段軍鵬DUAN Jun-peng；楊陳臣YANG Chen-chen；和鵬HE Peng；許珂瑋XU Ke-wei；李國友LI Guo-you；王加富WANG Jia-fu

（①云南電網有限責任公司楚雄供電局，楚雄 675009；②昆明理工大學電力工程學院，昆明 650500；③云南電網有限責任公司電力科學研究院，昆明 650217）

0 引言

結合我國配電網建設發(fā)展的背景，設備在長時間運行后，線路存在老化等問題，同時配電網的改造速度相對較慢，所以本文所仿真的臺區(qū)存在用電高峰時，臺區(qū)首末端電壓差多數在40V以上，對用戶用電體驗造成影響[1]。針對上述問題，通過對配電網進行無功優(yōu)化，得出優(yōu)化策略，從而提高臺區(qū)末端電壓，降低首末端電壓差值，從而提高用戶電能質量。

傳統(tǒng)對配電網臺區(qū)開展的無功優(yōu)化研究，往往都是針對某一運行狀況下的靜態(tài)無功優(yōu)化，但是臺區(qū)負荷隨時都是在變化的，一種負荷運行情況無法涵蓋臺區(qū)實際運行情況的整體運行場景?，F有文獻對配電臺區(qū)動態(tài)無功優(yōu)化有少量研究，如：文獻[2]針對電力系統(tǒng)動態(tài)無功優(yōu)化的問題，提出了兩階段動態(tài)無功優(yōu)化方法，通過兩階段目標函數的不同從而來達到降低數學計算規(guī)模。文獻[3]針對分布式電源接入，導致的配電臺區(qū)無功優(yōu)化問題，提出一種基于場景法的有源配電網動態(tài)無功優(yōu)化方法。該方法運用K均值聚類和蒙特卡洛模擬法抽樣算法將樣本聚類成3個典型場景，再以網損最小為目標函數來對IEEE33節(jié)點進行動態(tài)無功優(yōu)化。文獻[4]針對配電網動態(tài)無功不足問題，將混合蛙跳算法進行改進，再與K-均值聚類算法進行結合來解決無功優(yōu)化問題。文獻[5]基于某臺區(qū)10kV線路全年負荷動態(tài)變化的運行情況，采用K-均值聚類來對動態(tài)負荷進行分類，以每天日平均負荷作為采樣數據，將一整年的負荷動態(tài)變化歸為6類，再針對每類情況進行優(yōu)化，得到優(yōu)化策略從而降低網損和成本，提高電壓水平。文獻[5]以臺區(qū)一整年的日平均負荷作為仿真數據，每類場景只得出該臺區(qū)的全部節(jié)點一天的總負荷，具體到節(jié)點的負荷是根據百分比來進行分配的，雖然較靜態(tài)無功優(yōu)化問題提高了一定實用性與參考價值，但在模擬實際臺區(qū)的運行工況方面有所不足。

針對已有文獻研究存在的問題，本文采用卷積神經網絡VGG16模型，以臺區(qū)每一個節(jié)點變壓器容量為采樣數據來進行分類，三類場景各個節(jié)點的負荷數據分別設置為低于變壓器額定容量的65%、變壓器額定容量的65%-75%和高于變壓器額定容量的75%，總體分為3類[6-8]，再通過粒子群算法將每類場景進行無功優(yōu)化，得到每類場景的優(yōu)化策略[7]，從而實現對臺區(qū)動態(tài)無功優(yōu)化的處理。具體步驟如下：

Step1：將臺區(qū)37節(jié)點對應變壓器按額定容量百分比來確定每個節(jié)點負荷數據信息。

Step2：每類負荷數據類型選取100個，通過VGG16模型進行學習訓練。

Step3：最終確定為3類場景，后續(xù)隨機選取一組負荷數據，通過訓練完成的VGG16會自動判斷為哪類場景。

Step4：根據場景分類直接得出補償策略。

1 卷積神經網絡VGG16模型簡介

VGG的結構是通過池化層和卷積層來構成的一種CNN（Convolutional Neural Networks，CNN）。它的原理是將有權重的全連接層或卷積層疊加至16層，所以稱為VGG16。與其他卷積神經網絡模型相比，VGG16結構比較簡單，但是應用性強，所以在很多領域都比較適用[9-10]。其結構圖如圖1所示。

結構圖從左開始，任意需要分類的圖片輸入到VGG模型網絡中，圖中白色方塊是卷積層，該層作用是生成新的矩陣，矩陣里面存儲著每次訓練更新的參數值，在不斷訓練的過程中尋找到最佳參數值。黑色方塊是池化，通過卷積層處理會生成一些特征信息，但是這些信息會有重復，為了簡化計算過程池化的作用就是將相似的特征信息進行概括，選取特征區(qū)域的平均值或者最大值。深灰色方塊是全連接層，將每層的權重與最后一層連接起來。淺灰色方塊就是預測層，該層的作用就是將前面輸出的信息轉換為類別概率，從而達到分類的作用。

本文通過VGG16模型來對動態(tài)負荷數據進行分類，通過數據集訓練VGG16模型，后續(xù)將臺區(qū)任意工況放入模型中即可得到該工況屬于哪類情況，得出對應無功優(yōu)化策略。

2 臺區(qū)配電網動態(tài)負荷處理

本文仿真對象選取的是某臺區(qū)10kV線路下37節(jié)點配電網模型，根據每個節(jié)點對應變壓器容量的百分占比來進行分類，將負荷模型共分為3類情況，分別是：

①負荷數據選取占比變壓器額定容量的65%-75%，該運行情況下負荷屬最經濟運行情況，系統(tǒng)在這種運行情況下對于工廠以及大的村落節(jié)點可能會出現無功缺損，此種情況對應現實民用電的平時段。

②負荷數據選取低于占比變壓器額定容量的65%，該運行情況下負荷屬于較低于最經濟運行場景，系統(tǒng)無功不會不足，此種情況對應現實民用電的低谷時段。

③第三種場景結合所選取某臺區(qū)實際情況，該臺區(qū)37節(jié)點中有7個節(jié)點變壓器額定容量高于100kVA，負荷數據選取高于占比變壓器額定容量的75%；除此之外臺區(qū)居民用電也較高，同樣設置高于占比變壓器額定容量的75%。該運行情況下配電網絡會出現無功缺損，線路末端電壓可能出現低于正常電壓值，該運行工況下需要對網絡進行無功優(yōu)化，通過補償無功策略來提高臺區(qū)末端電壓。此種情況對應現實民用電的高峰時段。

以下利用VGG16卷積神經網絡模型來對臺區(qū)負荷數據進行訓練分類，每類樣本數據量為100個：圖2到圖4分別為三類負荷運行場景下的各個節(jié)點的運行負荷情況，曲線圖橫坐標為網絡37節(jié)點的節(jié)點數，縱坐標為對應節(jié)點變壓器實際容量。經過樣本數據的訓練，使得VGG16卷積神經網絡模型形成對臺區(qū)37節(jié)點負荷數據的分類記憶，后續(xù)任取臺區(qū)一個工況的負荷數據放入VGG16卷積神經網絡模型，將自動進行判斷此情況是屬于三類場景中的哪一類場景，根據場景來決定是否進行無功補償，若要補償得出對應補償策略。

3 配電網動態(tài)無功優(yōu)化

3.1 目標函數

本文將臺區(qū)負荷運行情況分為三類，主要考慮節(jié)點配電網損最小為目標來進行配電網無功優(yōu)化，目標函數如下：

式（1）中，Ploss為整個配電臺區(qū)的有功損耗；gk（i，j）是節(jié)點i和節(jié)點j之間的線路電導；Ui為節(jié)點i的電壓賦值；Uj為節(jié)點j的電壓賦值；θij為節(jié)點i和節(jié)點j之間的相角差。

3.2 約束條件

3.2.1 等式約束

臺區(qū)每一個節(jié)點應該滿足有功功率和無功功率的平衡，所以等式約束為功率平衡等式：

式（2）中，Pi為節(jié)點i注入有功；Qi為節(jié)點i注入無功；Ui為節(jié)點i電壓；θij為節(jié)點i，j間電壓相角差；Gij、Bij為節(jié)點導納矩陣元素實部和虛部；n為系統(tǒng)總節(jié)點數。

3.2.2 不等式約束

控制變量的不等式約束條件：

其中，Qimin為電容器無功補償裝置補償出力上限，Qimax為電容器無功補償裝置補償出力下限。

狀態(tài)變量的不等式約束條件為：

其中，Uimin，Uimax為節(jié)點電壓上下限。圖5為PSO算法流程圖。

4 算例分析

本文選取無功優(yōu)化對象為某臺區(qū)共37節(jié)點配電臺區(qū)模型，具體結構圖如圖6所示，通過神經網絡VGG16模型先對臺區(qū)動態(tài)負荷數據進行處理，再通過粒子群優(yōu)化算法對每個場景進行無功優(yōu)化。將本臺區(qū)2021年10kV線路日負荷數據作為仿真數據，結合該臺區(qū)用戶類型來進行分類場景優(yōu)化，由于第二類情況屬于居民用電低谷時段，不存在無功缺額，故主要對第一類和第三類情況進行無功優(yōu)化，得出對應無功優(yōu)化策略，對比優(yōu)化前后節(jié)點電壓情況。

4.1 第一類場景優(yōu)化

該場景對應居民用電平時段，有部分工廠在工作，居民用電處于正常情況，線路末端有部分節(jié)點會出現電壓較低的情況，通過利用粒子群算法來對該類場景進行無功優(yōu)化。

圖7為優(yōu)化前后節(jié)點電壓對比，橫坐標為節(jié)點數，縱坐標為節(jié)點對應電壓值。臺區(qū)首段電壓值為10.5kV，優(yōu)化前節(jié)點6、節(jié)點13和節(jié)點37電壓值較低，通過無功補償之后每個節(jié)點電壓值都有所提高。

根據粒子群優(yōu)化算法得出補償策略如表1所示。

表1 標場景一補償策略

4.2 第三類場景優(yōu)化

該場景對應居民用高峰時段，臺區(qū)共4個工廠都在工作，居民用電也處于高峰情況，線路末端有較多節(jié)點會出現電壓較低的情況，通過利用粒子群算法來對該類場景進行無功優(yōu)化。

圖8為優(yōu)化前后節(jié)點電壓對比，橫坐標為節(jié)點數，縱坐標為節(jié)點對應電壓值。由于該場景處于用電高峰期，所以各個節(jié)點的電壓值都比較低，優(yōu)化前節(jié)點6、節(jié)點8、節(jié)點13、節(jié)點31和節(jié)點37電壓都較低，有兩個節(jié)點電壓值低于9kV，通過無功補償之后每個節(jié)點電壓值都有所提高。

根據粒子群優(yōu)化算法得出補償策略如表2所示。

表2 標場景二補償策略

5 結論

本文考慮了配電臺區(qū)配電網負荷動態(tài)數據的無功優(yōu)化策略，建立基于卷積神經網絡VGG16模型的動態(tài)負荷數據分類，利用粒子群優(yōu)化算法進行無功優(yōu)化，得出優(yōu)化策略，從而得出以下結論：與配電網靜態(tài)無功優(yōu)化相比，基于卷積神經網絡VGG16模型對動態(tài)負荷數據進行分類，能夠比較全面地對臺區(qū)實際運行工況進行模擬，再通過粒子群算法進行無功優(yōu)化，得出對應優(yōu)化策略，相較于優(yōu)化前，節(jié)點電壓有一定提高。