基于決策樹集成的主動配電網在線無功優化

摘要：為實現新能源出力頻繁波動下的配電網電壓治理，基于參數規劃理論，以節點負荷需求、新能源出力作為不確定性參數建立主動配電網無功優化問題含參數的混合整數二階錐規劃模型；為提高無功優化模型的在線求解效率，將混合整數錐規劃最優解的整數變量和緊約束定義為離散決策動作，采用決策樹集成分類模型學習不確定性參數到決策動作的映射關系。通過歷史數據構建決策動作數據集，訓練決策樹模型，基于實測參數預測最優決策動作，通過固定混合整數規劃中的整數變量和緊約束，從而提高模型的求解效率。以改進的IEEE 33節點系統進行算例分析，與傳統數學優化法對比，驗證了所提方法的可行性及優勢。

關鍵詞：主動配電網；無功優化；參數規劃；分布式新能源；決策樹

中圖分類號：TM711；TP391.92文獻標志碼：A文章編號：1001-5922（2025）01-0173-04

Online reactive power optimization of active distribution network based on decision tree integration

JING Xiaosong，SUN Hongyu，QIAN Rong，JIA Guanghao，LI Qi

（Beijing ZhongdianFeihua Communication Co.，Ltd.，Beijing 100053，China）

Abstract：To achieve voltage control in distribution networks under frequent fluctuations in new energy output，based on parameter planning theory，a mixed integer second-order cone programming model with parameters was es?tablishedwith node load demand and new energy output as uncertainty parameters.To improve the online solving ef?ficiency of reactive power optimization models，the integer variables and tight constraints of the optimal solution of mixed integer cone programming were defined as discrete decision actions，and a decision tree ensemble classifica?tion model was used to learn the mapping relationship between uncertainty parameters and decision actions.Thede?cision action dataset was constructed using historical data，and a decision tree model was trained，the optimal deci?sion action was predicted based on the measured parameters，and the integer variables and tight constraints in the mixed integer programming were fixed，so as to improve the solving efficiency of the model.The improved IEEE 33 node system was used for numerical analysis，and compared with traditional mathematical optimization methods，the feasibility and advantages of the proposed method were verified.

Keywords：active distribution system；volt/var optimization；parametric planning，distributed new energy，decision tree

對于實際的主動配電網（ADN）無功優化問題，其網絡拓撲、線路參數、無功補償設備的裝設等因素可以依據現場情況事先確定。而用戶負荷需求、新能源出力等因素實時變化[1]，ADN的在線無功優化決策具有高重復性的特點，不同實時變化量對應不同的決策動作。受此啟發將實時變化量作為不確定性參數（簡稱為參數），基于參數規劃理論建立ADN無功優化的數學優化模型，并采用決策樹分類器挖掘參數與問題最優解（即決策動作）之間的映射關聯[3-5]。為此，研究基于參數規劃建立ADN無功優化的混合整數二階錐規劃（MISOCP）模型，針對模型中的整數變量和冗余約束數目較多的問題，將“離散決策動作”定義為整數變量和緊約束的取值，并提出一種“決策動作集合”的構建方法，并對方法的可行性進行驗證。

1基于參數規劃的無功電壓優化模型

從系統經濟性和新能源消納的角度出發，選取最小化網損和新能源削減作為無功優化的目標。該模型考慮了新能源出力特性，在保證電壓質量的前提下優化配電網潮流。高比例新能源接入下的數學優化模型。

1.1目標函數

式中：Pinv和Qcom為決策變量，分別表示DG逆變器的并網有功功率和無功補償裝置的補償量；α1，α2，α3是權重系數；Ploss表示配電網的有功網損，由公式給出；Pcurt表示DG有功出力的削減量，由公式給出；tapchg表示離散設備在當前時刻與上一時刻檔位變化量。

式中：B為配電網節點集合；c（i）為與節點i相連的節點集合；rij為支路電阻；Iij為支路電流的幅值；Pij和Qij分別為ij支路首段有功功率和無功功率；Vi表示節點i的電壓幅值。

式中：D為主動配電網中DG接入點的集合。假定DG逆變器全部運行在最大功率點跟蹤（MPPT）模式，由此可以得到逆變器的有功出力監測值PDG[6-9]。但在主動配電網運行中，過量的節點注入功率容易帶來電壓質量問題。因此，DG有功出力通常不能完全消納，引入Pinv變量表示逆變器并網的實際有功功率。Pcurt表示逆變器有功出力的功率削減量。

1.2功率平衡約束

針對輻射狀配電網，考慮到其支路潮流模型（BFM）具有非凸非線性的特點，采用二階錐（SOC）松弛的潮流方程進行建模[10-11]。引入輔助變量，

則二階錐松弛的潮流方程如下：

式中：u（j）表示電網中以j為末端節點的支路的首端節點集合；v（j）表示電網中以j為首段節點的支路的末端節點集合；Ui和Jij是輔助變量；rij和xij分別為ij支路的電阻和電抗；Pj和Qj分別為節點j的注入有功功率和無功功率。j0記為根節點，則P0和Q0表示從輸電網流入該配電網的功率。j0時，Pj和Qj即為各節點負荷的負值。

由上述潮流模型得到電壓幅值和支路功率后，電壓相角可由下式確定[12-15]：

1.3電壓、電流安全約束

式中：Vimin和Vimax分別為安全電壓范圍下的最小和最大值；Iij（m）ax為支路電流幅值的臨界值。

1.4無功補償設備特性約束

對于離散型設備，其無功補償量取決于離散投切擋位的變化。以電容器組為例，其約束如下：

式中：BSC為裝設電容器組的節點集合；Qi in和Qi（s）i（e）n（p）

分別為節點i上電容器組的投運容量和每一擋位的無功補償量；tapi為檔位控制變量；n為電容器組數。

此外，為了提高離散型設備的使用壽命，在目標函數中加入了對擋位變化的懲罰項，以限制其擋位變化次數。因此，當連續型設備提供的無功補償量可以滿足電壓要求時，離散型設備應保持不變。

對于連續型設備，其無功補償量在一定范圍內連續可調。以SVC為例，其約束如下：

式中：BSVC為裝設SVC的節點集合；Q in（ax）和Q in（in）分別為節點i上SVC投運容量的上下限。

1.5 DG逆變器出力約束

逆變器無功補償最大值與逆變器容量之間的關系滿足：

式中：Qm（in）x為逆變器最大無功補償量；Sinv為逆變器容量，一般為額定有功容量的1.1倍。

根據上述分析，DG逆變器的出力約束如下：

式（1）～式（11）構建的數學優化模型的目標函數、約束條件是隱含參數q的方程式，因此，構成了基于參數規劃的無功電壓優化模型（parametric pro?gramming VVO，簡稱pp-VVO）。

2基于決策動作集的pp-VVO決策加速求解

2.1構建決策動作集合

由于不同的參數可能對應相同的離散決策動作，因此只將不同的離散決策動作加入決策動作集合中并完成離線數據集的構建。

pp-VVO的求解旨在尋找最優的調壓設備決策動作，該模型中的整數變量即離散調壓設備的決策動作，于是：

一旦pp-VVO中的整數變量和緊約束確定了，其就退化為以下不含整數變量的優化模型：

其中，xI表示決策變量中的整數變量。這是個約束數目減少的線性規劃問題，從而可以在線高效求解。大規模配電網的無功優化問題包含了大量的運行約束，但其中許多都不會構成最終的可行域，存在大量冗余約束。因此，給定參數后可以設計多分類器用于快速確定pp-VVO的離散決策動作，從而大大提高在線求解速度。

2.2決策加速多分類器

選取決策樹集成分類器學習由參數到離散決策動作的映射關系。決策樹集成是一種集成學習方法，由于其高預測準確率和較好的可解釋性而被廣泛使用，它結合了多個基學習器來構建一個復雜的集成學習模型。選擇分類決策樹作為基學習器，并采用極限梯度提升（XGBoost）框架構建集成學習模型，其具有計算高效、結構靈活等優點。該分類器由分類與回歸樹（CART）組成，其分類結果由葉子節點上的評分值決定。

對于樣本大小為N的參數集合ΘN{θ1…θN}，假定構建的決策動作集合包含M個離散決策動作，標記為d1…dM。對于第i個樣本，該分類器的預測值如下：

式中：di是參數θi下預測的離散決策動作；K是決策樹的總數；rk表示基學習器（即CART），每個基學習器包含決策樹的結構及其葉子節點的評分值；R是決策樹構成的空間。該集成模型以分類準確率為目標不斷學習CART的結構并添加新的樹，直到終止條件滿足，即添加新的樹預測精度降低或決策樹總數達到最大數目Kmax。

決策樹模型的學習目標是最小化經驗誤差函數：

式中：l（di d（?）i）是交叉熵誤差函數；Ω（r）是正則項，用于限制模型的復雜程度，避免過擬合；T是決策樹中葉子節點的數量；w是葉節點的權重；g和l是可調節的超參數。

3算例及仿真效果分析

3.1仿真環境

為了仿真實際配電網中的DG接入情況，采用云南省某地區實測光伏出力和負荷數據用于模擬DG和節點負荷，并基于電壓等級進行了歸一化調整。在33節點系統中，設置節點3、6、15、27、31共5個光伏接入點，光伏逆變器容量設定為250 kW，光伏滲透率約20%。該系統中的調壓設備包含1臺OLTC，3臺CB，2臺SVC。其中，OLTC共9個檔位，變化范圍0.9～1.1 p.u.（1±4×2.5%），安裝在線路（1，2）上。CB共4個檔位，每個檔位控制200 kVar無功容量，安裝在節點9、14、28。SVC的無功調節范圍-500～500 kVar，安裝在節點8、26。改進的IEEE 33標準節點系統如圖1所示。

在IEEE 33節點系統中構建單時段無功優化的MISOCP模型，每個時段代表1 h。為了構建離散決策集，由CVXPY建立pp-VVO的參數規劃模型。離線階段的參數集合由高斯分布采樣得到，即：

式中：N1、N2、N3為3個不同的高斯分布。調用Gur?obi作為優化求解器構建決策動作集合，決策樹模型的超參數由Optuna自動選取。算法參數如表1所示，仿真計算在一臺配備2.6 GHz Intel Core i7-10750H CPU和16 GB RAM的筆記本電腦上進行。

3.2求解效果分析

以下從求解效率和解的可行性兩方面分析所提方法的有效性。表2展示了本文提出的決策加速方法（表中簡記為XGBoost）和直接調用Gurobi的求解效率。

由表2可知，多時段VVO問題含有較多的離散變量和約束，且和配電網規模呈正比，這使得在線快速求解VVO較為困難。而決策加速方法在本算例上平均提高求解效率6.7倍，顯著縮短了求解時間。由于多分類器預測無法保證解的可行性，這里的平均耗時包括預測解不可行將其作為初始解重新調用Guro?bi的情況。

4結語

提出了一種基于決策樹集成的決策加速方法，對于參數規劃建模的主動配電網無功優化問題，訓練了決策加速多分類器用于預測離散變量和緊約束，該方法使原問題退化為不含整數變量的連續優化模型，且含有更少的約束條件。在33節點系統上的算例分析表明，所提方法能夠以約80%的概率預測可行解。對于預測不可行解的情況，通過將預測解作為初始解的方式，可以降低求解器的求解時間。總之，提出的決策加速方法的平均耗時相比Gurobi加速6.7倍，且保證解的可行性，能顯著加速主動配電網無功優化問題的在線求解。

【參考文獻】

[1]張智剛，康重慶.碳中和目標下構建新型電力系統的挑戰與展望[J].中國電機工程學報，2022，42（8）：2806-2819.

[2]楊明，羅隆福.計及風電與負荷不確定性的電力系統無功隨機優化調度[J].電力系統保護與控制，2020，48（19）：134-141.

[3]YANG Q，WANG G，SADEGHI A，et al.Two-timescale voltage control in distribution grids using deep reinforce?ment learning[J].IEEE Transactions on Smart Grid，2020，11（3）：2313-2323.

[4]林少華，王正卿，郭清元，等.基于二階錐規劃的含分布式電源配電網動態無功分區與優化方法[J].電網技術，2018，42（1）：238-246.

[5]陳永進.基于混合整數凸規劃的有源配電網重構與無功電壓協調優化[J].電力電容器與無功補償，2020，41（6）：21-29.

[6]張濤，余利，姚劍峰，等.基于改進多目標差分灰狼算法的配電網無功優化[J].信息與控制，2020，49（1）：78-86.

[7]李琦，喬穎，張宇精.配電網持續無功優化的深度強化學習方法[J].電網技術，2020，44（4）：1473-1480.

[8]倪爽，崔承剛，楊寧，等.基于深度強化學習的配電網多時間尺度在線無功優化[J].電力系統自動化，2021，45（10）：77-85.

[9]胡丹爾，彭勇剛，韋巍，等.多時間尺度的配電網深度強化學習無功優化策略[J].中國電機工程學報，2022，42（14）：5034-5045.

[10]王軍，賴俊，章樂貴，等.多智能體博弈強化學習研究綜述[J].計算機工程與應用，2021，57（21）：1-13.

[11]徐超，孫金莉，楊郡，等.基于分布式支持向量機的電網錯誤數據注入檢測法[J].粘接，2023，50（2）：188-192.

[12]李子健，吳愛軍，楊敏瓏，等.融合雙重策略粒子群算法的分布式電源配網無功優化[J].南方電網技術，2022，16（6）：14-22.

[13]王杰鴻，龔新勇，章平，等.改進遺傳算法的配電網的無功優化的研究[J].電子器件，2020，43（4）：767-770.

[14]許瑾瑾，陳曉杰.基于自適應神經網絡的側負荷柔性拓撲優化研究[J].粘接，2023，50（7）：189-193.

[15]MARCUCCI T，TEDRAKE R.Warm start of mixed-Inte?ger programs for model predictive control of hybrid sys?tems[J].IEEE Transactions on Automatic Control，2021，66（6）：2433-2448.

（責任編輯：平海，蘇幔）