基于貝葉斯優化深度學習算法的動態負載入網短期電壓穩定性評估

【關鍵詞】貝葉斯優化；卷積神經網絡；動態負載；短期電壓穩定性

引言

隨著電網中動態負載的不斷普及，動態負載的高比例并網將成為電力系統領域發展的必然趨勢。由于動態負載自身具有較強的隨機波動特性，短期電壓的PV輸出特性曲線會出現非線性波動，嚴重時可能引發較大的電力故障。對于STVS評估這一研究領域，雖然采用支持向量機（Support Vector Machine，SVM）[1]、隨機森林[2]以及貝葉斯模型[3]等能夠解決尋優問題，但存在分類不準確與誤判現象。盡管人工智能算法已應用于電力系統的STVS評估[4]，但在動態負載高比例并網場景下，如何準確評估STVS以及解析其內部影響仍存在困難。

基于上述分析，此文將CNN應用到動態負載并網后STVS評估中，提出一種基于貝葉斯優化CNN的STVS評估模型，該評估模型通過深度學習網絡的損失函數自發優化所需超參數。

一、貝葉斯優化CNN的STVS評估模型

（一）CNN短期電壓評估模型

CNN的主要結構由三部分組成，分別為卷積層、池化層和全連接層。短期電壓穩定與否和動態負載比、發生故障位置及故障持續時間有密切關系。為此，此文采用神經網絡系統CNN提取電網中的動態負載比等特征信息，創建基于CNN的短期電壓穩定性評估模型。

此文采用構建網絡層的方式來高效獲取動態負載并網后電力系統的特征信息，其結構圖如表1所示。

（二）貝葉斯優化算法

神經網絡的參數有參數和超參數之分，超參數對于卷積神經網絡比較重要。但是在電力系統中，通常無法準確獲得超參數與輸出之間的函數表示形式，因此引入貝葉斯優化算法對傳統的神經網絡進行優化。

貝葉斯優化的詳細過程如表2所示。其中，xt為超參數集，受χ的限制；yt是xt的觀測值；εt是誤差；D1：t是用于記錄優化過程的數據矩陣。

（三）基于貝葉斯優化CNN的STVS穩定性評估

為了更好對STVS穩定性和準確性進行評估，此文引入CNN和貝葉斯優化算法進行優化。

在模型性能評估方面，結合混淆矩陣、平均絕對誤差（Mean Absolute Error，MAE）和均方根誤差（Root Mean Squared Error，RMSE）進行分析。在采用數據一樣的前提下，混淆矩陣可直接明了地展示各評估模型準確判定以及誤判、漏判的個數。對于MAE和RMSE這兩個誤差，指標越小越好。其中混淆矩陣如表3所示，兩個誤差的計算表達式如式（1）、式（2）所示：

MAE=1n∑ni=1|y^i－yi|（1）

RMSE=1n∑ni=1（y^i－yi）2（2）

其中，y^i、yi、n分別表示電壓預測值、電壓仿真理論值、短期電壓的數據集。

表3中TP為被模型預測為穩定的穩定樣本；FP為被模型預測為穩定的不穩定樣本；FN為被模型預測為不穩定的穩定樣本；TN為被模型預測為不穩定的不穩定樣本。

優化后的評估模型與CNN模型的超參數對比測試結果如表4所示。可以看出，優化后的模型在MAE和均方誤差（Mean Squared Error，MSE）上均有所減小，說明基于貝葉斯優化CNN模型的準確率較高。

將時域仿真中設置的動態負載比、故障位置及故障持續時間等參數輸入CNN模型進行STVS的評估預測。

二、仿真模型

（一）算例模型

圖1為IEEE39算例單線圖，圖中有10臺發電機、39條母線、19個負荷以及12條變壓器支路、34條為傳輸線支路。其中，1號母線作為平衡節點。

為獲取準確的短期電壓數據，此文對動態負載占比等電力參數設置如下：（1）將每個母線上感應電動機負載比例分別指定為80%、85%、90%、95%和100%；（2）將故障類型設置為更加嚴重的三相短路故障；（3）在母線的不同位置設置三相短路故障，對于某一條母線，從一個端子開始，分別在整個長度的0%、20%、40%、60%和80%的位置設置故障；（4）開始時域仿真時，電力系統需要時間進入穩定狀態，在2 s時添加擾動，間隔性進行清除。

通過以上仿真獲得樣本5 100個。依據國網規范[5]中電壓判穩準則確定數據樣本標簽，最終按照4∶1的比例，可得到4 080個樣本的訓練集和1 020個樣本的測試集。

（二）評估模型

考慮動態負載并網比例特征等參數，在實驗中根據短期電壓數據樣本的規模和大小，引入了Dropout策略，使用Adam學習算法進行模型收斂。模型訓練進程如圖2所示。由圖2分析發現，模型沒有出現過擬合現象，表明貝葉斯優化CNN的STVS評估模型的可行性[6]。

接下來，選擇1 020個樣本的測試集進行評估預測，實驗結果表明，在不同情況下，所提出基于貝葉斯優化CNN的STVS評估模型絕大部分都能準確有效評估短期電壓穩定性，驗證了所提方法的可行性。

三、結果分析

（一）對比分析

將訓練好的貝葉斯優化CNN模型、CNN模型、SVM模型及隨機森林（Random Forest，RF）模型進行驗證對比分析[7]。

繪制出SVM和RF對應的驗證混淆矩陣并依據混淆矩陣計算得出每個模型對應的準確率、精確率、召回率、F1score值和曲線下面積（Area Under Curve，AUC）值，如表5所示。

通過對比分析，此文所提評估模型誤將STVS中不穩定評估為穩定的數據樣本個數是最少的，這也驗證此文所提方法的優越性。通過表5對比表明準確率、精確率、召回率、F1score值和AUC值均優于SVM、RF和CNN的評估模型。

（二）實驗回歸驗證

在搭建的IEEE39節點電力系統上進行時域仿真，設置好相關參數，調整動態負載占比為105%，得到對應的STVS結果與時域仿真結果進行對比。獲取1 020個STVS數據樣本，通過求取五次準確率的均值和標準差驗證所提模型的有效性和泛化性。通過模型驗證，可得所提模型的在線評估準確率可以穩定在93.2%，再次驗證了此文所提模型的有效性和優越性。

結語

此文提出了一種基于貝葉斯優化CNN的STVS評估模型。首先，構建了貝葉斯優化CNN短期電壓評估模型。其次，利用貝葉斯優化調整CNN評估模型的超參數，通過實驗仿真驗證精準評估STVS。最后，對比不同評估模型的評估性能，對比結果表明，與現有的STVS評估模型相比，此文提出的評估模型能夠更加準確有效地對STVS進行評估，具有較好的可行性與優越性。

參考文獻：

[1] 裴曉東，張文龍，劉海龍，等.基于SVMPSO的電網設備早期故障分類方法[J].電網與清潔能源，2022，38（04）：6875.

[2] 楊賀雅，邢紋碩，陳聰，等.基于隨機森林二分類器的模塊化多電平換流器子模塊開路故障檢測方法[J].中國電機工程學報，2023，43（10）：39163928.

[3] 陳世群，楊耿杰，高偉.一種基于BOASAEEELM的光伏陣列故障診斷方法[J].太陽能學報，2022，43（04）：154161.

[4] 毛明軒，馮心營，陳思宇，等.基于貝葉斯優化卷積神經網絡的路面光伏陣列最大功率點電壓預測方法[J].中國電機工程學報，2024，44（02）：620631.

[5] 何嘉純，袁鏡棠，梁觀勝，等.直流充電樁電性能要求及測試平臺設計[J].電子質量，2021（07）：2427.

[6] 楊海燕，胡新成，蔡佳文，等.基于貝葉斯優化支持向量回歸的煤自燃溫度預測模型[J].工礦自動化，2025，51（07）：3643+51.

[7] 張曉飛，唐亮，李鴻釗，等.基于貝葉斯優化的隨機森林路基回彈模量預測方法研究[J].公路與汽運，2025，41（04）：6264.