基于非參數估計的在線電壓預測

(中國電力工程顧問集團西南電力設計院有限公司，四川 成都 610021)

基于非參數估計的在線電壓預測

尤金
(中國電力工程顧問集團西南電力設計院有限公司，四川 成都 610021)

隨著電網規模擴大、復雜度加深，對在線潮流計算確定節點電壓提出嚴峻挑戰，通過電壓對無功的響應數據來快速精確預測電壓發展趨勢具有重要意義。提出基于非參數估計的節點電壓快速預測方法，以系統負荷水平、無功激勵為輸入，節點電壓為輸出，以均方誤差作為電壓預測精度的指標，衡量預測效果。最后將該方法的預測結果與傳統神經網絡、自適應神經網絡的預測結果作比較分析。通過IEEE 24節點系統標準算例驗證表明，非參數估計方法具有較強的電壓擬合能力和外推能力，其預測精度與神經網絡算法的預測精度相當。

電壓估計；BP神經網絡；遺傳算法；非參數估計

0 引 言

近年來隨著中國國民經濟的飛速發展[1]，電力負荷增長明顯，電網規模日益擴大、結構日趨復雜，為傳統在線潮流計算電壓帶來嚴峻挑戰，但是隨著數據采集技術、存儲技術和處理技術的提高，使得通過大數據分析技術實現電壓在線預測成為可能。

節點電壓作為判斷電網無功平衡和衡量電能質量的重要指標，其在線預測具有重要意義。目前關于電壓預測的方法主要有最小二乘估計[2]、潮流估計[3]、靈敏度矩陣估計[4]以及公共耦合點電壓預測[5]， 上述方法適用于采集部分信息的中小型網絡。隨著終端數據采集量的激增，可得到更加完善的信息；但這些信息在現有潮流計算方式下難以充分發揮作用，因此需借助統計學對數據價值進行充分挖掘，實現電壓的在線預測。

借助統計學中非參數估計方法，提出基于Group-Lasso的電壓在線預測方法，通過IEEE 24節點標準算例測試Group-Lasso方法的電壓擬合能力和泛化能力，并將該方法的電壓預測結果與傳統神經網絡、自適應神經網絡算法的預測結果進行對比，驗證了所提思路的有效性。

1 樣本生成

產生樣本的總思路是根據各負荷場景下變電站節點的電壓和無功功率越限情況，按照九區圖控制策略將電壓、無功功率拉回至正常范圍，并記錄下該過程中負荷水平、發電機出力、變壓器分接頭擋位、電容器組投切量和節點電壓，作為初始樣本集。

1.1 負荷場景產生原理

產生負荷場景所涉及的負荷調整僅針對系統中的PQ節點進行，先大致構造日有功負荷曲線和日無功負荷曲線，如圖1所示。

圖1 日負荷曲線

圖1中淺色曲線代表1天24 h的無功負荷基準值，深色曲線代表對應的有功負荷基準值。將淺色曲線乘以1.2作為無功負荷上限，乘以0.8作為無功負荷下限，形成圖1中淺色的無功負荷帶;同理可以得到圖1中深色的有功負荷帶。為了保證產生的負荷場景具有典型性，需在不同時段對應的兩條負荷帶內隨機獨立選取有功負荷值和無功負荷值。

1.2 調壓機制

九區圖控制策略按照固定的電壓、無功上下限將整個控制區域劃分為九宮格的形式。根據中國能源部制定的SD 325-1989《電力系統電壓和無功電力技術導則》規定：變電所35～110 kV母線在正常運行時電壓允許偏差范圍為相應額定電壓的[-3%,+7%]，對于220 kV及以下變電所，由電網供給的無功功率與有功功率比值范圍為[0,0.33]。因此將九區圖的電壓上下限分別設為1.07和0.97，將無功功率與有功功率的比值上下限分別設為0.33和0，九區圖控制策略下的設備動作規則參見文獻[9]，此處不再贅述。

在1.1節構造的負荷場景中，如果變壓器低壓側母線電壓越限或高壓側母線無功功率越限，按照九區圖控制規則進行設備調整，反之設備不動作。調壓細則如下：對于每個負荷場景的電壓無功控制最大調節次數不超過8次。220 kV變壓器高壓側分接頭調節范圍為 [0.9,1.1]，每次調節步長為230×0.012 5。電容器組投切點均設置在變壓器低壓母線側，且僅對PQ節點進行無功補償，138 kV節點每次補償步長為4 Mvar。系統中PV節點屬于發電機節點，在實際運行中會自發地調整出力，因此需將發電機出力記錄下來作為影響節點電壓的一類因素。

2 基于Group-Lasso的非參數估計原理

所提兩種預測模型的輸入都是負荷場景、發電機出力、變壓器變比以及電容器組投切量，統稱特征屬性，輸出的目標屬性均為節點電壓標幺值。基于自適應神經網絡的預測方法已在文獻[10]中詳細敘述，故不再贅述。

2.1 樣本預處理

由于所涉及的數據維度較大，首先應排除與節點電壓關聯性不強的特征屬性，采用非參數獨立性篩選方法[11](nonparametric independence screening，NIS)進行弱關聯特征屬性的剔除，其基本思路是將各特征屬性對目標屬性依次進行以B-樣條(basis-spline，BS)為基的非參數回歸擬合，計算相應的殘差平方和(residual sum of squares，RSS)并排序，RSS越大說明特征屬性與目標屬性關聯度越小，最后根據關聯度大小，逐一剔除弱關聯特征屬性。假設存在如下樣本集：

(X1，X2，…，Xp，Y2，…，Yk)

(1)

其中，式(1)為n×(p+k)階矩陣，表示該樣本集包含n條獨立樣本、p個特征屬性以及k個目標屬性。對每個特征屬性Xj進行BS展開，取Xj中第i條樣本xij為例，其B-樣條展開形式為

(2)

式中：aji1,aji2,…,ajin為xij經過BS展開后各項前的回歸系數，由最小二乘法求得；bj4,bj5,…,bjn為插值節點，一般情況下在Xj的值域空間中按固定比例取值；n為自由度，它決定著fBij(xij)所含項數，n最小為3。

自由度的選取影響著回歸模型的擬合精度，為尋找最優擬合效果對應的自由度，采用交叉驗證(cross validation，CV)獲取最優自由度，求取屬性Xj回歸函數的最優自由度步驟如下：

1)設定自由度取值區間 [3,n]，初始化自由度d=3。

2)將全部樣本按順序均分為m組，初始化i=1。

3)取自由度為d，以第i組以外的m-1組樣本為訓練集進行非參數回歸。

4)以第i組樣本為測試集，計算該回歸模型的RSS。

5)若i=m，求得自由度為d時的m個RSS的均值，作為自由度d的RSS；若i≠m，則i自增1，返回3)。

6)若d=n，計算結束，提取每個自由度對應的RSS；若d≠n，則d自增1，返回2)。

7)對RSS進行排序，對應RSS最小者為該屬性回歸函數的最優自由度。

將各個特征屬性按各自的最優自由度進行BS展開，展開的簡化形式如下：

fBij(xij)=φBij1(xij1)+φBij2(xij2)+φBij3(xij3)+φBijn(xij)

(3)

用所有特征屬性對各目標屬性做回歸擬合，計算其對應RSS值并由高到低進行排序，其中以RSS值有明顯下降的拐點為分界線，分界線以前的特征屬性表示與所考察目標屬性關聯性很弱，需剔除，保留分界線以后的特征屬性作為后續步驟的輸入樣本。

對于NIS篩選后的特征屬性，根據實際經驗，某些特征屬性變化幅度大，如負荷場景、發電機出力等;某些特征屬性變化幅度小，如變壓器變比。為了避免扭曲特征屬性的實際影響力，需要對所有特征屬性做統一的無量綱化處理，這里采用中心化處理方式：

(4)

式中：φBijgmean為φBijg(xijg)的均值；sd(φBijg)為φBijg(xijg)的標準差，這樣得到的φijg(xijg)就是中心化后的特征屬性展開項。于是式(3)可改寫為

(5)

式中，df為最優自由度，至此樣本預處理完畢。

2.2 基于Group-Lasso的非參數估計

Group-Lasso回歸模型通過將各特征屬性的非線性函數相疊加來解決非線性問題[12]。其可加模型如式(8)所示：

(8)

那么Group-Lasso回歸模型可表示為

(9)

式中，λ為懲罰參數。在矩陣稀疏化的過程中，當某些特征屬性的懲罰參數λ壓縮至0的時候，這些特征屬性模長的權值就變為0，說明這些屬性被回歸模型自動剔除了。將式(5)所示的預處理樣本帶入Group-Lasso回歸模型式(9)，可得

(10)

式(10)稱為Group-Lasso回歸模型的具體應用模式，最后該模型需要同時滿足如下可識別條件：

(11)

基于Group-Lasso的非參數估計的總體流程圖如圖2所示。

圖2 基于Group-Lasso的非參數估計流程

3 算例分析

以IEEE 24節點標準系統為例，采用所提兩種方法與傳統BP神經網絡分別進行電壓估計，分析三者優劣。IEEE 24節點系統的參數由文獻 [13]給出，其系統結構如圖3所示。

圖3 IEEE 24節點系統結構

樣本生成是基于Java調用BPA潮流計算程序實現的，總共產生10 000條樣本，經人為剔除不變化的屬性后，每條樣本包含43個特征屬性和15個目標屬性，具體屬性如表1、表2所示。

表1 樣本特征屬性

注：發電機出力中的PQ分別代表有功出力和無功出力，負荷場景中的PQ分別代表有功負荷和無功負荷，VQC中的C表示電容補償，k表示變比，下標表示節點編號。

表2 樣本目標屬性

表3 3種方法的預測精度比較

將上述10 000條樣本按75%和25%的比例分為訓練集和測試集，將訓練集分別提供給傳統BP網絡(BPNN)、自適應BP神經網絡和Group-Lasso模型進行訓練，即可得到關于節點電壓的估計模型，再運用測試集測試模型的外推能力。這里采用均方誤差(mean squared error, MSE)作為適應度函數，其表達式如下：

(12)

從表3中不難看出，以該樣本量為前提，對電壓估計精度最高的是GA-BPNN算法，BPNN與Group-Lasso的估計精度較為接近。另從表3中也能明確看到基于自適應遺傳算法優化的BP神經網絡無論是對訓練集的擬合精度還是對測試集的估計精度都優于傳統BP網絡，提高了一個數量級的精度，說明將遺傳算法和神經網絡相結合確實得到了取長補短的效果。

4 結 語

從數字建模方式出發，繞過電力元件模型的建立，借助統計學思想，提出采用Group-Lasso算法對節點電壓進行在線預測，并將預測精度與傳統BP神經網絡和自適應BP神經網絡相比較，通過IEEE 24標準算例驗證表明，GA-BPNN的電壓預測精度最高，Group-Lasso與BPNN的預測精度相當，說明Group-Lasso算法具有較好的電壓擬合能力和外推能力，可為傳統的電壓預測提供輔助手段。

[1] 鞠平，沈賦，陳謙．新背景下電力系統的建模思路[J]．南方電網技術，2016，10(3)：32-34．

[2] 王晨，童曉陽，王睿晗．有限相量測量單元下最小二乘估計的廣域后備保護算法[J]．電力系統自動化，2015，39(20)：124-129．

[3] 邵黎，謝開貴，王進，等．基于潮流估計和分塊負荷削減的配電網可靠性評估算法[J]．電網技術，2008，32(24)：34-37．

[4] 李衛東，宋家驊，武小梅．基于人工神經網絡和靈敏度分析的快速電壓估計[J]．東北電力學院學報，1994，14(1)：1-8．

[5] 張繼紅，賀智勇，邢軍．利用公共耦合點電壓估計的微電網逆變器下垂控制策略[J]．大電機技術，2015(1)：57-61．

[6] 陳偉根，滕黎，劉軍，等．基于遺傳優化支持向量機的變壓器繞組熱點溫度預測模型[J]．電工技術學報，2014，29(1)：44-51.

[7] 馬晉弢，楊以涵．遺傳算法在電力系統無功優化中的應用[J]．中國電機工程學報，1995，15(5)：347-352．

[8] 史坤鵬，范國英，趙偉，等．基于BP神經網絡的電網安全性預警系統開發[J]．南方電網技術，2013，7(6)：141-144．

[9] 厲吉文，潘貞存，李紅梅，等．變電所電壓和無功自動調節判據的研究[J]．中國電力，1995(7)：12-15．

[10] 尤金，劉俊勇，邱高，等. 基于自適應神經網絡的電壓快速估計[J]. 電力勘測設計，2017(1)：44-49.

[11] Fan Jianqing, Feng Yang, Song Rui. Nonparametric Independence Screening in Sparse Ultra-high-dimensional Additive Models[J]. Journal of the American Statistical Association, 2011, 106(494): 544-557.

[12] Huang Jian, Horowitz J L, Wei Fengrong. Variable Selection in Nonparametric Additive Models[J]. Annals of Statistics, 2010, 38(4): 2282-2313.

[13] Feng C L, Yuan Y H. IEEE Reliability Test System[J]. IEEE Transactions on Power Apparatus and Systems, 1979, PAS-98(6): 2047-2054.

With the expansion of grid scale and complexity, it is difficult to determine the node voltage by on-line power flow calculation, so it is very important to predict the trend of voltage quickly and accurately by the voltage response data. A fast voltage prediction method based on nonparametric estimation is proposed, which takes the system load level and reactive power as the input and the node voltage as the output. The mean square error is used as the index of the voltage prediction accuracy to measure the prediction effect. Finally, the prediction results of the proposed method are compared with those of the traditional neural networks and adaptive neural networks. The results of standard IEEE 24-bus system shows that the nonparametric estimation method has strong ability of voltage fitting and extrapolation, and its prediction accuracy is equivalent to the prediction accuracy of neural network algorithm.

voltage estimation; BP neural network; genetic algorithm; nonparametric estimation

TP183

A

1003-6954(2017)05-0001-04

尤 金(1990)，碩士，研究方向為電力系統數據挖掘。

2017-08-11)