神经网络在线自学习高压直流阻尼控制器的设计
摘要 本文利用神经网络学习电力系统逆动态，由参考模型产生期望控制响应，实时采样值构成在线训练样本的在线训练方案，把该方案运用于交直流系统直流阻尼调制之中，设计出双CPU神经网络在线自学习直流阻尼控制器，并通过理论分析和仿真效果验证该方案的有效性。
关键词 交直流输电；阻尼调制；神经网络
中图分类号TM7文献标识码A文章编号 1674-6708（2011）49-0186-02
0 引言
电力系统是一个复杂而庞大的非线性动力学系统，它对运行安全、稳定、经济性要求极高。由于电力系统的庞大与复杂，参数的不确定，频繁的噪声与干扰，网络结构的不断调整与变化等种种不确定因素严重制约了各种确定型或自适应控制的实际控制性能，使已有的控制器始终未能达到理想的效果。基于神经网络的控制可以根据在线样本自动调整自身行为，从原理上来本文利用说应具备在线自我调整和不断自我完善的能力。
本文利用神经网络学习电力系统逆动态，设计出一种神经网络在线自学习直流阻尼控制器，并基于MATLAB仿真软件对其在交直流混合输电系统的控制效果进行分析与验证。
1 神经网络在线自学习的意义
研究基于神经网络的交直流系统实时控制的在线自学习，具有以下重要意义：
1）对交直流混合输电系统而言，模型仿真手段无论如何力求精确，也始终无法和实际系统动态行为完全一致，因而离线训练设计的神经网络控制器在线运行中性能总会有偏移。在线自学习使神经网络控制器可以根据控制目标不断调整自身控制行为，产生越来越好的控制效果；
2）在线自学习可使神经网络控制器产生不同于最初训练的控制性能，从而摆脱对于其它控制原理的依赖，拥有自己独特的品质；
3）在线自学习使基于神经网络的直流阻尼控制器拥有自我改进，自我完善的能力，从而真正成为智能控制器。
2在线自学习方案的设计
2.1 获取在线样本的新思路
很多研究已经表明，已有的在线自学习方案在如何获取上已经陷入了困境。因此，文献[4]提出了一种解决该困境的新思路，设计出一种逆动态神经网络控制器（），如图1所示，取（y，u ）构成训练样本训练，可以得到相同的训练效果
2.2控制方案的实现
本文即采用图2所示的方案来实现逆系统NNHVDC的设计并探讨其在线自学习的实现及学习效果。该方案的输入中包含了控制目标，这样控制行为将主要由yd的值决定。文献[4]已经提出了这种模型中控制的实现与在线自学习样本的生成方案并给予了一定的理论证明。当yd选取得当时，经过不断的在训练，网络的控制输出将逐步逼近期望输出yd。因而其控制最终应该是稳定的。
以往研究表明交直流系统逆动态是存在的，而且可以由BP网络以要求的精度逼近。具体实现如下：采用6-6-1三层BP网络作为控制主体，选取NN输入变量集为：
NN的输出为t时刻的控制信号。如何确定和是获取NN输入的两个关键。
本文选择直流调制中最常用的以两侧交流系统发电机转速差为调制信号的作为NN的初始训练器来训练神经网络，控制器参数。应此可得到直流调制控制规律为：
本文所采用的参考模型是由同步发电机转子运动方程推算而得，描述如下：
式中为采样/控制周期，单位为秒；为功率变化值，可由功率变送器获得，D为期望的系统阻尼，由用户根据控制性能的要求设定，取值越大，表明设计者希望有扰动引起的系统振荡衰减越快，本文取D=0.5。
具体仿真步骤如下：
1）选取任意一种可接受的控制器作为初始训练器，对IDNNHVDC进行初步的离散训练，其目的是不至于一开始就生成电力系统不能接受的控制输出；
2）将离线训练后的NNHVDC（计为NNHVDC1）置入交直流系统，记录其在各种扰动的控制性能；
3）对于选定的扰动，以NNHVDC1的控制响应构成在线训练样本集，用以训练NNHVDC得到NNHVDC2；
4）对NNHVDC2重复[step2]～[step 3]的控制过程的NNHVDC3；5）重复（4）直到NNHVDCi的控制响应令人满意为止。
3 仿真模型的建立
本文基于软件Matlab/Simulink/ SimPower Systems工具箱搭建一个交直流并联输电系统模型，示意图如图3所示。系统包括两个区域，发电机M1区域由两条交流输电线路和一条直流线路向发电机M2区域输电。发电机M1、M2包含有励磁控制,机端电压为13.8kV，通过升压变压器变成500kV，向系统供电。区域间的距离为500km，在M2区域包括一个5000mW的负载，由M1和M2供电。另外系统中还包含三相断路器，可以模拟交流系统故障。
直流系统的额定传输容量为1000MW，两侧额定电压为500kV，滤波电抗器为0.5H，直流线路长为500km。在换流站设置的无功补偿和滤波装置包
括一个500 Mvar的电容器和150 Mvar的11 次滤波器、13次滤波器和高通滤波器。
4仿真结果与分析
根据第3节仿真步骤进行仿真计算，系统模型如图4所示，选取以下扰动来训练神经网络：整流侧发电机机端发生2s时三相短路故障，2.3s后故障切除。以上小节介绍的作为初始训练器，用以上故障时的系统状态变量根据式（1）构成NN的输入集，离线训练后得到IDNNHVDC1，仿真结果表明，按step1到step5的步骤经过仅仅五次自学习之后，所得NNHVDC5的控制性能已经远远超过了常规直流调制CHVDC，达到了令人满意的程度。
选取以下2个扰动来测试所设计的IDNNHVDC的控制性能：
扰动一：t=2s时一交流线路首端发生三相短路，0.1s后保护动作切除该回路，0.2s后重合闸合并恢复到双回线运行。
扰动二：t=2s时一条交流线路首端三相短路，0.3s后故障排除；t=6s时该回交流线路中端又发生三相短路，0.1s后故障排除。
通过IDNNHVDC和CHVDC作用下发电机功角的变化过程的对比，结果表明，经过五次训练后IDNNHVDC的控制效果已远远优于常规CHVDC控制，从而进一步证实了IDNNHVDC的优越性能，通过以上仿真结果可得出以下几个结论：
1）随着训练次数的增加，该NN控制器控制性能不断改善，由此表明，该控制器具有很好的在线自学习能力;
2）IDNNHVDC控制器能有效增强直流系统两侧交流系统的阻尼，很好的抑制直流两侧交流系统振荡。对各种大、小扰动均表现出明显的抑制作用，具有很强的鲁棒性;
3）通过在线训练后的IDNNHVDC在各扰动下的控制性能表明，图2所示以逼近受控系统逆动态为目标的神经网络控制方案在交直流混合输电系统实时控制中是可行的。
5 结论
本文利用神经网络学习电力系统逆动态，由参考模型产生期望控制响应，实时采样值构成在线训练样本的在线训练方案。由于在纯交流系统电力系统稳定器的运用中，该方案的的控制效果已经得到很好的验证，而其在直流阻尼调制的运用与研究中尚属空白。因此，笔者把该方案运用于交直流系统直流阻尼调制之中，设计出双CPU神经网络在线自学习直流阻尼控制器。不仅从理论上分析证明了该方案的有效性，而且仿真结果表明，所设计的IDNNHVDC控制器能有效增强直流系统两侧交流系统的阻尼，很好的抑制直流两两侧交流系统振荡。在在线自学习调整过程中，该NN控制器控制性能不断改善，对各种大、小扰动均表现出明显的抑制作用
参考文献
[1]管霖，程时杰，陈德树.神经网络电力系统稳定器的设计与实现[J].中国电机工程学报，1996，16(6)：384-387.
[2]谭振宇，程时杰，魏璇.基于神经网络的自适应电力系统稳定器[J].电力系统自动化，2000，24(15)：1-6.
[3]赵成勇，张一工，贾秀芳，等.直流输电控制系统参数优化[J].中国电力，1999，32(1)：32-34.