基于電網運行數據集的有功網損評估優化

張軍，宣鐵鋒，吳磊

（上海電力大學自動化工程學院，上海200090）

0 引言

有功損耗可以衡量電網的運行效率。對電網損耗的準確預估可以有效提高電力系統運行效率[1-3]。本文通過一種基于改進概率神經網絡的粒子群算法[4-5]來提高電網運行數據分類的有效性，從而更準確地評估電力系統的有功網損。依據模擬電網運行參數和實時數據，依次采用改進PNN 和改進K-means 算法對數據進行潮流計算[6,11-13]，得到有效的電網有功損耗評估方法。由仿真結果可知，對電網損耗進行改進PNN 算法聚類分析，能夠降低網損評估誤差。

1 電網的有功網損評估模型

電力系統的有功網損是電網在電能傳輸工程中產生的電能損失。電能的損耗量是電力系統運行的經濟技術指標，降低網絡傳輸損耗，提高電能利用率，是有關電力部門的重要工作內容。

將發電機的開機個數、有功功率、無功功率，表示為電力系統運行的典型參數。運行方式與電力系統數據一一對應，對典型數據集進行潮流計算，最后可得電力系統典型運行方式下的網損。

式（1）中，F 代表總網損，k 表示典型方式的個數，plossi表示每組典型方式的網損，t 表示采樣間隔，Ci表示出現每組典型方式的概率。

選取發電機的開機個數、有功功率、無功功率，作為表征電力系統運行狀態的數據集。

其中xt為t時刻電網的運行數據。

xKJT表示t 時刻開機方式數據項，發電機運行時數值為1，發電機停止運行時數值為0。

xPGT表示t 時刻各發電機有功功率組成的向量。

xQGT表示t 時刻各發電機無功功率組成的向量。

2 基于改進粒子群算法的概率神經網絡

2.1 PNN的基本原理

概率神經網絡被廣泛應用于非線性濾波，模式分類中。此網絡用于檢測和模式分類時，可以得到貝葉斯最優化結果。如圖1 所示PNN 的結構圖和徑向基網絡函數結構類似，只是在第二層中有些差異。

圖1 PNN的網絡模型

2.2 建立改進PSO-PNN算法的運行數據集

采用基于粒子群優化的概率神經網絡對電網運行數據集進行聚類，步驟如下：

（1）提取電力大數據集各時間段的關鍵屬性數據。即發電機的開機個數，發電機的有功功率，發電機的無功功率，生成特征狀態下的電力系統運行方式數據集，表示待聚類數據集[1]，即：

（2）在數據集里隨機選取A 作為初始點，假定最小個數為m，距離參數向量為R=XKG,XPG,XQG，其中XKG,XPG,XQG分別對應發電機的開機個數、有功功率、無功功率。

（3）對于數據Xt={ XKGT1,XPGT1,XQGT1}和數據Xt={ XKGT2,XPGT2,XQGT2}，若滿足下式要求則認為Xt2在Xt1的R 鄰域內。

（4）采用步驟3 中的距離公式，判斷此初始點鄰域內的數據量，若數據量小于m，則判斷A 不是典型樣本，繼續（2）步驟；如果此數據量大于m，則判斷A 是典型樣本[1]。

（5）對于典型樣本，依據（7）式來計算聚類中心C1。

（6）把C1作為聚類中心，比較C1與數據對象xi的間距，若小于r，則xi歸為此類別中；否則判別下一個數據，直到判斷所有數據對象，同時以C1為聚類中心的數據歸為一類。

（7）產生第一個類別T1后，把此類數據刪除，并且此類數據不參與下次分類，保證數據的簡練。

（8）分類結果的前70%選取為訓練樣本數據，后30%的結果作為待確定類別的數據，調用ind2vec 函數，將類別轉換為PNN 可以使用的目標向量。

（9）采用粒子群尋優法尋找最優徑向徑函數的分布常數，范圍為30-260。

（10）調用newpnn，構建并訓練PNN，最終得到分類數據結果。

3 仿真算例分析

以燃氣輪機仿真平臺為模擬電網數據平臺。電力系統的運行方式由發電機的開機個數、有功功率、無功功率來表征。同時建立電力系統運行數據集，用改進PSO-PNN 聚類算法對運行數據進行聚類[1]。發電機組開機方式按照該機組實際狀態選取。若發電機運行，則數據項為1，若發電機停運，則數據項為0；仿真軟件及仿真平臺模擬負荷如圖2 所示。

圖2 某地區單月負荷曲線圖

分別采用普通K-means 聚類算法，改進K-means聚類算法和基于粒子群算法的改進PNN 聚類算法對運行數據集進行聚類分析[1-2]。

首先對運行數據集進行K-means 聚類，圖3 為8個特征方式的聚類結果，圖4 為16 類的運行結果。

圖3 K-means聚類方法數據集聚類方式（類別數8）

圖4 K-means聚類方法數據集聚類方式（類別數16）

有聚類分析可知，類別數為8 時，連續60 個運行方式被歸為一類，每組方式的間隔為1 小時，3 天內連續的電網運行數據被歸為一類，這對后期計算電網損耗會產生很大的誤差，當聚類數為16 時，依舊存在連續30 個運行方式被分成同一類，表明通過提高算法分類數無法解決關鍵數據屬性被淹沒的問題。

對數據集進行改進K-means 聚類，類別數為8 和16，如圖5、6 所示。

圖5 改進K-means聚類方法數據集聚類方式（類別數8）

圖6 改進K-means聚類方法數據集聚類方式（類別數16）

圖7 基于粒子群算法的改進PNN聚類方式

由數據分析可知，選用改進K-means 算法不能有效聚類。說明僅僅增加算法的迭代次數會增加誤差，也不能得到有效的分類。

最后采用基于粒子群算法改進概率神經網絡對運行數據集進行聚類。

采用帶斥力因子的改進粒子群算法對PNN 中的spread 參數尋優。

粒子的速度和位置更新公式為

如圖7 所示，基于粒子群算法的改進PNN 算法可以明顯提高分類的細化程度，從而提高分類的有效性。隨著電網節點規模的增大，各節點出力的數據所對應的聚類屬性也相應的增加，從而產生高維聚類問題，導致掩蓋了一些關鍵數據屬性，通過本文所提的算法，可以有效解決這一問題。電力系統特征運行方式體現了電網數據屬性對網損評估的影響。

對模擬數據進行潮流計算，把不同發電機數據屬性作用下的網損作為實際網損量。比較不同算法的網損結果。

表1 不同算法網損評估比較

4 結語

本文用改進PSO-PNN 算法評估電網網損，對電網損耗評估進行整合。

（1）依據發電機數據屬性和負荷屬性，并用改進PNN 算法進行驗證，分析結果表明，本文算法能夠有效降低網損評估。

（2）比較K-means 聚類算法，選用改進K-means的聚類結果，作為改近PNN 算法的測試數據集，增加了數據集聚類的準確性，同時采用粒子群最優算法，選取了最優的spread 參數，使得聚類效果最優。