宋明曙，李永光，沈小勇

（國(guó)網(wǎng)新疆電力有限公司電力調(diào)度控制中心，烏魯木齊 830092）

0 引言

交直流大電網(wǎng)是由交流電網(wǎng)和直流電網(wǎng)共同組成的電力網(wǎng)絡(luò)，該電力網(wǎng)絡(luò)具備輸送電流額度大、穩(wěn)定等特點(diǎn)，且其架設(shè)區(qū)域跨度較大。目前新能源結(jié)構(gòu)的變換為交直流大電網(wǎng)的調(diào)控運(yùn)行帶來的一定難度[1，2]，為提升交直流大電網(wǎng)之間的耦合程度，對(duì)其調(diào)度進(jìn)行自動(dòng)巡航非常有必要。為此相關(guān)領(lǐng)域?qū)＜乙布娂娧芯苛穗娋W(wǎng)調(diào)度自動(dòng)巡航方法，如趙晉泉等人設(shè)計(jì)了電網(wǎng)調(diào)度自動(dòng)巡航技術(shù)架構(gòu)，該方法從電網(wǎng)運(yùn)行的經(jīng)濟(jì)角度出發(fā)，對(duì)電網(wǎng)運(yùn)行經(jīng)濟(jì)性進(jìn)行評(píng)估后，使用最優(yōu)運(yùn)行點(diǎn)的方式實(shí)現(xiàn)其調(diào)度自動(dòng)巡航[3]。但該方法的研究角度不夠?qū)挿海m用性不佳。蔡杰等人提出了電網(wǎng)協(xié)同調(diào)度巡航方法，該方法從電網(wǎng)運(yùn)行的安全角度入手，使用信息動(dòng)態(tài)博弈算法獲得電網(wǎng)運(yùn)行時(shí)的不安全數(shù)據(jù)，依據(jù)該不安全數(shù)據(jù)使用粒子群優(yōu)化算法實(shí)現(xiàn)電網(wǎng)協(xié)同調(diào)度巡航[4]。但該方法所選取的粒子群優(yōu)化參數(shù)不夠準(zhǔn)確，導(dǎo)致其電網(wǎng)協(xié)同調(diào)度巡航效果不佳。Faster RCNN模型是由區(qū)域建議網(wǎng)絡(luò)和深度學(xué)習(xí)模型構(gòu)成，其可實(shí)現(xiàn)目標(biāo)檢測(cè)、特征提取等功能。該模型目前在檢測(cè)與識(shí)別領(lǐng)域應(yīng)用極為廣泛[5]，但其受模型內(nèi)深層網(wǎng)絡(luò)梯度影響，容易陷入極值或無法輸出結(jié)果，因此需對(duì)其實(shí)施改進(jìn)處理。為此本文將改進(jìn)的Faster RCNN模型應(yīng)用到電網(wǎng)的調(diào)度巡航過程中，提出基于改進(jìn)Faster RCNN的交直流大電網(wǎng)調(diào)度自動(dòng)巡航方法，以提升交直流大電網(wǎng)運(yùn)行調(diào)度技術(shù)水平。

1 交直流大電網(wǎng)調(diào)度自動(dòng)巡航方法

1.1 交直流大電網(wǎng)調(diào)度自動(dòng)巡航技術(shù)架構(gòu)

設(shè)計(jì)交直流大電網(wǎng)調(diào)度自動(dòng)巡航技術(shù)架構(gòu)，如圖1所示。

圖1 交直流大電網(wǎng)調(diào)度自動(dòng)巡航技術(shù)架構(gòu)

交直流大電網(wǎng)調(diào)度自動(dòng)巡航技術(shù)架構(gòu)分為大電網(wǎng)態(tài)勢(shì)感知單元、調(diào)度巡航?jīng)Q策單元和控制單元，利用電網(wǎng)模型從交直流大電網(wǎng)內(nèi)獲取其運(yùn)行數(shù)據(jù)，再使用改進(jìn)Faster RCNN神經(jīng)網(wǎng)絡(luò)模型提取大電網(wǎng)運(yùn)行數(shù)據(jù)特征，構(gòu)建大電網(wǎng)運(yùn)行狀態(tài)數(shù)據(jù)庫。依據(jù)數(shù)據(jù)庫內(nèi)的大電網(wǎng)運(yùn)行數(shù)據(jù)特征構(gòu)建其大電網(wǎng)電網(wǎng)態(tài)勢(shì)評(píng)估指標(biāo)體系和構(gòu)建調(diào)度巡航運(yùn)行域。再對(duì)大電網(wǎng)運(yùn)行狀態(tài)進(jìn)行評(píng)估，然后判斷該評(píng)估結(jié)果是否發(fā)送系統(tǒng)告警、是否存在暫態(tài)動(dòng)態(tài)穩(wěn)定問題以及人工設(shè)置啟停，若存在則判斷調(diào)度巡航的適應(yīng)性。當(dāng)大電網(wǎng)調(diào)度巡航無法適應(yīng)時(shí)，則啟動(dòng)人工調(diào)度，反之則繼續(xù)巡航并在大電網(wǎng)的運(yùn)行域內(nèi)對(duì)大電網(wǎng)進(jìn)行樞紐節(jié)點(diǎn)無功電壓優(yōu)化，靜態(tài)安全決策和實(shí)時(shí)計(jì)劃決策。在使用運(yùn)行狀態(tài)自適應(yīng)矯正方法對(duì)今天安全決策、實(shí)時(shí)計(jì)劃決策等進(jìn)行自適應(yīng)矯正后，將矯正結(jié)果輸入到控制單元內(nèi)，利用控制單元內(nèi)的源荷協(xié)同頻率控制和自動(dòng)電壓控制子模塊控制直流交流大電網(wǎng)運(yùn)行。

1.2 基于改進(jìn)Faster RCNN模型的大電網(wǎng)運(yùn)行數(shù)據(jù)特征獲取

獲取交直流大電網(wǎng)運(yùn)行數(shù)據(jù)是其調(diào)度自動(dòng)巡航的基礎(chǔ)。在此使用改進(jìn)Faster RCNN模型獲取交直流大電網(wǎng)運(yùn)行數(shù)據(jù)特征，并利用該數(shù)據(jù)特征構(gòu)建交直流大電網(wǎng)運(yùn)行狀態(tài)數(shù)據(jù)庫。Faster RCNN模型是由區(qū)域建議網(wǎng)絡(luò)和深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)兩部分組成。其中區(qū)域建議神經(jīng)網(wǎng)絡(luò)是由卷積網(wǎng)絡(luò)組成的預(yù)測(cè)物體邊框，其可接受任意維度的大電網(wǎng)運(yùn)行數(shù)據(jù)[6，7]，通過對(duì)大電網(wǎng)運(yùn)行數(shù)據(jù)進(jìn)行訓(xùn)練，得到初步特征區(qū)域，再將該特征區(qū)域輸入到深度學(xué)習(xí)網(wǎng)絡(luò)模型內(nèi)，得到精準(zhǔn)的大電網(wǎng)運(yùn)行數(shù)據(jù)特征。區(qū)域生產(chǎn)網(wǎng)絡(luò)為獲取到大電網(wǎng)數(shù)據(jù)的建議特征，其在最末位的卷積層上利用滑動(dòng)窗口調(diào)整卷積操作，將大電網(wǎng)運(yùn)行數(shù)據(jù)的滑動(dòng)窗口進(jìn)行映射，得到與其相對(duì)應(yīng)的一個(gè)低維度特征。然后利用9個(gè)尺寸參數(shù)不同的候選框描述大電網(wǎng)運(yùn)行數(shù)據(jù)特征，再將該低維度特征輸入到框回歸層和框分類層內(nèi)，利用二者輸出大電網(wǎng)數(shù)據(jù)特征區(qū)域。區(qū)域建議網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 區(qū)域建議網(wǎng)絡(luò)結(jié)構(gòu)示意圖

由于區(qū)域建議網(wǎng)絡(luò)內(nèi)的卷積神經(jīng)網(wǎng)絡(luò)層又包含卷積層、池化等若干個(gè)層次。其在不斷提取大電網(wǎng)運(yùn)行數(shù)據(jù)特征時(shí)，卷積網(wǎng)絡(luò)內(nèi)各個(gè)層次遞減梯度不同，會(huì)導(dǎo)致其在提取大電網(wǎng)運(yùn)行數(shù)據(jù)特征區(qū)域的梯度消失[8]，陷入極值情況或者無法輸出特征區(qū)域結(jié)果。因此在域建議神經(jīng)網(wǎng)絡(luò)內(nèi)的卷積神經(jīng)網(wǎng)絡(luò)層引入跳轉(zhuǎn)連接層，利用跳轉(zhuǎn)連接層將卷積網(wǎng)絡(luò)層內(nèi)輸入的大電網(wǎng)數(shù)據(jù)特征轉(zhuǎn)到輸出層內(nèi)，并再一次進(jìn)行一遍卷積操作，以增加區(qū)域建議神經(jīng)網(wǎng)絡(luò)的非線性呈現(xiàn)能力[9]。設(shè)置改進(jìn)區(qū)域建議神經(jīng)網(wǎng)絡(luò)參數(shù)，以提升該網(wǎng)絡(luò)訓(xùn)練速度，其表達(dá)公式如下：

式(1)中，parameters表示改進(jìn)區(qū)域建議神經(jīng)網(wǎng)絡(luò)參數(shù)；inc、outc分別表示改進(jìn)區(qū)域建議神經(jīng)網(wǎng)絡(luò)輸入通道和輸出通道數(shù)量；Zh、Zw分別表示滑動(dòng)窗口的高度和寬度數(shù)值。

區(qū)域建議神經(jīng)網(wǎng)絡(luò)候選框的參數(shù)非常重要，其可直接影響區(qū)域神經(jīng)網(wǎng)絡(luò)選擇的直流交流大電網(wǎng)運(yùn)行數(shù)據(jù)的特征區(qū)域[10]，因此對(duì)區(qū)域建議神經(jīng)網(wǎng)絡(luò)的候選框機(jī)制進(jìn)行改進(jìn)。在Faster RCNN模型內(nèi)9個(gè)候選框尺寸不一，其最小尺寸為128*128，由于交直流大電網(wǎng)運(yùn)行數(shù)據(jù)維度不同，9個(gè)候選框無法滿足該運(yùn)行數(shù)據(jù)特征選取區(qū)域，在原有的9個(gè)候選框基礎(chǔ)上再增加一組尺寸為128*128的候選框作為Faster RCNN模型選擇交直流大電網(wǎng)運(yùn)行數(shù)據(jù)特征區(qū)域的候選機(jī)制。令Fi、Qi分別表示大電網(wǎng)數(shù)據(jù)特征的包圍框和特征類別數(shù)值；分類回歸參數(shù)和回歸參數(shù)分別由Ncls、Nreg表示，則Faster RCNN模型的多任務(wù)分類器的損失函數(shù)可定義為：

R表示Faster RCNN模型的魯棒損失函數(shù)。

經(jīng)過上述步驟，完成Faster RCNN模型內(nèi)區(qū)域建議網(wǎng)絡(luò)的改進(jìn)，得到改進(jìn)后的Faster RCNN模型。將直流交流大電網(wǎng)運(yùn)行數(shù)據(jù)輸入到改進(jìn)的Faster RCNN模型內(nèi)，經(jīng)過該模型迭代，得到直流交流大電網(wǎng)運(yùn)行數(shù)據(jù)的特征，并利用其構(gòu)建直流交流大電網(wǎng)運(yùn)行狀態(tài)數(shù)據(jù)。

1.3 點(diǎn)位態(tài)勢(shì)評(píng)估指標(biāo)體系構(gòu)建

從直流交流大電網(wǎng)運(yùn)行狀態(tài)數(shù)據(jù)內(nèi)提取其運(yùn)行數(shù)據(jù)特征，依據(jù)該特征構(gòu)建直流交流大電網(wǎng)點(diǎn)位態(tài)勢(shì)評(píng)估指標(biāo)體系，如表1所示。

表1 直流交流大電網(wǎng)點(diǎn)位態(tài)勢(shì)評(píng)估指標(biāo)體系

依據(jù)表1的直流交流大電網(wǎng)點(diǎn)位態(tài)勢(shì)評(píng)估指標(biāo)體系，對(duì)直流交流大電網(wǎng)當(dāng)前運(yùn)行狀態(tài)進(jìn)行評(píng)估。

1.4 交直流大電網(wǎng)自動(dòng)巡航運(yùn)行域生成

交直流大電網(wǎng)的自動(dòng)巡航運(yùn)行域是指其運(yùn)行節(jié)點(diǎn)內(nèi)均符合安全運(yùn)行約束條件的集合，該集合可描述交直流大電網(wǎng)的當(dāng)前運(yùn)行狀態(tài)[11，12]。建立交直流大電網(wǎng)自動(dòng)巡航運(yùn)行域安全約束日前發(fā)電計(jì)劃模型，其表達(dá)式如式(5)所示：

式(5)中，s.t.表示約束條件數(shù)學(xué)符號(hào)；f1(x)、f2(x)、f3(x)分別表示交直流大電網(wǎng)總電量消耗數(shù)值、棄風(fēng)率與棄光率、污染物排放量；x表示大電網(wǎng)運(yùn)行調(diào)度巡航的變化量；J(x)、L(x)分別表示等式約束與不等式約束。

運(yùn)用線性加權(quán)算法將式(5)轉(zhuǎn)換為單目標(biāo)模型，其表達(dá)公式如式(6)所示：

式(6)中，σ表示多目標(biāo)權(quán)重系數(shù)；minζ表示單目標(biāo)約束結(jié)果。

計(jì)算交直流大電網(wǎng)的網(wǎng)損同比增長(zhǎng)率，其表達(dá)公式如式(7)所示：

式(7)中，Oloss,d、Oloss,d-1分別表示交直流大電網(wǎng)當(dāng)天和前一天的網(wǎng)損實(shí)際數(shù)值。

交直流大電網(wǎng)的能源消納率表達(dá)公式如式(8)所示：

式(8)中，交直流大電網(wǎng)內(nèi)第j個(gè)新能源在時(shí)間為時(shí)的功率和棄功率分別由Or,j,t、Ocut,j,t表示；NR表示交直流大電網(wǎng)內(nèi)的新能源集合；T表示時(shí)間集合。

交直流大電網(wǎng)電量污染物排放同比增長(zhǎng)率計(jì)算公式如式(9)所示：

式(9)中，HE、YS分別表示交直流當(dāng)前單位電量污染排放量數(shù)值和同期平均排放量數(shù)值。

利用式(5)～式(9)計(jì)算結(jié)果，生成交直流大電網(wǎng)自動(dòng)巡航運(yùn)行域。

1.5 交直流大電網(wǎng)調(diào)度自動(dòng)巡航方法

設(shè)計(jì)不同自動(dòng)巡航方式組成的交直流大電網(wǎng)調(diào)度自動(dòng)巡航方法，其示意圖如圖3所示。

圖3 交直流大電網(wǎng)調(diào)度自動(dòng)巡航示意圖

在交直流大電網(wǎng)調(diào)度自動(dòng)巡航過程中，定速/變速調(diào)度巡航是全自動(dòng)巡航模式，其可在交直流大電網(wǎng)穩(wěn)定運(yùn)行情況下，依據(jù)其日前發(fā)電計(jì)劃依據(jù)當(dāng)前運(yùn)行狀態(tài)評(píng)估結(jié)果對(duì)交直流大電網(wǎng)進(jìn)行小幅度糾偏，保證交直流大電網(wǎng)在既定目標(biāo)范圍內(nèi)正常運(yùn)行[13]。在對(duì)日內(nèi)實(shí)時(shí)交直流大電網(wǎng)調(diào)度自動(dòng)巡航過程中，事件巡航模式則是交直流大電網(wǎng)出現(xiàn)偶發(fā)性情況下的巡航模式，其在感知到交直流大電網(wǎng)出現(xiàn)負(fù)荷突變、短路等情況時(shí)，立即啟動(dòng)該調(diào)度巡航模式，依據(jù)交直流大電網(wǎng)事件不斷迭代更新日內(nèi)發(fā)電計(jì)劃。而當(dāng)交直流大電網(wǎng)的頻率和電壓出現(xiàn)偏差時(shí)[14，15]，則啟動(dòng)偏差調(diào)度巡航模式，然后將控制命令發(fā)送到控制單元內(nèi)，利用控制單元實(shí)現(xiàn)交直流大電網(wǎng)發(fā)電計(jì)劃控制。

2 實(shí)驗(yàn)分析

以某交直流大電網(wǎng)為實(shí)驗(yàn)對(duì)象，使用本文方法對(duì)其調(diào)度展開自動(dòng)巡航，驗(yàn)證本文方法實(shí)際應(yīng)用效果。該交直流大電網(wǎng)拓?fù)浣Y(jié)構(gòu)如圖4所示，大電網(wǎng)參數(shù)如表2所示。

表2 交直流大電網(wǎng)參數(shù)

圖4 交直流大電網(wǎng)拓?fù)浣Y(jié)構(gòu)示意圖

2.1 可靠性驗(yàn)證

以改進(jìn)Faster RCNN模型的魯棒損失函數(shù)數(shù)值作為衡量指標(biāo)，測(cè)試本文方法在調(diào)度巡航不同次數(shù)下，魯棒損失函數(shù)數(shù)值變化情況，結(jié)果如圖5所示。

圖5 可靠性驗(yàn)證結(jié)果

分析圖5可知，本文方法的魯棒損失函數(shù)數(shù)值隨著大電網(wǎng)調(diào)度巡航次數(shù)的增加呈現(xiàn)迅速下降，并在下降到一定數(shù)值時(shí)保持平衡狀態(tài)。在大電網(wǎng)調(diào)度巡航次數(shù)為40次之前時(shí)，本文方法的魯棒性損失函數(shù)數(shù)值呈現(xiàn)迅速下降趨勢(shì)，其數(shù)值由最初的0.38左右下降至0.026左右。當(dāng)大電網(wǎng)調(diào)度巡航次數(shù)超過40次之后，本文方法的魯棒損失函數(shù)數(shù)值呈現(xiàn)輕微幅度下降趨勢(shì)。在大電網(wǎng)調(diào)度巡航次數(shù)為200次時(shí)，本文方法的魯棒損失函數(shù)數(shù)值為0.023左右。上述結(jié)果說明，本文方法在調(diào)度巡航大電網(wǎng)時(shí)的魯棒性較強(qiáng)，調(diào)度巡航精度較高，受調(diào)度巡航次數(shù)影響較小。

2.2 運(yùn)行域準(zhǔn)確性分析

在該交直流大電網(wǎng)的運(yùn)行域內(nèi)選取相對(duì)應(yīng)的權(quán)重和目標(biāo)函數(shù)，分別標(biāo)記為目標(biāo)函數(shù)A、目標(biāo)函數(shù)B、目標(biāo)函數(shù)C，和權(quán)重1、權(quán)重2、權(quán)重3，獲取其在空間上的對(duì)應(yīng)關(guān)系圖，分析本文方法建立的交直流大電網(wǎng)運(yùn)行域的準(zhǔn)確性，結(jié)果如圖6所示。

圖6 運(yùn)行域準(zhǔn)確性分析

分析圖6可知，在三個(gè)目標(biāo)函數(shù)和權(quán)重分布的三維平面內(nèi)，本文方法計(jì)算得到的大電網(wǎng)運(yùn)行域，目標(biāo)函數(shù)值與目標(biāo)權(quán)重值均呈現(xiàn)一一對(duì)應(yīng)關(guān)系，說明在該運(yùn)行域內(nèi)求解的目標(biāo)函數(shù)結(jié)果較為準(zhǔn)確，該運(yùn)行域的可行性較好，其可為后續(xù)調(diào)度巡航大電網(wǎng)提供較為精確的評(píng)估分析基礎(chǔ)。

2.3 大電網(wǎng)運(yùn)行數(shù)據(jù)特征獲取測(cè)試

以大電網(wǎng)運(yùn)行數(shù)據(jù)特征點(diǎn)數(shù)量作為衡量指標(biāo)，測(cè)試在不同大電網(wǎng)運(yùn)行數(shù)據(jù)量情況下，本文方法獲取的大電網(wǎng)運(yùn)行數(shù)據(jù)特征點(diǎn)與其實(shí)際運(yùn)行特征點(diǎn)數(shù)值，對(duì)比分析本文方法獲取大電網(wǎng)運(yùn)行數(shù)據(jù)特征能力，結(jié)果如表3所示。

表3 獲取大電網(wǎng)運(yùn)行數(shù)據(jù)特征數(shù)量（個(gè)）

采用本文方法獲取大電網(wǎng)運(yùn)行特征數(shù)據(jù)的特征點(diǎn)數(shù)量精度與大電網(wǎng)運(yùn)行數(shù)據(jù)量成反比例關(guān)系。其中時(shí)大電網(wǎng)運(yùn)行數(shù)據(jù)量為2000個(gè)之前時(shí)，本文方法獲取大電網(wǎng)運(yùn)行數(shù)據(jù)特征點(diǎn)數(shù)量與實(shí)際特征點(diǎn)數(shù)據(jù)完全相同，說明此時(shí)本文方法獲取的大電網(wǎng)運(yùn)行數(shù)據(jù)特征精度達(dá)到100%。當(dāng)大電網(wǎng)運(yùn)行數(shù)據(jù)量超過2000個(gè)后，獲取的大電網(wǎng)運(yùn)行數(shù)據(jù)特征點(diǎn)與實(shí)際特征點(diǎn)數(shù)量出現(xiàn)一定偏差，但最大偏差數(shù)值僅為15個(gè)，此時(shí)獲取大電網(wǎng)運(yùn)行數(shù)據(jù)特征點(diǎn)的精度為99.64%。上述結(jié)果說明：本文方法獲取的大電網(wǎng)運(yùn)行數(shù)據(jù)特征能力較強(qiáng)，也從側(cè)面印證了其對(duì)大電網(wǎng)調(diào)度巡航能力較為優(yōu)秀。

2.4 調(diào)度巡航測(cè)試

以交直流大電網(wǎng)電量備用量作為衡量指標(biāo)，使用本文方法對(duì)該大電網(wǎng)展開調(diào)度巡航，分析調(diào)度巡航前后該交直流大電網(wǎng)的電量備用量變化情況，結(jié)果如圖7所示。

圖7 大電網(wǎng)調(diào)度巡航測(cè)試

應(yīng)用本文方法后，該大電網(wǎng)的備用電量在不同時(shí)間點(diǎn)的整體趨勢(shì)雖然與調(diào)度巡航前趨勢(shì)相同，但其數(shù)值在不同時(shí)間點(diǎn)均高于調(diào)度巡航前，其中備用電量在調(diào)度巡航前后的最大差值為370KW左右。綜上結(jié)果，應(yīng)用本文方法后交直流大電網(wǎng)的備用電量得到明顯提升，其應(yīng)用效果較為顯著。

3 結(jié)語

本文將Faster RCNN模型應(yīng)用到交直流大電網(wǎng)調(diào)度巡航過程中，并針對(duì)Faster RCNN模型在運(yùn)行過程中存在的缺陷進(jìn)行了改進(jìn)，改進(jìn)后的Faster RCNN模型輸出的結(jié)果更加準(zhǔn)確。將方法應(yīng)用到某交直流大電網(wǎng)調(diào)度巡航過程中，經(jīng)過多角度實(shí)驗(yàn)得知：本文方法獲取大電網(wǎng)運(yùn)行數(shù)據(jù)特征能力較強(qiáng)，其應(yīng)用后大電網(wǎng)的備用電量數(shù)值均得到較好的提升，應(yīng)用效果較好。