計及配電終端可靠性的配電網運行風險分析方法

摘要：針對現有配電網運行風險評估存在計算繁雜、誤差較大和不確定因考慮不全面等問題，提出了計及配電終端可靠性的配電網運行風險分析方法。首先根據配電終端設備歷史運維數據利用數據驅動與機器學習的方法對配電終端可靠性與運行狀態進行評估，然后分析配電終端狀態對配電網運行風險的影響，基于多目標卷積神經網絡評估配電網綜合運行風險，并以IEEE33節點配電網驗證了所設計方法的有效性。

關鍵詞：配電終端 可靠性 配電網運行風險 多目標卷積神經網絡

中圖分類號：TM743" " " 文獻標識碼：A

The Distribution Network Operation Risk Analysis Method in Consideration of the Reliability of Distribution Terminals

CHEN" Hongtao1" "GUO Yanchun1" "YANG Zedong2

（1.Songyuan Power Supply Company， State Grid Jilingsheng Electric Power Suply Company， Songyuan， Jilin Province， 138000 China; 2. School of Electrical Engineering， Northeast Electric Power University， Jilin， Jilin Province， 132012 China）

Abstract： For the problems of complex calculations， large errors and incomplete consideration of uncertain factors in the existing distribution network operation risk assessment， a distribution network operation risk analysis method in consideration of the reliability of distribution terminals is proposed. Firstly， according to the historical operation and maintenance data of power distribution terminals， the reliability and operation status of power distribution terminals are evaluated by data-driven and machine learning methods， then the influence of the power distribution terminal state on distribution network operation risks is analyzed， the integrated operation risk of distribution network is evaluated based on multi-objective convolution neural network， and the effectiveness of the designed method is verified by IEEE33 node distribution network.

Key Words： Distribution terminal; Reliability; Distribution network operation risk; Multi-objective convolutional neural network

近年來，全球范圍內的電力系統出現了多起嚴重的大范圍停電事故，給人們的生產、生活帶來巨大損失和安全隱患[1-2]。為保證優質的電能質量、實現不間斷地可靠供電，對電網進行準確有效的風險評估愈發重要。

國內外學者對電網可靠性和運行風險分析已經做了大量研究，分析方法從確定性假設分析發展到不確定性概率建模。確定性假設分析法通常具有固定的規則，如事故校驗過程采用的N-1安全準則[3]，此法降低了不確定因素的概率特征，可以準確地找出電網運行風險的臨界點，但確定性假設分析法難以對電網狀態迅速變化的運行特征進行描述，也很難準確表示不確定因素的本質特征，所以多用于電網規劃等大階段、慢評估場景。在大數據時代背景下，數據挖掘技術已在電力系統多個領域得到應用，推動智能電網朝能源互聯網的方向發展[4]。HUANG W S等人采用關聯規則算法對電力變壓器缺陷和配電線損進行分析，但并不適用于配電終端設備[5]；徐舒瑋等人通過深度卷積神經網絡訓練大批量仿真樣本實現輸電線路故障類型的快速判斷[6]；針對不同結構的數據樣本，林君豪等人采用金字塔池化方法對卷積神經網絡結構進行改進，實現從不同維度的運行狀態數據中挖掘出配電網結構特征[7]。

該文首先根據配電終端設備歷史運維數據，利用數據驅動與機器學習的方法對配電終端可靠性與運行狀態進行評估，然后分析配電終端狀態對配電網運行風險的影響，基于多目標卷積神經網絡對配電網綜合運行風險進行評估，并以IEEE33節點的配電網為算例驗證了所提方法的有效性。

1基于神經網絡配電終端可靠性模型

作為電網智能化進程中的重要控制、監測對象，配電終端設備狀態的好壞對電網安全性和可靠性有著直接的影響。作為配電終端設備的基本故障概率函數，表征配電終端作為電子設備，存在因元件老化造成的終端設備故障和失效的情況。本文采用雙參數的威布爾分布失效函數來描述，如式（1）所示。

為解決觀測時間短、參數擬合可信度低和終端故障樣本數量少的問題，基于配電終端基本的基本故障函數模型，該文運用BP神經網絡結合經驗可靠度對故障樣本進行擴容，然后再由最小二乘法對終端可靠性模型參數進行擬合，確定尺度參數和形狀參數，進而得出配電終端的基本故障模型。

在配電終端樣本數據沒有確定的分布模型情況下，可以利用經驗函數對可靠度的經驗值進行估算，以此作為神經網絡的輸入。當選用威布爾分布函數模型時，采用近似中位秩公式的計算誤差最小；當選用指數函數分布模型時，數學期望公式的計算誤差最小。因此，該文選取式（3）所示的近似中位秩公式作為終端可靠度評估的經驗函數。

最小二乘法作為比較常用的參數估計方法，一般用來對線性函數中的未知參數進行估計。而前述所建立的配電終端基本故障模型為非線性函數，需進行線性變換。對公式（2）的等號兩端取對數得

2關聯規則

關聯規則用于形式化事物前項X與事物后項Y的因果關系，可表示為，最早在1993年由Rakesh Agrawal等人提出。

為關聯規則的事物后項，用來表示配電終端各模塊是否異常，正常值為0，異常值為1。系統運行過程中配電終端所采集到的數據依次記為，則k個數據參量的可能組合構成事物前項。設D為配電終端歷史運維過程中的歷史數據參量和功能模塊狀態的數據樣本集。對于關聯規則，通常用置信度和支持度對關聯規則的強弱進行量化，根據提升度的大小對關聯規則是否有效進行判斷。置信度、支持度和提升度的計算如公式（8）、（9）、（10）。為了從配電終端設備運行狀態相關因素中提取可信度較高的關聯規則，該文支持度閾值設為0.01，置信度閾值設為0.4。

式中，為求取對應事物集下的依托于配電終端設備數據樣本的計數算子。

3 配電終端狀態對運行風險的影響

配電終端可以有效地完成配電網故障自動分區定位、故障隔離和非故障區域快速恢復供電。其工作流程為：當配電網中某設備發生故障時，其相鄰的終端設備將依據異常數據確定故障區間集，進而確定故障的具體范圍，其中可用式（11）來表示。

式中，和為故障設備相鄰的兩個終端設備，考慮到配電網的復雜特性，其至少有一組。

主站依據確定的故障區間集對相鄰故障設備的終端進行操控，控制饋線開關和聯絡開關實現故障隔離，完成非故障區的快速恢復供電，故障隔離后的配電網開關狀態集為，包括自動故障隔離與供電恢復后的所有開關狀態，鑒于聯絡開關數量和配電網復雜程度，對p個監測配電終端和m個聯絡開關的配電網，其有效的開關組合可能有t組。聯絡開關的狀態要盡可能使非故障區間內的節點不形成孤島，且符合配電網開環運行要求，開關組合可用式（12）表示。

當配電終端處于異常狀態時，其附近的線路等設備故障，導致該異常終端無法反饋監測點遙測量，此時故障區域的劃分取決于較遠的終端遙測量，相應的故障區間集為。由配電終端狀態異常引起開關的控制功能閉鎖，隔離故障由較遠終端控制，此時隔離開關組合為。與配電終端正常狀態下的和比較，配電終端異常狀態下故障定位和隔離范圍更大，故此時電網潛在風險也更大。

4 基于多目標卷積神經網絡的配電網運行風險評估

4.1 基于蒙特卡洛的風險樣本生成

每個元件可以用[0，1]區間內的均勻分布進行表示。假設每個元件只有失效（0）和工作（1）兩種運行狀態，同時元件之間的失效狀態相對獨立。用表示元件的狀態，表示元件失效的概率，則對元件生成一個在[0，1]區間內呈均勻分布的隨機數。

具有N個元件的系統狀態可用矢量S來表示，如式（14）所示。

當系統的運行狀態經過抽樣被選定后，判斷其是否處于失效狀態，若為失效狀態，計算系統在該狀態下的運行風險指標。

當抽樣的次數足夠多時，則矢量S的抽樣頻率即可看作其概率的無偏估計，即

式中，M為抽樣總次數，m為狀態S出現的總次數。

4.2 多目標卷積神經網絡的風險評估模型

由于風險量化評估和風險分類具有強相關性，該文采用多目標卷積神經網絡實現同一網絡結構具備兩個訓練目標結果。先對配電網運行風險分類目標進行訓練，引入遷移學習方法對風險回歸目標進行訓練，使網絡具備高效的輸出特性。

將softmax函數作為激活函數，使神經元的輸出量映射至[0，1]區間內，使其具有概率意義，進而可以更好地將其應用在基于卷積神經網絡（Convolution Neural Network，CNN）實現的拓撲結構分類識別任務。

利用CNN對拓撲結構分類進行識別，針對該文的研究內容，選擇交叉熵函數完成分類識別任務，其具體表達如式（16）所示。

式中，n為樣本數；y為真實值；為預測值。

對于卷積神經網絡的輸出與輸入的確定：為了完成對配電網中維數較高的數據進行融合和降維后的風險評估，首先分析配電網中的負荷和分布式電源所包含的不確定性因素，建立與之對應的數據模型作為卷積神經網絡的輸入特征矩陣；其次根據蒙特卡洛模擬產生隨機的運行狀態場景，確定配電網中越限風險數值；最后利用Kmeans聚類算法增加類別標簽，將二者作為雙目標神經網絡的輸出量。

5 算例分析

以IEEE33節點的配電網為例，其結構見圖1所示，其中平衡節點為1號節點，5、10、14、17號節點配有分布式光伏，20、24、28、32號節點配有分布式風電。

構建多目標CNN，測試集CNN的訓練結果見圖2所示，可以得出，隨著步長的增加，多目標CNN-目標1的風險類別準確率可以達到80%左右，且過程逐漸變緩。多目標CNN-目標2的風險回歸訓練和驗證過程見圖3、圖4所示?？梢钥闯觯倪M后的多目標CNN訓練過程更迅速，且相同訓練步長下測試集的準確率也比直接訓練CNN回歸網絡高。

基于訓練后的多目標CNN模型，對計及配電終端可靠性的配電網的綜合運行風險進行多樣本評估，與不考慮配電終端狀態的運行分析結果進行對比，如圖5所示。可以看出，考慮配電終端狀態的配電網運行風險評估結果更為合理。

6 結語

針對現有配電網運行風險評估存在計算繁雜、誤差較大和不確定因素考慮不全面等問題，該文提出了計及配電終端可靠性的配電網運行風險分析方法。該方法結合關聯規則對配電終端可靠性和運行狀態進行評估，增加了配電終端狀態評價方法的客觀性與可信度，進而分析更加全面的配電網綜合運行風險。

所提的多目標卷積神經網絡結合遷移學習的訓練方法，實現了風險回歸模型的快速訓練，提高了越限風險回歸模型的擬合速度與精度，進而實現含配電終端可靠性與狀態的配電網運行風險類別與風險值評估，并結合算例驗證了該文所提方法的有效性。

參考文獻

[1] 鐘海旺，張廣倫，程通，等.美國得州2021年極寒天氣停電事故分析及啟示[J].電力系統自動化，2022，46（6）：1-9.

[2] 王偉勝，林偉芳，何國慶，等.美國得州2021年大停電事故對我國新能源發展的啟示[J].中國電機工程學報，2021，41（12）：4033-4043.

[3] 趙博石，胡澤春，宋永華.考慮N-1安全約束的含可再生能源輸電網結構魯棒優化[J].電力系統自動化，2019，43（4）：16-24.

[4] 吳國誠，龔向陽，蔡振華，等.主動配電網FTU配置優化方法探討[J].電力系統保護與控制，2019，47（07）：84-91.

[5] HUANG W S，CHEN J，LIU C Q，et al.Research on Line-loss Correlation Analysis Technology of Distribution Network Based on Apriori Algorithm[C]//Chengdu：2020 5th Asia Conference on Power and Electrical Engineering（ACPEE）.IEEE，2020：1399-1403.

[6] 徐舒瑋，邱才明，張東霞，等.基于深度學習的輸電線路故障類型辨識[J].中國電機工程學報，2019，39（1）：65-74，321.

[7] 林君豪，張焰，趙騰，等.基于改進卷積神經網絡拓撲特征挖掘的配電網結構堅強性評估方法[J].中國電機工程學報，2019，39（1）：84-96，323.