基于负荷组合预测的配电网网架动态变化识别方法

肖辅盛，王庭刚，高浩，陈子敬

（贵州电网有限责任公司贵阳供电局，贵州 贵阳 550000）

负荷组合预测能够根据配电网网架的运行特性及增容能力，在满足标准精度的条件下，确定电网主机在特定时刻对于传输电量数据的负荷与承担能力。在实际应用过程中，能够与该方法适配的预测指标很多，且对于常规输电行为而言，即便个别数据参量出现异常表现状态，电网主机也可迅速更换预测对象，从而在保证电信号传输能力的情况下，避免配网网架负荷行为出现过度变化的表现状态[1-2]。与其他预测方法相比，负荷组合预测手段能够在保证电量信号传输精度水平的同时，限定配电网网架的动态变化范围，进而实现对电量数据的合理分配与协调。

在配电网环境中，由于动态电量匹配指标的计算结果并不能保持完全稳定的存在状态，所以配电网网架的动态变化行为依然有可能超过理想限度条件。为避免上述情况的发生，基于改进卷积神经网络的评估方法通过统计电信号传输均值的方式，对电量指标的动态变化能力进行统计，再根据配电网对于电量信号的实时承载能力，确定电量指标所处的传输位置[3]。然而该方法对于电量指标的识别准确性有限，并不能有效控制配电网网架动态变化行为的实际表现强度。为解决此问题，提出基于负荷组合预测的配电网网架动态变化识别方法。

1 配电网网架动态变化特性分析

1.1 逆变器控制结构

逆变器控制结构作为配电网网架的核心应用设备，以主驱动芯片作为核心搭建元件，能够将已输入的配电信息转换成模拟电量信号的输出形式，并可在此过程中，将电压信号与电流信号以动态反馈的形式，反馈回核心处理单元中[4-5]。已输入的配电信息首先进入外部电网网架中，并可在其中生成暂时存储文件；而最终输出的模拟电量信号则直接存储于核心配电元件中，且由于动态反馈信道的存在，处理单元可向外输出大量的电量信号，并可借助主驱动控制芯片，反馈回下级配电元件中，以供配电网网架直接调取与利用[6]。完整的逆变器连接示意图如图1 所示。

图1 逆变器控制结构示意图

在考虑负荷组合预测算法作用能力的情况下，可将逆变器控制结构视为一个双向信号反馈元件。

1.2 网架变化行为分析

网架变化行为分析是针对配电网网络可识别能力的研究，在逆变器控制结构的作用下，为使网架动态变化行为的表现强度得到有效控制，应根据复合组合预测算法的实施能力，确定网架结构的原始行为节点及目标行为节点，并通过计算二者之间物理距离的方式，得到准确的变化行为分析结果[7-8]。设i1表示配电网网架的原始行为节点编码系数，in表示目标行为节点编码系数，n表示配电网网架动态变化行为曲线中的节点个数，在负荷组合预测算法的作用下，系数n的最小取值为物理自然数1。联立上述物理量，可将网架变化行为分析结果表示为：

式中，λ表示动态变化行为规划系数，e1、e2、…、en表示n个不同的电量信号负荷预测标度值。一般来说，网架变化行为的表现能力越强，配电主机对于这种变化行为的识别准确度也就越高。

1.3 动态电量匹配系数

动态电量匹配系数决定了配电网主机对于网架动态变化行为的最大负荷能力，在考虑负荷组合预测算法的情况下，该项物理指标的作用能力等同于一个具有方向性的矢量系数[9-10]。规定在单位时间ΔT内，动态电量匹配系数的作用方向只会发生一次变化，且只能由负方向指向正方向。设β表示配电网主机对于电量信号的正向提取系数，f表示负荷组合预测算法的作用强度表达系数，s、d表示两个不同的配电网网架动态变化行为向量。在上述物理量的支持下，联立式（1），可将动态电量匹配系数表达式定义为：

规定在负荷组合预测算法的作用下，动态电量匹配系数值不具备无限增大的变化能力，这也是配电网主机能够对网架动态变化能力进行有效控制的主要原因。

2 基于负荷组合预测的电量识别

2.1 电量负荷指标

作为辨识配电网网架动态变化行为的关键物理量，电量负荷指标可以将待识别节点的变动行为限制在既定取值区间之内，并可在联合负荷组合预测算法的同时，分析现有运算指标的应用可行性，从而使得最终识别结果的准确度水平大幅提升[11]。在不考虑其他干扰条件的情况下，电量负荷指标计算结果只受配电网网架覆盖面积、电信号变化运动权限两项物理系数的直接影响。电网网架覆盖面积可表示为R，对于不同配电网络应用环境而言，该项物理指标的实际取值结果也会有所不同。电信号变化运动权限可表示为μ，一般来说，为更好地适应网络结果的动态变化需求，该项物理指标的取值结果始终不可能等于零。在上述物理量的支持下，联立式（2），可将电量负荷指标取值结果表示为：

式中，c1、c2表示两个不同的电信号动态行为规划标量，x1、x2表示两个不同的信号分布行为向量。为适应负荷组合预测算法的应用价值，电量负荷指标的计算结果必须具备较强的取值适应性[12]。

2.2 等权组合条件

等权组合条件能够直接决定负荷组合预测方法的实际应用强度，为满足配电网主机对于网架动态变化行为的精确识别需求，该项物理约束条件的取值结果应尽可能趋近电信号参量的真实传输状态[13-14]。对于负荷组合预测算法而言，等权组合条件的建立同时受到配电权重、网架配比系数两项物理指标的直接影响。ϖ、ϑ表示两个不同的配电标记向量，yϖ表示标记向量为ϖ时的配电权重，yϑ表示标记向量为ϑ时的配电权重，考虑负荷组合预测算法的实用性能力，则yϖ≠yϑ的不等式条件恒成立。设b表示网架配比系数的最小取值结果，联立式（3），可将基于负荷组合预测算法的等权组合条件表示为：

对于配电网网架结构而言，等权组合条件具备平衡电信号动态行为变化量的能力，对于电网主机而言，该项物理指标的取值结果极为关键。

2.3 标准预测

标准预测是对核对配电网网架动态变化行为能力的关键执行步骤，在已知等权组合条件的情况下，该项处置行为的执行结果越符合实际应用需求，负荷组合预测算法也就越能描述电网主机对于变化行为的识别准确度[15]。从宏观角度来看，标准预测代表了配电网主机对于网架动态变化行为的准确识别能力，在考虑负荷组合预测算法作用的前提下，可根据式（5）对现有预测方法的可行性进行衡量。

式中，omax表示配电网网架变化行为量的最大取值结果，表示行为量均值，χ表示动态变化指征，q表示基于负荷组合预测思想的识别指令执行步长值。规定负荷组合预测算法的应用必须以标准预测结果作为核心参考条件，且无论网架动态变化行为呈现哪一种表现形式，配电网主机对于行为指征的识别都必须参考标准预测指标的实际取值结果[16]。

3 实例分析

为验证基于负荷组合预测的配电网网架动态变化识别方法的实际应用能力，设计如下对比实验。选取两台完全相同的配电网主机作为实验对象，其中搭载基于负荷组合预测识别方法的主机元件作为实验组对象，搭载改进卷积神经网络评估方法的主机元件作为对照组对象。

配电网网架的动态变化距离能够反映主机元件对于电量指标的准确识别能力，二者之间的影响关系满足式（6）：

式中，L表示网架变化距离，α表示固定识别系数。一般来说，α指标的取值始终等于自然数0.5，I指标的取值始终等于自然数1。所以可认为，网架变化距离越小，配电网主机所具备的准确识别能力也就越强。

在实验过程中，固定实验组、对照组配电网网架始终处于相同的物理高度，所以后续实验仅考虑网架结构在水平方向上的变化距离。

表1 反映了理想情况下，配电网网架变化距离的数值变化情况。

表1 配电网网架的理想变化距离

分析表1 可知，随着电压的逐渐增大，配电网网架的变化距离也不断增大，但电压越大，网架变化距离的增大幅度越小。

图2 反映了实验组、对照组配电网网架变化距离及其与理想距离数值之间的对比情况。

图2 网架变化距离的实验数值

分析图2 可知，随着负载电压数值的不断增大，实验组网架变化距离呈现出先上升、再稳定、最后下降的数值变化状态，当负载电压在400～600 V 变化时，实验组网架变化距离达到最大值0.42 mm，与理想最大值0.99 mm 相比，下降了0.57 mm；对照组网架变化距离则呈现出先上升、再稳定的数值变化趋势，当负载电压在800～900 V 范围变化时，对照组网架变化距离达到最大值1.08 mm，与理想最大值0.99 mm 相比，下降了0.09 mm，更远高于实验组数值水平。

根据式（6）计算配电网主机对于电量指标的识别能力，具体计算结果如表2 所示（所有计算数据均来自图2）。

表2 配电网主机识别能力

分析表2 可知，随着电压的增大，对照组配电网主机识别能力均呈现先下降、再稳定的变化情况，而实验组配电网主机识别能力却呈现出先下降、再稳定、最后上升的变化趋势，从极限值角度来看，实验组最大值1.667 与对照组1.250 相比，上升了0.417，明显实验组方法对于配电网网架动态变化行为的识别准确度更高。

综上可知，在负荷组合预测算法的作用下，配电网主机能够对网架动态变化行为进行准确识别，与改进卷积神经网络的评估方法相比，这种新型识别方法确实更符合实际应用需求。

4 结束语

该文引入负荷组合预测算法，设计了一种新型的识别应用方法。在逆变器控制结构的作用下，电量负荷指标能够得到准确选取，不但能够帮助配电网主机建立更加完善的等权组合条件。也可以实现对网架变化行为的精准分析。从实用性角度来看，负荷组合预测算法与传统改进卷积神经网络方法相比，能够避免配电网网架出现明显的动态变化行为，从而实现对电量指标的准确识别，这与维护配电安全的实际应用需求完全相符。