基于数据融合与智能计算的电网线损管控关键技术研究

2023-12-18黄文学周麒

电子设计工程 2023年24期

黄文学，周麒

（国网甘肃省电力公司古浪县供电公司，甘肃武威 733000）

线损率是反映电力网络规划设计、生产运行与管理经营等各种水平的综合性指标[1-4]。2020 年9月，我国明确提出了2030 年“碳达峰”、2060 年“碳中和”的“双碳”目标。在此背景下，电力运营企业陆续将线损率作为提升企业生产效率、促进节能减排的关键指标。传统模式下，线损率的计算首先需要抽象出电路模型，再借助潮流迭代、等值电阻等方法来完成计算[5-11]。上述方法通过提升数据采样频率、增加电气参数等方式，在计算精度上取得了较大的提升。但随着电网规模的增长，电网的源、负荷及结构均处于动态变化中。而线路建模与线损计算对于人力资源的消耗过大，故无法满足电力生产的效率要求。因此，亟需基于数字化、智能化的手段来对线损管控技术进行升级。

在上述分析的基础上，文中从数据融合的角度出发，通过采集电力网络的电源数据、负荷数据与现有的线损情况，并借助智能网络对线路结构加以描述。同时提取电力网络的运行特征，再模拟其运行状态，从而实现线损的智能化计算。

1 理论基础

1.1 智能计算网络

神经网络是一种常见的智能计算网络。随着计算机性能的提升，多隐藏层的深度学习(Deep Learning,DL)网络也具备了更强的非线性拟合能力。其可模拟电力系统的网络结构，并利用相关参数，实现线损的智能计算。结合线损的计算场景，文中引入基于受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)的深度置信网络(Deep Belief Networks,DBN)[12-15]。该网络计算单元RBM 的基本结构如图1所示。

图1 RBM基本结构

图1 中包含由n个输入单元v组成的输入层以及由m个隐藏层单元h组成的隐藏层，且每个单元之间相互连接。所有单元的取值均在[0,1]区间内，则该RBM 的能量值计算如下：

式中，w为RBM 输入层至隐藏层间的连接权重，a为输入层的偏置，b为隐藏层的偏置。RBM 基于参数θ确定网络能量的概率分布函数为：

相较于普通的神经网络，RBM 是一种可自编码的非监督网络，其在特征提取上具有更高的效率。

RBM 使用概率分布的似然函数作为训练过程的损失函数，以避免网络训练出现过拟合现象，即：

与普通的BP(Back Prpagatin)神经网络不同，RBM 在求解参数θ时通常采用梯度上升法(Gradient ascent algorithm)，即求解式（4）对网络参数的偏导数，则有：

对于参数w、a和b，其各自的偏导数为：

1.2 电力数据融合模型

在实际运行过程中，电网的运行方式并不相同，故需结合其运行方式建立融合式数据模型。基于电路理论的叠加定理(Superposition Theorem)与牛顿拉夫逊计算法(Newton-Ralfsnn’s method)的输电系统等效示意图，如图2 所示。

图2 线损计算的等效模型

图2 中，Igm为电网中的源，-Id(n-m)是电网中的负荷。基于阻抗形式，列出图2 的节点电压方程为：

考虑到网络中电压源单独作用、电流源单独作用、电源相互作用、节点注入功率与网络参数变化等因素的影响，图2 中的网络整体损耗如下：

其中，q为电网中源的总个数，S为节点的视在功率。基于数据融合的思想将线损模型映射至DBN网络，具体如图3 所示[16]。

图3 基于DBN的线损智能计算网络

根据图3 构造DBN 网络的输入矩阵X与输出矩阵Y，分别表示为：

式中，P为节点的有功功率，Q为节点的无功功率，U为节点的电压，ΔP为该线路的线损。

2 方法实现

2.1 实验设计

为了评估该文算法在进行线损计算时的精度，选取了某地区35 条10 kV 线路在2021 年11 月1 日—11 月30 日共30 天的运行数据进行模型性能验证。在采集数据时，以5 min 为时间粒度，对照电网的等值模型图采集重要节点的流入功率、无功功率与节点电压等参数。

在评估模型性能时，选择了平均绝对百分比误差(MAPE)与均方根误差(RMSE)来作为指标，二者的计算方法如下：

在进行线损计算时，文中根据不同线路的等值模型图确定DBN 网络的输入参数。当某线路的等效节点为n时，其网络的输入层节点个数为3n，且分别为节点n的有功功率、无功功率及电压。具体的网络结构设置如表1 所示[17]。

表1 网络结构参数

根据网络规模合理选择训练网络的计算机软硬件环境，算法仿真时的软硬件环境如表2 所示。

表2 算法仿真软硬件环境

2.2 系统测试结果

由上文可知，此次需完成35 个DBN 网络的训练，但每个网络的结构均不相同在，因此并未直接给出网络训练所使用的学习率、动量与误差阈值等参数，而是通过采取在线学习的方式训练并确定这些参数。下面以某条10 kV 的线路为例，介绍网络的训练过程。

此外，在对每条线路进行训练前，还需测试该线路所对应模型的学习率Alpha、批量规模Minisize 以及是否需要引入Dropout 机制，具体如图4 所示。

图4 模型在不同超参数下的训练结果

由图4 可知，Alpha、Minisize 及Dropout 机制均会影响网络中损失函数在训练过程中的收敛速度。从图4(a)可以看出，随着Alpha 的增大，损失值函数的收敛速度不断加快。但考虑到过大的学习率会影响网络对于最优值的搜索，所以将该网络最终的学习率设置为0.05。由图4(b)可知，损失值函数在不同Minsize 下的收敛曲线并不相同，且不是线性递增或递减的关系。由于Minisize 还与网络的传播权重及偏置的更新率有关，故将该网络最终的批量规模设置为672；图4(c)显示出，引入Dropout 机制后网络损失值的误差曲线收敛更快，并可有效降低网络出现过拟合的概率。因此文中对所有线路进行模型训练时，均引入了Dropout 机制。模型经过训练后，使用1/5 的数据作为测试集来对模型的预测性能进行测试。为了评估模型的性能，使用与表1 相同结构的BP 网络进行对比。二者对于35 条线路的实际线损部分预测结果如表3 所示。