智能开关的设计方案与内置电子电压互感器分为两个部分:控制系统的硬件设计和软件设计。系统硬件设备的结构原理如图 1。在硬件设计中,主要控制系统使用STM32F407ZGT6芯片收集、计算、分析、评估、和显示各种信息传输的数据通信系统反应,从而实现设备的操作控制和管理整个变电站的系统。在这个设计中,所有通信系统是基于以太网接口。在硬件上,选择LAN8720A PHY芯片的主要控制芯片。芯片支持自动识别间接网络电缆和直接网络电缆和花费更少的I / O。内置的电子变压器具有快速响应的特点,安全稳定运行,抗干扰能力强,容易组装和使用,低成本,等等,这是智能电网的重要基础。本研究包括电子电压和电流互感器、变压器冷却控制风扇组故障检测。

因为整个智能变电站监控系统需要收集和处理大量的信息,复杂的和许多操作会增加CPU内存,所以外部存储电路的设计,通过主控制模板外围SRAM芯片扩大产能的主要控制董事会。fatf文件系统用于管理SD卡数据,用于存储和备份数据的单片机控制系统,以便存储实时数据和预设参数。人机界面系统可以反映变电站的实时数据和历史参数和修改它。的工程师和其他人员可以执行管理操作和维护操作通过人机界面系统。人机界面系统由LCD液晶显示触摸模块和鼠标键盘。

一个开关输入和输出电路之间的主要连接通道内部弱电和外部强大的电流。其核心内容是孤立的输入主要设备状态信号和行动孤立的输出信号。这个电路的主要任务是处理和分析外部开关量引入到电子设备,然后把开关继电器和其他相关设备的信息。收到信号后,机电设备将使警告或跳闸的反应,以保护和控制电路。智能控制逻辑程序需要决定的执行行为根据外部开关量,所以它是非常重要的检测和收购智能电子设备的开关量状态。为了防止强烈的电磁干扰,在我们的数字输入电路,开关信号需要通过RC滤波电路,光耦合器,电路,然后进入主控制芯片的输入插口。通过这个电路、CPU可以判断开关是否打开或关闭根据外部连接的状态。开关输出电路负责输出强大的电流信号断路器和其他强电设备实现控制效果,但CPU设备I / O端口输出低电压、小电流信号,因此有必要增加一个增加的励磁电流继电器继电器装置扩大弱电流信号,然后驱动断路器和其他强电设备。还需要使用光耦合器防止瞬时脉冲的干扰和提高锁定设备失败时的可靠性。

串行调试门限)技术是一种技术,可以调试和下载小包装微控制器与有限的别针。它可以转移信号针JTAG没有风险的。在JTAG仿真模式,调试器可以直接使用门限模式运行,以确保效率和标准化的数据传输。

智能变压器组成的智能变电站的核心是人工智能技术的应用。本研究主要采用模糊控制、神经网络和遗传算法来提高自动控制,判断,计划和执行能力的监控系统。智能变电站监控系统的操作系统中选择本研究C / OS-II,安全稳定,适用于多任务协调管理和控制,具有高可靠性和低功耗。因此,变电站监控和处理的C / OS-II系统。

据的特点<我talic> μC / OS-II系统和电场的实际工作条件变量,系统软件设计,包括一个多任务调度模块与十个任务模块和三个中断模块。任务模块包括电压和无功功率控制任务,变压器切换任务时,变压器温度控制任务,以太网数据处理和包装任务,串行数据处理和包装的任务,数据监视和测量显示任务,保护逻辑判断任务和自检工作。中断模块包括三种模式:外部模式,定时采样模式,串行数据中断模式。特定的软件系统结构图如图 2。

智能变压器组成的智能变电站的核心是人工智能技术的应用。本研究主要采用模糊控制、神经网络和遗传算法来提高自动控制,判断,计划和执行能力的监控系统。模糊控制系统可以简单地添加专家经验知识模型和解决传统方法难以解决的复杂的判断的基础上,模糊语义、模糊逻辑、模糊集。它包括四个部分:模糊生成器,模糊规则库,模糊推理和去模糊化。模糊集的模糊的一代是一个映射,其设计规则应注意帮助克服噪声和简化模糊推理的计算引擎。模糊规则库是整个控制系统的核心部分,和其他部分需要实现合理规则集的规则。规则通常来自专家的经验和修订的直接转换的过程中自主学习。模糊推理引擎是一个模拟的判断步骤执行合成操作模糊控制规则的模糊输入变量。去模糊化负责准确的模糊的转换结果源于推理,反映的真实分布控制量的模糊空间的映射。神经网络是一种算法模型由许多神经元的简单并行操作。 It uses a distributed structure for information storage and uses multiple neurons in parallel for information judgment and reasoning. Each neuron in the neural network has only one output and can be connected with many other neurons, while each neuron input in the neural network can have multiple inputs. Each ganglion point corresponds to a state variable<我nline-formula> x j ;<我nline-formula> 我 节点和<我nline-formula> j 路径节点可以形成一个连接,对应的连接权重系数<我nline-formula> w 我 j 。

模糊神经网络(FNN)是一个神经网络系统对模糊信息的自动处理。它取代的控制和决策系统模糊算法通过训练和学习大量的模糊神经网络的信息。训练神经网络的输入-输出关系所表达的也可以很“if - then”结构的模糊控制。结合两种算法,模糊控制具有学习功能,和神经网络具有处理模糊信息的能力,因此,控制器可以学习本身的处理不准确的信息和实现最佳控制。由于电力系统电容器银行只能开启和关闭在团体和载分接开关的分接开关开关只能在不同阶段调整,导致变电站的电压和无功功率的不连续性变化。因此,形成一个非线性多变量时变控制问题,需要由一个精确的数学模型。在这项研究中,使用模糊神经网络的数学模型,实现自动控制变电站的电压和无功功率。通过调整变压器的抽头位置和补偿电容器投切组数,母线的电压范围负荷端控制通过改变电压互感器的比值,以及变电站的无功功率平衡是尽可能维护的。控制系统构造如图 3。

其中,<我nline-formula> U 负载侧的电压,<我nline-formula> 问 是无功功率流入变压器的高压侧,<我nline-formula> U 1 负载侧的电压调整后,<我nline-formula> 问 1 是变压器的高压侧的无功功率调整后,<我nline-formula> K 是水龙头的变压器有载分接开关的数量,<我nline-formula> 问 c 补偿电容器的是水龙头的数量,<我nline-formula> Δ K 是利用变压器载分接开关的位置的变化,<我nline-formula> Δ 问 c 补偿电容开关组的变化,<我nline-formula> Δ U = U − U 1 ,<我nline-formula> Δ 问 = 问 − 问 1 。输出电压和无功功率测量的价值<我nline-formula> K 和<我nline-formula> 问 c 。

整个模糊神经网络控制系统分为五个步骤:输入,模糊化,模糊连接,由模糊变清晰,和输出。输入值是表示为<我nline-formula> x 表示为,输出值<我nline-formula> y ,<我nline-formula> 净 表示为网络隐层神经元的输入,<我nline-formula> f 。 表示为神经元转换函数,象征上标表示步骤,下标代表神经元。每个步骤如下所示的输出。

有两个输入节点输入步骤。输入值传送到下一层,输出结果如下: (1) y j 1 = x j 1 , (2) y j 1 = f j 1 净 j 1 = 净 j 1 。

模糊化的节点一步是每个输入的模糊子集的总和。选择隶属函数为高斯函数来计算输入变量的隶属函数。<我nline-formula> 我 表示输入的维数的值(<我nline-formula> 1 , 2 , ⋯ , n ),<我nline-formula> j 表示集的模糊分割的数量,和值(<我nline-formula> 1 , 2 , ⋯ , 米 );<我nline-formula> 米 我 j 是隶属函数的中心,<我nline-formula> σ 我 j 隶属函数的宽度,输出结果如下: (3) y 我 j 2 = f 我 j 2 净 j 2 = 经验值 − x 我 − 米 我 j σ 我 j 2 。

模糊连接步骤的每个节点代表一个控制规则,生成模糊规则库,并输出结果 (4) y j 3 = 净 j 3 = ∏ 1 n x 我 3 。

下一步是规范化的输出值由模糊变清晰的步骤,和输出结果如下: (5) y j 4 = y j 3 ∑ j = 1 米 y j 3 = y j 3 年代 。

输出一步显然是使用加权平均法计算结果归纳后,输出结果如公式( 6);<我nline-formula> w 代表了连接的重量。 (6) y j 5 = ∑ 我 = 1 米 w 我 5 y 我 4 = ∑ 我 = 1 米 w 我 5 y 我 3 年代 。

theological-fuzzy网络的自学习调整样本误差梯度下降法和正确的价值观<我nline-formula> w ,<我nline-formula> σ ,<我nline-formula> 米 相反的方向,以提高隶属函数和控制规则。<我nline-formula> y 神经网络的实际输出值,<我nline-formula> δ 神经元的引用误差,<我nline-formula> η 是学习速率。它的值是<我nline-formula> 0 < η < 1 ;<我nline-formula> Δ w , Δ σ , Δ 米 的修正<我nline-formula> w , σ ,分别。误差调整校正的计算方法如下: (7) Δ w 我 5 = η ⋅ δ 5 ⋅ y j 4 年代 , (8) Δ 米 y = η ⋅ δ j 3 ⋅ − 2 y 我 1 − 米 我 j σ 我 j , (9) Δ σ 我 j = η ⋅ δ j 3 ⋅ 2 y 我 1 − 米 我 j 2 σ 我 j 3 。

因为这个设计的隶属函数是高斯函数,定义的域(<我nline-formula> − ∞ , + ∞ )和范围是[0,1],前面步骤的输出样本应规范化(<我nline-formula> − 1 , + 1 )在de-ambiguity步骤,绝对值在(0,1)。电压和无功功率值作为标准,也就是说,<我nline-formula> 无功 权力 价值 < 1.0 ;电压值约为1.0,需要减少1,所以治疗后的值接近0,和电容组的数量和变压器水龙头也需要处理接近0。标准化样品可以作为网络学习的输入和输出。无功功率控制的流程图基于电压模糊神经网络算法如图 4。

在这项研究中,一个110 - 10 kV变电站电压转换水平作为一个例子。变电站打算改变两个主要与小容量变压器两个主要与大容量变压器,扩大原负载线路和补偿电容,实现智能操作的设备。在这项研究中,仿真环境是由功率流分布计算软件,和变电站的无功功率控制的可行性基于模糊神经网络的测试和验证。希望这种控制可以改善负荷侧的电压值。

有110 kV负载voltage-regulated变压器安装两个节点之间的电压和无功功率控制。具体参数如下:在桌子上 1中,一个节点作为负荷端总线,四组10 kV安装无功补偿电容器,如表 2。10 kV母线的电压限制在10.1 - -10.6 kV,和无功功率范围是0 - 1.5 Qc。系统负载表所示 3。

当有功功率<我nline-formula> P 和无功功率<我nline-formula> 问 母线的无功补偿电容器的安装是改变,无功功率的操作系统数据流经的主变压器高压侧和低压侧的电压值如表所示 3。根据表中的数据,可以看出,无功功率流入主变压器高压侧的变压器将会更大,而在低压侧电压值将会在一个较低的水平,所以系统的无功补偿和电压值在低压端需要改进,以一个合理的范围。

大量的数据用于训练和学习设计的模糊神经网络的学习计划。训练系统是用来模拟和测试电容器和变压器的敲击的次数。系统补偿无功功率,在低压侧调节电压。电压的测量结果和监管主变压器低压侧的模糊神经网络系统如表所示 4和 5,结果的测量和调节无功功率流入变压器的高压侧如表所示 5。

从图可以看出 5之前,添加模糊神经网络系统来控制主变压器的低压侧的电压,电压的值U1显然超过规定的电压范围,显示了一个低电压水平负载较重的情况下,导致稳定性差。合理调整后载分接开关的主变压器抽头的位置模糊神经网络算法,通过计算电压值<我nline-formula> U 2 低压侧的变得更加稳定和符合规定的电压范围。当负载很重,反向高压电压调控的目标是实现,变压器电压调节器开关和调整的数量实际上是降低了。

从图可以看出 6之前添加模糊神经网络系统来控制无功功率流入变压器的高压侧,无功功率的水平<我nline-formula> 问 1 太高了,超出了指定的无功功率范围在这项研究中,导致功率因数低价值,这很容易导致更多的输电线路损失。控制通过模糊神经网络后,输入组数量的补偿电容器无功补偿调整,保持无功平衡,和反应符合规定范围的研究中,电容器组的投手的数量减少,活性的损失避免长途传输造成的损失,并提高功率因数的目的终于达到了。