基于機器學習的網(wǎng)損計量分析

吳 凱，李 輝

（國網(wǎng)遼寧省電力有限公司錦州供電公司，遼寧 錦州 121000）

1 概述

在電力系統(tǒng)中網(wǎng)損的精確計算太過于復雜，理論計算又無法考慮到實際情況，從而導致不能很好地根據(jù)實際情況來最大限度地降低網(wǎng)絡損耗。常用的網(wǎng)絡損耗計算方法包括高斯-賽德爾迭代法、牛頓-拉夫遜法、PQ 分解法等，常用的電力系統(tǒng)網(wǎng)絡損耗計算軟件包括PSASP、EMTP/ATP、PSCAD、BPA 等。這些算法都能完成網(wǎng)絡損耗的計算，但它們完成的延時較長，不能精確以及快速展現(xiàn)計算結(jié)果[1]。

本文將機器學習應用在網(wǎng)損的計算與分類方面，通過機器不斷的學習來提高計算準確性。建立包含網(wǎng)損和對應負荷圖像的實例空間，運用歸納學習算法對包含網(wǎng)損和對應負荷圖像的實例空間內(nèi)的知識進行充分學習，最終可以輸出與網(wǎng)損值相對應的負荷分布圖像。還可以將本時段收集到的負荷分布圖像與計算出來的網(wǎng)損相對應，利用人工智能的圖像識別以及歸納學習等本領，實現(xiàn)負荷與網(wǎng)損相對應的分類準則，建立了負荷與網(wǎng)損的可視關(guān)系圖像。

2 基于實測數(shù)據(jù)的網(wǎng)損計算方法

傳統(tǒng)的網(wǎng)絡損耗計算方法，主要包括高斯-賽德爾迭代法、牛頓-拉夫遜法、PQ 分解法等，這些方法需要收集的數(shù)據(jù)太多，需要完成的公式變換與數(shù)學計算太過于復雜，計算網(wǎng)損的軟件雖然比較成熟，但計算比較繁瑣，無法滿足實時計算網(wǎng)損的要求。本文提出一種計算電力系統(tǒng)網(wǎng)絡損耗的方法[2]。整個區(qū)段的網(wǎng)損計算公式為：

假設1 個區(qū)段含有 N 條分支線路，每條分支線路上裝設1 臺 TTU，區(qū)段的回路數(shù)為 N＋1，則此區(qū)段的網(wǎng)損為

其中si 為第i 回路的網(wǎng)損，有

式中us為區(qū)段首端電壓矢量；ue為區(qū)段末端電壓矢量；ie為區(qū)段末端FTU 所測的末端支路電流矢量；ui=1，2，3...，N 為各分支線路末端節(jié)點電壓矢量。

設：

在上面的計算過程中所需要的數(shù)據(jù)僅僅為實測的電流和電壓，在本文方法中，只要運用以上式就完全可以計算出可變網(wǎng)損，之后加上網(wǎng)絡的固定損耗即為網(wǎng)絡的網(wǎng)損。上述監(jiān)測點收集數(shù)據(jù)是基于調(diào)控云系統(tǒng)所收集的。

3 基于機器學習的網(wǎng)損計量方法

在考慮到網(wǎng)損具有隨負荷的改變而變化的特性后，建立歸納學習實例空間與規(guī)則空間，來完成對負荷與網(wǎng)損對應的分類與預測[3]，如圖1 所示，步驟如下：

（1）將調(diào)控云采集的數(shù)據(jù)進行整理，并應用上述所提到的網(wǎng)損計算方法進行計算。

（2）得到負荷分布圖像，并標記好對應的網(wǎng)絡損耗。

（3）建立以負荷分布圖像與網(wǎng)絡損耗相對應的訓練集。

（4）將訓練集中數(shù)據(jù)導入實例空間與規(guī)則空間，進行充分學習。

（5）對輸出的結(jié)果進行人工評估，來驗證結(jié)果的正確性。

圖1 系統(tǒng)運行原理圖

圖2 為經(jīng)過機器學習之后，輸入目標網(wǎng)損為1.3%時所輸出的負荷分布圖，在網(wǎng)架結(jié)構(gòu)和電源側(cè)輸入不變的

考慮到電力系統(tǒng)中負荷變化很快，調(diào)控云收集數(shù)據(jù)為每分鐘收集一次，產(chǎn)生的數(shù)據(jù)經(jīng)整理后全部存入實例空間中，作為對機器訓練的訓練集。當實例空間中的數(shù)據(jù)足夠多時，應用機器學習系統(tǒng)中的歸納學習算法，對實例空間中數(shù)據(jù)進行學習，進而得到一種規(guī)律，并將這種規(guī)律放入系統(tǒng)的規(guī)則空間中，經(jīng)過規(guī)劃學習再反饋到實例空間中。這樣經(jīng)過足夠多次的學習后，當輸入目標網(wǎng)損值時就會得到一種機器選擇的最優(yōu)負荷分布圖，通過人工對此負荷分布圖像進行評估，驗證方案的可行性，來確定是否能夠應用到實際網(wǎng)架結(jié)構(gòu)中[4]。情況下，驗證了此負荷分布的合理性。

4 結(jié)束語

本文提出了一種新的網(wǎng)損計算方法，可大大提高電力系統(tǒng)網(wǎng)路損耗的計算效率與準確率。在此基礎上，建立了機器學習模型，利用機器學習的理論和這種新的計算網(wǎng)損的方法相結(jié)合，再運用機器學習系統(tǒng)中的機械學習算法，輸入各個測量點的數(shù)據(jù)，就能輸出本網(wǎng)絡的網(wǎng)損值，并將網(wǎng)損值與此時的負荷分布圖對應。之后將網(wǎng)損值與對應的負荷分布圖為一組數(shù)據(jù)存入系統(tǒng)的實例空間，存入足夠多組數(shù)據(jù)后運行學習指令。經(jīng)過歸納學習系統(tǒng)充分學習之后，當輸入目標網(wǎng)損值時就會得到一種機器選擇的最優(yōu)負荷分布圖，并在Matlab 中驗證了此模型的正確性。此方法解決了智能電網(wǎng)云平臺中如何進行基于網(wǎng)損最優(yōu)的調(diào)度優(yōu)化問題，從而很好地為經(jīng)濟調(diào)度提供了可靠依據(jù)。另外，此系統(tǒng)可能會由于訓練集的數(shù)量不夠多、數(shù)據(jù)不夠準確、沒有充分學習足夠的時間等因素導致可靠性降低，所以需要反復驗證來確保輸出的準確性。