郭永鑫，肖洪光，楊 璐

(國網(wǎng)吉林省電力有限公司，吉林 長春 130062)

0 引言

微電網(wǎng)作為充分發(fā)揮分布式能源效用的主要形式，能夠滿足當(dāng)前能源需求的快速提升。其中，以變壓器為核心的微電網(wǎng)結(jié)構(gòu)成為當(dāng)前研究領(lǐng)域的關(guān)注熱點[1]。微電網(wǎng)變壓器受干擾后易產(chǎn)生電壓波動問題，嚴(yán)重影響微電網(wǎng)供電質(zhì)量，直接或間接導(dǎo)致的經(jīng)濟損失越來越嚴(yán)重[2]。抑制變壓器電壓波動需以準(zhǔn)確的電壓波動估計為基礎(chǔ)[3]。

作為機器學(xué)習(xí)的主要組成結(jié)構(gòu)，深度學(xué)習(xí)網(wǎng)絡(luò)通過學(xué)習(xí)樣本內(nèi)在規(guī)律完成信息識別[4]。深度學(xué)習(xí)網(wǎng)絡(luò)中的置信網(wǎng)絡(luò)具有特征提取與分類功能[5]，可應(yīng)用于變壓器電壓波動估計。為此，提出了基于深度學(xué)習(xí)網(wǎng)絡(luò)的微電網(wǎng)變壓器電壓波動估計與抑制方法，采用深度學(xué)習(xí)網(wǎng)絡(luò)完成特征提取功能，以自動生成特征替代人工設(shè)置特征，準(zhǔn)確估計電壓波動情況；在電壓出現(xiàn)波動條件下，通過組合抑制方法抑制其波動，保障微電網(wǎng)的穩(wěn)定運行。

1 微電網(wǎng)變壓器電壓波動抑制方法

1.1 微電網(wǎng)系統(tǒng)結(jié)構(gòu)

微電網(wǎng)系統(tǒng)結(jié)構(gòu)包括主電網(wǎng)、變壓器、光伏陣列、風(fēng)機、蓄能系統(tǒng)等[6]。變壓器包含三個層級[7]，分別是H橋型交流電源(alternating current，AC)與直流電源(direct current，DC)變流器級聯(lián)構(gòu)建的輸入級、雙向全橋DC-DC變換器變流器并聯(lián)構(gòu)建的隔離級、完成電壓源型逆變的輸出級。三個層級分別具有連接主電網(wǎng)不同電壓等級、變換電壓、提供低壓交流接口引出微電網(wǎng)交流母線的功能。微電網(wǎng)交流母線利用DC-AC、AC-DC-AC變換器連接風(fēng)機與光伏等分布式能源。具有輔助本地供電功能的蓄能系統(tǒng)利用DC-AC變換器與微電網(wǎng)連接。微電網(wǎng)系統(tǒng)結(jié)構(gòu)框架如圖1所示。

圖1 微電網(wǎng)系統(tǒng)結(jié)構(gòu)框架

變壓器受干擾后易產(chǎn)生電壓波動問題。引起微電網(wǎng)變壓器電壓波動的主要因素如表1所示?；谖㈦娋W(wǎng)變壓器電壓波動主要因素造成的電壓波動波形，采用深度學(xué)習(xí)網(wǎng)絡(luò)中的置信網(wǎng)絡(luò)構(gòu)建模型，提取波形特征，根據(jù)特征估計電壓電壓波動情況。

表1 微電網(wǎng)變壓器電壓波動的主要因素

1.2 變壓器電壓波動估計

1.2.1 深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)

作為具有多隱含層的神經(jīng)網(wǎng)絡(luò)，深度學(xué)習(xí)網(wǎng)絡(luò)中反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)和受限玻爾茲曼機(restricted boltzmann machine，RBM)的數(shù)量分別為一層和多層。通過逐層貪婪學(xué)習(xí)算法調(diào)整不同層級之間的連接權(quán)重。無監(jiān)督學(xué)習(xí)性能極強，能夠最大限度地防止類別劃分性能較差以及過度擬合缺陷的出現(xiàn)[8]。圖2所示為深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)。

圖2 深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖2中：x1、x2、xn0、f1、f2、fN和l1、l2、lnl分別為可見層輸入情況、相鄰單元層間連接權(quán)重向量和標(biāo)簽層不同單元情況；yx,z和ftp分別為第x個隱含層第z個單元情況和BP神經(jīng)網(wǎng)絡(luò)權(quán)重向量。

作為基于能量函數(shù)的概率建模方法，受限玻爾茲曼機由可視層和隱含層共同組成[9]。其主要功能為利用棧式逐層堆疊學(xué)習(xí)初始數(shù)據(jù)內(nèi)復(fù)雜化準(zhǔn)則。深度學(xué)習(xí)網(wǎng)絡(luò)訓(xùn)練由三個環(huán)節(jié)組成，分別是模型初始化環(huán)節(jié)、正向無監(jiān)督學(xué)習(xí)環(huán)節(jié)和反向有監(jiān)督學(xué)習(xí)環(huán)節(jié)。

1.2.2 深度學(xué)習(xí)網(wǎng)絡(luò)計算原理

設(shè)(v,y)為給定狀態(tài)，通過式(1)能夠描述深度學(xué)習(xí)網(wǎng)絡(luò)可見層和隱含層單元的統(tǒng)一設(shè)定能量函數(shù)：

(1)

式中：λ=(f,ε,φ)為深度學(xué)習(xí)網(wǎng)絡(luò)參數(shù)；fij為第i個可見層單元與第j個隱含層單元之間的權(quán)重，只有鄰近兩個層間具有連權(quán)重接；εi為第i個可見層單元；φj為第j個隱含層單元的偏置；vi、yi均為狀態(tài)參數(shù)；n為可見層單元數(shù)量；m為隱含層單元數(shù)量。

深度學(xué)習(xí)網(wǎng)絡(luò)狀態(tài)概率具有正則分布特性[10]，因此可利用式(2)描述隨機狀態(tài)的統(tǒng)一概率分布：

(2)

(3)

(4)

式中：s為訓(xùn)練樣數(shù)量。

利用深度學(xué)習(xí)網(wǎng)絡(luò)對數(shù)似然函數(shù)L(λ)最大化處理，獲取深度學(xué)習(xí)網(wǎng)絡(luò)參數(shù)λ，同時擬合訓(xùn)練樣本。此時，可視層輸入數(shù)據(jù)的特征為隱藏層：

(5)

將比散度算法應(yīng)用于對數(shù)似然函數(shù)中[11]，求解λ。以λ內(nèi)包含的fij為例：

(6)

式中：Dvi,yj,1為訓(xùn)練樣本參數(shù)；Dvi,yj,2為深度學(xué)習(xí)網(wǎng)絡(luò)定義的期望參數(shù)。兩者均可通過吉布斯采樣獲取。

在此基礎(chǔ)上，可優(yōu)化fij，得到：

fij=βfij+α(Dvi,yj,1-Dvi,yj,2)

(7)

式中：β為動量參數(shù)；α為學(xué)習(xí)率參數(shù)。

εi與φj同樣可采用上述過程實施優(yōu)化。

1.2.3 基于深度學(xué)習(xí)網(wǎng)絡(luò)的電壓波動估計

深度學(xué)習(xí)網(wǎng)絡(luò)中，不同隱含層特征向量維度與其單元數(shù)量相同。隱含層數(shù)量越多，模型提取的特征精度越高，電壓波動情況估計越準(zhǔn)確。

電壓波動估計的實現(xiàn)流程是通過采集微電網(wǎng)變壓器電壓波動波形時域數(shù)據(jù)，經(jīng)過數(shù)據(jù)預(yù)處理后建立批量輸入深度置信網(wǎng)絡(luò)模型。結(jié)合RBM正向無監(jiān)督學(xué)習(xí)數(shù)據(jù)各層的特征，采用逐層貪婪算法修正各層單元的偏置值和隱層權(quán)重，并對順序輸入的不同電壓波動波形進行準(zhǔn)確分類和標(biāo)志。利用BP神經(jīng)網(wǎng)絡(luò)對訓(xùn)練樣本進行反向微調(diào)，完成模型訓(xùn)練。根據(jù)輸入電網(wǎng)的數(shù)據(jù)，可以準(zhǔn)確地提取出微電網(wǎng)變壓器的電壓波動特征。

1.3 電壓波動抑制

采用深度學(xué)習(xí)網(wǎng)絡(luò)提取電壓波動波形特征完成電壓波動估計。若電壓出現(xiàn)波動，則需對其進行抑制，保障微電網(wǎng)穩(wěn)定運行。在采用比例諧振控制器作為抑制變壓器電壓波動的基礎(chǔ)上[12]，考慮到變壓器的可用補償容量，可得比例諧振控制器控制下變壓器輸出電壓為：

(8)

式中：EU(γ)為電壓控制器傳遞函數(shù)；EI(γ)為電流內(nèi)環(huán)比例增益函數(shù)；K為調(diào)制增益參數(shù)；U2為輸出級參考電壓參數(shù)；i1為輸出電流參數(shù)。

根據(jù)式(8)可知，利用電壓控制器抑制電壓波動過程中，輸出電流i1正向增益EIR(γ)的變化將導(dǎo)致變壓器等效阻抗發(fā)生變化。

(9)

U1(γ)=EU(γ)U2-x(γ)i2-(1-O)x(γ)i2

(10)

式中：O為補償系數(shù)參數(shù)；i2為諧波分量參數(shù)；輸出層基波等效輸出阻抗參數(shù)。

O值能夠?qū)崟r抑制變壓器電壓波動，其取值范圍在0～1之間。其值為0和1時，分別為變壓器當(dāng)前為未補償和全補償狀態(tài)。O值與諧波阻抗呈反比關(guān)系。O值的提升可使電壓器電壓波動得到抑制，其值可根據(jù)變壓器可補償容量和實際諧波輸出容量得到。

2 實例驗證

以某微電網(wǎng)為研究對象，在監(jiān)測系統(tǒng)中采集1 000組電壓數(shù)據(jù)。以800組實測變壓器電壓波動數(shù)據(jù)作為訓(xùn)練樣本，微電網(wǎng)功率缺額和變壓器投切數(shù)據(jù)分別為180組和170組，短路故障數(shù)據(jù)為450組(單相接地、兩相短路和三項短路分別為150組)。剩余200組作為測試樣本，不同類別數(shù)據(jù)數(shù)量一致。

2.1 微電網(wǎng)變壓器電壓波動估計測試

采用本文方法進行研究對象變壓器電壓波動估計，構(gòu)建深度學(xué)習(xí)網(wǎng)絡(luò)。模型輸入層單元數(shù)量同變壓器電壓波動監(jiān)測節(jié)點數(shù)量一致。隱含層共6層，各層內(nèi)均包含8個單元，第六層隱含層單元數(shù)量與提取特征數(shù)量一致。輸出層單元數(shù)量同電壓波動數(shù)據(jù)類型一致。由此確定，試驗過程中本文方法所用深度學(xué)習(xí)網(wǎng)絡(luò)共包含8層，總節(jié)點數(shù)量為1個輸入層×180+6個隱含層×8+1個輸出層×5=233個。設(shè)定模型參數(shù)：受限玻爾茲曼機迭代次數(shù)上限、學(xué)習(xí)率、動量參數(shù)分別為60、0.2和1。在深度學(xué)習(xí)網(wǎng)絡(luò)內(nèi)輸入預(yù)處理后的訓(xùn)練樣本數(shù)據(jù)。由于模型第六層隱含層單元數(shù)量為8，因此模型提取特征數(shù)量為8個。特征提取結(jié)果如表2所示。由表2可知，相同類型特征數(shù)據(jù)一致度高，而不同類型間特征數(shù)據(jù)差異顯著。這說明本文方法能夠有效提取電壓波形特征，且特征顯性突出，有利于提升電壓波動估計精度。

表2 特征提取結(jié)果

根據(jù)提取的特征對測試樣本進行估計，結(jié)果如表3所示。由表3可知，本文方法估計精度達到98.5%，充分說明本文方法能夠準(zhǔn)確進行電壓波動估計。

表3 測試樣本估計結(jié)果

2.2 微電網(wǎng)變壓器電壓波動抑制測試

在估計正確的測試樣本中隨機選取一組樣本，采用本文方法進行波動抑制。設(shè)定補償系數(shù)值為0.8，壓波動抑制結(jié)果如圖3所示。

分析圖3(a)可知，初始電壓波形中由于電壓波動導(dǎo)致波形畸變顯著，電壓波形整體畸變率達到18.8%。

分析圖3(b)可知，采用本文方法抑制電壓波動后，電壓波形與初始電壓波形相比更為平滑整體，波形畸變率降至2.9%，下降幅度為15.9%。由此說明本文方法能夠顯著抑制電壓波動，保障微電網(wǎng)穩(wěn)定運行。

圖3 電壓波動抑制結(jié)果

2.3 補償系數(shù)設(shè)定分析

本文方法在不同補償系數(shù)設(shè)定值條件下，初始電壓波形畸變率下降幅度和電壓波動抑制過程中的能耗，補償系數(shù)設(shè)定如表4所示。由表4可知，隨著補償系數(shù)由0.2上升至0.9，畸變率下降幅度和能耗均隨之表現(xiàn)出明顯的上升趨勢。當(dāng)補償系數(shù)為0.8時，畸變率下降幅度達到15.9%，能耗為4.76 J；當(dāng)補償系數(shù)升至0.9時，畸變率下降幅度雖然上升0.7%，但能耗卻提升2.68 J，畸變率下降幅度與能耗提升不匹配。因此，補償系數(shù)確定為0.8。

表4 補償系數(shù)設(shè)定

3 結(jié)論

本文研究深度學(xué)習(xí)網(wǎng)絡(luò)的微電網(wǎng)變壓器電壓波動估計與抑制方法，利用深度學(xué)習(xí)網(wǎng)絡(luò)中的置信網(wǎng)絡(luò)提取電壓波動特征估計電壓波動情況，并提出一種組合抑制方法抑制電壓波動。試驗結(jié)果顯示，本文方法能夠準(zhǔn)確估計電壓波動情況，并顯著改善電壓波形畸變率，具有較高應(yīng)用價值。