基于改進(jìn)的神經(jīng)網(wǎng)絡(luò)油田配電網(wǎng)諧波預(yù)測(cè)研究

1 引言

油田配電網(wǎng)中大量使用變頻、整流和開關(guān)電源技術(shù)制造的節(jié)能設(shè)備,特別是變頻調(diào)速電機(jī)、永磁同步電機(jī)、變頻器、高頻開關(guān)電源等新型節(jié)能設(shè)備以及非線性電子設(shè)備如節(jié)能燈、計(jì)算機(jī)和家用電器等非線性負(fù)荷,這些設(shè)備在節(jié)約能源和提高生產(chǎn)效率的同時(shí),也產(chǎn)生了大量的電力諧波并注入到電網(wǎng)中,使供電質(zhì)量變壞,對(duì)電氣設(shè)備產(chǎn)生極大的危害[1]。

針對(duì)諧波的危害,可按照配電網(wǎng)的結(jié)構(gòu)、參數(shù)和負(fù)荷情況,通過電能質(zhì)量分析,檢測(cè)系統(tǒng)的諧波參數(shù)和諧波幅值,并通過計(jì)算分析判斷電力系統(tǒng)中的電壓電流波形畸變是否控制在允許的范圍內(nèi)、并給出預(yù)警預(yù)報(bào)。對(duì)油田配電網(wǎng)來(lái)說(shuō),通過頻率掃描,諧波計(jì)算可以選擇合適的濾波器,使其對(duì)電網(wǎng)的諧波污染控制在標(biāo)準(zhǔn)范圍之內(nèi),并預(yù)防諧振事故的發(fā)生。

隨著我國(guó)工業(yè)化進(jìn)程的不斷加快,對(duì)電能質(zhì)量的要求也越來(lái)越高,然而現(xiàn)實(shí)卻是越來(lái)越嚴(yán)峻,日趨嚴(yán)重的“電力污染”問題不僅對(duì)油田配電網(wǎng)的安全穩(wěn)定的運(yùn)行造成危害,而且很容易出現(xiàn)某些問題,而造成無(wú)法挽回的巨大經(jīng)濟(jì)損失[2]。所以,諧波及其治理將是科研工作者和企業(yè)亟待解決的問題。

本文首先針對(duì)有天油田配電網(wǎng)的機(jī)構(gòu)特性,建立模擬的諧波產(chǎn)生規(guī)律模型,采用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)預(yù)報(bào),

并通過MATALB進(jìn)行仿真研究。

2 油田配電網(wǎng)諧波系統(tǒng)模型分析

油田配電網(wǎng)結(jié)構(gòu)復(fù)雜,網(wǎng)絡(luò)系統(tǒng)結(jié)構(gòu)中諧波成分很不相同,畸變波形也是千差萬(wàn)別,收集所有類型的畸變波形具有很大難度,況且并不是所有的畸變波形都可以用作訓(xùn)練樣本的。因此很難從建立一個(gè)理論上的具有一定精度的數(shù)學(xué)模型。從對(duì)油田配電網(wǎng)中典型的非線性負(fù)載所產(chǎn)生的畸變波形的研究分析發(fā)現(xiàn),偶次諧波成分占得比重不大,奇次諧波比重較高且危害很大,并且從分析中發(fā)現(xiàn),任一奇次諧波的幅值一般情況下不會(huì)超過基波幅值的50%,諧波次數(shù)越高幅值越小。因而在實(shí)際測(cè)量的時(shí)候,我們可以只需要測(cè)量其中的奇次諧波。

電力系統(tǒng)中的一些非正弦周期電流可用傅立葉級(jí)數(shù)展開:

假設(shè)奇次諧波以一定的幅度逐漸由0開始遞增,但上限為基波幅度的50%,為簡(jiǎn)化模型,油田配電網(wǎng)中5次和7次諧波危害嚴(yán)重,因此,本文假設(shè)測(cè)量諧波電流中的只存在5次諧波,則模型變?yōu)?

式(2)中,假設(shè)初相角一定的情況下,為實(shí)現(xiàn)5次諧波幅值的預(yù)測(cè),首先確定(2)式中的三個(gè)電流變量,等式左邊總的電流值變量和等式右邊的基波電流值變量為輸入,等式右邊的五次諧波電流值變量為輸出,且其幅值可以從基數(shù)值按比例增加到50%以上。

圖1 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)建模的模型如圖1所示[3],輸入為總的電流值和基波電流值,輸入樣本可以選擇一個(gè)周期的隨機(jī)值,輸出為5次諧波的幅值。隱含層神經(jīng)元數(shù)量為8個(gè),隱含層個(gè)數(shù)要根據(jù)實(shí)際仿真時(shí)的訓(xùn)練樣本數(shù)據(jù)分析情況進(jìn)行適當(dāng)調(diào)整,沒有具體的確定方案,以模型輸出誤差和神經(jīng)網(wǎng)絡(luò)權(quán)值、閾值作為調(diào)整的依據(jù)。

3 基于神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)諧波預(yù)測(cè)研究步驟

根據(jù)油田配電網(wǎng)諧波結(jié)構(gòu)的特點(diǎn),本文采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行諧波預(yù)測(cè),實(shí)現(xiàn)步驟如下[4-5]:

(1) 數(shù)據(jù)采集與數(shù)據(jù)的歸一化。

主要包括和油田配電網(wǎng)諧波預(yù)測(cè)相關(guān)的電壓、電流、諧波波次幅值等參數(shù)。

(2) 訓(xùn)練樣本、測(cè)試樣本和校驗(yàn)樣本的建立。

(3) 構(gòu)建神經(jīng)網(wǎng)絡(luò),以總電流和基波電流為輸入,以5次諧波幅值為輸出,隱含層選擇8個(gè)進(jìn)行構(gòu)建神經(jīng)網(wǎng)絡(luò)。

(4) 指定訓(xùn)練參數(shù)進(jìn)行訓(xùn)練。

(5) 完成訓(xùn)練后,就可以調(diào)用訓(xùn)練結(jié)果,輸入測(cè)試數(shù)據(jù),進(jìn)行測(cè)試。

(6) 數(shù)據(jù)進(jìn)行反歸一化。

(7) 誤差分析。

4 基于BP神經(jīng)網(wǎng)絡(luò)的諧波發(fā)生預(yù)測(cè)仿真研究

BP網(wǎng)絡(luò)作為一種多層前向神經(jīng)網(wǎng)絡(luò),具有相對(duì)比較成熟的理論和算法,是目前在該領(lǐng)域研究比較多的ANN,它可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射。這種BP網(wǎng)絡(luò)可以在油田配電網(wǎng)系統(tǒng)中用于對(duì)諧波進(jìn)行實(shí)時(shí)測(cè)量。這是因?yàn)殡娋W(wǎng)中的被測(cè)量是由各次諧波和基波所構(gòu)成的非正弦周期波形。實(shí)現(xiàn)對(duì)諧波信息的實(shí)時(shí)測(cè)量,首先需要根據(jù)實(shí)際的情況選擇相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu),然后將待測(cè)量的采樣數(shù)據(jù)施加在經(jīng)過合理樣本充分訓(xùn)練后的網(wǎng)絡(luò)中。因?yàn)橄嘟恰⒎底兓秶蟛⑶也痪哂幸?guī)律,所以同時(shí)改變相角和幅值來(lái)對(duì)網(wǎng)絡(luò)訓(xùn)練的話,將會(huì)增加網(wǎng)絡(luò)的負(fù)擔(dān),因其同時(shí)負(fù)擔(dān)兩種變化的記憶,如此一來(lái),對(duì)諧波測(cè)量的速度和精度都會(huì)造成很大的影響,因而本文是以假設(shè)初相角己經(jīng)確定為前提的狀態(tài)下。

傳統(tǒng)BP網(wǎng)絡(luò)收斂速度慢,很難實(shí)現(xiàn)大量樣本數(shù)據(jù)的處理及應(yīng)用與進(jìn)行實(shí)時(shí)預(yù)報(bào)。因而,與以往常規(guī)的梯度下降法不同,本文修正BP網(wǎng)絡(luò)的閾值和連接權(quán)值采用Levenberg-Marquardt算法(簡(jiǎn)稱L-M算法)。L-M算法的基本原理如下:

式中:I為單位陣;為一個(gè)非負(fù)值。依賴于的幅值,該方法光滑地在兩種極端情況之間變法:即Guass-Newton法(當(dāng)0)和標(biāo)準(zhǔn)梯度法(當(dāng))。該式即可作為BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練方法。

網(wǎng)絡(luò)權(quán)值和偏差的變化量:

并以此不斷來(lái)對(duì)網(wǎng)絡(luò)進(jìn)行調(diào)整訓(xùn)練,直至達(dá)到目標(biāo)要求。由式(3)可知,L-M法實(shí)際上綜合了Newton法和標(biāo)準(zhǔn)梯度下降法二者的優(yōu)點(diǎn),是Newton法和標(biāo)準(zhǔn)梯度下降法的結(jié)合。因而,以L-M算法設(shè)計(jì)的BP網(wǎng)絡(luò)在精度及收斂速度方面都有很明顯的優(yōu)勢(shì)。

根據(jù)公式(2)模型中的假設(shè),訓(xùn)練過程中,輸入為總的電流值和基波電流值,根據(jù)采樣時(shí)間的不同每個(gè)周期選擇8對(duì)樣本,基波的幅值上限定位1.0,模型的輸出為0.02、0.05和0.5幅值的5次諧波,這樣輸入共24對(duì)采樣樣本。

圖2 基于L-M算法的BP神經(jīng)網(wǎng)絡(luò)

諧波預(yù)測(cè)模型建立

基于L-M算法的網(wǎng)絡(luò)模型訓(xùn)練過程如圖2所示,基于24對(duì)訓(xùn)練樣本的的模型平均誤差為0.0085,達(dá)到了一定的精度。為驗(yàn)證網(wǎng)絡(luò)的泛化能力,重新生成40對(duì)樣本,輸出諧波幅值分別是0.4和0.08,仿真結(jié)果如圖3所示。文中仿真數(shù)據(jù)采用階躍跟蹤信號(hào),神經(jīng)網(wǎng)絡(luò)模型的仿真結(jié)果驗(yàn)證了L-M算法具有梯度法的全局特性,提供了牛頓法的速度和保證收斂的梯度下降法之間的折衷,收斂的迭代次數(shù)少,能快速完成網(wǎng)絡(luò)訓(xùn)練。

圖3 基于L-M算法的BP神經(jīng)網(wǎng)絡(luò)

諧波預(yù)測(cè)誤差

5 結(jié)束語(yǔ)

本文結(jié)合油田的實(shí)際需求,建立了油田配電網(wǎng)簡(jiǎn)化的數(shù)學(xué)模型,以五次諧波為研究對(duì)象,設(shè)為神經(jīng)網(wǎng)絡(luò)的輸出進(jìn)行仿真研究,采用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)方法對(duì)油田配電網(wǎng)諧波進(jìn)行預(yù)測(cè)預(yù)報(bào),并進(jìn)行了測(cè)試樣本驗(yàn)證。仿真結(jié)果驗(yàn)證了L-M算法的優(yōu)越性,本文提出的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)油田配電網(wǎng)諧波能減少諧波污染,非常具有實(shí)用價(jià)值。因此,本課題的研究將對(duì)于我國(guó)在油田節(jié)能供電方面技術(shù)的提升、供電質(zhì)量的提高以及高性能供電技術(shù)的發(fā)展都具有很大的意義,為使電能能夠在油田中得到高效、低污染的應(yīng)用開辟重要途徑。