陳本權(quán)，杜 洋

(煙臺海頤軟件股份有限公司，山東 煙臺 264000)

風(fēng)能、太陽能等新能源因具有高效、清潔的特質(zhì)，在提升發(fā)電能效的同時，縮減了化石能源損耗及污染，是電網(wǎng)綠色發(fā)展的主流趨勢。目前，能源、環(huán)境問題日益嚴(yán)峻，而電力因市場需求量大、覆蓋范圍廣亟待能源創(chuàng)新，驅(qū)動新能源電網(wǎng)的建構(gòu)。電力系統(tǒng)恢復(fù)[1-3]需要電力公司作出謹(jǐn)慎和快速的決策，特別是在極端天氣事件之后，自然災(zāi)害面前更顯配電網(wǎng)的脆弱性。據(jù)統(tǒng)計，2008年后大停電進(jìn)入高發(fā)期[4]，主要經(jīng)濟(jì)體是大停電事故“重災(zāi)區(qū)”，其中自然災(zāi)害原因占56%；電力投資不足導(dǎo)致設(shè)備老化、市場設(shè)計缺陷等電力管理體制原因占31%；意外或人為事故原因占10%；網(wǎng)絡(luò)攻擊成為新興原因占3%，具有隱蔽性、復(fù)雜性強(qiáng)，防御難度大、物理傷害大等特點(diǎn)。在大規(guī)模的停電之后，電力公司主要任務(wù)之一是派遣維修人員前往受損地點(diǎn)，以恢復(fù)供電[5-6]。為了制定電力恢復(fù)計劃，有必要估算受損部件的修復(fù)時間，從而更有效地指導(dǎo)維修人員，并向公眾公布估計的恢復(fù)時間。

為此，許多學(xué)者對故障定性及定量進(jìn)行了研究。文獻(xiàn)[7]提出一種基于深度強(qiáng)化學(xué)習(xí)的孤島微電網(wǎng)故障區(qū)域判定方法，該方法預(yù)先提取孤島微電網(wǎng)的故障特征，并基于深度強(qiáng)化學(xué)習(xí)和三端行波測距法判定孤島微電網(wǎng)故障區(qū)域；文獻(xiàn)[8]提出了基于機(jī)器學(xué)習(xí)回歸算法的配網(wǎng)用戶停電數(shù)量預(yù)測方法，用戶停電數(shù)量預(yù)測可為電網(wǎng)應(yīng)急搶修提供輔助指導(dǎo)；文獻(xiàn)[9]提出了基于時變隱馬爾科夫模型的連鎖故障預(yù)測方法，并在IEEE36模型中驗(yàn)證所提方法的可行性和準(zhǔn)確性。除了考慮對故障的定位或定性，需要對故障修復(fù)及停電恢復(fù)時間進(jìn)行預(yù)測。故障修復(fù)時間是機(jī)組人員維修部件所需的時間，而停電恢復(fù)時間可定義為從維修開始到用電客戶重新可以正常用電所需的時間。然而目前大量文獻(xiàn)應(yīng)用不同方法對配電網(wǎng)中故障位置及停電用戶數(shù)量進(jìn)行預(yù)測，還沒有針對故障修復(fù)及停電恢復(fù)時間預(yù)測的研究。

本文根據(jù)某電力公司服務(wù)區(qū)域內(nèi)的6年維修數(shù)據(jù)，分析了停電的統(tǒng)計特性，研究了不同天氣事件下的停電特征，并利用多層前饋卷積神經(jīng)網(wǎng)絡(luò)(MCNNs)研究停電恢復(fù)和故障修復(fù)時間，預(yù)測不同天氣條件下受損配電系統(tǒng)的停電恢復(fù)和故障修復(fù)時間，從而及時向用戶告知估計的停電恢復(fù)和故障修復(fù)時間，提高電力服務(wù)質(zhì)量。

1 數(shù)據(jù)集與天氣事件分析

1.1 數(shù)據(jù)集

數(shù)據(jù)集由某電力公司6年內(nèi)記錄的數(shù)萬次停電統(tǒng)計情況構(gòu)成，共含50多個不同類別的停電原因。此外，數(shù)據(jù)集中報告的停電涉及多個配電線路。其中每次維修的報告信息包括：維修時間、恢復(fù)時間、中斷的客戶數(shù)量、維修的開始和結(jié)束時間、位置、原因和配電網(wǎng)電路號。不同原因下停電恢復(fù)、故障修復(fù)時間統(tǒng)計情況見表1。

表1 不同原因下停電恢復(fù)和故障修復(fù)時間統(tǒng)計Tab.1 Statistics of outage recovery and fault repair time under different causes

由于天氣事件(如雪、風(fēng)和樹木(風(fēng)導(dǎo)致的樹木觸碰)造成的停電事件變化很大，通常比其他原因造成的停電時間要長得多，這是因?yàn)檫@些事件可能更具破壞性，維修人員可能會遇到運(yùn)輸和移動困難等情況。

使用不相關(guān)的輸入可能會增加計算成本并導(dǎo)致過度擬合，即預(yù)測模型對于特定數(shù)據(jù)過于敏感，從而無法使用其他類型數(shù)據(jù)進(jìn)行準(zhǔn)確預(yù)測。因此在分析數(shù)據(jù)時，必須剔除無關(guān)信息，并找到對輸出有很大影響的輸入。經(jīng)過分析發(fā)現(xiàn)，中斷的客戶數(shù)量對恢復(fù)和修復(fù)時間都有顯著影響。受影響客戶數(shù)量與停電恢復(fù)時間關(guān)系如圖1所示，受影響客戶數(shù)量與故障修復(fù)時間關(guān)系如圖2所示。由圖1、圖2可以看出，受影響的客戶數(shù)量越多，恢復(fù)和修復(fù)時間都會越短。

圖1 受影響客戶數(shù)量與停電恢復(fù)時間關(guān)系Fig.1 Relationship between the number of affected customers and outage recovery time

為了進(jìn)一步驗(yàn)證這種關(guān)系，對暴雪天氣期間多個用戶停電情況進(jìn)行了統(tǒng)計，維修開始和結(jié)束時間之間中斷客戶數(shù)量統(tǒng)計如圖3所示。由圖3可以看出，大量中斷客戶的停電位于圖的底部，且維修開始和結(jié)束時間之間的差異很小(恢復(fù)時間短)。此外，當(dāng)多組停電同時發(fā)生時，預(yù)計恢復(fù)時間將受到顯著影響，但由于維修人員數(shù)量有限，影響大量客戶的停電事件將賦予更高的優(yōu)先級。

1.2 天氣事件

極端天氣事件后停電恢復(fù)時間箱線如圖4所示。

由圖4可知，極端事件(如洪水、大雪和臺風(fēng))后的停電恢復(fù)時間變化很大，臺風(fēng)等破壞性事件期間發(fā)生的停電與冰雹等非極端事件期間發(fā)生的停電之間的巨大差異。臺風(fēng)(根據(jù)等級劃分為熱帶風(fēng)暴、強(qiáng)熱帶風(fēng)暴、臺風(fēng)、強(qiáng)臺風(fēng))是該地區(qū)發(fā)生頻率最高的極端天氣事件，且損失情況難以估計，因此比其他天氣事件造成的停電次數(shù)更多。

極端天氣事件后故障修復(fù)時間箱線如圖5所示。

圖5 極端天氣事件后故障修復(fù)時間箱線Fig.5 Fault repair time box diagram after extreme weather events

2 深度神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)[10]是一種典型的機(jī)器學(xué)習(xí)方法，本文采用多層卷積神經(jīng)網(wǎng)絡(luò)(MCNNs)來分析停電修復(fù)和恢復(fù)時間，網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

圖6 網(wǎng)絡(luò)結(jié)構(gòu)Fig.6 Network structure

該網(wǎng)絡(luò)由輸入層、輸出層及其之間的多個隱藏節(jié)點(diǎn)層(神經(jīng)元)組成，每一層中的每個節(jié)點(diǎn)與下一層中的每個節(jié)點(diǎn)以一定的權(quán)重w連接，MCNNs的學(xué)習(xí)過程通過改變節(jié)點(diǎn)之間連接的權(quán)重實(shí)現(xiàn)。MCNNs使用函數(shù)y=f(x，w)將輸入x映射到輸出y，并通過網(wǎng)絡(luò)學(xué)習(xí)得到最佳函數(shù)近似值的參數(shù)w的值。

在配電網(wǎng)故障修復(fù)和停電恢復(fù)時間預(yù)測模型中，輸入為353個變量。其中，2個為連續(xù)變量，351個為離散變量(二進(jìn)制)。連續(xù)變量為中斷客戶數(shù)量和需要維修的損壞數(shù)量，離散變量為停電原因、電路編號和天氣事件(山洪暴發(fā)、冰雹、大雪、降雨、熱帶風(fēng)暴、臺風(fēng)等)。此外，為了描述不同的離散變量，采用二進(jìn)制變量表示分類特征的輸入。例如，如果天氣事件有4個類別{閃電、冰雹、大雪、降雨}，則MCNNs的輸入為以下二進(jìn)制序列：{0001，0010，0100，1000}，其中，0001為閃電事件，0010為冰雹事件，0100為大雪事件，1000為降雨事件。用于預(yù)測故障修復(fù)時間和停電恢復(fù)時間的MCNNs模型具有相同的結(jié)構(gòu)，但兩個模型的參數(shù)不同。

MCNNs模型使用了用于減少過擬合的Dropout正則化技術(shù)[11]。Dropout隨機(jī)將節(jié)點(diǎn)及其連接從網(wǎng)絡(luò)中刪除，從而防止過擬合。此外，各個卷積層均使用非線性激活函數(shù)。激活函數(shù)用于在網(wǎng)絡(luò)中引入非線性機(jī)制，從而使網(wǎng)絡(luò)能夠模擬輸入和輸出之間的復(fù)雜關(guān)系。所提網(wǎng)絡(luò)中使用Relu激活函數(shù)校正線性單元，Relu在深度網(wǎng)絡(luò)和復(fù)雜數(shù)據(jù)方面具有快速高效的性能。Relu激活功能由以下函數(shù)定義：

g(x)=max(0，x)

(1)

因此，MCNNs的輸出可以用激活函數(shù)表示。令nl為層l中的節(jié)點(diǎn)數(shù)。wl為層l-1和層l中節(jié)點(diǎn)之間的權(quán)重，且有wl∈Rnl×nl-1。al為層l的輸出，且有al∈Rn×1。因此，每一層的輸出al可計算：

al=g(wlal-1)

(2)

當(dāng)輸入層數(shù)l=1時，al=x。對于具有L層(包括輸入層和輸出層)的神經(jīng)網(wǎng)絡(luò)，MCNNs的輸出定義：

y=aL=g(wLaL-1)

(3)

3 仿真與分析

MCNNs模型仿真環(huán)境為Intel Core i7，3.6 GHz CPU和16 GB RAM的服務(wù)器上使用Keras和Tensorflow軟件包構(gòu)建和訓(xùn)練。

數(shù)據(jù)集分為訓(xùn)練集和測試集，測試集用于評估所提出的預(yù)測模型，訓(xùn)練集包括前5年發(fā)生的停電，而測試集為第6年發(fā)生的停電情況。對于用于預(yù)測停電恢復(fù)時間的MCNNs模型，有26 332個訓(xùn)練樣本和5 273個測試樣本；用于故障修復(fù)時間的DNN模型，訓(xùn)練樣本數(shù)為22 791個，測試樣本數(shù)為4 001個。

(4)

式中，N為訓(xùn)練樣本的數(shù)量。

本文采用Adam優(yōu)化器求解和更新訓(xùn)練參數(shù)的值，Adam優(yōu)化器本質(zhì)為基于一階梯度的隨機(jī)目標(biāo)函數(shù)優(yōu)化算法，可實(shí)現(xiàn)基于低階矩的自適應(yīng)估計。DNN網(wǎng)絡(luò)模型訓(xùn)練參數(shù)設(shè)置見表2。

表2 DNN網(wǎng)絡(luò)模型訓(xùn)練參數(shù)設(shè)置Tab.2 Training parameters setting of DNN network model

故障修復(fù)時間學(xué)習(xí)曲線如圖7所示，停電恢復(fù)時間學(xué)習(xí)曲線如圖8所示。

圖7 故障修復(fù)時間學(xué)習(xí)曲線Fig.7 Fault repair time learning curve

圖8 停電恢復(fù)時間學(xué)習(xí)曲線Fig.8 Outage recovery time learning curve

由圖7、圖8可知，與VGG16、ResNet和多層感知器模型相比，MCNNs模型的故障修復(fù)時間和停電恢復(fù)時間分別在21和18次迭代后，網(wǎng)絡(luò)性能達(dá)到最優(yōu)且停止改善，其中故障修復(fù)時間MAE約為0.32 h；停電恢復(fù)時間MAE約為2.20 h。

故障修復(fù)時間與停電恢復(fù)時間占比見表3。由表3可知，80%的預(yù)測故障修復(fù)時間在實(shí)際值30 min內(nèi)，只有2%的預(yù)測故障修復(fù)時間超過實(shí)際值150 min；27%的預(yù)測停電恢復(fù)時間在實(shí)際值的30 min內(nèi)，有72%在實(shí)際恢復(fù)時間的120 min內(nèi)。

表3 故障修復(fù)時間與停電恢復(fù)時間占比Tab.3 Proportion of fault repair time and outage recovery time

故障修復(fù)時間的預(yù)測模型優(yōu)于停電恢復(fù)時間的預(yù)測模型，停電恢復(fù)時間MAE為118.20 min，比故障修復(fù)時間MAE長約90 min，主要是由于停電恢復(fù)時間的高度可變性與復(fù)雜性以及包括另一個不確定變量(維修人員調(diào)度問題)。

4 結(jié)論

配電網(wǎng)故障修復(fù)時間分析與預(yù)測對于電力公司定期維護(hù)設(shè)備、處置突發(fā)狀況至關(guān)重要，提出了MCNNs模型，該模型能夠?qū)W習(xí)配電網(wǎng)故障維修及停電數(shù)據(jù)特征，有效預(yù)測配電網(wǎng)故障修復(fù)及停電恢復(fù)時間，為配電網(wǎng)提高服務(wù)質(zhì)量及應(yīng)急處置提供一定參考。未來可對維修人員調(diào)度進(jìn)行優(yōu)化，進(jìn)一步節(jié)省故障修復(fù)及停電恢復(fù)時間。