基于概率神经网络的输电网的电压稳定性研究-2016年印度技术大学学报.

可在www.sciencedirect.com上在线ScienceDirect电气系统与信息技术学报3（2016）141基于概率神经网络的输电网Santi Beheraa， M.Tripathya， J.K. Satapathyba印度奥里萨邦Burla Veer Surendra Sai技术大学电气工程系bBPUT、Rourkela、Odisha（来自N.I.T.的In-Leon，Rourkela），印度接收日期：2015年1月28日;接受日期：2015年2016年4月2日在线发布摘要这项工作提出了一种独特的方法，用于提高电压稳定极限使用概率神经网络（PNN）分类器，给出了在系统中的情况下的意外事件的校正控制。在ENVCI评价趋近于零的情况下，对系统进行灵敏度分析，识别出薄弱节点。用于训练的被称为电压稳定性增强神经网络（VSENN）分类器的输入是P-V对于各种突发事件，相应地识别和训练改善电压分布以及稳定性指数的控制动作训练的VSENN最后测试其鲁棒性，以提高负载裕度和ENVCI，除了训练的一组操作条件的系统以及意外事件。在IEEE 39节点测试系统中验证了该方法的© 2016 电 子 研 究 所 （ ERI ） 。 Elsevier B. V. 制 作 和 托 管 这 是 CC BY-NC-ND 许 可 证 下 的 开 放 获 取 文 章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：VSENN; ENVCI; PNN; PMU1. 介绍负荷需求的不断增加，现有常规发电系统以及输电网络的扩展范围有限，现代电力系统在压力条件下运行 为此，进一步的负荷增加和任何意外事故都会引起对电压稳定性的关注（Kundur，1994）。连续和离散控制之间的协调不当，无功功率供应不足，规划和位置不当，以及被发现是电压恶化的原因（Cutsem和Vournas，1998年）。电压稳定性问题可以通过无功补偿来避免（Thukaram和Lomi，2000）。 为了实现VAR规划的最佳布置和最佳值（Minguez等人， 2007年）。 为了在线检测电压失稳指标，提出了一种新的电压*通讯作者。联系电话：+91 8763353194;传真：+91 6632430081。电子邮件地址：bsanti. gmail.com（S. Behera）。电子研究所（ERI）负责同行评审http://dx.doi.org/10.1016/j.jesit.2015.03.0162314-7172/© 2016电子研究所（ERI）。Elsevier B. V.制作和托管这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。142S. Behera等人/电气系统与信息技术学报3（2016）141-σ2稳定性指数称为等效节点电压崩溃指数（Wang等人，2009年）。工作重点在于基于PNN的VSENN分类器的设计（Mishra等人，2008年; Tripathy和Behera，2012年）。在对VSENN进行适当的训练之后，针对各种意外情况进行相同的测试。当系统运行非常接近其电压稳定极限时发生意外事故时进行的研究。利用IEEE 39-Bus New England电力系统的试验数据（Mishra等人， 2007年）。本文件按以下方式组织。第二节介绍了灵敏度分析，第三节重点介绍了VSENN分类器的设计第四节给出了仿真的算法步骤第5节给出了仿真结果，并相应地比较了使用和不使用所提出的VSENN所获得的结果。第6节说明结论。2. 敏感性分析虽然传统的基于实际潮流解和系统状态估计的方法精度较高，但指标评估方法具有准确、计算速度快、计算量小、易于在线应用等明显优点使用ENVCI的原因列举如下。ENVCI考虑了系统外部对总线的影响。该方法避免了连续法在电压稳定裕度估计中的应用对于可以通过相量测量单元（PMU）获得电压相量信息的大系统，它可以作为在线控制应用的一个很好的指标。等效系统模型如图所示。1.一、任何总线上的ENVCI值都可以通过使用以下公式来确定ENVCI= 2（ek en+fk fn）−（e2+e2）（1）K n式中E<$k=ek+ifk，Vn=en+ifn。Vn是第N个节点的电压E是外部系统的电压值得注意的是，任何弱总线接近于零，而强总线接近于一。详细内容可参考Wanget al. （2009年）。3. 设计VSENN分类器PNN是一类径向基函数（RBF）网络（Specht，1990），它遵循监督学习。 如图2所示，PNN在其结构中由径向基础层和竞争层组成。每组（二）、 输入层由S个节点组成，以接受输入特征向量（I）。如等式（2）中间层Hdh的第h个元素可以通过第i个输入特征Ii和连接Ii到Hdh的初始化权重（Wih）之间的欧几里德距离来评估。Hdh=exp.||Wih−I||B2（二）Fig. 1.等效系统模型。ΣS. Behera等人/电气系统与信息技术学报3（2016）141143i=1Σ||−||=−=J图二. PNN架构。其中W ihINi（I i W ih）2，假设I中有N i个输入特征。b被称为调整径向基神经元的灵敏度的偏置，并且σ是扩展因子。类似地，借助于隐藏层的第h个元素与输出层的第j个元素之间的权重Whj，可以如等式（1）所示确定输出层元素。（三）、NJO1WNjj=1HDH（三）在其他用于分类的网络中，PNN提供了更好的快速训练能力，更容易处理和训练数据。此外，由于训练算法本质上不是迭代的，因此当有更多数量的训练集可用时，PNN具有非常快它具有以下关键特征，使其成为分类问题的良好选择。(i) 其实现是基于贝叶斯分类器的概率模型(ii) 不需要初始化网络的权重。(iii) 如果有足够数量的训练数据集，贝叶斯分类器在PNN中收敛的机会几乎是肯定的。(iv) 学习和回忆的过程是相互独立的(v) 权重修改不基于推理向量与目标向量之间的差异下一节讨论了设计基于PNN分类器的控制器所采用的详细方法4. 算法步骤算法步骤如下：步骤-1将数据输入系统Step-2以2%的步长逐步增加一条母线的负载。第3步使用ENVCI值检查每个负载母线的灵敏度。第4步：增加负荷，直到达到崩溃点。除此之外，还进行了应急处理。对其他负荷母线和一些不同的意外情况重复上述步骤步骤5所有数据（电压和线路流量）都被馈送到NN训练集。HJ144S. Behera等人/电气系统与信息技术学报3（2016）141图三. IEEE-39总线结构。步骤-6研究每个干扰的控制动作（输出），改善ENVCI步骤7然后使用PNN在大量输入和输出数据集的帮助下训练VSENN。第8步VSENN在其对任何不用于培训目的的意外事件采取纠正控制措施的能力方面进行了测试表1VSENN分类器对12种突发事件的控制类型的建议意外事故（线路停电时负载母线的有功和无功功率增加磷增加Q增加控制型在负载母线26处，LO 3-4百分之五十百分之一百四十五在第9发电机母线处在负载母线18处，LO 23-24百分之六十五百分之八十二在第16母线在负载母线26处，LO 15-16百分之一百四十五百分之四十五12母线减在负载母线21处，LO 16-17百分之一百一十五百分之四十五在10-32母线处在负载母线16处，LO 15-16百分之五十百分之一百四十在12号母线在负载母线12和LO 19-33处百分之四十五百分之一百四十五在第12母线在负载母线4处，LO 2-30%的百分比百分之十减少13号母线在负载母线23处，LO 2-30%的百分比百分之十第一代实际发电量增加13%。在负载母线15处，LO 13-14百分之十五百分之二12- 13母线Transformer分接头增加6.61%在负载母线20处，LO 13-140%的百分比0%的百分比在第12母线在负载母线23处，LO 10-112.8%2.3%将29-38母线17813730262829252724362189163151216354141012225 193969111330297 201083443631325273S. Behera等人/电气系统与信息技术学报3（2016）141145在负载母线25处，LO 10-13百分之一百分之二在第12母线146S. Behera等人/电气系统与信息技术学报3（2016）141无控制有控制器无控制器表2电压值和ENVCI值在十二个案例中获得测试用例最大电压最小电压ENVCI无控制与对照无控制与对照无控制与对照情况11.041.020.80.970.0670.176壳体21.040.970.50.820.0840.202壳体31.51.140.50.830.1870.250壳体41.261.190.60.70.2110.267壳体51.51.170.81.010.8350.951壳体61.51.150.50.80.2080.569壳体71.51.351.00.90.2760.593壳体81.51.050.40.940.3180.852壳体91.11.170.50.930.7640.795壳体101.31.090.50.930.5850.003壳体110.91.060.50.620.1370.212壳体121.51.140.50.830.6060.8041.51电话：0510 - 8555555传真：0510 - 8555555总线编号见图4。案例1的系统总线电压曲线。1.21.110.90.80.70.6电话：0510 - 8555555传真：0510 - 8555555总线编号图五.案例2的系统总线电压曲线。电压（单位：pu）电压（单位：pu）S. Behera等人/电气系统与信息技术学报3（2016）141147有控制有控制无控制有控制无控制电压（单位：pu）1.51.41.31.21.110.90.80 5 10 15 20 25 30 35路公共汽车见图6。案例3的系统总线电压曲线。1.51电话：0510 - 8555555传真：0510 - 8555555路公交车见图7。案例4的系统总线电压曲线。1.51.41.31.21.110.9电话：0510 - 8555555传真：0510 - 8555555路公交车见图8。案例5的系统总线电压曲线。电压（单位：pu）电压（单位：pu）148S. Behera等人/电气系统与信息技术学报3（2016）141里外有控制1.51电话：0510 - 8555555传真：0510 - 8555555路公交车见图9。案例6的系统总线电压曲线。1.51.41.31.21.110.90.805 10 15 20 25 30 35 40路公交车见图10。案例7的系统总线电压曲线。1.51电话：0510 - 8555555传真：0510 - 8555555路公共汽车见图11。案例8的系统总线电压曲线。无控制与对照电压（单位：pu）电压（单位：pu）电压（单位：pu）S. Behera等人/电气系统与信息技术学报3（2016）141149无控制与对照有控制××1.41.31.21.110.90.8电话：+86-0510 - 8510000传真：+86-0510 - 8510000路公交车见图12。案例9的系统总线电压曲线。1.41.210.80.6电话：+86-0510 - 8510000传真：+86-0510 - 8510000路公交车图十三.案例10的系统总线电压曲线。5. 仿真及结果在IEEE-39节点新英格兰系统上进行了仿真。该系统有10台发电机、12台变压器和46条输电线路，如图3所示。在双核处理器2.2 GHz和4 GB RAM中使用Matlab®7.0软件对所提出的方法进行了仿真。30系统拓扑被认为是通过增加负载在2%的阶跃负载增加的范围内的100-145%的标称负载由发电机平均分担。在46条线路中，有32条线路停电事故随16个负荷节点的负荷增加而发生，32 16 30 = 15，360种图案，实现不同场景。从30个系统拓扑中生成15，360个模式。其中1564个场景给出了无效的ENVCI结果，为了测试所设计的控制动作分类器，创建了几个偶然事件类似的解释可以根据系统运行限制违规情况对其他线路停电作出控制动作与有功或无功功率重新调度、无功功率补偿和危险情况下的切负荷有关敏感性分析基于评估这些关键区域的ENVCI，它测量系统静态变量的活动，并且计算工作量较小 VSENN分类器对12种突发事件的控制类型的建议如表1所示。在所有情况下在采取控制动作之前和之后获得的电压也在表2中列举。 在所有的意外情况下，与没有VSENN控制器进行比较。在所有母线上的电压曲线之间的比较，电压（单位：pu）电压（单位：pu）150S. Behera等人/电气系统与信息技术学报3（2016）141有控制无控制1.31.21.110.90.80.70.60.5有控制0 5 10 15 20 25 30 35 40路公交车见图14。案例11的系统总线电压曲线。1.41.210.80.6电话：+86-0510 - 8510000传真：+86-0510 - 8510000路公共汽车图15.案例12的系统总线电压曲线。1.00.80.60.40.20.012 3 4 5 6 789 10 11 12例图16.有和没有控制器的ENVCI。带VSENN不带VSENN电压（单位：pu）电压（p.u）ENVCIS. Behera等人/电气系统与信息技术学报3（2016）141151控制器如图所示。 四比十五 ENVCI还比较了有控制器和没有控制器的情况，如图所示。 十六岁6. 结论这项工作提出了VSENN在负荷调度/控制中心的应用，以促进快速控制决策，以及感测系统的弱点ENVCI。测试VSENN的意外情况，并验证此控制动作对系统总线电压曲线的影响。通过采取VSENN建议的控制措施，避免了电压失稳状态电压曲线从最大极限提高了7-36%，控制和最小电压极限分别提高了同样，ENVCI也从不稳定点增加了11引用Kundur，P.，一九九四年 电力系统稳定性与控制。 McGraw-Hill，Inc.Cutsem，T.V.，Vournas角，1998年电力系统的电压稳定性。 Norwewll，MA，Kluwer.Thukaram，D.，Lomi，A.，两千提高系统电压稳定性的静态无功补偿器位置和大小的选择。 电子 电源系统Res.54，139-150.明格斯河Milano，F.，萨拉特-米纳诺河Conejo，A.，2007. SVC装置的最优网络布局。IEEETrans. PowerwerSyst.22（4），1851-1860.王玉，李伟，Lua，J.，2009年 一种基于局部电压相量的节点电压稳定指标。 电子 电源系统 Res. 79，265-271.米什拉，S.，Bhende，C.N.，Panigrahi，B.K.，2008. 基于S变换和概率神经网络的电能质量扰动检测与分类。IEEETrans. 电力熟食店v.23（1），280-287。米什拉，S.，Tripathy，M.，Nanda，J.，2007年基于规则的细菌觅食设计的多机动力系统稳定器。 电子 电源系统Res.77（12），1595-1607.Specht，D.F.，1990年可能的神经网络。 神经网络 3（1），109-118。Tripathy，M.，Behera，S.，2012年。 采用BF算法对负荷系统进行无功功率最优补偿，提高稳态电压稳定极限。In：InternationalConference，SEMCCO，pp. 388-397.Santi Behera获得了B.Tech。电气工程专业1995年从印度布巴内斯瓦尔工程技术学院毕业，并在Burla的UCE担任客座教师。她完成了M.Tech。（电力系统工程）2000年从UCE（现在VSSUT），Burla。她于2001年加入VSSUT担任讲师，现在继续担任同一所大学的她正在NIT，Rourkela攻读电力系统稳定性博士学位她的兴趣领域是人工智能在电力系统运行中的应用。M. Tripathy收到了B.E. N.I.T.学位（原区域工程学院），Rourkela，印度，1991年，并在工业界工作了五年，然后完成M.E.2001年从布拉的VSSUT（原大学工程学院）毕业他完成了博士学位。2009年，印度德里的印度理工学院。他一直在电气工程系在VSSUT，Burla在不同的能力作为讲师在2006-2010年期间，并作为读者自2010年以来的他的兴趣领域是智能技术在电力系统运行和控制以及风力发电系统中的应用。J.K. Satapathy（IEEE会员），1954年出生。萨塔帕蒂教授在1976年获得了工程学学士学位。得百分之八十五点八。他完成了他的硕士（工程）。1981年，专业从事电力行业。1988年，在英国布拉德福德大学获得电气工程博士学位。他还曾担任外国大学的客座和特邀教师。他于1989年加入NIT Rourkela，担任教师，现在是电气工程教授。他于2010年加入Rourkela的Biju Patnaik技术大学（BPUT）担任副校长，并一直持续到今天。为了发表研究论文和学术著作，教授。Satapathy已经访问了英国，美国，新加坡，日本和澳大利亚。他的专业领域包括电力系统、电力电子和驱动、电力系统中的谐波相互作用、数字保护、数字信号处理、数字通道均衡和系统识别。