基于深度残差网络的电力系统潮流计算_魏欣荣.pdf

Electrical 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 期基于深度残差网络的电力系统潮流计算魏欣荣1，2，康飞龙1，李佳1，王春光1，王福香1，魏鑫3，宋志刚31 内蒙古农业大学 机电工程学院，内蒙古 呼和浩特010018;2 北京交通大学 电气工程学院，北京100044;3 内蒙古电力(集团)有限责任公司 阿拉善电业局，内蒙古 阿拉善盟750306摘要:为更简单、快速地进行潮流计算，提出了一种基于深度残差网络的多节点电力系统潮流算法。首先，应用仿真软件 Power WorldSimulator 中的一个典型电网实例采集样本;然后，在 TensorFlow 平台搭建基于深度残差网络的多节点电力系统潮流计算模型;最后，根据模型预测结果完成对方法的分析。结果表明:与传统潮流算法及基于人工神经网络的潮流算法相比，所提方法在快速性、收敛性及精度方面具有极大的优越性。关键词:电力系统;潮流计算;数据生成;TensorFlow 平台;深度残差网络DOI:10 3969/j issn 1000 3886 2023 01 021 中图分类号 TM391 文献标志码 A 文章编号 1000 3886(2023)01 0075 03Power Flow Calculation of Power System Based on Deep esidual NetworkWei Xinrong1，2，Kang Feilong1，Li Jia1，Wang Chunguang1，Wang Fuxiang1，Wei Xin3，Song Zhigang3 1 College of Mechanical and Electrical Engineering，Inner Mongolia University of Technology，Hohhot Inner Mongolia 010018，China;2 School of Electrical Engineering，Beijing Jiaotong University，Beijing 100044，China;3 Alashan Electric Power Bureau，Inner Mongolia Electric Power(Group)Co，Ltd，Alashan Inner Mongolia 750306，ChinaAbstract:In order to perform power flow calculation more simply and quickly，a multi-node power system power flow algorithm based on deepresidual network was proposed Firstly，a typical power grid example in the simulation software Power World Simulator was used tocollect samples;then，a multi node power flow calculation model based on deep residual network was built on TensorFlow platform;finally，the analysis of this method was completed according to the model prediction results The results show that compared with thetraditional power flow algorithm and the power flow algorithm based on artificial neural network，this method has great advantages interms of rapidity，convergence and accuracyKeywords:power system;power flow calculation;data generation;TensorFlow platform;deep residual network(DN)定稿日期:2021 11 01基金项目:国家自然科学基金(32060415)0引言近年来，因电网规模的扩大化和结构的复杂化，潮流计算要求解的非线性方程数量逐步增加。若采用牛拉法等传统潮流算法，其潮流计算的快速性、收敛性及精度很低。因此，目前国内外的许多学者尝试在电力系统的潮流计算中引入人工智能技术的方法和理论。文献 1 将 BP 神经网络算法引入了电力系统的潮流计算当中，提出了基于神经网络的电力系统潮流算法的研究课题。文献 2 结合传统的牛拉法提出了一种改进的 BP 神经网络来估算维持风电场电力系统稳定性所需的无功补偿容量。文献 3 为估算潮流计算问题中的母线电压，引入了一种基于模糊聚类算法的复值神经网络。虽然这些潮流计算模型相较于传统潮流算法而言已在快速性、收敛性及精度方面有所改进，但是这些模型均需要人为提取特征。若电网规模过大且网络结构过于繁杂，这些模型可能会随着特征向量维数的增加，出现“维数灾难”4。另外，这些模型还会随着网络层数的加深，出现梯度扩散和网络退化等问题5。为避免这些问题的出现，本文采用深度残差网络(deep resi-dual network，DN)来搭建多节点电力系统潮流计算模型，这种网络在快速性、收敛性及精度方面性能优越，并可以让所建模型自动提取样本中的某些复杂特征作为输入，避免了“维数灾难”6 7。另外，它还可以运用恒等映射来衔接网络不同层，这在很大程度上缓解了梯度消失和网络退化的问题。同时，为获得较为真实可靠的潮流计算样本数据，本文引入了仿真软件 PowerWorld Simulator 中的一个典型电网实例完成了样本采样。最后，通过仿真验证本文方法的有效性和准确性，表明本文方法在快速性、收敛性及精度方面相较于传统的潮流计算方法和基于普通浅层人工神经网络的潮流算法有了显著提高。1采集样本数据各个国家电网均有能力提供足够的电网潮流数据作为深度学习的训练样本8，此次取得的原始电力系统潮流计算数据是由计算机上的仿真软件 Power World Simulator 仿真生成的。本文利用了仿真软件 Power World Simulator 中的一个典型电网实例(如图 1 所示)完成原始潮流计算数据的采集。采集样本时，首先要改变电网结构中的某些参数，如线路的等值电阻、电抗参数以及负荷的有功和无功功率参数等，然后利用仿真软件中自带的牛顿 拉夫逊法求解程序进行迭代求解，最后从仿真软件中的节点潮流列表和节点导纳矩阵列表得到所需的潮流计算数据。57Electrical 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 1电网实例的网络拓扑结构图2多节点电力系统潮流计算模型2 1DN 简介与潮流计算模型的建立DN 除了有卷积、批标准化、激活和池化等模块对输入特征变量进行提取，以及有全连接层进行预测外，还拥有若干个串联的残差块9。这些残差块使用跳跃连接结构使输出被分为两部分，一部分是通过多次卷积的非线性输出 F(x)，另一部分是通过跳跃连接把输入直接传输到这段神经网络的输出作为输出结果一部分的恒等映射 x，这很大程度上可以缓解网络加深而出现的梯度消失和网络退化的问题。若输入激活 x 与输出激活 F(x)的维度不相匹配时，可以在原有残差块的恒等层另外增加一个 1 1 的卷积核来增加维度，使输入激活 x 与输出激活 F(x)的维度保持一致10。因此，本文将 DN 应用于电力系统潮流计算领域是具有一定现实意义的。基于 DN 的多节点电力系统潮流计算模型如图 2 所示。图 2基于 DN 的多节点电力系统潮流计算模型2 2潮流计算网络模型的预测流程与性能评估方法本文所提出的基于 DN 的多节点电力系统潮流计算网络模型的预测整体流程如图 3 所示。图 3基于 DN 的多节点电力系统潮流计算网络模型的预测整体流程另外，本文所使用的预测模型利用训练误差及准确率、平均验证误差及准确率来进行所建立的模型的性能评估。其中，训练误差及平均验证误差由均方误差11 计算得出。而自定义的准确率计算程序所用到的计算公式如下:Accuracy=1ni=1ypred y()true2ni=1ytrue meany()true2n(1)式中:ypred为网络模型的预测值;ytrue为输入数据的真实标签值;n为输入数据真实标签值的个数。3仿真结果分析此文根据之前所述方法采集到了 61 组潮流计算样本数据，之后利用 TensorFlow 平台搭建出了基于 DN 的多节点电力系统潮流计算模型。期间通过分析表 1网络训练参数参数数值输入神经元个数/个64输出神经元个数/个7最大迭代次数/次100初始学习率0 000 1批处理默认值训练集中样本个数/个45测试集中样本个数/个10验证集中样本个数/个6模型输出结果的准确率及误差，不断训练和测试网络模型，调整参数的优化方向，最终得到如表1 所示的网络训练参数。基于上述的网络训练参数，本文利用 DN 搭建潮流计算模型所得到的训练与验证损失函数对比图如图 4 所示，训练与验证准确率对比图如图 5 所示。67Electrical 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 期从这两幅图可以看出，所建模型的损失函数在训练集上和验证集上总趋势均是逐渐下降的，准确率在训练集上和验证集上的总趋势均是逐渐上升的。这证明了基于 DN 的多节点电力系统潮流计算模型能够准确并有效地进行多节点的潮流计算，且其在训练集和验证集上的性能均非常优越。图 4训练与验证损失函数对比图图 5训练与验证准确率对比图图 6 为牛拉法与 DN 进行潮流计算所需时间的对比图。由图 6 分析可知，本文所建模型只需用模型预测一次即可得出潮流计算结果，且其计算一次所需时间为 0 005 8 s 左右，而采用牛拉法计算潮流所需时间约为它的 19 倍。与那些传统潮流算法相比，本文所用方法更加简单，计算速度也比较快，计算结果的收敛性和准确率也更高。图 6牛拉法与 DN 进行潮流计算所需时间对比图分别利用 DN 与普通的浅层人工神经网络搭建潮流计算模型，迭代训练后所得预测结果如表 2 所示。从表 2 可以看出，面对相同的潮流计算数据样本，与采用普通的浅层人工神经网络相比，采用 DN 搭建的多节点电力潮流计算网络模型，其训练误差与平均测试误差有明显降低，训练与平均测试准确率有明显升高。这说明，因很大程度上避免了“维数灾难”、梯度消失和网络退化问题，采用 DN 要比采用普通的浅层人工神经网络搭建的潮流计算模型的性能更加优越，自主学习能力更强，所能得到的预测值收敛性和准确率更高。表 2利用不同神经网络搭建潮流计算模型所得预测结果网络模型训练误差平均测试误差训练准确率平均测试准确率深度残差网络0092014009070 840普通人工神经网络0341052006540 4204结束语为了弥补传统潮流算法的不足，以及避免采用普通的浅层人工神经网络时所出现的新问题，本文采用了 DN 来构建多节点电力潮流计算网络模型，利用残差块在很大程度上缓解了梯度消失和网络退化问题，利用深度学习网络可自动提取特征的特性解决了“维数灾难”问题，因预测一次就可得出潮流计算结果而在快速性、收敛性及精度方面优于传统潮流算法。但本文所提出方法只试验解决了 5 个节点的电力系统潮流计算结果预测，并未着重考虑模型的训练时长。因此，扩大本文方法所计算的电力系统规模、缩短模型的训练时长及进一步加快潮流计算的速度可以作为下一步的