董華忠，蔣達飛，尹維波

（國網冀北電力有限公司唐山供電公司，河北唐山 063000）

近幾年，隨著電動汽車充電時間不斷縮短，續(xù)航能力不斷提高，充電設施不斷完善，城市中電動汽車的數量也在不斷增加。隨著V2G 模式下的分布式光伏發(fā)電及電動汽車大量接入到城市配電網絡，配電網絡中分布式發(fā)電的比例將會大大增加。在大規(guī)模的分布式電源接入后，將不能滿足電力系統運行可靠性和電能高品質要求。當數據不均衡時，一般的分類算法往往會對大部分的類進行預測，從而使其對少數類的學習效率降低。非平衡學習方法包含了數據層次和算法層次兩個層次。在算法層次上，調整決策閾值，通過調整不同類的代價來消除不平衡。數據層級的解決辦法具有算法上的獨立性，采用不同的重新取樣技術來均衡類別的分配。數據采樣技術是通過增加少數類別取樣，即過采樣或欠采樣，以使數據類別分布均衡。由于欠采樣會去除一部分訓練樣本，其缺點是會導致信息的損失，同時也會縮短訓練的時間[1]。過采樣可以通過對少數類別取樣進行拷貝或填充，雖然可以降低類別失衡，但是也導致了更多邊際或噪音樣例的出現[2]。針對這一問題，提出了電動汽車接入配電網不平衡負荷數據漸進學習方法。

1 電動汽車接入配電網不平衡負荷變化規(guī)律

單向無序充電是一種隨意的充電模式，即插即用，是最普遍的電動汽車充電方法。在無秩序狀態(tài)下，使用者的行為具有很大的隨機性，交通習慣與駕駛特征對電動汽車充電時間有顯著的影響[3]。在給定電力系統初始負載和電力系統容量的前提下，利用蒙特卡洛方法分析了電力系統一日的電力需求量，并對其在不同的電力系統中的應用進行了研究。因此，對電動汽車接入對配電網原始負荷變化影響作用進行了定量研究[4]。

電力負荷計算以天為單位，時間間隔以分鐘為單位，計算電動汽車接入配電網的總充電功率，公式為：

式中，Wn,t表示第n輛電動汽車在第t時刻的等效功率；N表示電動汽車接入配電網的總數[5]。

通過計算電動汽車的總充電功率，仿真充電負載曲線，如圖1 所示。

由圖1 可知，電動汽車接入配電網時，在一天內存在兩個高峰期，分別是9:00 和20:00。電動汽車的充電負荷會使一日的配電網負荷增大，而配電網的峰值與原來的峰值電壓疊加，使峰谷差增大，從而使配電網的負荷變得更多[6-7]。按照使用者的習慣，電動汽車在下班后的這段時間開始充電，也就是傳統的峰值時段，這時段的配電網呈現一種“峰上加峰”負荷狀態(tài)，而當電動汽車充電負荷較低時，則會出現峰谷差[8-9]。

在負荷特征分析中，峰谷差率是一個非常重要的參數，其定義如下：

式中，q′表示峰值負荷；q″表示谷值負荷[10]。由于不同時刻，電動汽車充電需求不同，所以在無序充電狀態(tài)下電網峰谷負荷也會增加，這就導致了配電網需要及時調整發(fā)電機容量，從而產生了不平衡負荷。

2 配電網不平衡負荷數據漸進學習

2.1 不平衡負荷數據合成

不平衡負荷數據合成的目的是通過添加合成樣例，平衡少數類訓練信息。將少量的類作為“種子”，采用數據綜合的方法進行合成[11]。為了簡明合成定義，所提及的屬性值欄位是一些例子中的一組屬性值。在產生合成數據時，根據以下方式合成實例的各屬性值：在標準類型的屬性中，數據合成算法從這個屬性的數值分布中隨機選取一個類型的數值。

設屬性b為標注的屬性，其值域范圍為{b1,b2,…,bm}，每個屬性值出現頻率分別為f1,f2,…,fm。利用隨機數發(fā)生器確定一個在（0，1）范圍內的均勻分布隨機數，其中0 是原始數據，1 是合成數據，而合成數據則按類別標示[12-13]。從中選取合成樣例的屬性值，保證合成數據屬性概率分布與實際分布情況一致。

對連續(xù)屬性，用數據合成方法，利用其屬性分布的均值和方差，隨機產生屬性值[14]。根據上述方法，生成各屬性的數值，由此可以獲得一個如圖2 所示的合成樣例。

圖2 合成樣例示意圖

由圖2 可知，在數據合成處理完成后，對合成數據進行了訓練，并加入了一些合成數據，在某種程度上平衡了數據分配。

2.2 不平衡負荷數據漸進學習

結合上述合成的樣例，采用漸進學習方式，學習不平衡負荷數據，詳細步驟為：

步驟1：將無標記數據按照一定時間順序輸入到一個線性分類器中，由于該分類器存在著很大的不平衡性，所以一般將該類型的數據流設置為稀有類型[15]；

步驟2：在非對稱訪問策略的基礎上，利用線性分類器對未標記的不平衡數據進行排序，確定所需標記的樣本；

步驟3：在非對稱更新策略的基礎上，采用了基于錯誤預測的標注數據，改進了線性分類器，同時引入了二次抽樣信息，以優(yōu)化學習效果[16-18]。

非對稱更新策略的步驟如下：

步驟3.1：獲取錯誤預測有標簽數據，為了獲取錯誤預測的有標簽數據，需先計算置信度，公式為：

式中，η表示分類器學習率；δmax表示樣本錯誤分類最大概率；λ表示正則化系數。

根據置信度計算結果，計算當前配電網不平衡負荷數據的非對稱訪問參數，如下：

式中，| |Lt表示線性分類器對當前數據預測的距離。

在確定非對稱訪問參數后，獲取采樣值。針對不同類別樣本設定的采樣系數，通過如下公式進行采樣：

式中，qt表示非對稱訪問參數；φ+表示正類預測的采樣系數；φ-表示負類預測的采樣系數。通過該采樣方式，獲取錯誤預測的有標簽數據。

步驟3.2：更新線性分類器的方差，根據上述獲取錯誤預測有標簽數據，更新線性分類器的方差，公式為：

步驟4：根據更新后的線性分類器方差，在數據集中刪除錯誤的分類器。若少數種類的樣本總數不足，將會不斷加入混合樣例，直至總樣例符合要求為止。

根據上述內容，能夠獲取去除錯分合成的不平衡負荷數據，經過漸進學習方法逐漸平衡負荷。

3 實 驗

3.1 實驗模型及實驗數據分析

選擇了具有高度現代化水平的城市A、B，這兩個城市擁有龐大的車輛和人口（大約兩千萬），有著良好的基礎設施和電力結構，使得電動汽車得以廣泛應用。

為了驗證電動汽車接入配電網不平衡負荷數據漸進學習方法的可行性，在PSCAD 平臺上搭建了電動汽車接入配電網的仿真模型，如圖3 所示。

圖3 電動汽車接入配電網仿真模型

由圖3 可知，配電網不平衡系統直流線路額定直流電壓為10 kV，R2 配電變壓器對應的變流器采用電流和電壓雙閉環(huán)控制模式，R1 和R3 配電變壓器使用功率解耦控制模式。

利用A、B 兩個城市的典型日負載曲線作為初始負載曲線，分析了不同規(guī)模下的電動汽車對配電網負荷變化影響的影響，如圖4 所示。

圖4 不同規(guī)模下電動汽車充放電對配電網負荷變化影響

由圖4 可知，第一階段是充電時段，第二階段是放電時段。其中城市A 的峰谷時間段是8-12 h 和20-24 h，城市B 的峰谷時間段是8-10 h、12-15 h 和20-24 h，由于不同時間點的充放電需求不同，所以兩市峰谷值增加幅度也不同。

3.2 實驗結果與分析

根據上述分析的實驗數據，分別使用欠采樣、過采樣和漸進學習方法，對比分析城市A、B 不同規(guī)模下電動汽車充放電對配電網負荷變化影響，如圖5所示。

由圖5 可知，使用欠采樣、過采樣方法分析的結果與圖4 所示波動曲線不一致，使用漸進學習方法分析的結果與圖4 所示波動曲線一致，由此說明，使用該方法分析結果更加精準。

圖5 三種方法電動汽車充放電對配電網負荷變化影響分析結果對比

對比三種方法不平衡數據逐漸達到平衡狀態(tài)所耗費的時間，如表1 所示。

表1 三種方法耗費時間對比分析

由表1 可知，使用漸進學習方法的耗費時間最短，其與欠采樣方法的最大時間差為119 ms；與過采樣方法的最大時間差為61 ms。由此可知，使用所提方法能夠在短時間內快速平衡負荷數據。

4 結束語

該文提出的一種電動汽車接入配電網不平衡負荷數據漸進學習方法，在線性分類器出現錯誤時，逐步加入綜合樣值，并將錯誤分類及時剔除。在數據達到期望的平衡狀態(tài)后，利用原始數據和綜合數據對學習算法進行訓練，以獲得最終的學習效果。實驗結果表明，使用該方法能夠快速平衡負荷數據。