基于KPCA-RVM 的电网无功储备 需求计算方法研究.pdf

第 卷第期年月计算技术与自动化C o m p u t i n gT e c h n o l o g ya n dA u t o m a t i o nV o l ,N o J u n 收稿日期:基金项目:国家自然科学基金资助项目()作者简介:袁文辉(),男,江苏淮安人,硕士研究生.研究方向:电力系统运行与控制.通信联系人,E m a i l:q q c o m文章编号:()D O I:/j c n k i j s j s y z d h 基于K P C A R VM的电网无功储备需求计算方法研究袁文辉,张仰飞(南京工程学院 电力工程学院,江苏 南京 )摘要:为解决传统电网无功储备需求计算过程复杂度高、耗时长的问题,提出了一种基于K P C A R VM融合模型的电网无功储备需求快速计算方法.首先,采用核主成分分析法充分挖掘输入系统节点稳态运行特征量的有效信息,实现高维特征的降维,采用降维后的特征量作为模型的输入;其次,采用数据拟合能力较好的R VM网络对电网无功储备需求计算进行建模,构建基于R VM网络的快速计算模型;最后,采用I E E E 节点系统数据进行仿真分析.仿真结果表明,所提方法在电网无功储备需求计算任务上具有较高计算精度且时间成本低.关键词:高维特征;无功储备需求;相关向量机;核主成分分析中图分类号:T P 文献标识码:AR e s e a r c ho nR e a c t i v eP o w e rR e s e r v eD e m a n dC a l c u l a t i o nM e t h o dB a s e do nK P C A R VMYUAN W e n h u i,Z HANGY a n g f e i(S c h o o l o fE l e c t r i cP o w e rE n g i n e e r i n g,N a n j i n gI n s t i t u t eo fT e c h n o l o g y,N a n j i n g,J i a n g s u ,C h i n a)A b s t r a c t:I no r d e r t os o l v e t h ep r o b l e mo f h i g hc o m p l e x i t ya n d l o n g t i m e c o n s u m i n g i nt h e t r a d i t i o n a l r e a c t i v ep o w e r r e s e r v ed e m a n dc a l c u l a t i o np r o c e s s,a f a s t c a l c u l a t i o nm e t h o do fr e a c t i v ep o w e rr e s e r v ed e m a n db a s e do nK P C A R VMf u s i o nm o d e lw a sp r o p o s e d F i r s t l y,k e r n e lp r i n c i p a lc o m p o n e n ta n a l y s i sw a su s e dt of u l l ym i n et h ee f f e c t i v ei n f o r m a t i o no ft h es t e a d y s t a t eo p e r a t i o nf e a t u r e so ft h e i n p u ts y s t e mn o d e st oa c h i e v ed i m e n s i o n a l i t yr e d u c t i o no fh i g h d i m e n s i o n a l f e a t u r e s,a n dt h ed i m e n s i o n a l i t yr e d u c t i o nw a su s e da st h e i n p u to f t h em o d e l S e c o n d l y,t h eR VMn e t w o r kw i t hb e t t e rd a t af i t t i n ga b i l i t yi su s e dt om o d e l t h er e a c t i v ep o w e rr e s e r v ed e m a n dc a l c u l a t i o no fp o w e rg r i d,a n daf a s t c a l c u l a t i o nm o d e lb a s e do nR VMn e t w o r ki sc o n s t r u c t e d F i n a l l y,I E E E n o d es y s t e md a t a i su s e df o rs i m u l a t i o na n a l y s i s S i m u l a t i o nr e s u l t ss h o wt h a t t h ep r o p o s e dm e t h o dh a sh i g hc o m p u t a t i o n a l a c c u r a c ya n d l o wt i m e c o s t i n t h e r e a c t i v ep o w e r r e s e r v e r e q u i r e m e n t c a l c u l a t i o nt a s k K e yw o r d s:h i g h d i m e n s i o n a l f e a t u r e;r e a c t i v ep o w e r r e s e r v ed e m a n d;c o r r e l a t i o nv e c t o rm a c h i n e;k e r n e l p r i n c i p a l c o m p o n e n t a n a l y s i s无功储备对于维持电网的电压稳定起到了至关重要的作用.同时,随着新能源渗透率的提升,其出力的随机波动性给电力系统的安全运行带来巨大挑战.因此,需要通过故障扫描的方式计算电网无功储备需求,以确保故障下电网无功储备的充足,但整个无功储备需求计算时间成本较第 卷第期袁文辉,等:基于K P C A R VM的电网无功储备需求计算方法研究高,难以实现在线计算.如何提高无功储备需求计算的速度是亟待解决的问题.近年来,由于人工智能、大数据、云计算等技术的快速发展,越来越多研究将深度学习技术应用于电力系统相关问题上.例如在负荷预测领域,文献 针对模型无法追踪输入特征的重要性波动,利用互信息法(M I)提取输入特征不同时刻的重要性值,对原始输入特征进行修正,并输入双向L S TM网络进行训练和预测工作,仿真结果表明M IB I L S TM融合模型有效提高了预测精 度.文献 提出一种基于花授粉算法、变分模态分解和双向长短期记忆网络相融合的两阶段负荷预测方法,更好地挖掘了数据的深度时序特征,进一步提高了负荷预测的精度;文献 采用基于D TW的改进谱聚类方法,充分考虑了负荷间歇性和波动性的特定,并结合B i L S TM进行负荷预测,模型预测准确度得到提升.在电力系统稳定评估领域,文献 提出一种基于双生成器对抗神经网络的暂态稳定评估方法,较好地解决了因样本多样性不足而导致评估算法的分类性能不佳的问题.文献 针对新能源渗透率不断提升而导致系统安全稳定评估问题面临严峻挑战,提出一种基于注意力机制和 D C NN融合模型,进一步提高评估模型的预测精度.然而上述文献所提方法虽然在负荷预测和暂态稳定评估领域有所应用并取得了一定的效果,但是在无功储备需求计算任务上尚未出现相关应用,同时,随着电网规模的不断扩大,直接导致模型输入节点稳态特征维度大幅增加,使得模型计算复杂度也在一定程度上增加.因此,如何在保证模型输入特征多样性的情况下,降低模型输入特征维度也是需要深入研究的问题.针对无功储备需求计算时间成本高的问题,提出了一种基于K P C A和相关向量机的电网无功储备需求快速计算方法.首先,采用核主成分分析法充分挖掘输入特征量的有效信息,实现高维特征的降维,采用降维后的特征量作为模型输入;其次,采用数据拟合能力较好的R VM网络对无功储备需求计算进行建模,构建基于R VM网络的快速计算模型;最后,采用I E E E 节点系统数据进行仿真分析,结果表明所提方法在无功储备需求计算方面具有较好的计算精度.电网无功储备需求计算为了确保电网有充足的无功储备来维持故障情况下系统的电压稳定性,通过运行断面进行给定故障集的扫描分析,确定各无功源的临界出力,以此计算电网无功储备的需求,具体过程如图所示.图电网无功储备需求计算首先,通过故障扫描确定无功源临界出力,并利用下式计算各无功源在故障场景下的最大无功出力:Qim a x m a xQi j|i,g,jL()式中,Qim a x表示无功源i在故障场景下最大无功出力;Qi j表示无功源i在故障场景j下的无功出力;L代表故障场景数;g表示无功源数量.其次,计算各无功源无功储备需求,如下式:Qir e sQim a xQim i n()式中,Qir e s为无功源i的无功储备需求值;Qim a x为故障典型场景下无功源i无功出力最大值;Qim i n为正常运行方式下无功源i的无功出力最小值.最后,通过下式计算电网的无功储备需求:Qr e sgjkjQjr e s()式中,kj为无功源j在正常运行方式下中对主导节点的无功电压控制灵敏度.以上给出了无功储备需求计算的主要流程,在整个过程中需要进行故障扫描,这直接导致了计算时间成本大幅增加.以N扫描过程为例,进行一次故障扫描的时间成本主要由系统节点规模大小决定,随着系统节点规模的增加,故障扫描的耗时将增长.因此,为了降低电网无功储备需求计算的时间成本,从而实现无功储备需求的在线计算,计算技术与自动化 年月亟须给出一种新型的无功储备需求快速计算方法.基于K P C A的特征降维原理核主成分分析(K P C A)是在主成分分析方法的基础上引入核函数发展而来的,在原始向量组中只存在线性相关信息的情况下,传统的P C A方法才能够有效从向量组中提取互不相关的向量,而当原始向量之间存在非线性关系时,P C A就无法有效提取非线性信息,导致部分特征信息丢失,无法取得良好的降维效果.而K P C A在引入核函数后很好地解决了P C A无法有效提取非线性信息的局限.K P C A方法的核心思想是:首先将原始输入向量映射到高维空间中,在高维空间中采用P C A对数据样本进行分析,最终将处理后的样本从高维特征空间投影回到原始样本空间中,得到分析结果.考虑到样本运行数据特征的计算复杂度会随样本节点特征维度的增加而大幅增长,因此,在实际应用时还需要对系统节点特征向量进行降维,从而提高计算效率,采用K P C A对各断面样本节点特征信息所构成的高维数据进行降维,利用降维后的数据进行特征相似度分析,既能保留原数据的全局特征,也能降低无功储备需求计算模型的复杂度 ,提高模型的计算精度和效率.具体计算过程如图所示.图K P C A降维计算流程图)选取系统各母线节点的特征信息构成输入向量Xx,xnTRnm.)对A中所有变量进行归一化处理,并构建核函数.)计算核矩阵K,并将其进行中心化处理成矩阵H:HKEnKKEnEnKEn()式中,E为nn阶单位矩阵.)计算H的特征值和特征向量,给定累积贡献率阈值,按降序方式获取前r个特征值j(j,r)及对应特征向量j(j,r).rjj/nii()获取降维后的特征向量矩阵Ynr:YHT,rr()R VM网络模型原理R VM是一种与支持向量机类似的稀疏概率模型 ,其是通过最大边际似然求得相关向量以及对应权重大小的,在非线性回归问题上,R VM计算模型可以定义为:yf(x,u)n()f(x,u)Miuik(x,xi)u()式中,u代表权值;k(x,xi)代表对应核函数;nN(,)代表服从均值为,方差为的高斯噪声.通过对先验分布和似然分布的分析,获取未知参数的后验分布:p(u|t,)p(t|u,)p(u|)p(t|,)()(M)/e x p(u)T()式中,(,M)为M维向量,后验方差和均值分别为:(TA)()Tt()式中,Ad i a g(,M),m ik(xi,xm).基于K P C A R VM的无功储备需求计算模型无功储备需求计算问题本质上是一种回归问第 卷第期袁文辉,等:基于K P C A R VM的电网无功储备需求计算方法研究题,其与电网运行状态信息有着较大的关联性,因此 本 文 选 择 各 母 线 节 点 电 气 信 息 作 为 网 络 的R VM模型输入变量,针对输入特征存在维度过高的问题,本文采用K P C A对高维输入特征数据进行降维,提高模型的计算精度,具体计算步骤如下:步骤:提取系统各节点电气信息,构造输入特征向量Xx,xnTRnm;步骤:数据归一化.为加快模型训练的速度,对输入数据进行归一化处理,将其映射到,范围内,具体表现形式如式()所示:xxxm i nxm a xxm i n()式中x,为数据归一化后的值;xm a x、xm i n分别为该维数据最大值、最小值,x为数据初始值.步骤:基于K P C A的特征降维.本文中国选用高斯径向基作为核函数,R B F核函数在计算时间和分类效果上均具有良好的性能.计算所有特征的贡献率并降序排列,选择与无功储备需求关联强的输入变量.k(xxc)e x pxxc()式中,x为空间下任意一点;xc为核中心;为控制径向大小的参数.步骤:基于R VM网络的无功储备需求计算.将特征降维后的数据输入R VM网络中进行训练,模型训练完成后,对测试集数据进行计算.采用由平均绝对百分比误差(MA P E)得到的平均精度(MA)作为计算效果好坏的评估指标,其公式如下:MA P Ennixixixi ()MAMA P E()式中,xi、xi分别为真实值和计算值;n为计算样本数据量.算例分析算例采用I E E E 节点标准系统进行仿真分析,在样本生成的过程中对整体发电和负荷水平进行均匀分档随机波动:将I E E E标准系统断面数据的整体发电和负荷水平在 到 之间均匀分成档,在每档上再对各发电和负荷加上对应档位以内的随机波动值,样本集中包含 个样本,随机挑选其中 组样本作为测试集.样本数据包括系统各节点电气信息以及样本对应无功储备需求值,具体节点电气信息如表所示.首先,对时间性能进行分析,将 组测试样本分成组规模不同的测试数据集,分别测试K P C A R VM、S VM、B P网络的运行时间并对其进行分析.三种智能算法在组测试集上的运行时间如表所示.表节点电气信息描述特征集具体输入特征电压幅值、相角、注入有功功率以及注入无功功率表各种方法运行时间(单位:s)计算模型测试集大小 K P C A RVM S VM B P 由表可以明显看出,各模型在不同数据集上均能实现快速计算,但是K P C A R VM由于通过K P C A算法对有效特征信息进行深度挖掘,使得数据维度降低,在不同规模测试集上其运行时间均少于其他种网络;而传统方法在 节点系统上进行一次无功储备需求计算就需要耗费约 s,因此K P C A R VM模型能够有效降低传统计算方法的时间成本.为了测试本文方法在无功储备需求计算任务上的计算性能优势,分别使用B P网络、S VM算法以及K P C A R VM算法进行训练,最后利用 组数据作为测试集进行模型测试.各模型计算精度如表所示.表不同模型计算精度计算模型平均绝对百分误差/平均精度/S VM网络 B P网络 K P C A RVM网络 图给出了不同网络模型计算结果的曲线图,从图中可以看出,总体上不同网络模型均能够较好地拟合真实值,说明各模型均具有较强的泛化能力,但是K P C A R VM网络预测曲线与实际负荷拟合程度最高,计算精度最高.图则从各模型计算结果的误差分布角度进行性能分析,可以发现种计算模型误差分布均集中在附近,但是K P C A R VM模型误差在附近的分布频率更高,这也间接反映了K P C A R VM模型计算结果相比其他模型和真实值更贴近.计算技术与自动化 年月图不同模型计算结果对比表给出了各模型的平均绝对百分误差和计算精度,从表中可以明显看出K P C A R VM模型的计算效果相较于S VM、B P网络更好,计算精度分别提升了 、,表明了K P C A R VM模型在无功储备需求计算任务上更具优势.最后,为了进一步验证训练集规模变化对模型算精度的影响,分别设置规模为 、以及 的五组训练数据集,利用以上五组训练数据集分别训练B P模型、S VM模型以及本文所提的方法,并将计算模型在不同规模训练集下的无功储备需求计算误差以及计算精度进行对比分析.在不同的样本规模下,种方法的对比情况如表所示.图不同模型计算误差分布表不同规模训练集下模型计算结果分析训练样本数平均绝对百分误差/平均精度/S VMB PK P C A R VMS VMB PK P C A R VM 图不同规模训练集上模型计算精度变化从表可以明显地看出,在种计算方法中,K P C A R VM模型在各训练样本规模下其计算平均精度都是最高的,未采用K P C A输入特征处理的B P和S VM模型则表现要相对差一点,但这两种模型在训练数据量增加后,模型的计算精度也得到了一定的提升,这也说明了以上两种模型对数据集的规模具有较强的依赖性.在规模为 的小样本情况下,其计算精度仅在 左右,而K P C A R VM模型的计算精度在小样本的情况下已经接近,说明通过K P C A对输入特征中有效信息进行提取并实现特征降维,很大程度上降低了R VM模型在电网无功储备需求计算的训练复杂度,有效地拟合了样本数据,使得其在小样本情况下仍然能够表现出较好的计算性能.从图中也可以清晰看出,随着训练集规模的不断增加,各模型的计算精度均表现出一种上升的趋势,在训练样本规模减少到 时,K P C A R VM依然可以实现近 的计算精度.考虑到大量训练样本将会带来较大的计算损耗,合理选择样本规模可以有效缩减训练时间.同时,在电网实际运行中,无法及时获取大规模样本数据,因此本文方法在较小规模样本下的计算性能优势在实际中具有一定意义.第 卷第期袁文辉,等:基于K P C A R VM的电网无功储备需求计算方法研究结论为了降低电网无功储备需求计算的复杂度,提出了一种基于K P C A R VM模型的电网无功储备需求快速计算方法.采用基于K P C A的特征降维算法,在保留全局信息的同时降低高维特征的维度,提 高 计 算 精 度 以 及 模 型 的 训 练 效 率.利 用I E E E 标准节点系统进行仿真,将K P C A R VM网络与S VM、B P网络进行对比,结果表明:()基于K P C A和R VM网络的融合模型的运行时间成本更低,且其平均计算精度相较于B P模型和S VM模型分别提升了 、,这充分验证了K P C A R VM模型在电网无功储备需求计算任务上更具优势.()相比于基于B P和S VM的传统计算方法,本文方法在小样本集的情况下仍然能够保持近 的计算精度,验证了本文方法对不同规模样本集均表现出良好的适应性和泛化能力.参考文献陈光宇,吴文龙,戴则梅,等计及故障场景集的风光储混合系统区域无功储备多目标优化J电力系统自动化,():齐子杰,陈天华,王彬,等基于多阶轨迹灵敏度的交直流混联受端电网无功储备优化方法J电力科学与技术学报,():P A R KB,I M S,K I M D,e ta l C l u s t e r e de f f e c t i v er e a c t i v er e s e r v e t os e c u r ed y n a m i cv o l t a g es t a b i l i t yi np o w e rs y s t e mo p e r a t i o nJ I E E ET r a n s a c t i o n so nP o w e rS y s t e m s,():葛怀畅,王彬,郭庆来,等面向高比例可再生能源交直流混联电网的动态自动电压控制系统:设计与应用J中国电机工程学报,():HUAN G WJ,Z HANGN,YANGJW,e t a l O p t i m a l c o n f i g u r a t i o np l a n n i n go fm u l t i e n e r g ys y s t e m sc o n s i d e r i n gd i s t r i b u t e dr e n e w a b l ee n e r g yJ I E E ET r a n s a c t i o n so nS m a r tG r i d,():孙辉,杨帆,高正男,等考虑特征重要性值波动的M I B I L S TM短期负荷预测J电力系统自动化,():张淑清,李君,姜安琦,等基于F P A VMD和B i L S TM神经网络的新型两阶段短期电力负荷预测J电网技术,():李练兵,李东颖,董晓红,等基于动态时间规整的谱聚类方法与双向长短期记忆网络的电动公交短 期充电负荷预测J科学技术与工程,():杨东升,吉明佳,周博文,等基于双生成器生成对抗网络的电力系统暂态稳定评 估方法J电 网技术,():史法顺,吴俊勇,吴昊衍,等基于深度学习的电力系统暂态功角与暂态电压稳定裕度一体化评估J电网技术,():郑吉祥,钟俊基于节点类型和分区耦合性的复杂网络无功电压快速分区方法J电网技术,():王艳松,高鑫,胡彩娥,等基于核主成分分析和A P聚类算法的电力系统态势感知 技术J电测 与仪表,():李丹,杨保华,张远航,等基于最优R B F核主成分的空间多维风电功率降维及重构J电网技术,():J I AN G H Y,C HE N K,G E QB,e ta l F a u l td i a g n o s i so fp o w e rI o T s y s t e m b a s e do ni m p r o v e d Q K P C A R F u s i n gm e s s a g ed a t aJ I E E EI n t e r n e to fT h i n g sJ o u r n a l,():黄新波,马玉涛,朱永灿基于信息融合和M R VM的变压器故障诊断方法J电力自动化 设备,():A L AMAN I O T I S M,B A R G I O TA SB,B OUR B AK I SN,e ta l G e n e t i co p t i m a lr e g r e s s i o no fr e l e v a n c ev e c t o rm a c h i n e sf o re l e c t r i c i t yp r i c i n gs i g n a lf o r e c a s t i n gi ns m a r tg r i d sJI E E ET r a n s a c t i o n so nS m a r tG r i d,():陈光宇,孙叶舟,江海洋,等基于D I n d R NN R VM深度融合模型的A G C指令执行效果精准辨识及置信评估研究J中国电机工程学报,():卢志刚,杨英杰,李学平,等基于深度迁移学习理论含风电光伏系统的地区电网网损率计算J中国电机工程学报,():