（1国家电网山西省大同供电公司 037000；2国家电网山西省大同供电公司 037000）
摘要：SVG较其他FACTS装置有诸多优点，其控制策略显得尤为重要。本文针对含DG的配电网较强的非线性特性，DG被动大的特点，将递归型神经网络用于SVG建模，并引入内模控制结构，提出了基于递归神经网络内模控制的动态无功电压控制策略；最后在MATLAB/Simulink平台上进行建模仿真。
关键词：神经网络，SVG，无功补偿，内模控制。
0引言
配电网中非线性负载和分布式并网功率开关的大量使用带来了不同程度的谐波和无功问题。传统的配电网络需要配置较大的补偿容量裕度来应对这一问题，一般来讲是通过电容器组来实现。而通过电力电子装置并网的分布式电源的不断增多，给配电网的电压无功问题带来了新的变化。静止无功发生器（Static Var Generation；SVG）是指由三相全控桥式变流电路构成的动态无功补偿装置。SVG与其他FACTS装置相比，它的功能更强，性价比较高；应用在配网中，能够很好的解决电压波动、闪变以及三相不平衡等问题。
1 SVG基本结构及原理
1.1 SVG的基本原理
SVG本质上等同于一个电压源型逆变器，下面以其单相等效电路为例进行分析：
图5 DTRNN结构
2.2神经网络训练
训练分为离线训练和在线训练两种，对非线性特性不强的系统来说，可直接对神经内模控制系统进行在线训练，收敛速度满足要求。但对电力系统来说，控制器的可靠性非常重要，如果发生故障或误动作会产生严重影响；加上神经网络可能需要多次训练才能获得满足要求的权值，所以选择先进行离线训练。由神经内模控制理论可知，SVG的控制需要两个离线训练过程，一是训练RNNI学习系统的非线性特性；二是训练RNNC，使初始权值在一个合适的范围内。另外，为获得理想的控制效果，避免出现过拟合，需要选用尽可能丰富的训练样本，避免由于数据太少导致网络动态特性差。
基于以上分析，本文采用电力系统正常运行时数据离线训练神经网络辨识器；然后用常规控制器获得神经网络控制器的训练数据，训练RNNC学习常规控制器的动力学特性。这种训练保证了系统在初始状态的稳定性，仿真结果表明训练效果很好。综上所述，SVG神经网络内模控制的实现过程如下：
（1）确定RNNI、RNNC结构，对权值矩阵进行初始化；使用白噪声作为SVG的触发信号，采集系统输出作为训练数据，训练RNNI；
（2）设计PI控制器对SVG进行控制，并将系统的输入输出用于RNNC训练；
（3）使用训练好的RNNI、RNNC控制SVG，并给定期望输出；
（4）利用系统输出与期望输出之差，调整模型，使其学习SVG电力系统的动态特性；
（5）依据内模原理的误差传递特性完成控制器的训练。
重复以上步骤直到获得理想的控制结果。
3算例分析
3.1仿真模型建立
为了验证本文设计的控制策略的有效性，在MATLAB/Simulink仿真平台中搭建含SVG电力系统模型进行验证。
电网电压设置为三相对称正弦电压，相电压为220V，频率为50Hz，直流侧电容为2000μF。
3.2 动态补偿仿真分析
1）恒定感性负载时仿真结果
图6（a）为未投入SVG前电网侧a相电压和电流的波形，由于系统带感性负载，电流相位滞后系统电压相位；功率因数为0.66。
可以看出，接入SVG进行动态补偿后，光照条件变化没有对B6母线电压产生影响，电流仅有微弱升高，仿真结果表明SVG对于抑制光伏波动给配网带来的影响上有很好的效果。
4小结
本文针对含分布式电源配电网非线性特性强，分布式电源波动大的特点，将递归型神经网络用于SVG建模，并引入内模控制结构，提出了基于递归神经网络内模控制的动态无功电压控制策略；最后在MATLAB/Simulink平台上进行建模仿真。仿真结果表明，该控制系统适应各种负载状况，能够很好的解决对自然条件变化引起的光伏波动问题。对各种情况都有较快的响应速度，并且能获得很好的补偿效果。
参考文献：
[1] 栗时平，刘桂英. 静止无功功率补偿技术[M]. 北京：中国电力出版社. 2006.
[2] 赵志诚，文新宇.内模控制及其应用[M].北京：电子工业出版社，2012，9：2-5．
[3] 张花芝，张花云. 基于内模控制的静止同步补偿器研究[J]. 四川电力技术. 2012，10：15-20.
论文作者:赵锐1,郭鑫2
论文发表刊物:《电力设备》2017年第21期
论文发表时间:2017/11/29
标签：神经网络论文; 递归论文; 电压论文; 特性论文; 离线论文; 很好论文; 控制器论文; 《电力设备》2017年第21期论文;