變電站電壓無功控制策略綜述

1、變電站電壓無功控制策略綜述摘要：變電站電壓無功控制是保證電壓質(zhì)量、無功平衡，提高配電網(wǎng)經(jīng)濟(jì)性和可靠性的有效手段。本文綜合闡述了變電站無功調(diào)節(jié)的基本原則和變電站的無功補(bǔ)償模式，詳細(xì)介紹了變電站實(shí)施無功調(diào)節(jié)的各種方法，并指出各種控制方法的優(yōu)缺點(diǎn)。關(guān)鍵詞：變電站電壓無功調(diào)節(jié)九區(qū)圖 隨著輸配電網(wǎng)結(jié)構(gòu)的日趨復(fù)雜及對輸配電網(wǎng)供電質(zhì)量和可靠性要求的不斷提高，變電站電壓無功控制已成為保證電壓質(zhì)量、無功平衡，提高輸配電網(wǎng)經(jīng)濟(jì)性和可靠性的不可缺少的途徑之一。對于輸配電系統(tǒng)，由于結(jié)構(gòu)、運(yùn)行方式比較固定，無功電壓控制主要是采用最優(yōu)潮流方法，控制變量包括發(fā)電機(jī)電壓、變壓器抽頭、電容器分接頭、一次變電站電壓，以達(dá)到電壓越

2、限最小，傳輸損耗最小的目的。對于輸配電系統(tǒng)，由于負(fù)荷、運(yùn)行方式、網(wǎng)絡(luò)結(jié)構(gòu)經(jīng)常變化，電壓無功優(yōu)化問題比較復(fù)雜，在全系統(tǒng)電壓無功調(diào)節(jié)上存在一定難度。變電站電壓無功調(diào)節(jié)的基本原則是：保證無功平衡，降低減少調(diào)節(jié)次數(shù)，提高電壓質(zhì)量。變電站的無功補(bǔ)償分為分散(就地)控制和集中控制兩種模式?；谶@些原則和規(guī)律，國內(nèi)外提出了不少自動(dòng)控制策略。歸納起來，有以下幾種方法：1.按功率因數(shù)、電壓復(fù)合調(diào)節(jié)；2.基于傳統(tǒng)的九區(qū)圖法；3.基于人工智能的九區(qū)圖法；4.人工智能調(diào)節(jié)方法。1.按功率因數(shù)、電壓復(fù)合調(diào)節(jié)1按電壓、功率因數(shù)復(fù)合調(diào)節(jié)的判據(jù)有兩種，一種是以電壓為主，功率因數(shù)為輔，當(dāng)電壓合格時(shí)，不考慮功率因數(shù)，當(dāng)電壓不合格

3、時(shí)，考慮投入電容；二是以電壓和功率因數(shù)作為兩個(gè)并行的判據(jù)，即使在電壓合格時(shí)，若功率因數(shù)滿足投切條件，則投入電容。這兩種判別方式，操作簡單易行，考慮了無功補(bǔ)償，但忽略了變壓器分接頭與電容器的配合，在有些狀態(tài)下，或是無功補(bǔ)償效果較差，或是會造成并聯(lián)電容的頻繁投切。2.基于傳統(tǒng)九區(qū)圖的相關(guān)方法傳統(tǒng)的九區(qū)圖法1是電壓無功綜合控制的基本方法。該方法中，變電站綜合自動(dòng)控制策略的判別量是實(shí)時(shí)監(jiān)測的無功和電壓兩個(gè)量。根據(jù)已給固定無功和固定電壓的上下限特性，綜合邏輯判據(jù)把電壓和無功平面分割成9個(gè)控制區(qū)，每個(gè)區(qū)域和一種控制策略相對應(yīng)，以實(shí)現(xiàn)對有載調(diào)壓變壓器和電容器的調(diào)節(jié)。因傳統(tǒng)的九區(qū)圖法原理清晰易于實(shí)現(xiàn)，故在現(xiàn)場

4、得到廣泛的應(yīng)用，相應(yīng)的控制調(diào)節(jié)策略。但由于該法采用實(shí)時(shí)數(shù)據(jù)作為計(jì)算分析的數(shù)據(jù)，而控制策略也沒有顧及無功調(diào)節(jié)對電壓的影響，導(dǎo)致控制決策具有一定的盲目性和不確定性，具體表現(xiàn)為設(shè)備的頻繁投切。為克服上述控制策略中的缺陷，人們針對分接頭開關(guān)調(diào)節(jié)和電容器投切時(shí)電壓和無功的耦合關(guān)系及負(fù)荷的影響進(jìn)行了深入的探討，基于傳統(tǒng)的九區(qū)圖法，提出了新的控制策略。文獻(xiàn)2從克服傳統(tǒng)九區(qū)圖的固有局限出發(fā)，將傳統(tǒng)九區(qū)圖固定的無功邊界改成受電壓影響的模糊邊界，在某些區(qū)域，以電壓的線性函數(shù)來表示無功邊界，其斜率可根據(jù)具體的投切邊界條件進(jìn)行調(diào)整。3.基于人工智能的九區(qū)圖方法電壓無功控整理為電力系統(tǒng)自動(dòng)化的一個(gè)重要組成部分，具有電力

5、系統(tǒng)控制所固有的復(fù)雜性、非線性、不精確性及控制要求實(shí)時(shí)性強(qiáng)等特性，使得其中有些方面難以用傳統(tǒng)的數(shù)學(xué)模型和控制方法來實(shí)現(xiàn)，如上述九區(qū)圖方法的某些局限。隨著人工智能方法的開發(fā)，智能性算法的自適應(yīng)性優(yōu)勢日益顯著，智能型方法也被引入電力系統(tǒng)計(jì)算、分析、控制等領(lǐng)域，以彌補(bǔ)傳統(tǒng)方法的不足。將模糊數(shù)學(xué)理論用來求解變電站電壓無功優(yōu)化問題是一種比較普遍、有效的方法，但在算法設(shè)計(jì)上各有不同。文獻(xiàn)3通過定義模糊集論域，把電壓的偏差量進(jìn)行模糊化處理，轉(zhuǎn)化為模糊語言變量，作為模糊控制器的輸入，以控制程度的模糊語言變量作為輸出。此法所需信息量少，計(jì)算量小，易于在線實(shí)現(xiàn)。模糊理論的優(yōu)點(diǎn)在于它對被控對象參數(shù)變化不敏感，可處理

6、由不確定性和不精確性帶來的一些問題等。不足為：信息的模糊處理較簡單，使得系統(tǒng)的控制精度不高；在確定精確的控制目標(biāo)上存在一定的難度；多采用試湊法確定某個(gè)量的選取和定義，該法難以應(yīng)用到復(fù)雜系統(tǒng)中。人工智能方法的引入為電壓無功控制問題的解決開辟了新的方向，同時(shí)，由于不同的人工智能方法在解決問題時(shí)的側(cè)重點(diǎn)不同，也使得他們的效果各有不同，所以，人們考慮將不同的方法結(jié)合起來，用其所長，避其所短。文獻(xiàn)4提出了一種智能型變電站電壓無功綜合自動(dòng)控制裝置。在ann電壓、有功、無功負(fù)荷預(yù)測基礎(chǔ)上，將遺傳算法、ann優(yōu)化控制策略、模糊邊界策略三者結(jié)合起來。不同的預(yù)測精度采用不同的控制策略，這樣，就可以在不同的優(yōu)先級上

7、保證了調(diào)節(jié)策略的最優(yōu)或次最優(yōu)，體現(xiàn)了裝置的靈活性、智能性。4.基于人工智能方法上述電壓無功控制方法或多或少的都以傳統(tǒng)的九區(qū)圖控制方法為基礎(chǔ)，對于九區(qū)圖法原理上的缺陷控制判據(jù)對電壓越限的綜合識別能力不能充分進(jìn)行改進(jìn)。在實(shí)際應(yīng)用中，變電站的操作人員和調(diào)度中心根據(jù)工作經(jīng)驗(yàn)，經(jīng)常用一些模糊原則來制定合理的控制策略。這就為采用人工智能方法而避開九區(qū)圖的控制策略提供了客觀依據(jù)5,6。文獻(xiàn)7在前期計(jì)算時(shí)運(yùn)用ann方法計(jì)算，這樣可以使求解的狀態(tài)空間變小,并可提高模糊動(dòng)態(tài)規(guī)劃的求解速度。隨著對變電站實(shí)時(shí)算法的靈活性與實(shí)時(shí)性要求的不斷提高，智能型算法的優(yōu)勢越發(fā)凸現(xiàn)，但各種智能方法又存在著一定的缺陷，如何更好的將傳

8、統(tǒng)的算法與智能型方法相結(jié)合，在遵循電壓無功綜合控制的基本原則基礎(chǔ)上，發(fā)揮二者的優(yōu)勢，保證控制的實(shí)時(shí)性與準(zhǔn)確性，將是日后研究中需要普遍關(guān)注的問題。參考文獻(xiàn)1莊侃沁，李興源.變電站電壓無功控制策略和實(shí)現(xiàn)方式.電力系統(tǒng)自動(dòng)化.2001，25(15).2厲吉文，李紅梅，寧文怡等.變電所電壓和無功自動(dòng)調(diào)節(jié)判據(jù)的研究.中國電力.1995，28(7).3段海峰，李興源，宋永華.一種基于模糊邏輯的電壓無功控制策略.電力系統(tǒng)自動(dòng)化.1997，21(6).4杜紅衛(wèi)，廖志偉，楊慶早等.智能型變電站電壓、無功綜合自動(dòng)控制裝置.電力自動(dòng)化設(shè)備.2001，21(2).5y y hsu, f c lu. dispatch

9、of capacitor on distribution system usingdynamic programming. iee proceeding-c.1993，140(6).6y y hsu. a hybrid artificial neural network-dynamic programming forfeeder capacitor scheduling. ieee trans on power systems.1994，9(2).7 y y hsu, f c lu. a combined artificial neural network-fuzzy dynamicprogramming approach to re