紀素娜,吳丹妍,林幕群,黃朝凱

(廣東電網(wǎng)有限責(zé)任公司汕頭供電局,廣東 汕頭 515041)

0 引言

隨著高壓直流輸電(high voltage direct current,HVDC)和風(fēng)能、太陽能、水電能等新能源的不斷發(fā)展,現(xiàn)代電力系統(tǒng)已成為大規(guī)模交直流混合電網(wǎng)系統(tǒng)[1-2]。由于電力需求的不斷增長,電力系統(tǒng)被迫在壓力更大、安全級別更低的條件下運行。實際電力系統(tǒng)運行可基于網(wǎng)絡(luò)、大數(shù)據(jù)、物聯(lián)網(wǎng)、通信技術(shù)[3-5],對通過關(guān)鍵接口的功率傳輸進行監(jiān)測,從而及時發(fā)現(xiàn)電網(wǎng)安全隱患。電網(wǎng)數(shù)據(jù)安全分析對配電網(wǎng)動態(tài)安全評估具有重要意義,可為后續(xù)的預(yù)防控制提供有價值的決策信息。

為此,眾多學(xué)者對配電網(wǎng)數(shù)據(jù)安全分析進行了研究。文獻[6]提出了1種基于模糊神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)故障風(fēng)險智能預(yù)警方法,有效提升了配電網(wǎng)異常事件約束及預(yù)警算法效率。文獻[7]提出了1種新的配電網(wǎng)多級繼電保護系統(tǒng)故障運行狀態(tài)預(yù)警方法。該方法通過信號檢測器判斷配電網(wǎng)多級繼電保護系統(tǒng)故障是暫時性故障還是永久性故障。文獻[8]提出了1種基于風(fēng)險評估計算安全預(yù)警評估指標(biāo)的方法。該方法對低壓臺區(qū)運行狀態(tài)實施定量分析,并對狀態(tài)實時變化的風(fēng)險進行預(yù)警?，F(xiàn)有研究的配電網(wǎng)安全分析方法大多針對低壓或高壓單一情況,而混合配電網(wǎng)數(shù)據(jù)的安全分析研究較少。此外,風(fēng)電等新能源存在不確定因素及故障數(shù)據(jù)不易收集而導(dǎo)致數(shù)據(jù)量不均衡等問題。這給混合配電網(wǎng)數(shù)據(jù)分析帶來了挑戰(zhàn)。

針對上述問題,本文提出了1種基于計算智能的混合電網(wǎng)數(shù)據(jù)分析方法。該方法充分結(jié)合基于快速相關(guān)的濾波器(fast correlation-based filter,FCBF)、堆疊稀疏去噪自動編碼器(stacked sparse denoising automatic encoder,SSDAE)、半監(jiān)督極限學(xué)習(xí)機(semi supervised extreme learning machine,SSELM)、生成對抗網(wǎng)絡(luò)(generative adversarial network,GAN)等技術(shù),可有效提升混合電網(wǎng)數(shù)據(jù)安全評估效率。

1 最大輸電能力估計模型

本文提出了用于快速、動態(tài)、安全地評估運行條件的最大輸電能力估計模型。該模型通過比較實際功率傳輸和最大傳輸能力來評估運行條件的安全性。如果實際功率傳輸小于最大傳輸能力,則運行條件為安全;否則,為不安全。

最大輸電能力估計模型的輸入為原始特征,經(jīng)過FCBF、SSDAE、SSELM、GAN等關(guān)鍵技術(shù),輸出為最大傳輸能力值。

首先,最大輸電能力估計模型基于FCBF從原始輸入特征中剔除無意義特征,以簡化特征維度,從而提高輸入數(shù)據(jù)質(zhì)量。其次,最大輸電能力估計模型將簡化后的特征代入SSDAE,并從輸入特征中提取高級表示,從而學(xué)習(xí)復(fù)雜特征之間的內(nèi)部關(guān)系。接著,最大輸電能力估計模型基于GAN進行電力數(shù)據(jù)增強,從而提高樣本多樣性。最后,最大輸電能力估計模型基于SSELM構(gòu)建高層表示和最大傳輸能力值之間的內(nèi)在聯(lián)系。

2 模型關(guān)鍵技術(shù)

2.1 基于FCBF的特征選取

混合電力網(wǎng)中,原始輸入特性包括影響最大傳輸能力評估的所有因素。假設(shè)負載功率因數(shù)和風(fēng)力發(fā)電功率因數(shù)恒定,本文選擇發(fā)電機的終端電壓、負載的有功功率、發(fā)電機、風(fēng)電場和HVDC鏈路作為原始輸入特征以表征運行條件。此外,最大傳輸能力可以通過預(yù)防性控制措施改善,如發(fā)電機功率重調(diào)度、HVDC設(shè)定點控制和甩負荷等。當(dāng)采取這些預(yù)防性控制措施時,相應(yīng)母線的功率注入將發(fā)生變化。這些變化可以通過原始輸入特征反映。考慮到大型電網(wǎng)的輸入特征維數(shù)非常高,為消除不相關(guān)的輸入特征,本文基于FCBF進行特征選取,從而提高最大傳輸能力估計模型的準(zhǔn)確性和訓(xùn)練效率。

FCBF使用對稱不確定性測量2個隨機變量的非線性相關(guān)性,并快速從高維輸入特征中消除不相關(guān)特征。輸入特征選擇過程為:首先,計算每個特征和最大傳輸能力之間的對稱不確定性;其次,如果特征的對稱不確定性低于預(yù)定義的相關(guān)性閾值,則消除該特征。本文考慮了混合電網(wǎng)中風(fēng)電功率的不確定性,因此風(fēng)電場的有功功率始終保留在輸入特征中。

2.2 基于SSDAE的特征提取

為了有效提取混合電網(wǎng)高級表示,本文將輸入數(shù)據(jù)轉(zhuǎn)換為一系列長度和高度相同的二維數(shù)據(jù),并提出了一種基于SSDAE的特征提取方法。

(1)

對DAE進行改進后的堆疊去噪自動編碼器(stacked denoising automatic encoder,SDAE)LT為:

(2)

本文所提SSDAE特征提取器通過疊加SDAE構(gòu)建,并以貪心的分層方式進行訓(xùn)練,即前者的隱藏層用作后者的輸入。為解決多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練時存在的梯度消失問題,本文提出了1種貪婪分層訓(xùn)練策略:自下而上的無監(jiān)督預(yù)訓(xùn)練和自上而下的有監(jiān)督微調(diào)。特征提取器遵循從SDAE1到SDAEn的逐層預(yù)訓(xùn)練過程:首先,通過正向傳播計算第i層的網(wǎng)絡(luò)參數(shù)wi、bi和Fi;其次,將上一層的Fi作為下一層的輸入來計算Fi+1,直至訓(xùn)練結(jié)束;最后,對所有SDAE進行疊加,生成最終特征映射,用于進一步的監(jiān)督訓(xùn)練。

2.3 基于GAN的電力數(shù)據(jù)增強

本文令數(shù)據(jù)集X上可觀測特征的真實樣本分布為Pg。本文假定輸入噪聲向量z下的數(shù)據(jù)分布為z～Pz(z)。GAN中生成器的目標(biāo)為找到1個可微函數(shù)G,使得:

Pg(x)=G(z;θg)

(3)

式中:G為由多層感知器表示的可微函數(shù);θg為生成器網(wǎng)絡(luò)的權(quán)重。

同理,鑒別器可定義為1個多層感知器D(x,θd)。其輸出為單個標(biāo)量。D(x)為數(shù)據(jù)x來自生成器的概率。θd為鑒別器網(wǎng)絡(luò)的權(quán)重。鑒別器的主要目標(biāo)是最大化實際數(shù)據(jù)和生成數(shù)據(jù)之間的相似性。

本文所提基于GAN的電力數(shù)據(jù)增強網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 基于GAN的電力數(shù)據(jù)增強網(wǎng)絡(luò)結(jié)構(gòu)

GAN訓(xùn)練過程可分為2個步驟:用固定的生成器參數(shù)更新鑒別器和用固定的鑒別器參數(shù)更新生成器。根據(jù)前述生成器和鑒別器的目標(biāo),GAN需要根據(jù)損失函數(shù)更新神經(jīng)網(wǎng)絡(luò)的權(quán)重。鑒別器和生成器的損失函數(shù)分別如式(4)和式(5)所示。

Ez～Pz(z){log{1-D[G′(z)]}}

(4)

(5)

進一步結(jié)合式(4)和式(5),則有:

Ez～Pz(z){log{1-D[G′(z)]}}

(6)

2.4 基于SSELM的高層表示

一般情況下,監(jiān)督學(xué)習(xí)需要大量標(biāo)記樣本[10-11]。然而,在考慮動態(tài)安全約束的情況下,最大傳輸能力估計的標(biāo)記樣本生成非常耗時。為此,本文采用SSELM,通過將流形正則化項嵌入極限學(xué)習(xí)機(extreme learning machine,ELM)的損失函數(shù),從而利用額外的未標(biāo)記樣本提高回歸精度。與使用基于梯度的訓(xùn)練算法的神經(jīng)網(wǎng)絡(luò)相比,SSELM具有更高的訓(xùn)練效率,且通常具有更好的泛化性能。

SSELM模型結(jié)構(gòu)如圖2所示。

圖2 SSELM模型結(jié)構(gòu)

SSELM的損失函數(shù)如式(7)所示。

(7)

式中:Les為SSELM的損失函數(shù);C1為懲罰系數(shù),取C1=30;Y為訓(xùn)練樣本的標(biāo)簽向量,即訓(xùn)練樣本的最大傳輸能力值向量;J為隱含層的輸出矢量;ωe為SSELM的輸出權(quán)重向量;C2為流形正則項的系數(shù),取C2=0.2;Tr(·)為矩陣的軌跡;H為隱含層神經(jīng)元相對于所有標(biāo)記和未標(biāo)記樣本的輸出矩陣;L為拉普拉斯矩陣。

(8)

式中:h為隱藏神經(jīng)元的數(shù)量,取h=280;Ih為維數(shù)為h的單位矩陣。

3 仿真與分析

3.1 數(shù)據(jù)集與試驗設(shè)置

試驗所用數(shù)據(jù)集為中國某兩市互聯(lián)輸電網(wǎng)線路采集的數(shù)據(jù)。該電網(wǎng)包含2 292條母線、8條HVDC鏈路、305臺發(fā)電機和3 761條交流線路。電網(wǎng)基本負荷為126.547 GW。8條HVDC鏈路相關(guān)參數(shù)如表1所示。

表1 8條HVDC鏈路相關(guān)參數(shù)

互聯(lián)輸電網(wǎng)線路鏈接如圖3所示。

圖3 互聯(lián)輸電網(wǎng)線路鏈接示意圖

圖3互聯(lián)輸電網(wǎng)包含2個電網(wǎng),即電網(wǎng)1和電網(wǎng)2。電網(wǎng)之間的關(guān)鍵輸電接口由1條1 000 kV和3條500 kV的輸電線路組成。其中,電網(wǎng)1包括6個500 MW的風(fēng)電場,電網(wǎng)2中一部分發(fā)電機設(shè)置為旋轉(zhuǎn)備用發(fā)電機。當(dāng)風(fēng)力發(fā)電波動時,旋轉(zhuǎn)備用發(fā)電機將調(diào)節(jié)功率輸出,從而保持功率平衡。在計算最大傳輸能力時,電網(wǎng)1的發(fā)電功率和電網(wǎng)2的負荷功率同時增加。

電網(wǎng)中故障類型包括單個500 kV或1 000 kV輸電線路的三相短路故障。靜態(tài)安全約束條件設(shè)置為:正常和故障后狀態(tài)的母線電壓在0.9～1.1 p.u.范圍;暫態(tài)穩(wěn)定約束為任意2個轉(zhuǎn)子角度的最大分離不超過180°;瞬態(tài)電壓安全約束為0.75～1.1 p.u.范圍的任意母線電壓的持續(xù)時間不超過1 s;判斷換相故障的最小允許電壓設(shè)置為0.8 p.u.。判斷強制HVDC阻塞的時間閾值設(shè)置為1 s。

仿真軟件環(huán)境為由pycharm建立算法框架、由Python基于tensorflow和Keras搭建學(xué)習(xí)算法。同時,算法運行硬件環(huán)境為Intel Core i9-9280X CPU,內(nèi)存為32 GB,操作系統(tǒng)為Ubuntu 18.04 64位,顯卡為 NVIDIA RTX2080Ti 11G 2塊。仿真時,數(shù)據(jù)集中的50%樣本需進行標(biāo)注,并將標(biāo)注的樣本按照8∶2分為訓(xùn)練集和測試集,并代入所提SSELM模型進行訓(xùn)練。訓(xùn)練完成后,標(biāo)注的測試集和未標(biāo)注的樣本共同構(gòu)成驗證集以進行驗證。

3.2 綜合評估

試驗選取均方根誤差(root mean square error,RMSE)、平均相對誤差(average relative error,ARE)指標(biāo)來衡量模型性能。RMSE和ARE較小表示模型估計能力較高,較大表示模型估計能力較低。RMSE和ARE計算如式(9)和式(10)所示。

(9)

式中:N為樣本個數(shù);Pi為第i個樣本的真實值;Oi為第i個樣本的估計值。

(10)

不同模型在優(yōu)化策略下訓(xùn)練集ARE對比如圖4所示。

圖4 不同模型在優(yōu)化策略下訓(xùn)練集ARE對比

由圖4可知,SSELM模型+基于FCBF的特征選取+基于SSDAE的特征提取+基于GAN的數(shù)據(jù)增強訓(xùn)練性能最優(yōu),最低ARE為0.018 9。該結(jié)果表明所提模型具有較好的訓(xùn)練效果?；A(chǔ)ELM模型訓(xùn)練波段較大,收斂曲線非常不穩(wěn)定,最低ARE為0.0543。這是因為所提模型的特征選擇與特征提取可以有效過濾不重要特征,從而提升模型訓(xùn)練針對性,有意引導(dǎo)模型向更優(yōu)特征學(xué)習(xí)。此外,數(shù)據(jù)增強能夠在一定程度上抑制過擬合問題,從而使模型能夠快速跳出“局部極值”,進一步加快網(wǎng)絡(luò)訓(xùn)練效果。

為了進一步測試所提模型性能,本節(jié)在5個模型上進行了測試集對比驗證。5個模型分別是基礎(chǔ)ELM、FCBF特征選擇ELM(F-ELM)、SSDAE提取的高級表示ELM(S-ELM)、所提模型(無GAN數(shù)據(jù)增強)以及所提模型(SSELM+FCFB+SSDAE+GAN)。

測試集不同模型對比結(jié)果如表2所示。

表2 測試集不同模型對比結(jié)果

由表2可知,所提模型(基于GAN)的ARE和RMSE分別為0.020 9和81.59 MW。而基礎(chǔ)ELM最高,ARE和RMSE分別為0.084 6和289.51 MW。仿真結(jié)果表明,所提模型(基于GAN)可以利用未標(biāo)記樣本有效提高回歸精度。這是因為傳統(tǒng)模型非常依賴數(shù)據(jù)樣本的質(zhì)量,如果驗證集質(zhì)量不高,將嚴重影響估計結(jié)果。另外,與基礎(chǔ)ELM模型相比,F-ELM和S-ELM性能更優(yōu)。這是因為特征選擇可以有效提升特征提取之間的關(guān)鍵信息,從而有效提高模型的回歸精度。

4 結(jié)論

本文對混合電力網(wǎng)電力數(shù)據(jù)進行了研究與分析,建立了1種基于計算智能的混合電網(wǎng)數(shù)據(jù)分析方法。首先,本文基于FCBF進行特征選取,從而提高最大輸電能力估計模型的準(zhǔn)確性和訓(xùn)練效率。其次,本文提出了1種基于SSDAE的特征提取方法以解決輸入數(shù)據(jù)帶噪聲問題,從而提高網(wǎng)絡(luò)魯棒性?？紤]到混合電力系統(tǒng)中存在數(shù)據(jù)缺失、數(shù)據(jù)不均衡等問題,本文提出基于GAN的數(shù)據(jù)增強方案,以準(zhǔn)確補充電力系統(tǒng)中的缺失數(shù)據(jù)。本文方法為電力數(shù)據(jù)分析及安全故障排查的發(fā)展提供借鑒。

未來可對電力數(shù)據(jù)安全管理領(lǐng)域進行研究,如引入?yún)^(qū)塊鏈、云計算等技術(shù)提高混合配電網(wǎng)數(shù)據(jù)交互可靠性及效率,以進一步優(yōu)化智能電力故障診斷及定位方案。