基于數據融合與智能計算的電網線損管控關鍵技術研究

黃文學，周麒

（國網甘肅省電力公司古浪縣供電公司，甘肅武威 733000）

線損率是反映電力網絡規劃設計、生產運行與管理經營等各種水平的綜合性指標[1-4]。2020 年9月，我國明確提出了2030 年“碳達峰”、2060 年“碳中和”的“雙碳”目標。在此背景下，電力運營企業陸續將線損率作為提升企業生產效率、促進節能減排的關鍵指標。傳統模式下，線損率的計算首先需要抽象出電路模型，再借助潮流迭代、等值電阻等方法來完成計算[5-11]。上述方法通過提升數據采樣頻率、增加電氣參數等方式，在計算精度上取得了較大的提升。但隨著電網規模的增長，電網的源、負荷及結構均處于動態變化中。而線路建模與線損計算對于人力資源的消耗過大，故無法滿足電力生產的效率要求。因此，亟需基于數字化、智能化的手段來對線損管控技術進行升級。

在上述分析的基礎上，文中從數據融合的角度出發，通過采集電力網絡的電源數據、負荷數據與現有的線損情況，并借助智能網絡對線路結構加以描述。同時提取電力網絡的運行特征，再模擬其運行狀態，從而實現線損的智能化計算。

1 理論基礎

1.1 智能計算網絡

神經網絡是一種常見的智能計算網絡。隨著計算機性能的提升，多隱藏層的深度學習(Deep Learning,DL)網絡也具備了更強的非線性擬合能力。其可模擬電力系統的網絡結構，并利用相關參數，實現線損的智能計算。結合線損的計算場景，文中引入基于受限玻爾茲曼機(Restricted Boltzmann Machine,RBM)的深度置信網絡(Deep Belief Networks,DBN)[12-15]。該網絡計算單元RBM 的基本結構如圖1所示。

圖1 RBM基本結構

圖1 中包含由n個輸入單元v組成的輸入層以及由m個隱藏層單元h組成的隱藏層，且每個單元之間相互連接。所有單元的取值均在[0,1]區間內，則該RBM 的能量值計算如下：

式中，w為RBM 輸入層至隱藏層間的連接權重，a為輸入層的偏置，b為隱藏層的偏置。RBM 基于參數θ確定網絡能量的概率分布函數為：

相較于普通的神經網絡，RBM 是一種可自編碼的非監督網絡，其在特征提取上具有更高的效率。

RBM 使用概率分布的似然函數作為訓練過程的損失函數，以避免網絡訓練出現過擬合現象，即：

與普通的BP(Back Prpagatin)神經網絡不同，RBM 在求解參數θ時通常采用梯度上升法(Gradient ascent algorithm)，即求解式（4）對網絡參數的偏導數，則有：

對于參數w、a和b，其各自的偏導數為：

1.2 電力數據融合模型

在實際運行過程中，電網的運行方式并不相同，故需結合其運行方式建立融合式數據模型。基于電路理論的疊加定理(Superposition Theorem)與牛頓拉夫遜計算法(Newton-Ralfsnn’s method)的輸電系統等效示意圖，如圖2 所示。

圖2 線損計算的等效模型

圖2 中，Igm為電網中的源，-Id(n-m)是電網中的負荷。基于阻抗形式，列出圖2 的節點電壓方程為：

考慮到網絡中電壓源單獨作用、電流源單獨作用、電源相互作用、節點注入功率與網絡參數變化等因素的影響，圖2 中的網絡整體損耗如下：

其中，q為電網中源的總個數，S為節點的視在功率。基于數據融合的思想將線損模型映射至DBN網絡，具體如圖3 所示[16]。

圖3 基于DBN的線損智能計算網絡

根據圖3 構造DBN 網絡的輸入矩陣X與輸出矩陣Y，分別表示為：

式中，P為節點的有功功率，Q為節點的無功功率，U為節點的電壓，ΔP為該線路的線損。

2 方法實現

2.1 實驗設計

為了評估該文算法在進行線損計算時的精度，選取了 某地區35 條10 kV 線路 在2021 年11 月1 日—11 月30 日共30 天的運行數據進行模型性能驗證。在采集數據時，以5 min 為時間粒度，對照電網的等值模型圖采集重要節點的流入功率、無功功率與節點電壓等參數。

在評估模型性能時，選擇了平均絕對百分比誤差(MAPE)與均方根誤差(RMSE)來作為指標，二者的計算方法如下：

在進行線損計算時，文中根據不同線路的等值模型圖確定DBN 網絡的輸入參數。當某線路的等效節點為n時，其網絡的輸入層節點個數為3n，且分別為節點n的有功功率、無功功率及電壓。具體的網絡結構設置如表1 所示[17]。

表1 網絡結構參數

根據網絡規模合理選擇訓練網絡的計算機軟硬件環境，算法仿真時的軟硬件環境如表2 所示。

表2 算法仿真軟硬件環境

2.2 系統測試結果

由上文可知，此次需完成35 個DBN 網絡的訓練，但每個網絡的結構均不相同在，因此并未直接給出網絡訓練所使用的學習率、動量與誤差閾值等參數，而是通過采取在線學習的方式訓練并確定這些參數。下面以某條10 kV 的線路為例，介紹網絡的訓練過程。

此外，在對每條線路進行訓練前，還需測試該線路所對應模型的學習率Alpha、批量規模Minisize 以及是否需要引入Dropout 機制，具體如圖4 所示。

圖4 模型在不同超參數下的訓練結果

由圖4 可知，Alpha、Minisize 及Dropout 機制均會影響網絡中損失函數在訓練過程中的收斂速度。從圖4(a)可以看出，隨著Alpha 的增大，損失值函數的收斂速度不斷加快。但考慮到過大的學習率會影響網絡對于最優值的搜索，所以將該網絡最終的學習率設置為0.05。由圖4(b)可知，損失值函數在不同Minsize 下的收斂曲線并不相同，且不是線性遞增或遞減的關系。由于Minisize 還與網絡的傳播權重及偏置的更新率有關，故將該網絡最終的批量規模設置為672；圖4(c)顯示出，引入Dropout 機制后網絡損失值的誤差曲線收斂更快，并可有效降低網絡出現過擬合的概率。因此文中對所有線路進行模型訓練時，均引入了Dropout 機制。模型經過訓練后，使用1/5 的數據作為測試集來對模型的預測性能進行測試。為了評估模型的性能，使用與表1 相同結構的BP 網絡進行對比。二者對于35 條線路的實際線損部分預測結果如表3 所示。

表3 兩種算法的線損預測結果

從表3 中可以看出，相較于BP 網絡，該文算法對每條線路的線損預測結果與線路在該時間段的實際值均更為接近。而兩種模型的性能指標統計信息如表4 所示。

表4 模型指標的統計信息

由表4 可知，該文算法的MAPE 與RMSE 指標較BP網絡均有顯著提升。其中MAPE提升了4.019%，而RMSE 降低了74.40%。由此可見，線損的預測效果有了明顯改善。

3 結束語

該文對電網運行線損管控中的關鍵技術進行了研究，并基于數據融合的思想，借助深度置信網絡構建了線損智能計算網絡。該網絡相較于傳統的等值電阻、潮流法等提高了計算效率，而與BP 神經網絡相比則提升了計算精度。未來隨著電力企業數字化轉型的推進，所提算法將有更廣闊的應用前景。