La industria de instrumentos terminales avanzados inteligentes se expande desde la tecnología de medición hasta productos de compensación de control inteligente 3
(Parte 3)
El poder moderno de China plataforma de tecnología de medición de red
Zhang Chunhui
24 de marzo de 2017
3. Discusión sobre la tecnología de diseño inicial de sistemas de aplicaciones avanzadas de terminales inteligentes (avanzados) en estaciones de distribución
Como diseño inicial de productos de innovación tecnológica, este artículo recopila información relacionada con la inteligencia y, después de refinarla, se centra en el uso de terminales inteligentes (avanzados) en estaciones de distribución para construir múltiples entradas. Salida (mimo) para redes eléctricas de bajo voltaje en estaciones de distribución. El diseño del marco y la tecnología de referencia de los sistemas de optimización de circuito cerrado de compensación, control y monitoreo en línea proporcionan tecnología de referencia para el diseño de sistemas de aplicaciones inteligentes (avanzadas) en estaciones de distribución. Referencia de diseño de solución de sistema de aplicación avanzada de terminal.
1) Teoría del control óptimo: "teoría del control híbrido de potencia"
En vista del sistema avanzado de gestión de energía construido por la "teoría del control híbrido de potencia" propuesta por los académicos de la Universidad de Tsinghua, La aplicación obtenida en Shanghai Power Grid resuelve el problema de control de la gran red eléctrica de convergencia multiobjetivo y encarna la idea de innovación tecnológica. Este artículo utiliza la "cibernética híbrida eléctrica" como base técnica para diseñar funciones de aplicación avanzadas de terminales inteligentes (avanzados).
El siguiente contenido es un extracto de académicos de la Universidad de Tsinghua: "Conceptos básicos de Smart Grid". La base de la red inteligente.
Primero, "La idea dominante de la cibernética híbrida eléctrica: clasificar y definir todos los requisitos insatisfechos y los estados insatisfechos como eventos, y restaurar el sistema a una operación en estado sin eventos mediante el control. Cada parte del sistema Todos los indicadores (estabilidad, calidad de la energía, economía) deben ser suficientemente satisfactorios".
En segundo lugar, la arquitectura operativa de la "cibernética híbrida de potencia": consta de la capa de comando de toma de decisiones más alta, la capa de operación de procesamiento intermedio y la capa inferior (dispositivo de recepción y ejecución de comandos de control híbrido).
En tercer lugar, este artículo hace referencia al lenguaje de la teoría de conjuntos de la "teoría del control híbrido de potencia" para describir el proceso de control inteligente para lograr un funcionamiento de múltiples índices y autooptimización de la red eléctrica de bajo voltaje en la distribución. área:
? Fórmula (1): e=e^d
En esta fórmula, los datos del indicador de funcionamiento d medidos desde la red eléctrica de bajo voltaje se juzgan mediante un juicio lógico ( función lógica) e^ para determinar si se forma un evento indicador anormal e.
?Fórmula (2): c=f(e)
En la fórmula, basada en indicador de evento anormal e, aplique la función lógica f para determinar el tipo de evento y convertirlo en una instrucción de control c.
?Fórmula (3): o=f^(c)
En esta fórmula, al aplicar la función lógica f^, el conjunto de comandos de control c se transforma del comando al conjunto de comandos Ejecutar o,
?Fórmula (4):o=f^[f(e )]
En este caso, el conjunto de comandos de operación o es una función lógica compuesta, que indexa el conjunto de eventos anormales, e.
?Fórmula (5): x*=y(x o_)
Entre ellos, el estado operativo x de toda la red eléctrica de BT se controla y se puede controlar a través del tiempo. instrucciones de funcionamiento discretas o_, se convierte en x*.
?Fórmula (6):a(o)---->e 0
En este caso, el resultado de la instrucción de operación a es establecer el evento anormal de medición. Nos convertimos en un conjunto vacío.
En la ecuación (6), está implícito el objetivo final de lograr un funcionamiento optimizado según múltiples índices y tendencias propias de la distribución del área de la estación de la red eléctrica de bajo voltaje.
De lo anterior se puede ver que la red eléctrica de bajo voltaje en el área de la estación de distribución siempre está en proceso de descubrir, procesar y eliminar eventos anormales.
2) ¿Cuáles son los contenidos de la evaluación de la calidad de la energía, los indicadores económicos y las medidas de control para la operación de la red eléctrica de baja tensión en las áreas de distribución?
En primer lugar, existen múltiples indicadores, que incluyen principalmente:
¿Voltaje y tasa de calificación de voltaje?
Límites de corriente y potencia activa
? Límites de potencia reactiva y factor de potencia
?Desequilibrio de carga trifásica
?Tasa de contenido armónico de tensión/corriente
?Tasa de pérdida de línea, etc.
El segundo es el método de control de múltiples indicadores de la red eléctrica de bajo voltaje, que incluye principalmente:
?Transformador regulador de voltaje en carga, utilizado para ajustar el voltaje
?Compensación de capacitancia/compensación dinámica de potencia reactiva, utilizada para ajustar la potencia reactiva fundamental y el factor de potencia/voltaje/pérdida de línea
?Interruptor de carga de conmutación en carga, utilizado para ajustar el desequilibrio de carga trifásico /line loss
?Transformador de distribución de capacidad en carga, usado para ajustar la pérdida de línea
?Filtro activo, filtro de armónicos fijo, usado para ajustar el bajo factor de potencia causado por el contenido armónico y la distorsión potencia, pérdida de línea
?Los disyuntores de alto voltaje y los terminales de administración de carga de energía se utilizan para emitir alarmas y disparar cuando los transformadores de distribución están sobrecargados.
Se puede observar que la calidad de la energía, los indicadores económicos y los métodos de ajuste en el funcionamiento de la red eléctrica de baja tensión están intrínsecamente relacionados entre sí. Debido al uso de un ajuste integral por encima del límite de múltiples índices, es necesario introducir un método de ponderación del índice para abordarlo.
"Conceptos básicos de las redes inteligentes" señala:
"La autooptimización se refiere a la capacidad de la red eléctrica para mantener automáticamente su estado en un conjunto de estados óptimos de múltiples indicadores durante operación Para hacer que la red eléctrica funcione Varios indicadores del punto de estado alcanzan ciertos estándares, es decir, es razonable y posible converger al estado óptimo
El motivo de la optimización en lugar de la optimización de múltiples índices. radica en la velocidad de cálculo y la dificultad de resolver el problema."
3) Modelo de optimización de operación de índices múltiples para el área de estaciones de distribución
Consulte el "diseño de voltaje de múltiples objetivos de un sistema integral de control de calidad de energía con función de supresión de armónicos" propuesto por Hunan Académicos universitarios "Algoritmo de optimización armónica de potencia reactiva", combinado con la operación de múltiples índices del área de la estación de distribución, este artículo detallará el esquema de diseño del modelo de optimización de la operación de múltiples índices del área de la estación de distribución.
?El diseño de este sistema optimizado se basa en la confiabilidad operativa del área de la estación de distribución, el voltaje y la tasa de calificación de voltaje, la corriente y la potencia activa que no exceden el estándar, la potencia reactiva y el factor de potencia no exceder el estándar, y el tercero Los requisitos objetivo son que el desequilibrio de carga de fase no exceda el estándar, el contenido armónico alcance el estándar y la pérdida de línea no exceda el estándar. El método de optimización se utiliza para obtener la solución óptima de. sus parámetros de control. Por otro lado, ha establecido un sistema basado en el ajuste de la toma del transformador de regulación de tensión en carga, compensación del compensador de potencia reactiva del condensador/compensación del compensador de potencia reactiva dinámica, capacidad de conmutación del interruptor de carga de modulación de fase en carga, compensación de tecnología de filtrado activo, Capacitancia que regula la potencia del transformador. Modelo de optimización de operación multiíndice para áreas de distribución ajustado como variables de control.
?El modelo de optimización de operación multiíndice del área de la estación de distribución incluye principalmente los siguientes contenidos:
Método de cálculo de confiabilidad del sistema de optimización
Cálculo de la densidad de probabilidad conjunta función, tomando el valor mínimo. Esta función es igual a la suma de los productos de cada indicador objetivo y su coeficiente de ponderación. El valor del coeficiente de ponderación depende de la magnitud y la importancia de cada indicador objetivo.
Rango de ajuste porcentual de voltaje de toma del transformador de distribución de regulación de voltaje en carga
Rango de ajuste de compensación de potencia reactiva del condensador/compensación dinámica de potencia reactiva
Regulación de voltaje en carga y Rango de ajuste del porcentaje de voltaje de toma del transformador de distribución Rango de ajuste de capacitancia del transformador eléctrico
Rango de compensación armónica de tecnología de filtrado activo
Límite de conmutación de corriente del interruptor de carga de modulación de fase en carga.
4) Extraiga la tecnología de referencia de diseño de redes neuronales bp de diferentes tipos de casos.
Esta parte del contenido se resume en el Instituto de Investigación de Energía Eléctrica de Chongqing de la Universidad de Chongqing: ¿Energía de alta eficiencia? Red basada en red neuronal feedforward ¿Detección de precisión? Universidad de Haihe: ¿Diagnóstico de fallas del inversor fotovoltaico conectado a la red basado en fusión de información? Instituto de Investigación de Energía Eléctrica de China: ¿Método de evaluación del rendimiento de medición de medidores de energía operativos bajo influencia multidimensional? y Telecomunicaciones: ?Tecnologías de la información inteligentes?, y según Necesidades por resolver.
Proceso de trabajo de la red neuronal feedforward de bp
Aquí, la red neuronal feedforward de bp de los tres casos de referencia adopta una topología de tres capas: capa de entrada, capa oculta y capa de salida. , los nodos de cada capa están conectados entre sí de acuerdo con ciertas reglas para formar una red.
"(bp) La red neuronal feedforward utiliza el método de descenso de gradiente y se divide en dos partes: propagación de información hacia adelante y propagación de errores hacia atrás. Durante el proceso de propagación de información hacia adelante, la señal de entrada pasa a través de la capa de entrada La unidad de capa oculta se propaga capa por capa y finalmente llega a la capa de salida. El estado de la neurona de cada capa solo afecta el estado de la neurona de la siguiente capa. Si la salida requerida no se puede obtener en la capa de salida, se realiza una retropropagación del error. En el camino, la ruta de conexión original devuelve el error de la señal de salida. El peso se resuelve mediante operaciones iterativas y la señal de error se reduce continuamente modificando el peso de las neuronas en cada capa hasta que se logra el objetivo esperado.
Siempre que haya suficientes nodos ocultos, una red neuronal de 3 capas con solo 1 capa oculta puede aproximarse a una función no lineal con precisión arbitraria.
Resumen del diseño de la red neuronal Feedforward de bp:
Primero, normalice la entrada de la red
Las neuronas (nodos) de la capa de entrada son estructuras de entrada unidimensionales y salidas multidimensionales. La entrada son el voltaje, la corriente, la potencia y otros datos de baja potencia. Operación de la red eléctrica de voltaje: cada entrada se normaliza (en la fórmula: omitido) y se puede obtener la relación funcional entre cada elemento de la capa de entrada, es decir, el valor de entrada de cada neurona (nodo) de la capa de entrada y la entrada medida. de cada neurona de capa de entrada (nodo) La relación funcional entre el valor y el valor de salida normalizado
En segundo lugar, selección de parámetros de la red neuronal de avance de bp
"Al diseñar una red neuronal de avance de bp, generalmente comienza desde Se deben considerar tres aspectos: el número de capas de la red, el número de neuronas (nodos) en cada capa y la función de entrenamiento."
? Determinación del número de nodos de la capa oculta
"Capa oculta El número de nodos afecta directamente la capacidad, la capacidad de generalización, la velocidad de aprendizaje y las características de salida de la red. Desde la perspectiva de la capacidad de la red y la capacidad de generalización de la aproximación de funciones, cuanto mayor sea el número de unidades ocultas, mejor. Teniendo en cuenta la capacidad de generalización de la red, con cada capa adicional, la potencia informática aumentará exponencialmente, por lo que el tiempo de entrenamiento se vuelve más largo y es fácil caer en el mínimo local y no obtener el óptimo".
"Capa oculta El número de nodos se obtiene ajustando el método de mínimos cuadrados de la capa oculta:
El número de nodos en la capa oculta = [0,43mn + (0,12?n cuadrado) + 2,54 m + 0,77n + 0,35 + 0,51] cuadrado
El número de nodos en la capa oculta también se puede seleccionar mediante la fórmula empírica:
Número de contactos en la capa oculta = [ (m + n) al cuadrado + a], Entre ellos, 1
está en las dos fórmulas anteriores:
m ---- el número de nodos de entrada
n ---- el número de contactos de salida
a ---- número opcional
Por ejemplo, para los contactos de entrada del terminal inteligente (avanzado) en la distribución área, el número de nodos de salida es 6 y el número de contactos de capa oculta se determina como 11. 11.
Determinación de la función de transferencia y la función de entrenamiento: incluida la neurona de capa oculta (contacto) Función de transferencia: si se usa la función tangente de tipo s tansig, la neurona de la capa de salida (nodo) Función de transferencia: si se usa el tipo s Función logarítmica logsig, función de entrenamiento: como la función trainlm que usa lm (lvenberg - -- marquardt) regla de entrenamiento. Entre ellos, el "algoritmo lm es una combinación del método de descenso de gradiente y el método gaussiano ---- Newton, basado en una convergencia rápida", que puede garantizar una alta estabilidad y precisión. p>
En tercer lugar, la determinación de muestras de aprendizaje y muestras objetivo
? El número de entradas de red y la selección de muestras de datos: (Por determinar). Las muestras de datos utilizadas para el entrenamiento suelen ser de 40 a 200 grupos. Entre ellos, el 80% de las muestras de datos se seleccionan aleatoriamente como muestras de entrenamiento y el 20% restante de las muestras de datos se utilizan como muestras de entrenamiento. Verificación de simulación de avance de pb. red neuronal
Cuarto, prueba de simulación
? Para entrenar la red neuronal de avance de bp construida con muestras de entrenamiento, se debe establecer el error de entrenamiento, el índice de tasa de aprendizaje y compilar un entrenamiento de red. diagrama de flujo de aprendizaje e inicialización de la red.
?"Utilice las muestras de entrenamiento seleccionadas para actuar repetidamente en la red, ajustar constantemente los parámetros internos de la red y minimizar la función de rendimiento de la red. La desviación estándar experimental. La evaluación de la red del conjunto de muestras de entrenamiento cumple con los requisitos de precisión del diseño, logrando así la proyección central no lineal entre la entrada y la salida y estableciendo la relación funcional entre las neuronas (nodos) de la red. "
?
?Una vez completada la capacitación, utilice la red bp entrenada para probar la muestra de prueba.
Referencias:
Este artículo utiliza el algoritmo de aprendizaje de retropropagación (bp)
"El algoritmo bp es uno de los algoritmos de aprendizaje más importantes actualmente. Este algoritmo se desarrolla añadiendo una capa oculta al perceptrón y utilizando un algoritmo especializado generalizado para el aprendizaje".
"En el algoritmo de aprendizaje con profesores, el problema de aprendizaje con profesores se puede resolver en dos pasos: En el primer paso, se debe especificar la topología de la red, entre la entrada X(t) y la salida y (t) La relación entre debe depender de un conjunto de coeficientes de fuerza de conexión w, y w debe ser ajustable. En el segundo paso, se debe especificar una regla de aprendizaje, es decir, cómo ajustar w para hacer que la salida real sea y^(. t) lo más cerca posible de la salida esperada y( t)".
Lo que hay que señalar aquí es: "La red feedforward es un potente sistema de aprendizaje con programación simple y conveniente. Desde el punto de vista del sistema, la red feedforward es una proyección central estática no lineal que utiliza una simple no lineal La proyección central compleja de unidades de procesamiento lineal puede lograr capacidades de procesamiento no lineales complejas. Sin embargo, desde una perspectiva computacional, las redes de avance no son un sistema informático poderoso "
5) Redes de alta gama: difusas. Red neuronal.
Esta sección está extraída de "Tecnología de la información inteligente", Henan Pingdingshan Power Supply Company. Henan Pingdingshan Power Supply Company: ¿Un método de control de energía del sistema de generación de energía fotovoltaica basado en una red neuronal difusa?
Las redes neuronales no son adecuadas para expresar conocimiento basado en reglas y los sistemas de lógica difusa carecen de autoaprendizaje y de adaptabilidad. capacidades. La red neuronal difusa absorbe las ventajas de la lógica difusa en las redes neuronales, convirtiéndola en una red mejor.
La red neuronal difusa es un sistema de múltiples entradas y múltiples salidas (mimo).
Primero está el modelo
La red neuronal difusa aquí adopta una estructura de cinco capas, y los nodos de cada capa están conectados entre sí de acuerdo con ciertas reglas.
En la primera capa, la capa de entrada, cada nodo ingresa el componente de cada valor de medición y pasa el valor de entrada a la siguiente capa.
En la segunda capa, cada nodo representa un valor de variable de lenguaje, como nb (negativo grande), ps (positivo pequeño), etc. Lo que hace es calcular cada entrada y calcular el valor de la entrada. Su función es calcular para cada entrada, la función de pertenencia del conjunto difuso perteneciente a cada valor de variable lingüística
. De acuerdo con las dimensiones de entrada y el número de particiones difusas de entrada, el número total de nodos en esta capa se selecciona mediante cálculo: (en la fórmula, omitido).
En la tercera capa, cada nodo representa una regla difusa, y su función es hacer coincidir los antecedentes de la regla difusa y calcular la idoneidad de cada regla. El número total de nodos en esta capa se selecciona mediante cálculo: (en la fórmula, omitido). Para una entrada determinada, solo los valores de las variables lingüísticas dentro de la vecindad de entrada tienen un mayor grado de pertenencia.
La cuarta capa tiene el mismo número de nodos que la tercera capa. Su función es realizar el cálculo normalizado de la aptitud de cada regla difusa.
La quinta capa, la capa de salida, implementa el cálculo de definición (fórmula, omitida).
2. Algoritmo de aprendizaje
"El modelo de red neuronal difusa es esencialmente una red de avance de múltiples capas. Se puede modelar en la red bp con control de errores para diseñar un algoritmo de aprendizaje. algoritmo para ajustar los parámetros Además, suponiendo que el número de particiones difusas para cada componente de entrada está predeterminado, los parámetros que deben aprenderse son principalmente la fuerza de conexión de la última capa y el valor central y el ancho de la función de pertenencia de la segunda capa. "
3. Casos de referencia
?Método de control de potencia del sistema de generación de energía fotovoltaica basado en una red neuronal difusa
"Controlador probabilístico de red neuronal difusa (solía) encontrar tres Valores de referencia de la corriente activa y reactiva inyectada a la red por el inversor de fase”.
El controlador probabilístico de red neuronal difusa incluye una estructura de red de 6 capas:
"La primera capa es la capa de entrada, la segunda capa es la capa de membresía, la tercera capa es la capa de probabilidad y la cuarta capa La capa es la capa del mecanismo de inferencia difusa tsk, la quinta capa es la capa de reglas y la sexta capa es la capa de salida ". Entre ellos, el nodo de la capa de entrada es 2 y el nodo de la capa de salida es 1. "En la capa de membresía, cada contacto utiliza una función gaussiana asimétrica para implementar la operación de fuzzificación".
"El controlador probabilístico de red neuronal difusa (adopta) el mecanismo del algoritmo de aprendizaje de retropropagación de errores para construir un vector de gradiente de modo que cada elemento sea el diferencial de primer orden de la función de energía en relación con los parámetros del algoritmo, de modo que lograr probabilidad Autoajuste en línea de parámetros de redes neuronales difusas".
4. En vista del hecho de que actualmente existen muy pocos informes sobre la aplicación de redes neuronales difusas de múltiples entradas y múltiples salidas (mimo) en el campo de la medición y el control de redes eléctricas, ¿cómo pueden ¿Se puede aplicar la tecnología de redes neuronales a terminales inteligentes (avanzadas) en estaciones de distribución? El debate sobre la aplicación avanzada de la tecnología de diseño de sistemas es un tema que requiere más investigación.
6) El diseño de terminales inteligentes (avanzados) en estaciones de distribución se basa en nuevas tecnologías
?Monitoreo en tiempo real de los niveles de forma de onda de la red de distribución unidad terminal de distribución integrada (idu)
Se informa que el 3 de enero de 2017, se instaló la primera unidad terminal de distribución integrada (idu) nacional en la zona de alta tecnología de Xiamen Torch.
"La unidad terminal de distribución integrada (idu) es un conjunto completo de equipos clave en el proyecto nacional 863 "Investigación y demostración de tecnologías clave para redes de distribución activa". Se utiliza principalmente para realizar la distribución de energía a través de medición de fasores sincronizada de alta velocidad monitoreo preciso del flujo de energía de la red, monitoreo en línea y prevención de posibles fallas de línea, respaldando la capacidad de suministro de energía y el conocimiento de la situación de carga, y proporcionando datos ricos para la estimación instantánea del perfil de la red de distribución, optimización de la calidad de la energía, control armónico. etc. "
"La unidad terminal de distribución integrada (idu) es un conjunto completo de equipos clave en el proyecto nacional 863 "Investigación y demostración de tecnologías clave para redes activas de distribución de energía".
Se informa: El 3 de enero de 2017, el primer dispositivo terminal de distribución de energía integrado se puso en funcionamiento en red en la zona de alta tecnología de Xiamen Torch
?Diseño de transformador de distribución adaptativo basado en carga (China Electric? Power Research Institute)
"Dado que la estructura se adapta al transformador de distribución de tipo carga, incluida la unidad del cuerpo del transformador de distribución, la unidad integrada del capacitor regulador de voltaje en carga, la unidad de equipo de soporte y el control integral unidad.
El nuevo transformador de distribución "se puede ajustar de acuerdo con el voltaje del sistema. De acuerdo con las condiciones reales de la carga, el ajuste automático de las tomas del transformador de distribución y los modos de operación de capacidad se pueden realizar sin quitar la carga, y tiene las funciones de corte de fase de carga en línea y compensación de potencia reactiva de fase dividida, que pueden resolver eficazmente el grave problema de la insuficiencia de carga trifásica para garantizar la puntualidad y precisión de la determinación de voltaje y capacidad.
?Controlador Fuzzy π
Northeastern Electric Power University: ?Diseño de controlador inteligente de transmisión de CC de alto voltaje?
(Nota: π, integrador proporcional)
Entrada del controlador π difuso: la diferencia entre el valor de referencia actual y la corriente medida se utiliza como "desviación" y "cambio de desviación" --- ->Unidad de inferencia difusa (calcula y genera correcciones de parámetros que se pueden ajustar automáticamente por dos controladores pi según reglas de control difuso)