張軍，宣鐵鋒，吳磊

（上海電力大學(xué)自動化工程學(xué)院，上海200090）

0 引言

有功損耗可以衡量電網(wǎng)的運行效率。對電網(wǎng)損耗的準(zhǔn)確預(yù)估可以有效提高電力系統(tǒng)運行效率[1-3]。本文通過一種基于改進概率神經(jīng)網(wǎng)絡(luò)的粒子群算法[4-5]來提高電網(wǎng)運行數(shù)據(jù)分類的有效性，從而更準(zhǔn)確地評估電力系統(tǒng)的有功網(wǎng)損。依據(jù)模擬電網(wǎng)運行參數(shù)和實時數(shù)據(jù)，依次采用改進PNN 和改進K-means 算法對數(shù)據(jù)進行潮流計算[6,11-13]，得到有效的電網(wǎng)有功損耗評估方法。由仿真結(jié)果可知，對電網(wǎng)損耗進行改進PNN 算法聚類分析，能夠降低網(wǎng)損評估誤差。

1 電網(wǎng)的有功網(wǎng)損評估模型

電力系統(tǒng)的有功網(wǎng)損是電網(wǎng)在電能傳輸工程中產(chǎn)生的電能損失。電能的損耗量是電力系統(tǒng)運行的經(jīng)濟技術(shù)指標(biāo)，降低網(wǎng)絡(luò)傳輸損耗，提高電能利用率，是有關(guān)電力部門的重要工作內(nèi)容。

將發(fā)電機的開機個數(shù)、有功功率、無功功率，表示為電力系統(tǒng)運行的典型參數(shù)。運行方式與電力系統(tǒng)數(shù)據(jù)一一對應(yīng)，對典型數(shù)據(jù)集進行潮流計算，最后可得電力系統(tǒng)典型運行方式下的網(wǎng)損。

式（1）中，F(xiàn) 代表總網(wǎng)損，k 表示典型方式的個數(shù)，plossi表示每組典型方式的網(wǎng)損，t 表示采樣間隔，Ci表示出現(xiàn)每組典型方式的概率。

選取發(fā)電機的開機個數(shù)、有功功率、無功功率，作為表征電力系統(tǒng)運行狀態(tài)的數(shù)據(jù)集。

其中xt為t時刻電網(wǎng)的運行數(shù)據(jù)。

xKJT表示t 時刻開機方式數(shù)據(jù)項，發(fā)電機運行時數(shù)值為1，發(fā)電機停止運行時數(shù)值為0。

xPGT表示t 時刻各發(fā)電機有功功率組成的向量。

xQGT表示t 時刻各發(fā)電機無功功率組成的向量。

2 基于改進粒子群算法的概率神經(jīng)網(wǎng)絡(luò)

2.1 PNN的基本原理

概率神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于非線性濾波，模式分類中。此網(wǎng)絡(luò)用于檢測和模式分類時，可以得到貝葉斯最優(yōu)化結(jié)果。如圖1 所示PNN 的結(jié)構(gòu)圖和徑向基網(wǎng)絡(luò)函數(shù)結(jié)構(gòu)類似，只是在第二層中有些差異。

圖1 PNN的網(wǎng)絡(luò)模型

2.2 建立改進PSO-PNN算法的運行數(shù)據(jù)集

采用基于粒子群優(yōu)化的概率神經(jīng)網(wǎng)絡(luò)對電網(wǎng)運行數(shù)據(jù)集進行聚類，步驟如下：

（1）提取電力大數(shù)據(jù)集各時間段的關(guān)鍵屬性數(shù)據(jù)。即發(fā)電機的開機個數(shù)，發(fā)電機的有功功率，發(fā)電機的無功功率，生成特征狀態(tài)下的電力系統(tǒng)運行方式數(shù)據(jù)集，表示待聚類數(shù)據(jù)集[1]，即：

（2）在數(shù)據(jù)集里隨機選取A 作為初始點，假定最小個數(shù)為m，距離參數(shù)向量為R=XKG,XPG,XQG，其中XKG,XPG,XQG分別對應(yīng)發(fā)電機的開機個數(shù)、有功功率、無功功率。

（3）對于數(shù)據(jù)Xt={ XKGT1,XPGT1,XQGT1}和數(shù)據(jù)Xt={ XKGT2,XPGT2,XQGT2}，若滿足下式要求則認為Xt2在Xt1的R 鄰域內(nèi)。

（4）采用步驟3 中的距離公式，判斷此初始點鄰域內(nèi)的數(shù)據(jù)量，若數(shù)據(jù)量小于m，則判斷A 不是典型樣本，繼續(xù)（2）步驟；如果此數(shù)據(jù)量大于m，則判斷A 是典型樣本[1]。

（5）對于典型樣本，依據(jù)（7）式來計算聚類中心C1。

（6）把C1作為聚類中心，比較C1與數(shù)據(jù)對象xi的間距，若小于r，則xi歸為此類別中；否則判別下一個數(shù)據(jù)，直到判斷所有數(shù)據(jù)對象，同時以C1為聚類中心的數(shù)據(jù)歸為一類。

（7）產(chǎn)生第一個類別T1后，把此類數(shù)據(jù)刪除，并且此類數(shù)據(jù)不參與下次分類，保證數(shù)據(jù)的簡練。

（8）分類結(jié)果的前70%選取為訓(xùn)練樣本數(shù)據(jù)，后30%的結(jié)果作為待確定類別的數(shù)據(jù)，調(diào)用ind2vec 函數(shù)，將類別轉(zhuǎn)換為PNN 可以使用的目標(biāo)向量。

（9）采用粒子群尋優(yōu)法尋找最優(yōu)徑向徑函數(shù)的分布常數(shù)，范圍為30-260。

（10）調(diào)用newpnn，構(gòu)建并訓(xùn)練PNN，最終得到分類數(shù)據(jù)結(jié)果。

3 仿真算例分析

以燃氣輪機仿真平臺為模擬電網(wǎng)數(shù)據(jù)平臺。電力系統(tǒng)的運行方式由發(fā)電機的開機個數(shù)、有功功率、無功功率來表征。同時建立電力系統(tǒng)運行數(shù)據(jù)集，用改進PSO-PNN 聚類算法對運行數(shù)據(jù)進行聚類[1]。發(fā)電機組開機方式按照該機組實際狀態(tài)選取。若發(fā)電機運行，則數(shù)據(jù)項為1，若發(fā)電機停運，則數(shù)據(jù)項為0；仿真軟件及仿真平臺模擬負荷如圖2 所示。

圖2 某地區(qū)單月負荷曲線圖

分別采用普通K-means 聚類算法，改進K-means聚類算法和基于粒子群算法的改進PNN 聚類算法對運行數(shù)據(jù)集進行聚類分析[1-2]。

首先對運行數(shù)據(jù)集進行K-means 聚類，圖3 為8個特征方式的聚類結(jié)果，圖4 為16 類的運行結(jié)果。

圖3 K-means聚類方法數(shù)據(jù)集聚類方式（類別數(shù)8）

圖4 K-means聚類方法數(shù)據(jù)集聚類方式（類別數(shù)16）

有聚類分析可知，類別數(shù)為8 時，連續(xù)60 個運行方式被歸為一類，每組方式的間隔為1 小時，3 天內(nèi)連續(xù)的電網(wǎng)運行數(shù)據(jù)被歸為一類，這對后期計算電網(wǎng)損耗會產(chǎn)生很大的誤差，當(dāng)聚類數(shù)為16 時，依舊存在連續(xù)30 個運行方式被分成同一類，表明通過提高算法分類數(shù)無法解決關(guān)鍵數(shù)據(jù)屬性被淹沒的問題。

對數(shù)據(jù)集進行改進K-means 聚類，類別數(shù)為8 和16，如圖5、6 所示。

圖5 改進K-means聚類方法數(shù)據(jù)集聚類方式（類別數(shù)8）

圖6 改進K-means聚類方法數(shù)據(jù)集聚類方式（類別數(shù)16）

圖7 基于粒子群算法的改進PNN聚類方式

由數(shù)據(jù)分析可知，選用改進K-means 算法不能有效聚類。說明僅僅增加算法的迭代次數(shù)會增加誤差，也不能得到有效的分類。

最后采用基于粒子群算法改進概率神經(jīng)網(wǎng)絡(luò)對運行數(shù)據(jù)集進行聚類。

采用帶斥力因子的改進粒子群算法對PNN 中的spread 參數(shù)尋優(yōu)。

粒子的速度和位置更新公式為

如圖7 所示，基于粒子群算法的改進PNN 算法可以明顯提高分類的細化程度，從而提高分類的有效性。隨著電網(wǎng)節(jié)點規(guī)模的增大，各節(jié)點出力的數(shù)據(jù)所對應(yīng)的聚類屬性也相應(yīng)的增加，從而產(chǎn)生高維聚類問題，導(dǎo)致掩蓋了一些關(guān)鍵數(shù)據(jù)屬性，通過本文所提的算法，可以有效解決這一問題。電力系統(tǒng)特征運行方式體現(xiàn)了電網(wǎng)數(shù)據(jù)屬性對網(wǎng)損評估的影響。

對模擬數(shù)據(jù)進行潮流計算，把不同發(fā)電機數(shù)據(jù)屬性作用下的網(wǎng)損作為實際網(wǎng)損量。比較不同算法的網(wǎng)損結(jié)果。

表1 不同算法網(wǎng)損評估比較

4 結(jié)語

本文用改進PSO-PNN 算法評估電網(wǎng)網(wǎng)損，對電網(wǎng)損耗評估進行整合。

（1）依據(jù)發(fā)電機數(shù)據(jù)屬性和負荷屬性，并用改進PNN 算法進行驗證，分析結(jié)果表明，本文算法能夠有效降低網(wǎng)損評估。

（2）比較K-means 聚類算法，選用改進K-means的聚類結(jié)果，作為改近PNN 算法的測試數(shù)據(jù)集，增加了數(shù)據(jù)集聚類的準(zhǔn)確性，同時采用粒子群最優(yōu)算法，選取了最優(yōu)的spread 參數(shù)，使得聚類效果最優(yōu)。