持续发展和人们生活的安定。
一、中国巨灾损失补偿的现状
中国作为一个经济还不发达的发展中国家, 政府的财政收人总量是很有限的。由财政预算安排的灾害救济支出只是财政支出计划中的一小部分。在巨灾发生时, 财政预算安排的救灾基金相对于灾害所造成的损失只是杯水车薪。
1. 人民对巨灾风险的保险意识差。
中国保险业尽管每在灾害面前都积极赔付, 但适合保险赔付金额尚不及损失总额的百分之一。2010年4月14日发生的青海玉树地震, 该次地震与海地地震、智利地震、巴基斯坦水灾、俄罗斯热浪一起被联合国确定为2010年五大最大灾难之一。最终仅有智利地震获得了较高的赔付。事实表明, 中国国民的巨灾保险意识还非常薄弱。究其原因, 不是保险标的没有获赔, 而是人们没有投保。
2. 缺乏应对巨灾保险的专项基金。
由于巨灾风险一旦发生, 损失巨大, 因此, 设立巨灾风险专项基金是很有必要的。然而, 中国目前巨灾风险损失专项基金的来源渠道比较单一, 主要还是政府财政拨款, 慈善基金以及巨灾保险的保费收入。
3. 直接保险市场分散巨灾风险的能力有限。
由于巨灾保险业务风险较高, 完全商业化的运作使得经营巨灾风险保险的保险公司的偿付能力受到巨大挑战。
4. 再保险市场发展滞后。
再保险市场是原保险市场的风险转移市场, 其承保的一般是巨灾风险或劣质风险。中国再保险市场起步较晚, 市场主体少, 资金不足, 承保能力有限。
根据风险管理理论, 人们对风险的应对措施主要包括风险自留、风险回避、风险控制和风险转移。而对于巨灾风险这类发生频率小, 但损失极大的风险我们应该进行风险转移。其中最有效的方法就是建立混合型巨灾补偿机制。
二、混合型的巨灾补偿机制概况
面对日益严重的巨灾损失, 中国在面临巨灾损失时主要是由国家财政来进行补偿的。毫无疑问, 财政支出因此承受了巨大的压力, 也导致财政预算的紊乱和吃紧。因此在2003年3月全国的“两会”上, 全国政协委员戴凤举呼吁必须尽快建立起中国的巨灾保障制度, 而不能仅仅依赖政府的财政补偿。2006年7月国家“十一五”发展规划纲要也提出, 要“建立国家支持的农业和巨灾再保险体系”。2006年11月中国社会科学院研究员、博士生导师郑秉文提出, 在自然灾害频繁发生的发展中国家, 我们应建立一个混合型的巨灾补偿机制。
混合型的巨灾补偿机制, 即同时发挥国家与市场、政府与机构的双重作用的风险补偿机制架, 发挥保险业的综合作用和国家的信用, 避免以往单方面主要靠国家财政补助。解决恢复生产的单方补偿局面。具体思路是, 或可以先从建立行业性的强制巨灾再保险机制起步 (例如煤矿) , 以应对可能出现的行业巨灾危机事件引发的巨额损失;或可以先行试点建立区域或社区性质的巨灾保险制度 (如沿海台风) , 在理算出合理保险费率的基础上, 强制性要求该区域居民参保, 并将汇集的再保险基金运作于国内外的资本市场;或中央政府可发行政府巨灾债券, 通过联合商业保险机构的市场主体形式, 将风险损失在国内外市场的更大范围内进行转移。混合型灾后补偿机制包括政府补偿、巨灾保险、巨灾债券以及慈善救助, 有效协调各方面的关系、比重, 降低政府面临的责任和风险, 增大保险、债券及慈善的责任, 让新体系可以在灾后重建工作中发挥最大的作用。
三、建立混合型巨灾补偿机制的利端
近年来, 保险公司在经营过程中对巨灾风险进行了数据及相关信息资料的储备和积累, 可以为中国混合型巨灾补偿机制的建立提供良好的技术支持。同时, 政府有关门对巨灾风险的认识逐步深化, 人民群众的风险和保险意识也普遍增强。近年来中国大型自然灾害频发, 人民群众生产生活因灾受到巨大影响。各级政府及相关部门日益认识到, 需要充分发挥政策的调控作用, 调动更多的社会资源参与巨灾风险补偿机制, 使巨灾风险能够在更广更大的范围内分散和承担, 从而使得建立混合型巨灾补偿机制在政策方面更容易沟通与协调。随着中国市场化改革的不断深化, 居民的风险意识逐渐提高, 尤其是目前住房日益成为家庭财产主要表现形式, 居民寻求家庭财产安全, 转移地震等巨灾风险的需求将日益扩大, 这为扩大巨灾保险覆盖面、建立混合型巨灾补偿机制奠定了基础。
巨灾再保险是一种证券化的再保险产品, 通过发行巨灾债券、巨灾期权、巨灾期货等金融手段, 实现风险在资本市场的分散, 由保险人、再保险人、投资者共担风险。分出人须有相当份额的风险自留, 分入人仅承担有限责任。在各类巨灾风险证券化交易中, 最为活跃和最具代表性的巨灾债券是迄今为止运用最为广泛和成熟的非传统风险转移 (ART) 工具之一。它是由独立于保险公司的特殊目的机构 (SPV) 发行的收益率直接取决于该公司或整个行业巨灾损失状况的特殊债券。与普通债券不同的是, 巨灾风险债券本金的返还与否取决于特定事件的发生。若预先规定的触发事件 (Triggering Event) 不发生, 投资者将得到比普通债券高的收益;若发生债券预先规定的触发事件, 债券发行人向投资者偿付本金或利息的义务将部分乃至全部被免除。由SPV向保险公司支付赔款, 保险公司再根据合同约定向投保人进行理赔。相对于传统的以再保险转移巨灾风险的方法, 巨灾债券明显存在一些源自制度设计的内生优势, 这些优势主要表现在以下三个方面:其一, 有效分散巨灾风险。将主要由政府和保险公司承担的风险专家到了整个资本市场, 进一步扩大了保险公司承担巨灾的能力。其二, 改善投资机会, 稳定投资收益。其三, 降底信用风险。
通过加强慈善救助机构的监督管理, 实现捐助资金使用的科学、透明和高效性。使得更多的企业和个人捐款者愿意相信政府慈善组织和民间慈善机构, 提高对受灾人民的捐款力度。使得慈善救助成为巨灾补偿机制的一个部分, 而不是在灾难发生后按着职务高低进行捐款。
综上所诉, 混合型巨灾补偿机制设计的利端是取消现在政府在应对巨灾风险上“事后”补救的消极模式, 慢慢建立一种“事前”机制, 把巨灾风险转移到一个更大的保险系统中, 甚至整个资本市场中。
四、建立混合型巨灾补偿机制的弊端
巨灾债券的发行可能会影响到中国证券资本市场的稳定。一是由于来自巨灾风险属性和保险费率确定两方面的技术障碍。目前国内缺乏完备的关于巨灾发生频率和损失的历史统计资料, 无法准确测算风险损失和概率, 这将是保险业介入此项风险的基础性障碍。此外, 国内保险业务一般采取综合投保方式, 即使存在巨灾风险保险, 其价格也无法从保费中直接剥离出来。在此种情况下, SPV难以确定巨灾风险的价格, 因而难以确定拟发行债券的金额和利率。二是从目前看, 中国尚不具备巨灾债券正常运作所需的制度条件。为确保巨灾债券运作的有序性, 必须建立规范的制度。中国正处于经济转轨阶段, 存在许多法律障碍。要克服这些法律障碍, 将涉及到许多相关法律的完善, 如公司法、信托法、证券法、税法等。巨灾风险证券化法制环境的完善就意味着对法律有关条款的突破, 而修订相关法律无疑将是一项复杂而浩大的工程。三是由于金融环境障碍。作为成熟的西方国家的保险品种, 巨灾债券在中国不可避免地会遇到环境不配套所形成的障碍。
五、建立混合巨灾补偿机制的建议
1. 推动国内保险市场发展。
政府应该为巨灾保险创一个良好的外部环境, 给予巨灾保险一些优惠政策, 同时保险公司具有风险管理的专业优势, 能够也应当在巨灾保险方面有所作为。从保险的社会管理功能来看, 在构建和谐社会的总体思路下, 保险公司在巨灾保险制度建设过程中应当承担起责任。
2. 推动国内再保险市场发展。
首先, 可以引进国外再保公司。增强国内再保险市场的竞争力度, 增强国内保险市场的风险承担能力。其次, 培育国内再保公司。在引进国外再保险公司和组织时, 积极培育发展国内再保险公司, 争取把中国财产再保险公司上市, 以扩大其资本规模和承保能力。
3. 增强慈善救助的作用。
政府要推出一系列实际可行的鼓励监管政策, 对相关个人和组织进行宏观指导。引导富裕阶层承担更多的社会责任, 鼓励富人积极参与慈善公益事业, 扩大捐赠资金量对借慈善之名进行违法行为的捐赠人受赠人进行惩处等。对慈善组织来讲, 除了在税收及财政政策上对其有所照顾外, 还要对其加强监督管理。可以在民政部门设立专门的捐赠管理监督机构, 保证善款善用, 杜绝腐败挪用现象。另外, 还需要培育慈善文化, 增强全民的慈善意识, 在社会上营造一种慈善的氛围, 激发、引导人们潜在的慈爱之心。最后, 全社会要积极提倡正确的财富观, 积极引导人们, 特别是富裕阶层热心于慈善捐赠。
从各个角度来说, 探讨建立混合型巨灾补偿机制, 对于推动巨灾发生之后的经济重建, 提高灾害造成的今年估计损失的补偿程度以及灾害补偿基金的使用效率, 并且在一定程度上减轻政府的额外负担、构建和谐社会都有十分重要的理论意义和实践价值。
参考文献
[1]霍栋, 赵立力.建立中国多层次巨灾风险补偿机制的思考[J].西南交通大学学报:社会科学版, 2009, (6) .
[2]吕思颖.中国巨灾风险转移的思路与对策[J].经济纵横, 2008, (3) .
[3]周道许.关于建立中国巨灾保险制度的思考[EB/OL].http://www.doc88.com/p-5370184621.html, 2008-06.
[4]郑秉文.从“9.11”五周年看社会保障体系的巨灾风险补偿功能[EB/OL].http://www.aisixiang.com/data/10975.html, 2007.
[5]陈圆圆.从汶川地震看中国巨灾风险补偿机制[J].长三角, 2010, (1) .
混合无功补偿 第7篇
数字物理混合仿真[1]又称为硬件在环HIL(Hardware-In-the-Loop)仿真,在电力电子装置测试、新能源并网和电力系统试验研究等领域发挥着重要作用。根据接口特点[2],HIL分为控制器硬件在环CHIL(Controller HIL)和功率硬件在环PHIL(Power HIL)。CHIL在电气工程中主要应用于继电保护装置测试与电力电子装置控制器性能测试[3,4,5,6,7,8]等,它大幅降低了检测费用与检测风险,保证了控制器安全可靠地投入运行。但是,当前CHIL系统还存在一些问题:CHIL系统的数据传输、转换和采样等过程存在延时[9];当开关动作周期接近于仿真步长时,实时仿真器产生PWM触发脉冲宽度误差,从而导致开关动作延迟[10],影响仿真效果,而目前对这方面的研究比较少。
针对CHIL系统的延时问题,当前主要从硬件与软件2个方面进行抑制[2]。硬件方面,通过选用高速A/D转换芯片和微处理器以及具有相位补偿功能的互感器,可以有效降低系统采样和数据计算等环节造成的延时,但是会大幅提高成本;软件方面,在离线仿真软件中常常通过开关处理算法,如插值法、外推法和开关时间平均法[11,12]等来解决PWM脉冲宽度误差影响造成的开关延迟动作问题,从而提高系统仿真效果,但是受到HIL仿真实时性的约束,在实时仿真中开关处理方法无疑将大幅增加仿真运算负担。本文提出了一种基于快速离散傅里叶变换[13,14](DFT)的延时补偿方法,通过对稳态电压和电流输出信号的延时补偿,从而提高仿真效果。
本文以基于并网逆变器的CHIL仿真为例,从分析仿真延时原因出发,从仿真系统稳定性、精度和带宽等方面探讨了延时对CHIL系统性能产生的影响,同时结合实例提出从硬件、软件和基于改进DFT算法等方面来对延时进行补偿,提高系统的整体性能。所得的结论也可推广应用于其他CHIL系统中,为其设计与参数选型提供有益的参考。
1 CHIL系统建立与延时分析
1.1 CHIL系统平台建立
基于并网逆变器的CHIL试验平台结构原理见图1,由实时仿真系统(RTDS)、主控装置、监控平台等组成。
实时仿真数字仿真器为RTDS实时仿真器,由2个rack组成[15],可以实现144个电气节点的大规模电力系统仿真,包含发电机、变压器、输电线路和逆变器等多种电力系统与电力电子电气元件仿真模型,电力系统仿真步长可达到50μs,电力电子仿真模块仿真步长可以达到2μs,并且有12路模拟量输出接口GTAO(Gigabit-Transceiver Analogue Output)和64路数字量输入接口GTDI(Gigabit-Transceiver Digital Input),可以充分实现复杂电力电子模型的CHIL系统仿真试验。
被测的主控装置包括基于ARM+FPGA的主控板[16]、D/A环节、监控单元等。通过采样RTDS中传输的模拟量,控制输出PWM脉冲信号,实现对RTDS中搭建的逆变器模块控制。
监控平台主要功能为:仿真全局控制;RTDS仿真模型建立、实时波形监测;接口控制参数设计、下发,波形数据保存与调用等。
1.2 延时分析
1.2.1 控制器延时
根据文献[17]提出,控制器延时主要由以下部分组成:数据传输造成的延时,电气量信号采样与A/D转换器引起的延时;数字信号处理造成的延时,控制算法计算所需要的时间与硬件处理器的性能和算法的复杂程度相关;数字化控制器控制信号的离散化产生的延时,如图2所示,RTDS输出的模拟电压、电流信号,经过接口进行数据采样,控制指令每隔周期Ts更新一次,经零阶保持器(ZOH)后,进行数据处理。系统的采样周期与控制指令的更新周期不同步,造成了数字化控制器引入延时,根据文献[18]得出延时时间约为140μs。
1.2.2 RTDS装置延时
在CHIL系统当中,通过RTDS的GTAO与GTDI数字物理互联接口[15]实现控制器对RTDS中模拟量信号的采集与PWM脉冲量数字信号的接收处理,GTAO输出的模拟量最大延时可达9μs,GTDI输入最大延时约1.5μs,RTDS本身仿真步长为50μs。因此,在CHIL系统中,RTDS本身存在一定的延时环节(约为60μs),对CHIL系统的影响不容忽视。
1.2.3 延时对控制精度影响
本文分析并网逆变器输出电流误差对仿真精度的影响[18],本文所说的误差是输出电流对指令电流成分而言,主要从延时影响的相位差进行分析,控制精度则以剩余电流含量为指标进行考察。
图3给出了CHIL系统指令电流与反馈电流的矢量关系图,显示了逆变器输出电流与指令电流在延时误差的情况下剩余电流的情况。
假设指令电流幅值为Iref,逆变器输出电流为Ic=KhIref,对于h次谐波输出电流,其相应的相位误差为:
其中,Td为延时时间。
由图3可以根据几何关系求出指令电流与逆变器输出电流中剩余电流的幅值大小为:
定义系统电流残余度为:
以Kh和Td为参变量、谐波次数h为自变量,根据式(3)可得CHIL系统在不同延时情况下的电流残余度曲线,在此基础上评估延时对CHIL系统的影响。
假设CHIL系统指令电流与逆变器输出反馈电流相比幅值上无衰减,即Kh=1,只存在波形相位延迟。令波形延时时间分别为10μs、50μs、100μs、200μs,根据式(1)可以得出曲线如图4所示。
由图4可见,延时较小时,电流残余度均比较低,CHIL系统的仿真精度可以得到保证;随着延时逐渐增大,电流残余度上升,当控制并网逆变器输出高次谐波时,电流残余度越大;延时增大到一定程度以后,某些高次电流残余度将大于1,严重影响仿真效果。
1.3 混合仿真系统模型分析
本文以文献[19]中的并网逆变器为例,其结构如图5所示。图中,udc为直流电压;ig和ug分别为经过滤波以后的电流和电压。
1.2.1节与1.2.2节中CHIL系统等效延时为Td,即等效延时环节e-s Td,由文献[20]得出逆变器等效为Kpwm,出口滤波等效为1/(Ls+R),在此基础上得到CHIL系统的控制框图如图6所示。图中,Iref为指令电流;If为补偿电流;L为出口滤波电感;R为滤波电感上的寄生电阻;Ud为扰动电压,采用PI控制器。
由图6考虑延时作用,不考虑扰动作用,化简后得出CHIL系统Iref到If的闭环传递函数为:
设定总延时Td=200μs,电路参数为L=3 m H,R=0.2Ω,Kpwm=125,Kp=0.1,Ki=20。通过等效与化简得到CHIL系统的波特图见图7,可见延时环节对本系统在约20次谐波时开始衰减,限制了仿真带宽,例如基于CHIL的有源电力滤波器试验无法实现对非线性负载高次谐波补偿等,同时,也影响CHIL仿真的稳定性与精度。
2 延时补偿
由于传统的DFT算法运算量较大,本文采用的是简便的基于1个工频周期滑窗的快速DFT算法[21],应用于电流与电压模拟量的延时补偿。改进DFT算法原理如下。
假设周期为T的周期信号x(t),以电流量为例,将其表示为基波与谐波分量之和,如式(6)所示。
其中,Nm为所需要考虑的最高频率谐波次数;Ak和Bk分别为第k次谐波分量的实部和虚部;ω为基波角频率;采样周期τ=T/N,N为每个基波周期内的采样数,本文中设定每个工频周期离散采样512个点,则采样周期τ=20(ms)/512≈39(μs)。
计算公式如下:
由式(7)可知,为了计算当前时刻基波分量的实部和虚部,如文献[22]介绍基于1个周期的DFT滑窗算法,对基波进行提取,如图8所示。利用输入信号在最近一个基波周期内的N个采样值,进行N次乘法和加法运算。
以提取h次谐波为例,h次谐波电流的实部和虚部分别用式(8)计算,在提取出实部和虚部之后进行指令合成时,由式(1)知相位的误差为θd,为了补偿相位误差,引入超前相位角σk,σk=θd,本文设定Td为200μs。最终实现延时补偿。
改进后的指令合成公式如下:
完成延时补偿以后,进行改进DFT递归计算,以基波电流分量为例,对式(7)进行改进得:
其中,Nc为最新的采样点。
由式(10)得出,当前采样时刻计算值A1、B1与前一采样时刻计算值A′1、B′1之间存在如下递归公式:
改进DFT算法是基于1个周期的滑窗算法,因此,在已知上一个采样时刻计算值的基础上,只要进行简单的减法和乘法运算就可得到新的值。整个递归计算过程只要在初始化阶段的一个工频周期求和运算,之后就可以按式(11)递归计算来完成,每个采样周期需要完成的计算负荷非常小。针对混合仿真实时性要求非常高的应用场合,递归算法减小了运算延时,有利于保证混合仿真的稳态与暂态的快速准确运行。
3 仿真验证
为了分析延时影响及延时补偿方法的有效性,基于1.1节搭建的CHIL系统仿真平台,对延时影响与补偿方法进行验证。仿真采用1.3节中的仿真参数。本文在RTDS中搭建电流源型逆变器模型,图9中的受控电流源发出指令电流,通过采样环节到主控装置,作为指令信号,通过控制算法,最终发出PWM数字脉冲控制RTDS中的逆变器,对逆变器实现电流源控制。分别将基波、3次和5次谐波电流作为指令电流,并将指令电流与加入延时补偿、未加入延时补偿的输出电流相比较。
仿真结果如图10所示,可以看出加入延时补偿后的电流更加接近指令电流,随着谐波次数的增加,效果越显著。仿真结果证明了本文提出的延时补偿方法的有效性。
4 结论
混合无功补偿范文
声明：除非特别标注，否则均为本站原创文章，转载时请以链接形式注明文章出处。如若本站内容侵犯了原著者的合法权益，可联系本站删除。
