一种配电变压器自动调压中过渡电阻的选择方法与流程

本发明属于电力变压器技术领域，涉及配电变压器自动调压，为一种配电变压器自动提调压中过渡电阻的选择方法，提出了使用粒子群优化算法(particleswarmoptimizer,pso)计算bp(backpropagation)神经网络阈值的方法，提升了神经网络的逼近函数的能力，实现快速可靠地选择出最佳过渡电阻阻值。

背景技术：

随着电力系统的飞速发展，用电质量越来越受用户的关注，用户一直在追求更好的用电体验。电压质量是电能质量的重要指标，电压偏移过大会影响企业生产和人民生活水平的提高，影响用电设备的寿命和效率，甚至危及电力系统运行的稳定性。现有的调压装置主要是机械式有载调压，也有部分的电力电子调压装置，但至今电力电子调压装置都没有得到大规模的推广，电力电子调压装置还处于研究热潮之中。

由于电力系统电压较高，对于电力电子器件的冲击较大，所以在配电变压器的调压装置中的晶闸管或者可控硅处会串联一个阻值适当的电阻作为过渡。过渡电阻的阻值如果较大，则过渡过程会有较大的功率损耗，过渡过程中变压器输出电压降低，瞬时输出功率减少；阻值如果较小，则过渡过程的冲击电流大，电力电子装置有可能直接会被直接烧毁。目前选择过渡电阻的方法是靠实践经验选取阻值大小，没有太多的具有适用性的选择依据，本发明就此提出一种过渡电阻选择方法，通过pso优化的神经网络来进行选择，根据实际实现数据结合智能算法选择出的过渡电阻使过渡过程更加平稳、过渡过程的环流冲击更小、电压干扰更小。

技术实现要素：

本发明要解决的技术问题是：现有配电变压器的调压装置中过渡电阻的阻值大小对电压质量有很大影响，而现有技术中目前还只能靠经验选择来设置过渡电阻，缺乏行之有效的科学设置方法。

本发明的技术方案为：一种配电变压器自动调压中过渡电阻的选择方法，基于粒子群优化算法pso和bp神经网络，通过对配电变压器系统的过渡电阻进行仿真计算，确定过渡电阻阻值，包括以下步骤：

1)对配电变压器二次侧布置电压互感器和电流互感器，设置采样时间长度和采样频率，采集配电变压器的输出电压、调压过程中的环流和调压过渡时间，记采集到的数据点个数为n；

2)记采集的变压器输出电压为u1i,i＝1,2,…n，变压器理论输出电压为u2i,i＝1,2,…n，使用粒子群优化算法，适应度函数为根据变压器高压侧回路分析可得：

u1i-u2i＝n1/n2·ii·r

式中，n1为变压器高压侧线圈匝数，n2为变压器低压侧线圈匝数，ii为过渡环流，r表示过渡电阻；

取种群大小为nz，种群代数为mz，n＝1,2,...nz，m＝1,2,…mz，种群更新方式如下：

vn(m+1)＝wvn(m)+c1r1(pnm-rn(m))+c1r1(pm-rn(m))

rn(m+1)＝rn(m)+vn(m+1)

式中，w为权重系数，c1、c2为学习因子，r1、r2为随机因子，vn(m)为第n个变量在第m代的加速度值，pnm为第n个变量在第m代所取得的最佳适应度值，pm为第m代所有变量中的最佳适应度值，rn(m)为第n个变量在第m代所取得的过渡电阻阻值；

3)计算粒子群优化算法的适应度值，并找到个体极值和群体极值，依次进行速度更新和个体更新，再次计算适应度值，将所计算得到的适应度函数值f最小时对应的过渡电阻值作为神经网络的最佳阈值ry；

4)使用采集的数据训练bp神经网络，然后将输出电压、调压过程中的环流和调压过渡时间作为输入信号输入bp神经网络，计算当前最佳过渡电阻的阻值，使用阈值比较函数比较当前最佳阻值与最佳阈值，当最佳阻值rz与最佳阈值ry满足以下关系时，即可认为rz为合适的过渡电阻值：

|rz-ry|≤ε

式中ε为误差值，取为0.1欧。

进一步的，使用步骤4)得到的过渡电阻的阻值进行试验，得到试验数据后再次进行步骤1)～4)，并将得到的结果进行比较，直到两次阻值误差在一个极小的范围内，此时选择最后一次计算的阻值结果作为最终确定的过渡电阻的阻值。多次计算可以使得过渡电阻的选取效果更好。

本发明采用输出电压波形和过渡环流波形、过渡时间使用bp神经网络方法计算过渡电阻的阻值，根据输出电压波形使用粒子群pso算法计算神经网络的阈值，两种优化智能算法的结合使神经网络能够更好地逼近过渡电阻阻值曲线，进而获得更准确的过渡电阻阻值。

本发明根据配电变压器系统的电力学信号，使用粒子群pso算法和bp神经网络算法对配电变压器系统的过渡电阻进行仿真计算，能够简单有效地求出过渡电阻的阻值，相对于通过经验取过渡电阻阻值的方式更加可靠，使得过渡电阻取值更加科学，配变输出电压更加平稳，对电网波动干扰更小，造成的谐波污染也更少。

附图说明

图1为本发明的方法流程图。

图2为配电变压器调压中，在不同档位之间切换的输出电压的波形图,，(a)为单次切换档位的变压器输出电压波形图，(b)为连续多次切换档位的变压器输出电压波形图。

图3为配电变压器过渡过程中环流的波形图。

图4为本发明过渡电阻的分析原理图。

图5为本发明过渡电阻上环流及输电电压随过渡电阻变化的关系曲线。

图6为配电变压器调压的流程图。

具体实施方式

现有技术中，过渡电阻的选取缺乏行之有效的科学智能选择方法，本发明旨在提高用户用电质量，减轻电网工作人员的调压负担，提高变压器的效率，发明一种基于pso优化的神经网络的配变自动调压中过渡电阻的选择方法。

以下将结合附图，对本发明的技术方案进行详细说明。

本发明基于粒子群优化算法pso和bp神经网络，对配电变压器系统的过渡电阻进行仿真计算，确定过渡电阻阻值，因此在进行过渡电阻的智能计算之前，先须按照下面的调压过程采集数据，变压器调整电压过程如下：当配电变压器二次侧的电压上升或下降到预设的电压调整范围之外时，实时采集变压器二次侧电压，并将数据传送至配电变压器的数据处理系统进行处理计算，通过与设置的阈值比较之后，发出相应的调整信号，控制固态继电器做出相应的动作，从而改变配电变压器的分接头的连接方式，变压器二次侧的电压会随之改变，实现调压，具体流程可见图6。调压过程是现有的技术，这里说明数据的采集方式。

根据采集得到的变压器二次电压数据可得到如图2的图形，如图2(a)所示：当变压器二次侧电压高于预设电压时，调压装置会自动调低档位；当变压器二次侧电压低于预设电压时，调压装置会自动调高档位。图2(b)实验过程是手动连续多次切换调压装置所得到的电压数据，由于需要实验模拟变压器二次侧电压变化，所以我们手动调节观察调节装置的调压性能。

按照上述采集数据之后，再根据以下步骤计算过渡电阻阻值，如图1所示：

(1)由采集的数据得到初始电压和电流数据，作为输入数据，并对输入数据进行滤波去噪处理。

(2)根据输出电压波形初始化粒子群pso算法的种群大小和更新速度。

记采集到的数据点个数为n，采集的变压器输出电压为u1i,i＝1,2,…n，变压器理论输出电压为u2i,i＝1,2,…n，使用粒子群优化算法，适应度函数为根据变压器高压侧回路分析可得：

u1i-u2i＝n1/n2·ii·r

式中，n1为变压器高压侧线圈匝数，n2为变压器低压侧线圈匝数，ii为过渡环流，r表示过渡电阻；这个公式即表示了图1中所述的输出电压波形的契合度；

取种群大小为nz，种群代数为mz，n＝1,2,...nz，m＝1,2,…mz，种群更新方式如下：

vn(m+1)＝wvn(m)+c1r1(pnm-rn(m))+c1r1(pm-rn(m))

rn(m+1)＝rn(m)+vn(m+1)

式中，w为权重系数，c1、c2为学习因子，r1、r2为随机因子，从matlab的rand函数获得，vn(m)为第n个变量在第m代的加速度值，pnm为第n个变量在第m代所取得的最佳适应度值，pm为第m代所有变量中的最佳适应度值，rn(m)为第n个变量在第m代所取得的过渡电阻阻值；本发明优选取种群大小为80，种群代数为100，即n＝1,2,...80，m＝1,2,…100，种群更新中，权重系数w取为0.8，学习因子c1、c2都取为1.5。

(3)计算粒子群pso算法的适应度值，并找到个体极值和群体极值，依次进行速度更新和个体更新，再次计算适应度值，将所计算得到的适应度函数值f最小时对应的过渡电阻值作为神经网络的最佳阈值ry。

(4)根据输入神经网络的信号做仿真计算，在变压器二次侧能够输出与预想的标准波形较为一致的电压，并且过渡环流较小，产生谐波干扰较小的情况下，bp神经网络会输出当前最佳过渡电阻的阻值，使用阈值比较函数比较当前最佳阻值与当前最佳阈值，得出过渡电阻的阻值。具体为：

使用采集的数据训练bp神经网络，然后将输出电压、调压过程中的环流和调压过渡时间作为输入信号输入bp神经网络，计算当前最佳过渡电阻的阻值，使用阈值比较函数比较当前最佳阻值与最佳阈值，当最佳阻值rz与最佳阈值ry满足以下关系时，即可认为rz为合适的过渡电阻值：

|rz-ry|≤ε

式中ε为误差值，取为0.1欧。

bp神经网络具体为：

首先建立bp神经网络，记变压器二次侧的电压瞬时值为u1i、变压器二次侧的电压相角过为过渡过程中的环流瞬时值为ii、过渡过程中的环流相位为过渡时间长度为t，将所有的信号组合为xpi，

bp神经网络输入信号为xpi,p＝1,2,3，4,5；i＝1,2,3,,n，设wkp为输入层到隐层之间的权值，p为输入层个数，所以隐层的单元k输入为：

k＝1,2,3,4,5；

输入层隐层之间的传递函数为tansig函数，tansig函数定义为：

则将hki代入tansig函数可得：

记为隐层到输出层之间的权值，则输出层的输入为：

再选取输出层隐层之间的传递函数仍为tansig函数：

将g代入ψ(x′)则bp神经网络的输出为：

式中，g即为神经网络计算出来的最佳阻值；

然后根据采集的数据采用向后传播算法训练bp神经网络，根据采集得到的变压器试验数据，将其中部分组数据作为训练样本，其他作为测试数据，记训练样本理想输出为t，则：

e(w)是训练样本的理想输出与g误差度量值，它是关于权值w的函数，w为wkp、变量的统称，为使e(w)到达极小，将代入中得出：

对于每一个wkp、而言，上式是一个连续可微的非线性函数，采用最速下降法求得e(w)的一个极小值点；

根据极小值e(w)所求出的权值w，计算测试数据的输出过渡电阻值g，将g的大小代入式|rz-r|≤ε，得到合适的过渡电阻的阻值。

如图4所示，u1为变压一次侧输入电压，u2为变压器二次侧电压变换到一次侧的电压，ur为过渡电阻上的电压，当过渡电阻为0时，u1＝u2。在变压器高压侧绕组电压不变的情况下，增大过渡电阻可以减小过渡环流，但增大过渡电阻会导致过渡电阻上的电压损耗ur增大，变压器二次侧电压减小。变压器二次侧电压和过渡环流随过渡电阻的变化情况如图5所示。根据以上因素，利用本发明提出的pso优化的神经网络方法对型号为sz13-m-400/10的调压变压器的调压装置进行实验，可以得到最佳过渡电阻为50欧。将得到的过渡电阻更换至调压装置中，再次做现场实验再次实验可得到图2和图3的电压和电流曲线。由图可知，过渡电流是一个较为平稳的正弦电流，切换时间很短，约1.5个工频周期，过渡电压也几乎没有波动。

以上实施例仅为说明本发明的技术核心，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。