基于改進Faster RCNN的交直流大電網調度自動巡航方法

宋明曙，李永光，沈小勇

（國網新疆電力有限公司電力調度控制中心，烏魯木齊 830092）

0 引言

交直流大電網是由交流電網和直流電網共同組成的電力網絡，該電力網絡具備輸送電流額度大、穩定等特點，且其架設區域跨度較大。目前新能源結構的變換為交直流大電網的調控運行帶來的一定難度[1，2]，為提升交直流大電網之間的耦合程度，對其調度進行自動巡航非常有必要。為此相關領域專家也紛紛研究了電網調度自動巡航方法，如趙晉泉等人設計了電網調度自動巡航技術架構，該方法從電網運行的經濟角度出發，對電網運行經濟性進行評估后，使用最優運行點的方式實現其調度自動巡航[3]。但該方法的研究角度不夠寬泛，適用性不佳。蔡杰等人提出了電網協同調度巡航方法，該方法從電網運行的安全角度入手，使用信息動態博弈算法獲得電網運行時的不安全數據，依據該不安全數據使用粒子群優化算法實現電網協同調度巡航[4]。但該方法所選取的粒子群優化參數不夠準確，導致其電網協同調度巡航效果不佳。Faster RCNN模型是由區域建議網絡和深度學習模型構成，其可實現目標檢測、特征提取等功能。該模型目前在檢測與識別領域應用極為廣泛[5]，但其受模型內深層網絡梯度影響，容易陷入極值或無法輸出結果，因此需對其實施改進處理。為此本文將改進的Faster RCNN模型應用到電網的調度巡航過程中，提出基于改進Faster RCNN的交直流大電網調度自動巡航方法，以提升交直流大電網運行調度技術水平。

1 交直流大電網調度自動巡航方法

1.1 交直流大電網調度自動巡航技術架構

設計交直流大電網調度自動巡航技術架構，如圖1所示。

圖1 交直流大電網調度自動巡航技術架構

交直流大電網調度自動巡航技術架構分為大電網態勢感知單元、調度巡航決策單元和控制單元，利用電網模型從交直流大電網內獲取其運行數據，再使用改進Faster RCNN神經網絡模型提取大電網運行數據特征，構建大電網運行狀態數據庫。依據數據庫內的大電網運行數據特征構建其大電網電網態勢評估指標體系和構建調度巡航運行域。再對大電網運行狀態進行評估，然后判斷該評估結果是否發送系統告警、是否存在暫態動態穩定問題以及人工設置啟停，若存在則判斷調度巡航的適應性。當大電網調度巡航無法適應時，則啟動人工調度，反之則繼續巡航并在大電網的運行域內對大電網進行樞紐節點無功電壓優化，靜態安全決策和實時計劃決策。在使用運行狀態自適應矯正方法對今天安全決策、實時計劃決策等進行自適應矯正后，將矯正結果輸入到控制單元內，利用控制單元內的源荷協同頻率控制和自動電壓控制子模塊控制直流交流大電網運行。

1.2 基于改進Faster RCNN模型的大電網運行數據特征獲取

獲取交直流大電網運行數據是其調度自動巡航的基礎。在此使用改進Faster RCNN模型獲取交直流大電網運行數據特征，并利用該數據特征構建交直流大電網運行狀態數據庫。Faster RCNN模型是由區域建議網絡和深度學習神經網絡兩部分組成。其中區域建議神經網絡是由卷積網絡組成的預測物體邊框，其可接受任意維度的大電網運行數據[6，7]，通過對大電網運行數據進行訓練，得到初步特征區域，再將該特征區域輸入到深度學習網絡模型內，得到精準的大電網運行數據特征。區域生產網絡為獲取到大電網數據的建議特征，其在最末位的卷積層上利用滑動窗口調整卷積操作，將大電網運行數據的滑動窗口進行映射，得到與其相對應的一個低維度特征。然后利用9個尺寸參數不同的候選框描述大電網運行數據特征，再將該低維度特征輸入到框回歸層和框分類層內，利用二者輸出大電網數據特征區域。區域建議網絡結構如圖2所示。

圖2 區域建議網絡結構示意圖

由于區域建議網絡內的卷積神經網絡層又包含卷積層、池化等若干個層次。其在不斷提取大電網運行數據特征時，卷積網絡內各個層次遞減梯度不同，會導致其在提取大電網運行數據特征區域的梯度消失[8]，陷入極值情況或者無法輸出特征區域結果。因此在域建議神經網絡內的卷積神經網絡層引入跳轉連接層，利用跳轉連接層將卷積網絡層內輸入的大電網數據特征轉到輸出層內，并再一次進行一遍卷積操作，以增加區域建議神經網絡的非線性呈現能力[9]。設置改進區域建議神經網絡參數，以提升該網絡訓練速度，其表達公式如下：

式(1)中，parameters表示改進區域建議神經網絡參數；inc、outc分別表示改進區域建議神經網絡輸入通道和輸出通道數量；Zh、Zw分別表示滑動窗口的高度和寬度數值。

區域建議神經網絡候選框的參數非常重要，其可直接影響區域神經網絡選擇的直流交流大電網運行數據的特征區域[10]，因此對區域建議神經網絡的候選框機制進行改進。在Faster RCNN模型內9個候選框尺寸不一，其最小尺寸為128*128，由于交直流大電網運行數據維度不同，9個候選框無法滿足該運行數據特征選取區域，在原有的9個候選框基礎上再增加一組尺寸為128*128的候選框作為Faster RCNN模型選擇交直流大電網運行數據特征區域的候選機制。令Fi、Qi分別表示大電網數據特征的包圍框和特征類別數值；分類回歸參數和回歸參數分別由Ncls、Nreg表示，則Faster RCNN模型的多任務分類器的損失函數可定義為：

R表示Faster RCNN模型的魯棒損失函數。

經過上述步驟，完成Faster RCNN模型內區域建議網絡的改進，得到改進后的Faster RCNN模型。將直流交流大電網運行數據輸入到改進的Faster RCNN模型內，經過該模型迭代，得到直流交流大電網運行數據的特征，并利用其構建直流交流大電網運行狀態數據。

1.3 點位態勢評估指標體系構建

從直流交流大電網運行狀態數據內提取其運行數據特征，依據該特征構建直流交流大電網點位態勢評估指標體系，如表1所示。

表1 直流交流大電網點位態勢評估指標體系

依據表1的直流交流大電網點位態勢評估指標體系，對直流交流大電網當前運行狀態進行評估。

1.4 交直流大電網自動巡航運行域生成

交直流大電網的自動巡航運行域是指其運行節點內均符合安全運行約束條件的集合，該集合可描述交直流大電網的當前運行狀態[11，12]。建立交直流大電網自動巡航運行域安全約束日前發電計劃模型，其表達式如式(5)所示：

式(5)中，s.t.表示約束條件數學符號；f1(x)、f2(x)、f3(x)分別表示交直流大電網總電量消耗數值、棄風率與棄光率、污染物排放量；x表示大電網運行調度巡航的變化量；J(x)、L(x)分別表示等式約束與不等式約束。

運用線性加權算法將式(5)轉換為單目標模型，其表達公式如式(6)所示：

式(6)中，σ表示多目標權重系數；minζ表示單目標約束結果。

計算交直流大電網的網損同比增長率，其表達公式如式(7)所示：

式(7)中，Oloss,d、Oloss,d-1分別表示交直流大電網當天和前一天的網損實際數值。

交直流大電網的能源消納率表達公式如式(8)所示：

式(8)中，交直流大電網內第j個新能源在時間為時的功率和棄功率分別由Or,j,t、Ocut,j,t表示；NR表示交直流大電網內的新能源集合；T表示時間集合。

交直流大電網電量污染物排放同比增長率計算公式如式(9)所示：

式(9)中，HE、YS分別表示交直流當前單位電量污染排放量數值和同期平均排放量數值。

利用式(5)～式(9)計算結果，生成交直流大電網自動巡航運行域。

1.5 交直流大電網調度自動巡航方法

設計不同自動巡航方式組成的交直流大電網調度自動巡航方法，其示意圖如圖3所示。

圖3 交直流大電網調度自動巡航示意圖

在交直流大電網調度自動巡航過程中，定速/變速調度巡航是全自動巡航模式，其可在交直流大電網穩定運行情況下，依據其日前發電計劃依據當前運行狀態評估結果對交直流大電網進行小幅度糾偏，保證交直流大電網在既定目標范圍內正常運行[13]。在對日內實時交直流大電網調度自動巡航過程中，事件巡航模式則是交直流大電網出現偶發性情況下的巡航模式，其在感知到交直流大電網出現負荷突變、短路等情況時，立即啟動該調度巡航模式，依據交直流大電網事件不斷迭代更新日內發電計劃。而當交直流大電網的頻率和電壓出現偏差時[14，15]，則啟動偏差調度巡航模式，然后將控制命令發送到控制單元內，利用控制單元實現交直流大電網發電計劃控制。

2 實驗分析

以某交直流大電網為實驗對象，使用本文方法對其調度展開自動巡航，驗證本文方法實際應用效果。該交直流大電網拓撲結構如圖4所示，大電網參數如表2所示。

表2 交直流大電網參數

圖4 交直流大電網拓撲結構示意圖

2.1 可靠性驗證

以改進Faster RCNN模型的魯棒損失函數數值作為衡量指標，測試本文方法在調度巡航不同次數下，魯棒損失函數數值變化情況，結果如圖5所示。

圖5 可靠性驗證結果

分析圖5可知，本文方法的魯棒損失函數數值隨著大電網調度巡航次數的增加呈現迅速下降，并在下降到一定數值時保持平衡狀態。在大電網調度巡航次數為40次之前時，本文方法的魯棒性損失函數數值呈現迅速下降趨勢，其數值由最初的0.38左右下降至0.026左右。當大電網調度巡航次數超過40次之后，本文方法的魯棒損失函數數值呈現輕微幅度下降趨勢。在大電網調度巡航次數為200次時，本文方法的魯棒損失函數數值為0.023左右。上述結果說明，本文方法在調度巡航大電網時的魯棒性較強，調度巡航精度較高，受調度巡航次數影響較小。

2.2 運行域準確性分析

在該交直流大電網的運行域內選取相對應的權重和目標函數，分別標記為目標函數A、目標函數B、目標函數C，和權重1、權重2、權重3，獲取其在空間上的對應關系圖，分析本文方法建立的交直流大電網運行域的準確性，結果如圖6所示。

圖6 運行域準確性分析

分析圖6可知，在三個目標函數和權重分布的三維平面內，本文方法計算得到的大電網運行域，目標函數值與目標權重值均呈現一一對應關系，說明在該運行域內求解的目標函數結果較為準確，該運行域的可行性較好，其可為后續調度巡航大電網提供較為精確的評估分析基礎。

2.3 大電網運行數據特征獲取測試

以大電網運行數據特征點數量作為衡量指標，測試在不同大電網運行數據量情況下，本文方法獲取的大電網運行數據特征點與其實際運行特征點數值，對比分析本文方法獲取大電網運行數據特征能力，結果如表3所示。

表3 獲取大電網運行數據特征數量（個）

采用本文方法獲取大電網運行特征數據的特征點數量精度與大電網運行數據量成反比例關系。其中時大電網運行數據量為2000個之前時，本文方法獲取大電網運行數據特征點數量與實際特征點數據完全相同，說明此時本文方法獲取的大電網運行數據特征精度達到100%。當大電網運行數據量超過2000個后，獲取的大電網運行數據特征點與實際特征點數量出現一定偏差，但最大偏差數值僅為15個，此時獲取大電網運行數據特征點的精度為99.64%。上述結果說明：本文方法獲取的大電網運行數據特征能力較強，也從側面印證了其對大電網調度巡航能力較為優秀。

2.4 調度巡航測試

以交直流大電網電量備用量作為衡量指標，使用本文方法對該大電網展開調度巡航，分析調度巡航前后該交直流大電網的電量備用量變化情況，結果如圖7所示。

圖7 大電網調度巡航測試

應用本文方法后，該大電網的備用電量在不同時間點的整體趨勢雖然與調度巡航前趨勢相同，但其數值在不同時間點均高于調度巡航前，其中備用電量在調度巡航前后的最大差值為370KW左右。綜上結果，應用本文方法后交直流大電網的備用電量得到明顯提升，其應用效果較為顯著。

3 結語

本文將Faster RCNN模型應用到交直流大電網調度巡航過程中，并針對Faster RCNN模型在運行過程中存在的缺陷進行了改進，改進后的Faster RCNN模型輸出的結果更加準確。將方法應用到某交直流大電網調度巡航過程中，經過多角度實驗得知：本文方法獲取大電網運行數據特征能力較強，其應用后大電網的備用電量數值均得到較好的提升，應用效果較好。