基于电能质量数据不平衡分析的功率因数估计

在电力系统中, 对电压的不平衡性进行管理是为了提供高质量电力。电压不平衡并不仅仅是技术问题, 电压不平衡助长了不良的权力因子在电力系统中的滋长。电力系统的目标是维持电压的稳定性以及平衡性。然而随着非线性负载的增加, 它成为了难以完全消除的电压不平衡因子[1]。本文提出的方法可以从根本上解决以上问题, 能够有效抑制电压的不平衡性。

1 电压不平衡分析

本文中, 智能算法已被用于分析66/22kV电能质量参数, 我们采用了以下分析方法。

(1) 主成分分析技术 (PCAT) 。在电能质量数据检测中, 含有很多不同的参数, 在实际运算中, 我们很难处理所有的属性。在很多实际应用中, 通常采用主成分分析技术来寻找电能质量数据。在PCAT零的电能质量数据轴上, 通过计算所有数据属性的平均值, 得到新的轴心;通过计算所有属性之间的协方差, 得到本征矢量。每个特征值对应的电能质量数据, 可以帮助我们更好地估计电能功率因数。

(2) 前馈反向传播算法 (FFBP) 。FFBP用于估计电能功率因数。由于非衔接多层感知器算法 (MLP) 中, FFBP算法得到了很好的应用, 我们此次研究也采用了FFBP。最小均方的技术[8]适用于非线性电能功率因数的估计。

2 讨论

在本项研究中, 神经网络技术已被用来有效预测分配系统中的功率因数。有研究[2]报道称, 在前馈反向传播神经网络中已发现有一个累积误差, 本文使用的PQ真实数据也受此影响而产生了一定的误差, 但并不影响最后的结果。电能质量数据的结果用主成分分析在下面进行讨论。

(1) 电力质量数据。本次研究得到的电力质量的真实数据由电压不平衡的15属性组成, 每个属性包含2208个子集, 并且用到了PQ的原始数据平均值。

(2) 主要成分分析。图1显示了电能质量数据的特征值属性。每本征值对应于一个真正的电能质量的新领域数据。由图2可知, 总电能质量数据可以由两个新的没有任何损失的数据层面表示。

3 结语

电能质量 (PQ) 是一个多元化的问题, 需要有很多复杂的计算分析。本文明确指出是通过采用高效率和智能化计算方案, 可以得到电能质量监测数据, 可以方便地提高系统性能。

摘要：在电力工业中, 电能质量 (Power Quality) 已经被认为是一个复杂的且多变化的问题而存在。它不仅困惑着电力企业, 同时也引起了设备制造商的注意。虽然在此领域做了很广泛的研究工作, 但主要问题, 是研究过程中遇到的电力系统电压不平衡问题。电压不平衡问题影响着用电安全性、可靠性及相关产业的经济效益。本文采用计算智能技术有效地预测了不平衡负载功率因数。主成分分析技术 (Principal Component Analysis Techniques) 用来寻找一些新的优化电能质量的设备参数, 前馈反向传播算法 (Feed Forward Back Propagation Algorithm) 用来估计一个功率因数分销网络的实际电力系统参数。

关键词：电能质量,电压不平衡,主成分分析

参考文献

[1] 粟时平, 刘桂英.静止无功功率补偿技术[M].北京:中国电力出版社, 2005.

[2] Modi P K, Singh S P, Sharma J D.Loadability Margin Calculation of Power System with SVC Using Artificial Neural Network[J].Eng Appl Artif Intell, 2005, 18 (6) :703～965.