基于电网运行数据集的有功网损评估优化

张军，宣铁锋，吴磊

（上海电力大学自动化工程学院，上海200090）

0 引言

有功损耗可以衡量电网的运行效率。对电网损耗的准确预估可以有效提高电力系统运行效率[1-3]。本文通过一种基于改进概率神经网络的粒子群算法[4-5]来提高电网运行数据分类的有效性，从而更准确地评估电力系统的有功网损。依据模拟电网运行参数和实时数据，依次采用改进PNN 和改进K-means 算法对数据进行潮流计算[6,11-13]，得到有效的电网有功损耗评估方法。由仿真结果可知，对电网损耗进行改进PNN 算法聚类分析，能够降低网损评估误差。

1 电网的有功网损评估模型

电力系统的有功网损是电网在电能传输工程中产生的电能损失。电能的损耗量是电力系统运行的经济技术指标，降低网络传输损耗，提高电能利用率，是有关电力部门的重要工作内容。

将发电机的开机个数、有功功率、无功功率，表示为电力系统运行的典型参数。运行方式与电力系统数据一一对应，对典型数据集进行潮流计算，最后可得电力系统典型运行方式下的网损。

式（1）中，F 代表总网损，k 表示典型方式的个数，plossi表示每组典型方式的网损，t 表示采样间隔，Ci表示出现每组典型方式的概率。

选取发电机的开机个数、有功功率、无功功率，作为表征电力系统运行状态的数据集。

其中xt为t时刻电网的运行数据。

xKJT表示t 时刻开机方式数据项，发电机运行时数值为1，发电机停止运行时数值为0。

xPGT表示t 时刻各发电机有功功率组成的向量。

xQGT表示t 时刻各发电机无功功率组成的向量。

2 基于改进粒子群算法的概率神经网络

2.1 PNN的基本原理

概率神经网络被广泛应用于非线性滤波，模式分类中。此网络用于检测和模式分类时，可以得到贝叶斯最优化结果。如图1 所示PNN 的结构图和径向基网络函数结构类似，只是在第二层中有些差异。

图1 PNN的网络模型

2.2 建立改进PSO-PNN算法的运行数据集

采用基于粒子群优化的概率神经网络对电网运行数据集进行聚类，步骤如下：

（1）提取电力大数据集各时间段的关键属性数据。即发电机的开机个数，发电机的有功功率，发电机的无功功率，生成特征状态下的电力系统运行方式数据集，表示待聚类数据集[1]，即：

（2）在数据集里随机选取A 作为初始点，假定最小个数为m，距离参数向量为R=XKG,XPG,XQG，其中XKG,XPG,XQG分别对应发电机的开机个数、有功功率、无功功率。

（3）对于数据Xt={ XKGT1,XPGT1,XQGT1}和数据Xt={ XKGT2,XPGT2,XQGT2}，若满足下式要求则认为Xt2在Xt1的R 邻域内。

（4）采用步骤3 中的距离公式，判断此初始点邻域内的数据量，若数据量小于m，则判断A 不是典型样本，继续（2）步骤；如果此数据量大于m，则判断A 是典型样本[1]。

（5）对于典型样本，依据（7）式来计算聚类中心C1。

（6）把C1作为聚类中心，比较C1与数据对象xi的间距，若小于r，则xi归为此类别中；否则判别下一个数据，直到判断所有数据对象，同时以C1为聚类中心的数据归为一类。

（7）产生第一个类别T1后，把此类数据删除，并且此类数据不参与下次分类，保证数据的简练。

（8）分类结果的前70%选取为训练样本数据，后30%的结果作为待确定类别的数据，调用ind2vec 函数，将类别转换为PNN 可以使用的目标向量。

（9）采用粒子群寻优法寻找最优径向径函数的分布常数，范围为30-260。

（10）调用newpnn，构建并训练PNN，最终得到分类数据结果。

3 仿真算例分析

以燃气轮机仿真平台为模拟电网数据平台。电力系统的运行方式由发电机的开机个数、有功功率、无功功率来表征。同时建立电力系统运行数据集，用改进PSO-PNN 聚类算法对运行数据进行聚类[1]。发电机组开机方式按照该机组实际状态选取。若发电机运行，则数据项为1，若发电机停运，则数据项为0；仿真软件及仿真平台模拟负荷如图2 所示。

图2 某地区单月负荷曲线图

分别采用普通K-means 聚类算法，改进K-means聚类算法和基于粒子群算法的改进PNN 聚类算法对运行数据集进行聚类分析[1-2]。

首先对运行数据集进行K-means 聚类，图3 为8个特征方式的聚类结果，图4 为16 类的运行结果。

图3 K-means聚类方法数据集聚类方式（类别数8）

图4 K-means聚类方法数据集聚类方式（类别数16）

有聚类分析可知，类别数为8 时，连续60 个运行方式被归为一类，每组方式的间隔为1 小时，3 天内连续的电网运行数据被归为一类，这对后期计算电网损耗会产生很大的误差，当聚类数为16 时，依旧存在连续30 个运行方式被分成同一类，表明通过提高算法分类数无法解决关键数据属性被淹没的问题。

对数据集进行改进K-means 聚类，类别数为8 和16，如图5、6 所示。

图5 改进K-means聚类方法数据集聚类方式（类别数8）

图6 改进K-means聚类方法数据集聚类方式（类别数16）

图7 基于粒子群算法的改进PNN聚类方式

由数据分析可知，选用改进K-means 算法不能有效聚类。说明仅仅增加算法的迭代次数会增加误差，也不能得到有效的分类。

最后采用基于粒子群算法改进概率神经网络对运行数据集进行聚类。

采用带斥力因子的改进粒子群算法对PNN 中的spread 参数寻优。

粒子的速度和位置更新公式为

如图7 所示，基于粒子群算法的改进PNN 算法可以明显提高分类的细化程度，从而提高分类的有效性。随着电网节点规模的增大，各节点出力的数据所对应的聚类属性也相应的增加，从而产生高维聚类问题，导致掩盖了一些关键数据属性，通过本文所提的算法，可以有效解决这一问题。电力系统特征运行方式体现了电网数据属性对网损评估的影响。

对模拟数据进行潮流计算，把不同发电机数据属性作用下的网损作为实际网损量。比较不同算法的网损结果。

表1 不同算法网损评估比较

4 结语

本文用改进PSO-PNN 算法评估电网网损，对电网损耗评估进行整合。

（1）依据发电机数据属性和负荷属性，并用改进PNN 算法进行验证，分析结果表明，本文算法能够有效降低网损评估。

（2）比较K-means 聚类算法，选用改进K-means的聚类结果，作为改近PNN 算法的测试数据集，增加了数据集聚类的准确性，同时采用粒子群最优算法，选取了最优的spread 参数，使得聚类效果最优。