基于带灵敏度分析人工神经网络实现SVC最优配置.docVIP

基于带灵敏度分析人工神经网络 实现SVC最优配置 陈 芬1，匡晓红2，许克明1 (1.贵州工业大学电工系 贵阳 550003；2.贵州电力调通局 贵阳 550002) 摘 要:提出了在灵敏度分析法的基础上应用Hopfield模型对具有SVC的系统实现无功补偿优化配置。该方法中还增加了实用电压静稳判据，并在22节点系统上进行了验证。结果表明这一方法是可行的，有效的。可应用于电力系统。 关键词:人工神经网络；Hopfied模型；灵敏度分析；静止无功补偿器；最优配置 中图分类号:TP183 ???????? 文献标识码：A 0? 引? 言 利用灵活交流输电技术(FACTS)实现的静止无功补偿器(SVC)能改善电力系统供电质量，提高电力系统稳定性；尤其是利用FACTS技术实现的新型静止无功发生器(ASVG)，其功能更为突出。因而相对于SVC更能提高电力系统可靠性和稳定性，并由此带来大的经济效益。 SVC(或ASVG)的成本远比通常的并联补偿电器高，故在电力系统中，只有合理配置SVC(或ASVG)才能实现无功补偿优化。无功补偿的目的则是在保证系统安全性及电能质量的前提下，降低网损，使系统的经济性最好。这种合理配置则为最优配置。 由于电力系统的本质非线性，精确模型的建立困难，故采用人工神经网络(Artificial Neural Network-ANN)方法来实现无功补偿优化。 1 ? 用于无功补偿优化计算的人工神经网络 1.1 ? 神经网络的确定 SVC的最优配置实现无功补偿优化，是一个组合优化问题。可供利用的ANN模型有：Hopfield模型(HNN)；Boltzmam机(BM)及Guass机(GM)等。 采用连续型HNN处理组合优化问题的优点是较为方便，寻优过程易于理解。但HNN网络可能收敛到局部最小。 采用BM，并辅以模拟退火法(Simulated Annealing)，可避免HNN的缺点，能实现全局最小；且对求解问题所处领域的有关知识了解甚少时，采用BM有其优势。但其计算工作量大，收敛过程十分缓慢，即使是离线计算，也难容忍。 图1 GM则综合了HNN、BM的优点。由于无功补偿优化问题概念清晰，随机性小，可提供的领域知识是较完整的；故采用相对较简单的HNN模型是合适的。 1.2? HNN模型及其作优化计算简介 HNN为反馈型神经网络。该模型可分为连续型与离散型。应用于组合优化问题时，采用连续型。一阶关联连续型HNN神经元模型可用图1模型电路来表示，图中，并联的RiCi模拟生物神经元输入到输出的时间常数，ui为i单元的输入，输出为Vj；Vj为j单元的输出；Wij表现为ij两单元之间的跨导，Vj经Wij作用于i单元输入端；Ii为外界对i单元的输入(剌激)。运放模拟神经元的非线性特性。设有N个神经元互连(含本单元的反馈)，则对于第i个单元有下述非线性微分方程成立： 式中：为单元的阈值； Vi=f(ui)称为节点函数，取为Sigmoid函数，有： 其中：VMi、Vmi为上、下限，hi为斜率。 由图1所示单元构成的HNN具有有界能量函数为： Hopfield证明：对上述非线性系统，若f-1为单调递增且连续，且Ci＞0，Wij=Wji，则沿系统运行轨道有E趋于最小；即dE/dt≤0，网络趋于稳定。可以证明： 式中，Ci＞0，fi-1(v)是非减函数，故f-1′(v)＞0；所以有： ，且当时c。 由(4)式，在求变化趋势时，可以略去Cif-1′(v)的作用。 显然，网络的稳定平衡点即能量E的极小点。将优化计算问题视为网络的能量函数，优化计算就是从一个初始猜测点运动到函数相应的极小点。 设优化系统的状态为x，目标函数为F(x)，并设有P个约束条件为则设计出的HNN网络的能量函数为 式中，A、B为系数。 要将(5)式化成(3)式形式，从中得出对应的网络输入量Ii与单元间连接权Wij然后求解。 2 ? 应用带灵敏度分析的HNN实现SVC最优配置的方法 在应用HNN进行优化计算时，为使求出的安装点是对系统无功分配最敏感的，引入了灵敏度分析方法，以此确定最必要的SVC配置点。 2.1 ? 灵敏度分析法与无功补偿点的确定 灵敏度分析法物理概念清晰，在电力系统运行调整，电压稳定研究中，得到越来越广泛的应用。在电力系统运行中，可供应用的实用灵敏度包含多种形式。对于无功补偿，作者采用∑??Vi/ΔQL形式。??QL为负荷节点的单位无功增量，∑??Vi为??QL引起的节点电压增加的总增量。取∑??Vi/ΔQL最大的m个节点作为候选的无功补偿点。这可由已知潮流状态下，依次向各节点给定??QL，求∑??Vi；故实际上，是以∑??Vi依次最大的m个节点为无功补偿候选点。 2.2 ? 无功优化的HNN的算法 给出综合目