基于機器學習的網損計量分析

吳 凱，李 輝

（國網遼寧省電力有限公司錦州供電公司，遼寧 錦州 121000）

1 概述

在電力系統中網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實際情況來最大限度地降低網絡損耗。常用的網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，常用的電力系統網絡損耗計算軟件包括PSASP、EMTP/ATP、PSCAD、BPA 等。這些算法都能完成網絡損耗的計算，但它們完成的延時較長，不能精確以及快速展現計算結果[1]。

本文將機器學習應用在網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損和對應負荷圖像的實例空間內的知識進行充分學習，最終可以輸出與網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，實現負荷與網損相對應的分類準則，建立了負荷與網損的可視關系圖像。

2 基于實測數據的網損計算方法

傳統的網絡損耗計算方法，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據太多，需要完成的公式變換與數學計算太過于復雜，計算網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損的要求。本文提出一種計算電力系統網絡損耗的方法[2]。整個區段的網損計算公式為：

假設1 個區段含有 N 條分支線路，每條分支線路上裝設1 臺 TTU，區段的回路數為 N＋1，則此區段的網損為

其中si 為第i 回路的網損，有

式中us為區段首端電壓矢量；ue為區段末端電壓矢量；ie為區段末端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點電壓矢量。

設：

在上面的計算過程中所需要的數據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損，之后加上網絡的固定損耗即為網絡的網損。上述監測點收集數據是基于調控云系統所收集的。

3 基于機器學習的網損計量方法

在考慮到網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則空間，來完成對負荷與網損對應的分類與預測[3]，如圖1 所示，步驟如下：

（1）將調控云采集的數據進行整理，并應用上述所提到的網損計算方法進行計算。

（2）得到負荷分布圖像，并標記好對應的網絡損耗。

（3）建立以負荷分布圖像與網絡損耗相對應的訓練集。

（4）將訓練集中數據導入實例空間與規則空間，進行充分學習。

（5）對輸出的結果進行人工評估，來驗證結果的正確性。

圖1 系統運行原理圖

圖2 為經過機器學習之后，輸入目標網損為1.3%時所輸出的負荷分布圖，在網架結構和電源側輸入不變的

考慮到電力系統中負荷變化很快，調控云收集數據為每分鐘收集一次，產生的數據經整理后全部存入實例空間中，作為對機器訓練的訓練集。當實例空間中的數據足夠多時，應用機器學習系統中的歸納學習算法，對實例空間中數據進行學習，進而得到一種規律，并將這種規律放入系統的規則空間中，經過規劃學習再反饋到實例空間中。這樣經過足夠多次的學習后，當輸入目標網損值時就會得到一種機器選擇的最優負荷分布圖，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架結構中[4]。情況下，驗證了此負荷分布的合理性。

4 結束語

本文提出了一種新的網損計算方法，可大大提高電力系統網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損的方法相結合，再運用機器學習系統中的機械學習算法，輸入各個測量點的數據，就能輸出本網絡的網損值，并將網損值與此時的負荷分布圖對應。之后將網損值與對應的負荷分布圖為一組數據存入系統的實例空間，存入足夠多組數據后運行學習指令。經過歸納學習系統充分學習之后，當輸入目標網損值時就會得到一種機器選擇的最優負荷分布圖，并在Matlab 中驗證了此模型的正確性。此方法解決了智能電網云平臺中如何進行基于網損最優的調度優化問題，從而很好地為經濟調度提供了可靠依據。另外，此系統可能會由于訓練集的數量不夠多、數據不夠準確、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。