計及新能源風電波動性的配電網損耗計算研究

馮磊, 鄭勁松

(1.云南電網有限責任公司, 云南, 昆明 650011;2.重慶星能電氣有限公司, 重慶 400039)

0 引言

配電網損耗是反映配電網運行經濟性的關鍵參數指標,同時也被作為供電公司電網管理水平的一個重要考核指標,通過配電網損耗計算可為電網結構及運行方式優化提供有效的技術指導,并有效促進電網管理水平的優化提高[1]。隨著新能源風電的快速發展,風電在配電網并網的情況越來越普遍,風電功率的波動性給配電網的損耗計算帶來了更大的難度,導致配電網損耗計算的準確度和效率無法滿足要求[2]。因此,深入研究含風電并網的配電網損耗計算對于配電網經濟性及綜合管理水平的提高具有重要的意義。

配電網損耗計算的傳統方法雖然理論明確,但是其往往需要完善的運行信息[3],且數據容錯性差,而不少地區電網運行信息存在缺失和精確度不足的現狀,尤其在具有隨機波動功率的新能源并網后,配電網損耗的計算變的更加復雜、困難[4]。近年來人工智能方法被應用于配電網損耗計算,在保精度的同時很好地簡化了計算過程。文獻[5]將神經網絡應用于配電網損耗計算,但其存在易收斂于局部最優的缺陷。文獻[6]采用支持向量機法進行配電網損耗計算,但其計算精度穩定性較差。由于風電功率具有很強的隨機波動性,損耗計算考慮其功率的實時變化性會嚴重增加計算的復雜度,以上研究均未考慮風電功率的波動性,而風電功率變化又會導致系統潮流及損耗隨之變化,因此造成損耗計算存在精度不理想的問題。

本文提出計及新能源風電波動性的配電網損耗改進隨機森林計算方法,通過損耗計算實例的分析,結果表明了本文方法的實用性和具有的優勢。

1 風電功率波動特性分析

風電功率PW的大小由風速v決定[7],兩者之間的關系可簡化為

(1)

式中,Pr表示額定風機功率,vr、vcin、vcout表示額定風速及風速相關參數。

風速v可等效為平均風速vp與脈動風速vm的結合,平均風速短時間內變化較小,而脈動風則波動較大,其波動與氣候、地形等多因素有關,具有明顯的隨機特征,脈動風速vm可采用Kaimal譜模型,其模擬常用方法為AR自回歸法,它能考慮到風速的時間相關性,并且計算效率很高[8]。圖1為采用Kaimai譜于AR自回歸法仿真獲得的風速變化曲線樣例。采用AR法生成的脈動風速vm為

圖1 風速變化曲線圖

(2)

式中,x、y、z表示風速對應的3個方向空間坐標向量,Δt表示時間步長,N(t)表示隨機向量,ψk表示自回歸系數矩陣,p表示模擬的階數值。

據圖1可發現風速具有很強的隨機變化特性,風力發電的功率概率密度f(Pw)可表示為

(3)

式中,k、c表示Weibull函數的相關參數,vr、vcin、vcout為風速額定值及相關參數,Pw、Pr為風機功率及其額定值。

2 風電并網對配電網損耗的影響

新能源風電并入配電網后會對配電網的損耗造成一定的影響。假設風電在某一位置接入配電網,風電的容量為PDG+jQDG,配電線路的總阻抗為R+jX,k%為風電并網位置與配網饋線線路總長度的比例。

當配電網沒有新能源風電并網時,配電網的線路損耗ΔP為

(4)

式中,PL、QL為配電網線路負荷的有功部分及無功部分,U表示電壓值。

當存在新能源風電并網時,配電網的線路損耗ΔPDG為

(5)

根據式(3)和式(4)可得風電并網后,配電網損耗的變化量ΔPLoss為

(6)

配電網損耗的增加與減小的大小與并網風電的功率有關,當風電功率較小時,可減少主電源向負荷節點的潮流,達到減少損耗的目的;當風電功率過大導致潮流發生反向時,則可能導致配電網出現損耗增加的情況。由于風電功率是隨機波動的,因此含風電并網的配電網損耗功率也是波動的。

3 含風電并網的配電網損耗計算研究

配電網損耗的傳統計算方法需要眾多的電氣參數,計算過程復雜[9],尤其是對于風電并網接入時,計算會變得更加復雜和困難。因此人工智能方法被越來越多地應用于配電網損耗計算。本文將改進的隨機森林算法應用于配電網損耗計算。

3.1 隨機森林算法基本理論

隨機森林算法是由多決策樹結合而形成的新型智能算法,它對缺失數據和非平衡數據的處理比較穩健,且計算速度快[10]。隨機森林算法具有適應力強、抗干擾性強和準確性高等優良特性,在分類、預測和異常值檢測等工程領域都獲得了廣泛的應用[11]。隨機森林的構建及樣本預測結構圖如圖2所示。

圖2 隨機森林構建樣本預測結構圖

對于隨機森林訓練樣本抽樣采用基于SMOTE算法的向上采樣方法[12],投票方式采取改進的加權投票法。假設樣本集合D向上采樣的倍率為n,對于某一樣本ai,在搜索其k個最近鄰樣本(n≤k)后,從中隨機選出n個樣本b1,b2,…,bn,再在樣本ai與bj之間做隨機線性插值,從而生成n個新的樣本cj,表達式為

cj=ai+rand(0,1)×(bj-ai)

(7)

式中,rand(0,1)為(0,1)內的隨機數。

(8)

式中,λ(i)表示隨機森林算法決策樹Ji的權重系數,ntree表示決策樹的數目,OOBCorr()表示準確率大小。

3.2 配電網損耗計算方法

隨機森林算法的各決策樹的獨立性能有效減少特征量與配電網損耗之間出現過擬合的問題,其高抗干擾性能有效應對配電網運行信息采集時存在干擾的問題,降低對特征量的要求,使損耗計算取得更高的精度。

為描述風電出力的波動程度大小,本文采用波動系數λ進行表示,某時間區段內的波動系數λ表達式為

(9)

式中,N表示總時段數,i為時段,P表示風電功率值。

選取影響配電網損耗的相關電氣特征量作為改進隨機森林法的輸入,本文采用的特征量包括系統線路總長、主干線路總長、分支線路總長、線路平均電阻值、有功月用電值、配變額定容量、系統平均負荷率、并網風電總有功、并網風電總無功和風電波動系數,對于計算準確度的評估指標則以等值電阻法的計算結果為參考,圖3為本文配電網損耗主要計算流程,主要過程如下。

圖3 配電網損耗計算模型圖

(1) 采集配電網的供電運行及風電運行相關信息,對其分析后提取出的相關電氣特征量,并對特征量樣本做歸一化相關處理。

(2) 對特征量樣本Yi進行重采樣,為對改進隨機森林做相應的訓練,隨機抽取樣本Yi后獲得樣本矩陣Zi。

(3) 選擇合理的改進隨機森林模型相關參數,其輸出為配電網損耗值,用樣本Zi進行訓練,并對相關參數進行優化改進。

(4) 用測試樣本Di對的配電網損耗計算模型的計算效率、準確率及穩定性進行測試。

4 配電網損耗計算實例分析

4.1 損耗計算實例

本文以IEEE-33節點系統為例進行配電網損耗計算對比分析,在節點15并入新能源風電,改進后含新能源風電并網的系統結構如圖4所示,該系統總負荷值為3715+j2300 kVA,新能源風電DG的并網容量為0.5 MW,系統其余參數參考文獻[13]。

圖4 IEEE-33節點配電網系統圖

從系統運行信息提取損耗特征量集合150個,將其分成兩部分:訓練120個,測試30個。不考慮風電波動情況與考慮風電波動情況下隨機森林OOB錯誤率與決策樹的數目變化情況如圖5所示。

圖5 隨機森林的OOB錯誤率變化圖

由圖5可知,隨著決策樹數目的增加,隨機森林的OOB錯誤率會逐漸下降,而考慮風電波動能比不考慮風電波動獲得更低的OOB錯誤率,且能以更少的決策樹獲得符合要求的OOB錯誤率,表明風電波動情況是配電網損耗的重要參量,考慮風電波動能使模型的訓練收斂至更優的精度。

4.2 損耗計算結果對比分析

選取BP網絡模型、SVM向量機模型和改進前的隨機森林做對比分析,并對是否考慮風電波動分別進行計算,計算結果以等值電阻法的結果為參考,計算結果如表1所示。圖6為考慮風電波動時的測試結果。損耗計算結果與參考值的偏差比率E的計算公式為

表1 測試樣本計算結果

圖6 損耗計算結果對比圖

(10)

根據表1和圖6可知,在配電網損耗計算中考慮風電波動能獲得更優的偏差比率,偏差比率的平均值可降低25%左右,偏差比率的平均值、最大值、最小值均要比不考慮風電波動時更小,本文改進隨機森林法獲得的損耗計算結果與與損耗參考值是最接近的,本文改進后的隨機森林法能進一步提高模型的非線性映射擬合處理能力,獲得的偏差比率的平均值3.16%、最大值5.89%和最小值0.46%均是4種方法中最小的。本文考慮新能源風電波動及改進的隨機森林法能在配電網損耗計算中結果與實際值更加接近,能獲得更優的計算結果。

配電網實際運行信息的采集往往存在一定的干擾,且采集裝置精度不一,為更貼近實際,對仿真運行數據添加1%～3%的隨機白噪聲干擾,并獲得相應的特征量集合,計算結果如表2所示。結果表明在噪聲干擾下,各方法的損耗計算結果準確性均有明顯的下降,其中本文下降的幅度最小,本文改進后的隨機森林法在噪聲干擾下獲得的偏差比率的平均值4.52%、最大值7.36%和最小值0.92%均仍是4種方法最小的。

表2 噪聲干擾下測試計算結果

5 總結

本文提出了計及新能源風電波動性的配電網損耗計算方法,利用改進隨機森林法實現損耗的智能映射計算,通過含風電并網的配電網損耗實例的計算對比分析,結果表明考慮風電波動性的配電網損耗計算能獲得更高的準確率,損耗計算值與實際值偏差比率的平均值可降低25%左右,而改進后的隨機森林法具有更加優良的非線性映射擬合能力,能獲得更好的計算結果,且本文方法具有更優良的抗干擾能力,在噪聲干擾下的計算結果準確性下降幅度最小。本文的研究成果能有效服務于含新能源風電并網的配電網損耗計算及配電網經濟運行管理。