基于貝葉斯優(yōu)化深度學(xué)習(xí)算法的動態(tài)負載入網(wǎng)短期電壓穩(wěn)定性評估

【關(guān)鍵詞】貝葉斯優(yōu)化；卷積神經(jīng)網(wǎng)絡(luò)；動態(tài)負載；短期電壓穩(wěn)定性

引言

隨著電網(wǎng)中動態(tài)負載的不斷普及，動態(tài)負載的高比例并網(wǎng)將成為電力系統(tǒng)領(lǐng)域發(fā)展的必然趨勢。由于動態(tài)負載自身具有較強的隨機波動特性，短期電壓的PV輸出特性曲線會出現(xiàn)非線性波動，嚴重時可能引發(fā)較大的電力故障。對于STVS評估這一研究領(lǐng)域，雖然采用支持向量機（Support Vector Machine，SVM）[1]、隨機森林[2]以及貝葉斯模型[3]等能夠解決尋優(yōu)問題，但存在分類不準確與誤判現(xiàn)象。盡管人工智能算法已應(yīng)用于電力系統(tǒng)的STVS評估[4]，但在動態(tài)負載高比例并網(wǎng)場景下，如何準確評估STVS以及解析其內(nèi)部影響仍存在困難。

基于上述分析，此文將CNN應(yīng)用到動態(tài)負載并網(wǎng)后STVS評估中，提出一種基于貝葉斯優(yōu)化CNN的STVS評估模型，該評估模型通過深度學(xué)習(xí)網(wǎng)絡(luò)的損失函數(shù)自發(fā)優(yōu)化所需超參數(shù)。

一、貝葉斯優(yōu)化CNN的STVS評估模型

（一）CNN短期電壓評估模型

CNN的主要結(jié)構(gòu)由三部分組成，分別為卷積層、池化層和全連接層。短期電壓穩(wěn)定與否和動態(tài)負載比、發(fā)生故障位置及故障持續(xù)時間有密切關(guān)系。為此，此文采用神經(jīng)網(wǎng)絡(luò)系統(tǒng)CNN提取電網(wǎng)中的動態(tài)負載比等特征信息，創(chuàng)建基于CNN的短期電壓穩(wěn)定性評估模型。

此文采用構(gòu)建網(wǎng)絡(luò)層的方式來高效獲取動態(tài)負載并網(wǎng)后電力系統(tǒng)的特征信息，其結(jié)構(gòu)圖如表1所示。

（二）貝葉斯優(yōu)化算法

神經(jīng)網(wǎng)絡(luò)的參數(shù)有參數(shù)和超參數(shù)之分，超參數(shù)對于卷積神經(jīng)網(wǎng)絡(luò)比較重要。但是在電力系統(tǒng)中，通常無法準確獲得超參數(shù)與輸出之間的函數(shù)表示形式，因此引入貝葉斯優(yōu)化算法對傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)進行優(yōu)化。

貝葉斯優(yōu)化的詳細過程如表2所示。其中，xt為超參數(shù)集，受χ的限制；yt是xt的觀測值；εt是誤差；D1：t是用于記錄優(yōu)化過程的數(shù)據(jù)矩陣。

（三）基于貝葉斯優(yōu)化CNN的STVS穩(wěn)定性評估

為了更好對STVS穩(wěn)定性和準確性進行評估，此文引入CNN和貝葉斯優(yōu)化算法進行優(yōu)化。

在模型性能評估方面，結(jié)合混淆矩陣、平均絕對誤差（Mean Absolute Error，MAE）和均方根誤差（Root Mean Squared Error，RMSE）進行分析。在采用數(shù)據(jù)一樣的前提下，混淆矩陣可直接明了地展示各評估模型準確判定以及誤判、漏判的個數(shù)。對于MAE和RMSE這兩個誤差，指標越小越好。其中混淆矩陣如表3所示，兩個誤差的計算表達式如式（1）、式（2）所示：

MAE=1n∑ni=1|y^i－yi|（1）

RMSE=1n∑ni=1（y^i－yi）2（2）

其中，y^i、yi、n分別表示電壓預(yù)測值、電壓仿真理論值、短期電壓的數(shù)據(jù)集。

表3中TP為被模型預(yù)測為穩(wěn)定的穩(wěn)定樣本；FP為被模型預(yù)測為穩(wěn)定的不穩(wěn)定樣本；FN為被模型預(yù)測為不穩(wěn)定的穩(wěn)定樣本；TN為被模型預(yù)測為不穩(wěn)定的不穩(wěn)定樣本。

優(yōu)化后的評估模型與CNN模型的超參數(shù)對比測試結(jié)果如表4所示。可以看出，優(yōu)化后的模型在MAE和均方誤差（Mean Squared Error，MSE）上均有所減小，說明基于貝葉斯優(yōu)化CNN模型的準確率較高。

將時域仿真中設(shè)置的動態(tài)負載比、故障位置及故障持續(xù)時間等參數(shù)輸入CNN模型進行STVS的評估預(yù)測。

二、仿真模型

（一）算例模型

圖1為IEEE39算例單線圖，圖中有10臺發(fā)電機、39條母線、19個負荷以及12條變壓器支路、34條為傳輸線支路。其中，1號母線作為平衡節(jié)點。

為獲取準確的短期電壓數(shù)據(jù)，此文對動態(tài)負載占比等電力參數(shù)設(shè)置如下：（1）將每個母線上感應(yīng)電動機負載比例分別指定為80%、85%、90%、95%和100%；（2）將故障類型設(shè)置為更加嚴重的三相短路故障；（3）在母線的不同位置設(shè)置三相短路故障，對于某一條母線，從一個端子開始，分別在整個長度的0%、20%、40%、60%和80%的位置設(shè)置故障；（4）開始時域仿真時，電力系統(tǒng)需要時間進入穩(wěn)定狀態(tài)，在2 s時添加擾動，間隔性進行清除。

通過以上仿真獲得樣本5 100個。依據(jù)國網(wǎng)規(guī)范[5]中電壓判穩(wěn)準則確定數(shù)據(jù)樣本標簽，最終按照4∶1的比例，可得到4 080個樣本的訓(xùn)練集和1 020個樣本的測試集。

（二）評估模型

考慮動態(tài)負載并網(wǎng)比例特征等參數(shù)，在實驗中根據(jù)短期電壓數(shù)據(jù)樣本的規(guī)模和大小，引入了Dropout策略，使用Adam學(xué)習(xí)算法進行模型收斂。模型訓(xùn)練進程如圖2所示。由圖2分析發(fā)現(xiàn)，模型沒有出現(xiàn)過擬合現(xiàn)象，表明貝葉斯優(yōu)化CNN的STVS評估模型的可行性[6]。

接下來，選擇1 020個樣本的測試集進行評估預(yù)測，實驗結(jié)果表明，在不同情況下，所提出基于貝葉斯優(yōu)化CNN的STVS評估模型絕大部分都能準確有效評估短期電壓穩(wěn)定性，驗證了所提方法的可行性。

三、結(jié)果分析

（一）對比分析

將訓(xùn)練好的貝葉斯優(yōu)化CNN模型、CNN模型、SVM模型及隨機森林（Random Forest，RF）模型進行驗證對比分析[7]。

繪制出SVM和RF對應(yīng)的驗證混淆矩陣并依據(jù)混淆矩陣計算得出每個模型對應(yīng)的準確率、精確率、召回率、F1score值和曲線下面積（Area Under Curve，AUC）值，如表5所示。

通過對比分析，此文所提評估模型誤將STVS中不穩(wěn)定評估為穩(wěn)定的數(shù)據(jù)樣本個數(shù)是最少的，這也驗證此文所提方法的優(yōu)越性。通過表5對比表明準確率、精確率、召回率、F1score值和AUC值均優(yōu)于SVM、RF和CNN的評估模型。

（二）實驗回歸驗證

在搭建的IEEE39節(jié)點電力系統(tǒng)上進行時域仿真，設(shè)置好相關(guān)參數(shù)，調(diào)整動態(tài)負載占比為105%，得到對應(yīng)的STVS結(jié)果與時域仿真結(jié)果進行對比。獲取1 020個STVS數(shù)據(jù)樣本，通過求取五次準確率的均值和標準差驗證所提模型的有效性和泛化性。通過模型驗證，可得所提模型的在線評估準確率可以穩(wěn)定在93.2%，再次驗證了此文所提模型的有效性和優(yōu)越性。

結(jié)語

此文提出了一種基于貝葉斯優(yōu)化CNN的STVS評估模型。首先，構(gòu)建了貝葉斯優(yōu)化CNN短期電壓評估模型。其次，利用貝葉斯優(yōu)化調(diào)整CNN評估模型的超參數(shù)，通過實驗仿真驗證精準評估STVS。最后，對比不同評估模型的評估性能，對比結(jié)果表明，與現(xiàn)有的STVS評估模型相比，此文提出的評估模型能夠更加準確有效地對STVS進行評估，具有較好的可行性與優(yōu)越性。

參考文獻：

[1] 裴曉東，張文龍，劉海龍，等.基于SVMPSO的電網(wǎng)設(shè)備早期故障分類方法[J].電網(wǎng)與清潔能源，2022，38（04）：6875.

[2] 楊賀雅，邢紋碩，陳聰，等.基于隨機森林二分類器的模塊化多電平換流器子模塊開路故障檢測方法[J].中國電機工程學(xué)報，2023，43（10）：39163928.

[3] 陳世群，楊耿杰，高偉.一種基于BOASAEEELM的光伏陣列故障診斷方法[J].太陽能學(xué)報，2022，43（04）：154161.

[4] 毛明軒，馮心營，陳思宇，等.基于貝葉斯優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的路面光伏陣列最大功率點電壓預(yù)測方法[J].中國電機工程學(xué)報，2024，44（02）：620631.

[5] 何嘉純，袁鏡棠，梁觀勝，等.直流充電樁電性能要求及測試平臺設(shè)計[J].電子質(zhì)量，2021（07）：2427.

[6] 楊海燕，胡新成，蔡佳文，等.基于貝葉斯優(yōu)化支持向量回歸的煤自燃溫度預(yù)測模型[J].工礦自動化，2025，51（07）：3643+51.

[7] 張曉飛，唐亮，李鴻釗，等.基于貝葉斯優(yōu)化的隨機森林路基回彈模量預(yù)測方法研究[J].公路與汽運，2025，41（04）：6264.