主動配電網的運行控制技術研究

李若冰

（國網江蘇省電力有限公司鎮江供電分公司，江蘇鎮江 212000）

在主動配電網評價指標體系中，可靠性指標能夠直接反映主動配電網供電能力以及向電力用戶連續提供電源和數量的能力[1-2]，已被學者們廣泛研究[3]。因配電網屬于拓撲結構，所以故障較為單一[4]，且設備數量多，不確定因素多，電網結構分散，故障率較高，造成用戶停電事故較頻繁[5]。因此，配電網運行能力成為了重中之重，找出電網中的運行瓶頸加以處理，以達到配電網有效的運行方式是本文研究的目的。

1 運行評價體系計算

可靠性指標通常是從事故對正常供電的影響的不同方面來衡量的，包括事故發生的頻率、概率、持續時間、失電量和用電量，不同的子系統在可靠性指標上會有一定的差異，可靠性指標體系一般分為負荷點指標和系統指標，對于系統的每個負荷點，負荷點指標反映了事故的局部影響，系統指標則反映了事故的全局影響，即表示事故的總體影響。影響全局的常用基本指標可作為整個系統的負荷點指標。

與傳統的平衡計分卡方法相比，本文主要改進如下：

為了提高專家評分的判斷簡便性，將指標比較1-9 分，改為1-3 分。

在收斂判斷過程中，通過兩次歸一化來加快收斂速度，改進后的計算過程如式（1）所示：

式中，A 代表綜合效益；a 表示指標的專家評分值；n表示專家打分的指標層中的指標個數。

主動配電網規劃模型的目標函數如式（2）所示：

式中，L 為主動配電網規劃綜合評價指標；RS 代表供電可靠性的綜合指標；CT 代表了主動配電網的綜合成本指數。

供電可靠性綜合指標的計算方法見式（3）：

式中，T 表示年平均停機時間；N——年平均停電次數；L—年平均功率損耗；E 代表年平均功率損失。

主動配電網綜合成本指標的計算方法見式（4）：

其中CI 代表投資成本；合作成本；CL 代表損失成本；CF 代表大修損失。

由于主動配電網規劃綜合評價指標的絕對值通常物理意義不大，綜合指標的相對值主要關注于規劃方案的比選，因此可將一個基準方案的綜合指標作為參考值1，并得出其他方案相對參考值的綜合指標值。

對譜特征系統的分析，進而檢測主動配電網信息物理層的數據鏈路，并采用神經網絡分析方法來對此類檢測進更加智能的算法優化，來得到負荷。

在公式（5）中，ω0為主動配電網信息物理層中負荷預測誤差；TP為時間窗；Ak為主動配電網信息物理層數據特征偏移幅度；k? 表示輸出擴展部分。

此外，對主動配電網信息物理層中的數據鏈進行線性預測，并根據全局優化結果得到每個合并簇上數據塊的最大長度，如公式（7）所示：

如果達到數據聚類的決策閾值時，我們可得到公式（8）：

我們再對數據聚類中心進行初始化，然后采用模糊聚類分析方法，對主動配電網信息物理層中的數據鏈進行聚類，直到獲得有效結果，依據公式（9）作為約束條件，即：

由前面獲得的聚類結果，電力企業可以利用公式（10）能夠快速提取主動配電網信息物理層的數據鏈情況，以便及時準確地監控配電網的運行情況。

2 運行控制技術

本技術主要由MCS 單片機實現。在傳統的MCS 估計中，電網可靠性指標的求解可以看作是可靠性指標計算函數的大量抽樣檢驗，然后得到的待算樣本再通過潮流計算方法獲取有效狀態數據，這些數據包括正常狀態和故障狀態。機器學習技術具有計算速度快的特點，因而引入到主動配電網可靠性指標計算及評估中成為目前發展的趨勢，也備受電力企業專家學者的青睞。機器學習技術的實質是通過大量的樣本訓練建立一個綜合的電網運行狀態識別器，用狀態識別器代替最優潮流計算來識別樣本的運行狀態，大大縮短了運行狀態識別的時間[6]。

提出的主動配電網故障診斷是一個整體過程。離線過程中建立起能夠與配電網行為相容的模型，在線監督過程在獲取觀測，進行診斷的同時補充離線建立起的不完備模型，如果沒有發現“超出預期”的不完備行為，則按完備模型診斷得到診斷路徑；否則，根據在線過程中生成的完備模型，定義不完備的行為，得到主動配電網不完備模型上的診斷。主動配電網不完備模型診斷過程整體算法如下：

輸入：不完備模型，觀測序列

輸出：診斷，或修改的不完備模型

步驟1：初始化

步驟2：增量診斷

步驟3：根據診斷結果對模型進行訓練，臨界狀態為當前診斷結果的終止狀態。

步驟4：判斷狀態。如果僅轉移不完備，則生成一個轉移，更新模型；如果事件完備僅狀態不完備，則生成狀態和事件。

診斷初始在完備假設下運行，當發現不能得到診斷結果時，考慮進行不完備的模型發現。判斷不完備情況，分別進行處理。不完備轉移是僅缺失了事件和狀態之間關系的不完備情況，因此在當前臨界狀態及觀測相關的狀態中判斷是否能夠被當前事件觸發，最終得到的狀態如果與已有模型狀態接近，則認為是不完備的轉移結果。此時逆向獲取得到該狀態的狀態和事件，建立轉移，對不完備模型進行更新。

在算法不能夠找到不完備轉移時，進一步判斷是否能夠找到不完備狀態，使得完備事件觸發了完備狀態，得到不完備狀態。當臨界狀態和觀測狀態之間沒有交集時，此時產生了狀態和事件的同時不完備。根據觀測窗口、帶有歷史數據的不完備模型生成初步的事件和狀態，更新不完備模型，進一步地，根據在線運行的數據訓練事件的函數參數，調整狀態屬性。

該系統的實現基于支持向量機和人工神經網絡兩種機器學習算法，能夠實時監控主動配電電網的運行狀態，大大減少了計算負擔。此外，利用多核計算平臺來加快模型的訓練過程，優化評價算法。在指標計算階段，當監控到數據為正常運行狀態時，則反映故障的系統總負荷損失和平均停運持續時間均為零；當監控到數據為故障狀態時，則反映此類故障可靠性指標未知，可利用最優潮流計算來優化。由于正常狀態樣本數大于故障狀態樣本數，因此機器學習方法只需計算小于0.2%故障樣本的最優潮流，計算負擔大大減輕。

3 結論

本文首先進行了運行評價體系的計算，并與傳統的平衡計分卡方法相比后進行了改進，然后給出了主動配電網不完備模型診斷過程整體算法，最后通過配電系統的可靠性分析，建立針對主動電網的運行控制技術，挖掘供電潛力，并評價電網供電未來發展。