基于深度学习的大电网断面功率快速自动调整方法

原文作者：龚承霄

原文标题：基于深度学习的大电网断面功率快速自动调整方法

原文链接：

https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=DLXT20220705001&uniplatform=NZKPT&v=JjENo4CVsXAA4ZWvDkfJzO0vVbrwo5BP44KHsO8Nt2RQajijts1OU37C4o9CBlqt

原文来源：知网、电力系统自动化（录用定稿）网络首发时间：2022-07-07 15:47:47

笔记作者：肥鲤鱼

1.  What

1）采用反向等量配对法模拟人工调整操作，构建深度学习所需的海量数据集。

2）在机组灵敏度、调整量等约束条件下筛选出复杂大电网中参与功率调整的有效机组集合。

3）以决定系数为指标构建最优回归模型准确预测出调整机组出力值，从而实现了断面功率的快速自动调整。

2.  Why

目前，对于实际复杂大电网的断面功率调整，通常是根据专家经验调整机组出力，大量的人工干预导致处理效率较低、时间较长，计算速度难以满足在线辅助决策需求。

近年来，随着人工智能技术的发展，展现出较强的大数据处理能力，将人工智能技术应用到断面功率调整中提高断面功率调整的效率。

3.  How

3.1断面功率调整样本集构建

图1 配对方法流程图

基于反向等量配对法模拟人工调整断面功率的整体流程如下：

步骤 1：设定初始潮流状态进行潮流计算，计算出每个断面目标功率和实际功率的差值 ΔP。

步骤 2：根据 ΔP 的正负选取送端和受端有调整能力的机组。

步骤 3：将送端和受端选取的有调节能力的机组分别按照灵敏度的大小进行排列，将灵敏度最高的两个机组进行配对。

步骤 4：按照图 1 所示的方式配对机组，直到送端和受端变化的出力都达到 ΔP，本次调整结束。记录已经参与调整的机组，在之后的调整过程中不再使用。

步骤 5：修改调整机组的启停标志和有功出力，再次运行潮流，计算出调整之后的ΔP。如果 ΔP 在误差允许范围之外，根据新的 ΔP 转步骤 4，反之转下一个断面功率调整进入步骤 2，没有新的断面则调整完毕。

3.2断面功率调整样本集构建

式（1）为受端关键机组的选择要求；式（2）为送端关键机组的选择要求。

     (1)

      (2)

3.3基于深度学习的断面功率调整

（1）特征量提取

取初始样本所有节点发电机发出有功功率与负荷吸收有功功率的差值，以及每个断面的初始功率和目标功率作为整体输入，代表系统中机组和负荷的出力情况以及各个断面的运行情况。取最终样本关键机组的出力为输出。

（2）深度学习

对于大电网中成千上万的电气值，卷积神经网络只需要几十或者几百个卷积核来检测一些特征，如对断面功率影响较大的节点等，减少了模型的存储需求，提高了模型的运行效率。

（3）深度学习正则化

使用早停机制能够有效提高模型的泛化能力。在每次迭代过程后，仅存储验证误差变小的模型，通过在早停机制中提前设置迭代次数，若在规定的迭代次数内验证误差没有提升，则终止训练，并最终返回最后一个存储的模型，而非最后一次迭代的模型。

（4）损失函数与评价指标

损失函数通过比较预测值与实际值的差距来衡量模型预测的好坏。采用均方误差（mean squared error，MSE）作为损失函数，损失函数由每个关键机组出力的均方误差线性叠加组成。

            (3）

评价指标用于评估网络模型训练和测试过程的准确度。本文采用决定系数R2作为评价指标，解决输入对预测值的解释性较差问题。

          (3）

（5）调整过程

本文提出复杂大电网断面功率快速自动调整的整体流程图如图 2 所示。主要包括基于反向等量配对法的断面调整样本生成、关键机组的确定、基于深度学习的断面功率自动调整，以及多种回归模型的调整效果对比分析 4 个环节。

图2 断面功率调整整体流程图

4. Conclusion

基于理论分析及实验验证得出以下结论：

1）基于反向等量配对法的断面功率调整方法能较好地模拟人工调整断面过程，断面调整成功率达到 100%，但整个调整过程需要反复迭代和反复计算潮流，调整效率低，并且随着断面实际功率与目标功率差值的增大，调整轮次增多，计算时间延长，严重情况下甚至无法满足在线辅助决策需求。

2）在关键机组输出预测上，深度学习方法较传统的机器学习方法准确度更高。其中，卷积神经网络模型准确度达到 99.77%，调整结果并未出现潮流不收敛情况。可以通过提高训练样本集断面调整要求，进一步提高模型准确度。

3）基于深度学习理论的断面功率调整方法避免了断面功率调整时反复迭代的问题，提高了断面功率调整的计算速度，且计算效率不受系统运行方式和断面实际功率与目标功率差值影响。

5. Review

1）文章中描述k1为关键机组灵敏度指标，作者自定义k1的大小筛选机组，实验值取值范围在0.5-0.8。自定义k1取值范围的依据是什么？

2）文章中采用决定系数R2作为评价指标，公式中p和q指代的含义文中未提及。

3）文章中深度学习用到的数据是基于反向等量配对法模拟人工调整操作得到的，而反向等量配对法是由不断地迭代来实现“差补一致”的原则。在这个过程中由于反复迭代会花费大量的时间，个人建议可以将反向等量配对法与人工调节进行对比实验。

4）卷积神经网络的优点是通过离线训练实现在线的快速调整，但离线训练时需要大量的训练样本为基础。本文中未考虑机组对其他断面的影响，若将其他因素考虑在内，样本的数量会增加很多，从而增加训练难度和时间成本，模型的准确性也会发生改变，实验的结果是否具有通用性还需进一步验证。

原文始发于微信公众号（CTS纵横安全实验室）：基于深度学习的大电网断面功率快速自动调整方法