基于神经网络数据处理的配网实时参数辨识研究_焦昊.pdf

Electrical Automation电气自动化 2023 年第 45 卷 第 1 期电力系统及其自动化Power System Automation基于神经网络数据处理的配网实时参数辨识研究焦昊1，王海林2，陈锦铭1，刘伟1(1 国网江苏省电力有限公司 电力科学研究院，江苏 南京211103;2 国网江苏省电力有限公司，江苏 南京210024)摘要:配电网参数的准确性对其优化运行有着重要意义。但近年来配电网结构日益复杂，采用传统理论计算所得配电网参数与实际数值存在着较大误差。同时，实际量测数据存在误差，导致难以准确辨识其参数信息。为此提出一种基于神经网络数据处理的配电网实时参数辨识方法。首先对配电网建立参数辨识方程，然后利用反向传播神经网络对量测数据进行处理，最后对参数进行辨识，采用 33 节点系统进行测试。结果表明，所提方法能够准确辨识配电网络线路阻抗、变压器阻抗及导纳等参数，为配电网安全可靠运行及后续控制分析提供了基础支撑。关键词:配电网;节点分类;神经网络;数据处理;参数辨识DOI:10 3969/j issn 1000 3886 2023 01 007 中图分类号 TM744 文献标志码 A 文章编号 1000 3886(2023)01 0026 03esearch on eal-time Parameter Identification ofDistribution Network Based on Neural Network Data ProcessingJiao Hao1，Wang Hailin2，Chen Jinming1，Liu Wei1(1 Electric Power esearch Institute，State Grid Jiangsu Electric Power Co，Ltd，Nanjing Jiangsu 211103，China;2 State Grid Jiangsu Electric Power Co，Ltd，Nanjing Jiangsu 210024，China)Abstract:The accuracy of the distribution network parameters is of great significance to its optimized operation However，in recent years，thestructures of the distribution networks have become more and more complex There are large errors between the distribution networkparameters calculated by traditional theory and the actual values At the same time，there are errors in the actual measured data，which makes it difficult to accurately identify its parameter information For this reason，a real-time parameter identification method ofdistribution network based on neural network data processing was proposedFirstly，the parameter identification equation ofdistribution network was established，then the measured data were processed by back propagation neural network，and finally theparameters were thus identified A 33-node system was used for testing The results show that the method can accurately identify theline impedance，transformer impedance and admittance of the distribution network，and provide basic support for the safe and reliableoperation of the distribution network and subsequent control analysisKeywords:distribution network;node classification;neural network;data processing;parameter identification定稿日期:2021 09 10基金项目:国网江苏省电力公司科技项目(J2020097)0引言随着大规模分布式电源、用户侧储能和电动汽车接入配电网，配电网结构日益复杂，使得配电网参数难以辨识1。对于配电网量测数据的处理以及实时参数辨识，国内外学者已经取得了一些研究成果，比如:利用孤立森林算法得到各残差向量组的异常分值来辨识数据异常点2，利用小波变换对故障数据进行辨识以及基于回归模型系数波动对有效数据进行选择3。这些方法在假定配电网参数准确的前提下进行，而使用这类方法预处理过滤后的量测数据进行参数辨识，可能会造成辨识参数偏向记录参数，造成偏离参数真实值的情况。一些学者通过建立参数辨识方程对配电网设备进行参数辨识4 5，在考虑集肤效应影响建立低压配电线路谐波损耗分析模型的基础上提出谐波电阻的参数辨识算法6 以及基于智能电表基础建设(advanced mete-ring infrastructure，AMI)的配电网线路及配电变压器参数辨识方法7。同时，基于配电网线路两端相量测量(phasor measurementunit，PMU)和数据采集与监控系统(supervisory control and dataacquisition，SCADA)的混合多时段量测信息的配网参数估计方法、基于多源数据多时间断面的配电网线路参数估计方法8 等方面的研究均有考虑用实时数据进行参数辨识。结合目前的研究现状，本文提出了一种基于神经网络数据处理的配电网实时参数辨识方法。1参数辨识模型配电网将发电厂或输电网的电能通过合理接线方式配送到图 1节点支路示意图用户，可视为由线路与变压器组成，待辨识参数为线路与变压器参数，采用图1 所示的节点支路示意图为例，对建立参数辨识方程的过程进行阐述。以 d 节点为例，量测数据为:节点d 处有功功率 Pd、无功功率 Qd、电压Ud;节点 d 处变压器低压侧有功功率Pr、无功功率 Qr、电压 Ur;节点 e 处有功功率 Pe、无功功率 Qe、电压 Ue。节点 d 处有功功率 Pd、无功功率62Electrical Automation电力系统及其自动化Power System Automation电气自动化 2023 年第 45 卷 第 1 期Qd、电压 Ud分别为:Pd=Pr+P2r+Q2rU2rd+U2rGdQd=Qr+P2r+Q2rU2rXd+U2rBdUde=PeXde QedeUeUde=Pede+QeXdeUeUd=(Ue+Ude)2+(Ude)2(1)式中:Ude、Ude分别为电压降落的横、纵分量;d、Xd、Gd、Bd为节点 d 处变压器的待辨识参数;de、Xde为线路 de 的参数。2BP 神经网络模型为实现配电网相关量测数据的自动诊断及筛选，应用神经网图 2BP 神经网络结构示意图络 模 型-BP(backpropagation)神 经 网络9。图 2 为 BP 神经网络结构示意图，输入层有 m 个节点，隐藏层有 k 个节点，输出层有 n 个节点。激 活 函 数 采 用Sigmoid 函数，即:f(v)=11+e v(2)训练并验证配电网数据筛选 BP 神经网络模型的具体步骤如下:(1)初始化节点输入权值。(2)确定输入向量与期望输出值。(3)采用二分类诊断，数据误差过大时输出值为 0，数据误差合理时输出值为 1。(4)激活函数 f(v)选用 Sigmoid，将 80%的数据组进行模型训练，求模型输出 k，采用模型输出 k 与正确输出 g 二者误差向量T，求输出节点增量 s。w=k gs=f(v)T(3)(5)利用 s 计算左侧节点的增量，重复此步骤直至起始隐藏层的增量值被求出。T(k)=HTss(k)=f(v(k)T(k)(4)(6)调整权重值 mij，重复以上步骤(4)步骤(5)，直到 BP神经网络得到了足够的训练。mij=sixjmijmij+mij(5)(7)随机筛选 100 组量测数据进行验证。在步骤(4)步骤(6)中:w 为正确输出 k 与模型输出 g 的误差;HT为权重矩阵;T(k)为误差向量;为学习率，取 0 9;xj为输入层节点的输出值;mij为权重更新值。3参数辨识方法从一般最小二乘法出发，对原来的辨识方法进行改进。由最小二乘法知:k=(UTkUk)1UTkUk(6)推导变换过程如下，令:P1k=UTkUk(7)得:Uk=u1(1)u1(m)uk(1)uk(m)T(8)式中:uk(m)为 k 行 m 列输入量。将 Uk代入式(6)，改进最小二乘法估算为:k=k 1+(9)式中:为修正量。求解流程如图 3 所示。图 3基于数据处理的配电网参数辨识流程图4仿真试验及结果分析通过图 4 所示 33 节点模型系统算例，先进行量测数据处理与辨识方法的检验，再进行配电网参数辨识。采用 577 组量测数据，抽取训练集与测试集，477 组为训练集，100 组为测试集。72Electrical Automation电气自动化 2023 年第 45 卷 第 1 期电力系统及其自动化Power System Automation图 433 节点配电系统模型图此 BP 神经网络在迭代第 7 次时均方误差为 5 713 8 103，图 5BP 神经网络数据筛选测试结果图隐藏层节点个数为 7时，准 确 率 达 到0 983 2，为最高值，综合均方误差值，确定隐藏层节点数为7。图 5 为测试结果图，随机抽取 100 组样本进行测试。采用经过筛选后的 97 组量测数据进行参数辨识，对于该 33 节点配电网算例，配电网线路及变压器参数真实值与辨识结果如图 6、图 7 所示。图 6线路参数真实值与辨识值综上，线路电阻 辨识值与真实值平均相对误差为 0 316%，线路电抗 X 的平均相对误差为 0 790%，变压器电阻 r 的平均相对误差为 0 008%，变压器电抗 x 的平均相对误差为 0 324%，变压器电导 g 的平均相对误差为 0 060%，变压器电纳 b 的平均相对误差为0 588%。仿真结果表明，辨识结果能够准确反映线路与变压器的参数情况，验证了此方法的有效性。5结束语本文提出一种基于神经网络数据处理的配网实时参数辨识图 7变压器参数真实值与辨识值研究方法，通过 33 节点配电网算例分析，验证了神经网络对量测数据处理及筛选以及改进最小二乘法对参数在线辨识的准确性和可行性。该方法为配网参数辨识提供了解决方法，有利于配电网安全可靠运行及后续控制分析。参考文献:1 宁家鑫，刘羽霄，章家维，等 数据驱动的三相配电网络拓扑与线路参数辨识 J 中国电机工程学报，2021，41(8):2615 26282 高骞，张浩天，汤奕 基于预测模型的发电厂异常数据辨识方法J 电力工程技术，2020，39(4):164 1703 孙媛媛，李树荣，石访，等 含分布式谐波源的配电网多谐波源责任划分J 中国电机工程学报，2019，39(18):5389 5398;55864 吴凯，袁慧宏，杨斌，等 一种基于最小二乘法的配网设备参数辨识