基于卷積神經(jīng)網(wǎng)絡(luò)VGG16模型的配電網(wǎng)動(dòng)態(tài)無(wú)功優(yōu)化研究

段軍鵬DUAN Jun-peng；楊陳臣YANG Chen-chen；和鵬HE Peng；許珂瑋XU Ke-wei；李國(guó)友LI Guo-you；王加富WANG Jia-fu

（①云南電網(wǎng)有限責(zé)任公司楚雄供電局，楚雄 675009；②昆明理工大學(xué)電力工程學(xué)院，昆明 650500；③云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，昆明 650217）

0 引言

結(jié)合我國(guó)配電網(wǎng)建設(shè)發(fā)展的背景，設(shè)備在長(zhǎng)時(shí)間運(yùn)行后，線路存在老化等問(wèn)題，同時(shí)配電網(wǎng)的改造速度相對(duì)較慢，所以本文所仿真的臺(tái)區(qū)存在用電高峰時(shí)，臺(tái)區(qū)首末端電壓差多數(shù)在40V以上，對(duì)用戶用電體驗(yàn)造成影響[1]。針對(duì)上述問(wèn)題，通過(guò)對(duì)配電網(wǎng)進(jìn)行無(wú)功優(yōu)化，得出優(yōu)化策略，從而提高臺(tái)區(qū)末端電壓，降低首末端電壓差值，從而提高用戶電能質(zhì)量。

傳統(tǒng)對(duì)配電網(wǎng)臺(tái)區(qū)開展的無(wú)功優(yōu)化研究，往往都是針對(duì)某一運(yùn)行狀況下的靜態(tài)無(wú)功優(yōu)化，但是臺(tái)區(qū)負(fù)荷隨時(shí)都是在變化的，一種負(fù)荷運(yùn)行情況無(wú)法涵蓋臺(tái)區(qū)實(shí)際運(yùn)行情況的整體運(yùn)行場(chǎng)景。現(xiàn)有文獻(xiàn)對(duì)配電臺(tái)區(qū)動(dòng)態(tài)無(wú)功優(yōu)化有少量研究，如：文獻(xiàn)[2]針對(duì)電力系統(tǒng)動(dòng)態(tài)無(wú)功優(yōu)化的問(wèn)題，提出了兩階段動(dòng)態(tài)無(wú)功優(yōu)化方法，通過(guò)兩階段目標(biāo)函數(shù)的不同從而來(lái)達(dá)到降低數(shù)學(xué)計(jì)算規(guī)模。文獻(xiàn)[3]針對(duì)分布式電源接入，導(dǎo)致的配電臺(tái)區(qū)無(wú)功優(yōu)化問(wèn)題，提出一種基于場(chǎng)景法的有源配電網(wǎng)動(dòng)態(tài)無(wú)功優(yōu)化方法。該方法運(yùn)用K均值聚類和蒙特卡洛模擬法抽樣算法將樣本聚類成3個(gè)典型場(chǎng)景，再以網(wǎng)損最小為目標(biāo)函數(shù)來(lái)對(duì)IEEE33節(jié)點(diǎn)進(jìn)行動(dòng)態(tài)無(wú)功優(yōu)化。文獻(xiàn)[4]針對(duì)配電網(wǎng)動(dòng)態(tài)無(wú)功不足問(wèn)題，將混合蛙跳算法進(jìn)行改進(jìn)，再與K-均值聚類算法進(jìn)行結(jié)合來(lái)解決無(wú)功優(yōu)化問(wèn)題。文獻(xiàn)[5]基于某臺(tái)區(qū)10kV線路全年負(fù)荷動(dòng)態(tài)變化的運(yùn)行情況，采用K-均值聚類來(lái)對(duì)動(dòng)態(tài)負(fù)荷進(jìn)行分類，以每天日平均負(fù)荷作為采樣數(shù)據(jù)，將一整年的負(fù)荷動(dòng)態(tài)變化歸為6類，再針對(duì)每類情況進(jìn)行優(yōu)化，得到優(yōu)化策略從而降低網(wǎng)損和成本，提高電壓水平。文獻(xiàn)[5]以臺(tái)區(qū)一整年的日平均負(fù)荷作為仿真數(shù)據(jù)，每類場(chǎng)景只得出該臺(tái)區(qū)的全部節(jié)點(diǎn)一天的總負(fù)荷，具體到節(jié)點(diǎn)的負(fù)荷是根據(jù)百分比來(lái)進(jìn)行分配的，雖然較靜態(tài)無(wú)功優(yōu)化問(wèn)題提高了一定實(shí)用性與參考價(jià)值，但在模擬實(shí)際臺(tái)區(qū)的運(yùn)行工況方面有所不足。

針對(duì)已有文獻(xiàn)研究存在的問(wèn)題，本文采用卷積神經(jīng)網(wǎng)絡(luò)VGG16模型，以臺(tái)區(qū)每一個(gè)節(jié)點(diǎn)變壓器容量為采樣數(shù)據(jù)來(lái)進(jìn)行分類，三類場(chǎng)景各個(gè)節(jié)點(diǎn)的負(fù)荷數(shù)據(jù)分別設(shè)置為低于變壓器額定容量的65%、變壓器額定容量的65%-75%和高于變壓器額定容量的75%，總體分為3類[6-8]，再通過(guò)粒子群算法將每類場(chǎng)景進(jìn)行無(wú)功優(yōu)化，得到每類場(chǎng)景的優(yōu)化策略[7]，從而實(shí)現(xiàn)對(duì)臺(tái)區(qū)動(dòng)態(tài)無(wú)功優(yōu)化的處理。具體步驟如下：

Step1：將臺(tái)區(qū)37節(jié)點(diǎn)對(duì)應(yīng)變壓器按額定容量百分比來(lái)確定每個(gè)節(jié)點(diǎn)負(fù)荷數(shù)據(jù)信息。

Step2：每類負(fù)荷數(shù)據(jù)類型選取100個(gè)，通過(guò)VGG16模型進(jìn)行學(xué)習(xí)訓(xùn)練。

Step3：最終確定為3類場(chǎng)景，后續(xù)隨機(jī)選取一組負(fù)荷數(shù)據(jù)，通過(guò)訓(xùn)練完成的VGG16會(huì)自動(dòng)判斷為哪類場(chǎng)景。

Step4：根據(jù)場(chǎng)景分類直接得出補(bǔ)償策略。

1 卷積神經(jīng)網(wǎng)絡(luò)VGG16模型簡(jiǎn)介

VGG的結(jié)構(gòu)是通過(guò)池化層和卷積層來(lái)構(gòu)成的一種CNN（Convolutional Neural Networks，CNN）。它的原理是將有權(quán)重的全連接層或卷積層疊加至16層，所以稱為VGG16。與其他卷積神經(jīng)網(wǎng)絡(luò)模型相比，VGG16結(jié)構(gòu)比較簡(jiǎn)單，但是應(yīng)用性強(qiáng)，所以在很多領(lǐng)域都比較適用[9-10]。其結(jié)構(gòu)圖如圖1所示。

結(jié)構(gòu)圖從左開始，任意需要分類的圖片輸入到VGG模型網(wǎng)絡(luò)中，圖中白色方塊是卷積層，該層作用是生成新的矩陣，矩陣?yán)锩娲鎯?chǔ)著每次訓(xùn)練更新的參數(shù)值，在不斷訓(xùn)練的過(guò)程中尋找到最佳參數(shù)值。黑色方塊是池化，通過(guò)卷積層處理會(huì)生成一些特征信息，但是這些信息會(huì)有重復(fù)，為了簡(jiǎn)化計(jì)算過(guò)程池化的作用就是將相似的特征信息進(jìn)行概括，選取特征區(qū)域的平均值或者最大值。深灰色方塊是全連接層，將每層的權(quán)重與最后一層連接起來(lái)。淺灰色方塊就是預(yù)測(cè)層，該層的作用就是將前面輸出的信息轉(zhuǎn)換為類別概率，從而達(dá)到分類的作用。

本文通過(guò)VGG16模型來(lái)對(duì)動(dòng)態(tài)負(fù)荷數(shù)據(jù)進(jìn)行分類，通過(guò)數(shù)據(jù)集訓(xùn)練VGG16模型，后續(xù)將臺(tái)區(qū)任意工況放入模型中即可得到該工況屬于哪類情況，得出對(duì)應(yīng)無(wú)功優(yōu)化策略。

2 臺(tái)區(qū)配電網(wǎng)動(dòng)態(tài)負(fù)荷處理

本文仿真對(duì)象選取的是某臺(tái)區(qū)10kV線路下37節(jié)點(diǎn)配電網(wǎng)模型，根據(jù)每個(gè)節(jié)點(diǎn)對(duì)應(yīng)變壓器容量的百分占比來(lái)進(jìn)行分類，將負(fù)荷模型共分為3類情況，分別是：

①負(fù)荷數(shù)據(jù)選取占比變壓器額定容量的65%-75%，該運(yùn)行情況下負(fù)荷屬最經(jīng)濟(jì)運(yùn)行情況，系統(tǒng)在這種運(yùn)行情況下對(duì)于工廠以及大的村落節(jié)點(diǎn)可能會(huì)出現(xiàn)無(wú)功缺損，此種情況對(duì)應(yīng)現(xiàn)實(shí)民用電的平時(shí)段。

②負(fù)荷數(shù)據(jù)選取低于占比變壓器額定容量的65%，該運(yùn)行情況下負(fù)荷屬于較低于最經(jīng)濟(jì)運(yùn)行場(chǎng)景，系統(tǒng)無(wú)功不會(huì)不足，此種情況對(duì)應(yīng)現(xiàn)實(shí)民用電的低谷時(shí)段。

③第三種場(chǎng)景結(jié)合所選取某臺(tái)區(qū)實(shí)際情況，該臺(tái)區(qū)37節(jié)點(diǎn)中有7個(gè)節(jié)點(diǎn)變壓器額定容量高于100kVA，負(fù)荷數(shù)據(jù)選取高于占比變壓器額定容量的75%；除此之外臺(tái)區(qū)居民用電也較高，同樣設(shè)置高于占比變壓器額定容量的75%。該運(yùn)行情況下配電網(wǎng)絡(luò)會(huì)出現(xiàn)無(wú)功缺損，線路末端電壓可能出現(xiàn)低于正常電壓值，該運(yùn)行工況下需要對(duì)網(wǎng)絡(luò)進(jìn)行無(wú)功優(yōu)化，通過(guò)補(bǔ)償無(wú)功策略來(lái)提高臺(tái)區(qū)末端電壓。此種情況對(duì)應(yīng)現(xiàn)實(shí)民用電的高峰時(shí)段。

以下利用VGG16卷積神經(jīng)網(wǎng)絡(luò)模型來(lái)對(duì)臺(tái)區(qū)負(fù)荷數(shù)據(jù)進(jìn)行訓(xùn)練分類，每類樣本數(shù)據(jù)量為100個(gè)：圖2到圖4分別為三類負(fù)荷運(yùn)行場(chǎng)景下的各個(gè)節(jié)點(diǎn)的運(yùn)行負(fù)荷情況，曲線圖橫坐標(biāo)為網(wǎng)絡(luò)37節(jié)點(diǎn)的節(jié)點(diǎn)數(shù)，縱坐標(biāo)為對(duì)應(yīng)節(jié)點(diǎn)變壓器實(shí)際容量。經(jīng)過(guò)樣本數(shù)據(jù)的訓(xùn)練，使得VGG16卷積神經(jīng)網(wǎng)絡(luò)模型形成對(duì)臺(tái)區(qū)37節(jié)點(diǎn)負(fù)荷數(shù)據(jù)的分類記憶，后續(xù)任取臺(tái)區(qū)一個(gè)工況的負(fù)荷數(shù)據(jù)放入VGG16卷積神經(jīng)網(wǎng)絡(luò)模型，將自動(dòng)進(jìn)行判斷此情況是屬于三類場(chǎng)景中的哪一類場(chǎng)景，根據(jù)場(chǎng)景來(lái)決定是否進(jìn)行無(wú)功補(bǔ)償，若要補(bǔ)償?shù)贸鰧?duì)應(yīng)補(bǔ)償策略。

3 配電網(wǎng)動(dòng)態(tài)無(wú)功優(yōu)化

3.1 目標(biāo)函數(shù)

本文將臺(tái)區(qū)負(fù)荷運(yùn)行情況分為三類，主要考慮節(jié)點(diǎn)配電網(wǎng)損最小為目標(biāo)來(lái)進(jìn)行配電網(wǎng)無(wú)功優(yōu)化，目標(biāo)函數(shù)如下：

式（1）中，Ploss為整個(gè)配電臺(tái)區(qū)的有功損耗；gk（i，j）是節(jié)點(diǎn)i和節(jié)點(diǎn)j之間的線路電導(dǎo)；Ui為節(jié)點(diǎn)i的電壓賦值；Uj為節(jié)點(diǎn)j的電壓賦值；θij為節(jié)點(diǎn)i和節(jié)點(diǎn)j之間的相角差。

3.2 約束條件

3.2.1 等式約束

臺(tái)區(qū)每一個(gè)節(jié)點(diǎn)應(yīng)該滿足有功功率和無(wú)功功率的平衡，所以等式約束為功率平衡等式：

式（2）中，Pi為節(jié)點(diǎn)i注入有功；Qi為節(jié)點(diǎn)i注入無(wú)功；Ui為節(jié)點(diǎn)i電壓；θij為節(jié)點(diǎn)i，j間電壓相角差；Gij、Bij為節(jié)點(diǎn)導(dǎo)納矩陣元素實(shí)部和虛部；n為系統(tǒng)總節(jié)點(diǎn)數(shù)。

3.2.2 不等式約束

控制變量的不等式約束條件：

其中，Qimin為電容器無(wú)功補(bǔ)償裝置補(bǔ)償出力上限，Qimax為電容器無(wú)功補(bǔ)償裝置補(bǔ)償出力下限。

狀態(tài)變量的不等式約束條件為：

其中，Uimin，Uimax為節(jié)點(diǎn)電壓上下限。圖5為PSO算法流程圖。

4 算例分析

本文選取無(wú)功優(yōu)化對(duì)象為某臺(tái)區(qū)共37節(jié)點(diǎn)配電臺(tái)區(qū)模型，具體結(jié)構(gòu)圖如圖6所示，通過(guò)神經(jīng)網(wǎng)絡(luò)VGG16模型先對(duì)臺(tái)區(qū)動(dòng)態(tài)負(fù)荷數(shù)據(jù)進(jìn)行處理，再通過(guò)粒子群優(yōu)化算法對(duì)每個(gè)場(chǎng)景進(jìn)行無(wú)功優(yōu)化。將本臺(tái)區(qū)2021年10kV線路日負(fù)荷數(shù)據(jù)作為仿真數(shù)據(jù)，結(jié)合該臺(tái)區(qū)用戶類型來(lái)進(jìn)行分類場(chǎng)景優(yōu)化，由于第二類情況屬于居民用電低谷時(shí)段，不存在無(wú)功缺額，故主要對(duì)第一類和第三類情況進(jìn)行無(wú)功優(yōu)化，得出對(duì)應(yīng)無(wú)功優(yōu)化策略，對(duì)比優(yōu)化前后節(jié)點(diǎn)電壓情況。

4.1 第一類場(chǎng)景優(yōu)化

該場(chǎng)景對(duì)應(yīng)居民用電平時(shí)段，有部分工廠在工作，居民用電處于正常情況，線路末端有部分節(jié)點(diǎn)會(huì)出現(xiàn)電壓較低的情況，通過(guò)利用粒子群算法來(lái)對(duì)該類場(chǎng)景進(jìn)行無(wú)功優(yōu)化。

圖7為優(yōu)化前后節(jié)點(diǎn)電壓對(duì)比，橫坐標(biāo)為節(jié)點(diǎn)數(shù)，縱坐標(biāo)為節(jié)點(diǎn)對(duì)應(yīng)電壓值。臺(tái)區(qū)首段電壓值為10.5kV，優(yōu)化前節(jié)點(diǎn)6、節(jié)點(diǎn)13和節(jié)點(diǎn)37電壓值較低，通過(guò)無(wú)功補(bǔ)償之后每個(gè)節(jié)點(diǎn)電壓值都有所提高。

根據(jù)粒子群優(yōu)化算法得出補(bǔ)償策略如表1所示。

表1 標(biāo)場(chǎng)景一補(bǔ)償策略

4.2 第三類場(chǎng)景優(yōu)化

該場(chǎng)景對(duì)應(yīng)居民用高峰時(shí)段，臺(tái)區(qū)共4個(gè)工廠都在工作，居民用電也處于高峰情況，線路末端有較多節(jié)點(diǎn)會(huì)出現(xiàn)電壓較低的情況，通過(guò)利用粒子群算法來(lái)對(duì)該類場(chǎng)景進(jìn)行無(wú)功優(yōu)化。

圖8為優(yōu)化前后節(jié)點(diǎn)電壓對(duì)比，橫坐標(biāo)為節(jié)點(diǎn)數(shù)，縱坐標(biāo)為節(jié)點(diǎn)對(duì)應(yīng)電壓值。由于該場(chǎng)景處于用電高峰期，所以各個(gè)節(jié)點(diǎn)的電壓值都比較低，優(yōu)化前節(jié)點(diǎn)6、節(jié)點(diǎn)8、節(jié)點(diǎn)13、節(jié)點(diǎn)31和節(jié)點(diǎn)37電壓都較低，有兩個(gè)節(jié)點(diǎn)電壓值低于9kV，通過(guò)無(wú)功補(bǔ)償之后每個(gè)節(jié)點(diǎn)電壓值都有所提高。

根據(jù)粒子群優(yōu)化算法得出補(bǔ)償策略如表2所示。

表2 標(biāo)場(chǎng)景二補(bǔ)償策略

5 結(jié)論

本文考慮了配電臺(tái)區(qū)配電網(wǎng)負(fù)荷動(dòng)態(tài)數(shù)據(jù)的無(wú)功優(yōu)化策略，建立基于卷積神經(jīng)網(wǎng)絡(luò)VGG16模型的動(dòng)態(tài)負(fù)荷數(shù)據(jù)分類，利用粒子群優(yōu)化算法進(jìn)行無(wú)功優(yōu)化，得出優(yōu)化策略，從而得出以下結(jié)論：與配電網(wǎng)靜態(tài)無(wú)功優(yōu)化相比，基于卷積神經(jīng)網(wǎng)絡(luò)VGG16模型對(duì)動(dòng)態(tài)負(fù)荷數(shù)據(jù)進(jìn)行分類，能夠比較全面地對(duì)臺(tái)區(qū)實(shí)際運(yùn)行工況進(jìn)行模擬，再通過(guò)粒子群算法進(jìn)行無(wú)功優(yōu)化，得出對(duì)應(yīng)優(yōu)化策略，相較于優(yōu)化前，節(jié)點(diǎn)電壓有一定提高。