基于机器学习的网损计量分析

吴 凯，李 辉

（国网辽宁省电力有限公司锦州供电公司，辽宁 锦州 121000）

1 概述

在电力系统中网损的精确计算太过于复杂，理论计算又无法考虑到实际情况，从而导致不能很好地根据实际情况来最大限度地降低网络损耗。常用的网络损耗计算方法包括高斯-赛德尔迭代法、牛顿-拉夫逊法、PQ 分解法等，常用的电力系统网络损耗计算软件包括PSASP、EMTP/ATP、PSCAD、BPA 等。这些算法都能完成网络损耗的计算，但它们完成的延时较长，不能精确以及快速展现计算结果[1]。

本文将机器学习应用在网损的计算与分类方面，通过机器不断的学习来提高计算准确性。建立包含网损和对应负荷图像的实例空间，运用归纳学习算法对包含网损和对应负荷图像的实例空间内的知识进行充分学习，最终可以输出与网损值相对应的负荷分布图像。还可以将本时段收集到的负荷分布图像与计算出来的网损相对应，利用人工智能的图像识别以及归纳学习等本领，实现负荷与网损相对应的分类准则，建立了负荷与网损的可视关系图像。

2 基于实测数据的网损计算方法

传统的网络损耗计算方法，主要包括高斯-赛德尔迭代法、牛顿-拉夫逊法、PQ 分解法等，这些方法需要收集的数据太多，需要完成的公式变换与数学计算太过于复杂，计算网损的软件虽然比较成熟，但计算比较繁琐，无法满足实时计算网损的要求。本文提出一种计算电力系统网络损耗的方法[2]。整个区段的网损计算公式为：

假设1 个区段含有 N 条分支线路，每条分支线路上装设1 台 TTU，区段的回路数为 N＋1，则此区段的网损为

其中si 为第i 回路的网损，有

式中us为区段首端电压矢量；ue为区段末端电压矢量；ie为区段末端FTU 所测的末端支路电流矢量；ui=1，2，3...，N 为各分支线路末端节点电压矢量。

设：

在上面的计算过程中所需要的数据仅仅为实测的电流和电压，在本文方法中，只要运用以上式就完全可以计算出可变网损，之后加上网络的固定损耗即为网络的网损。上述监测点收集数据是基于调控云系统所收集的。

3 基于机器学习的网损计量方法

在考虑到网损具有随负荷的改变而变化的特性后，建立归纳学习实例空间与规则空间，来完成对负荷与网损对应的分类与预测[3]，如图1 所示，步骤如下：

（1）将调控云采集的数据进行整理，并应用上述所提到的网损计算方法进行计算。

（2）得到负荷分布图像，并标记好对应的网络损耗。

（3）建立以负荷分布图像与网络损耗相对应的训练集。

（4）将训练集中数据导入实例空间与规则空间，进行充分学习。

（5）对输出的结果进行人工评估，来验证结果的正确性。

图1 系统运行原理图

图2 为经过机器学习之后，输入目标网损为1.3%时所输出的负荷分布图，在网架结构和电源侧输入不变的

考虑到电力系统中负荷变化很快，调控云收集数据为每分钟收集一次，产生的数据经整理后全部存入实例空间中，作为对机器训练的训练集。当实例空间中的数据足够多时，应用机器学习系统中的归纳学习算法，对实例空间中数据进行学习，进而得到一种规律，并将这种规律放入系统的规则空间中，经过规划学习再反馈到实例空间中。这样经过足够多次的学习后，当输入目标网损值时就会得到一种机器选择的最优负荷分布图，通过人工对此负荷分布图像进行评估，验证方案的可行性，来确定是否能够应用到实际网架结构中[4]。情况下，验证了此负荷分布的合理性。

4 结束语

本文提出了一种新的网损计算方法，可大大提高电力系统网路损耗的计算效率与准确率。在此基础上，建立了机器学习模型，利用机器学习的理论和这种新的计算网损的方法相结合，再运用机器学习系统中的机械学习算法，输入各个测量点的数据，就能输出本网络的网损值，并将网损值与此时的负荷分布图对应。之后将网损值与对应的负荷分布图为一组数据存入系统的实例空间，存入足够多组数据后运行学习指令。经过归纳学习系统充分学习之后，当输入目标网损值时就会得到一种机器选择的最优负荷分布图，并在Matlab 中验证了此模型的正确性。此方法解决了智能电网云平台中如何进行基于网损最优的调度优化问题，从而很好地为经济调度提供了可靠依据。另外，此系统可能会由于训练集的数量不够多、数据不够准确、没有充分学习足够的时间等因素导致可靠性降低，所以需要反复验证来确保输出的准确性。