基于改进Faster RCNN的交直流大电网调度自动巡航方法

宋明曙，李永光，沈小勇

（国网新疆电力有限公司电力调度控制中心，乌鲁木齐 830092）

0 引言

交直流大电网是由交流电网和直流电网共同组成的电力网络，该电力网络具备输送电流额度大、稳定等特点，且其架设区域跨度较大。目前新能源结构的变换为交直流大电网的调控运行带来的一定难度[1，2]，为提升交直流大电网之间的耦合程度，对其调度进行自动巡航非常有必要。为此相关领域专家也纷纷研究了电网调度自动巡航方法，如赵晋泉等人设计了电网调度自动巡航技术架构，该方法从电网运行的经济角度出发，对电网运行经济性进行评估后，使用最优运行点的方式实现其调度自动巡航[3]。但该方法的研究角度不够宽泛，适用性不佳。蔡杰等人提出了电网协同调度巡航方法，该方法从电网运行的安全角度入手，使用信息动态博弈算法获得电网运行时的不安全数据，依据该不安全数据使用粒子群优化算法实现电网协同调度巡航[4]。但该方法所选取的粒子群优化参数不够准确，导致其电网协同调度巡航效果不佳。Faster RCNN模型是由区域建议网络和深度学习模型构成，其可实现目标检测、特征提取等功能。该模型目前在检测与识别领域应用极为广泛[5]，但其受模型内深层网络梯度影响，容易陷入极值或无法输出结果，因此需对其实施改进处理。为此本文将改进的Faster RCNN模型应用到电网的调度巡航过程中，提出基于改进Faster RCNN的交直流大电网调度自动巡航方法，以提升交直流大电网运行调度技术水平。

1 交直流大电网调度自动巡航方法

1.1 交直流大电网调度自动巡航技术架构

设计交直流大电网调度自动巡航技术架构，如图1所示。

图1 交直流大电网调度自动巡航技术架构

交直流大电网调度自动巡航技术架构分为大电网态势感知单元、调度巡航决策单元和控制单元，利用电网模型从交直流大电网内获取其运行数据，再使用改进Faster RCNN神经网络模型提取大电网运行数据特征，构建大电网运行状态数据库。依据数据库内的大电网运行数据特征构建其大电网电网态势评估指标体系和构建调度巡航运行域。再对大电网运行状态进行评估，然后判断该评估结果是否发送系统告警、是否存在暂态动态稳定问题以及人工设置启停，若存在则判断调度巡航的适应性。当大电网调度巡航无法适应时，则启动人工调度，反之则继续巡航并在大电网的运行域内对大电网进行枢纽节点无功电压优化，静态安全决策和实时计划决策。在使用运行状态自适应矫正方法对今天安全决策、实时计划决策等进行自适应矫正后，将矫正结果输入到控制单元内，利用控制单元内的源荷协同频率控制和自动电压控制子模块控制直流交流大电网运行。

1.2 基于改进Faster RCNN模型的大电网运行数据特征获取

获取交直流大电网运行数据是其调度自动巡航的基础。在此使用改进Faster RCNN模型获取交直流大电网运行数据特征，并利用该数据特征构建交直流大电网运行状态数据库。Faster RCNN模型是由区域建议网络和深度学习神经网络两部分组成。其中区域建议神经网络是由卷积网络组成的预测物体边框，其可接受任意维度的大电网运行数据[6，7]，通过对大电网运行数据进行训练，得到初步特征区域，再将该特征区域输入到深度学习网络模型内，得到精准的大电网运行数据特征。区域生产网络为获取到大电网数据的建议特征，其在最末位的卷积层上利用滑动窗口调整卷积操作，将大电网运行数据的滑动窗口进行映射，得到与其相对应的一个低维度特征。然后利用9个尺寸参数不同的候选框描述大电网运行数据特征，再将该低维度特征输入到框回归层和框分类层内，利用二者输出大电网数据特征区域。区域建议网络结构如图2所示。

图2 区域建议网络结构示意图

由于区域建议网络内的卷积神经网络层又包含卷积层、池化等若干个层次。其在不断提取大电网运行数据特征时，卷积网络内各个层次递减梯度不同，会导致其在提取大电网运行数据特征区域的梯度消失[8]，陷入极值情况或者无法输出特征区域结果。因此在域建议神经网络内的卷积神经网络层引入跳转连接层，利用跳转连接层将卷积网络层内输入的大电网数据特征转到输出层内，并再一次进行一遍卷积操作，以增加区域建议神经网络的非线性呈现能力[9]。设置改进区域建议神经网络参数，以提升该网络训练速度，其表达公式如下：

式(1)中，parameters表示改进区域建议神经网络参数；inc、outc分别表示改进区域建议神经网络输入通道和输出通道数量；Zh、Zw分别表示滑动窗口的高度和宽度数值。

区域建议神经网络候选框的参数非常重要，其可直接影响区域神经网络选择的直流交流大电网运行数据的特征区域[10]，因此对区域建议神经网络的候选框机制进行改进。在Faster RCNN模型内9个候选框尺寸不一，其最小尺寸为128*128，由于交直流大电网运行数据维度不同，9个候选框无法满足该运行数据特征选取区域，在原有的9个候选框基础上再增加一组尺寸为128*128的候选框作为Faster RCNN模型选择交直流大电网运行数据特征区域的候选机制。令Fi、Qi分别表示大电网数据特征的包围框和特征类别数值；分类回归参数和回归参数分别由Ncls、Nreg表示，则Faster RCNN模型的多任务分类器的损失函数可定义为：

R表示Faster RCNN模型的鲁棒损失函数。

经过上述步骤，完成Faster RCNN模型内区域建议网络的改进，得到改进后的Faster RCNN模型。将直流交流大电网运行数据输入到改进的Faster RCNN模型内，经过该模型迭代，得到直流交流大电网运行数据的特征，并利用其构建直流交流大电网运行状态数据。

1.3 点位态势评估指标体系构建

从直流交流大电网运行状态数据内提取其运行数据特征，依据该特征构建直流交流大电网点位态势评估指标体系，如表1所示。

表1 直流交流大电网点位态势评估指标体系

依据表1的直流交流大电网点位态势评估指标体系，对直流交流大电网当前运行状态进行评估。

1.4 交直流大电网自动巡航运行域生成

交直流大电网的自动巡航运行域是指其运行节点内均符合安全运行约束条件的集合，该集合可描述交直流大电网的当前运行状态[11，12]。建立交直流大电网自动巡航运行域安全约束日前发电计划模型，其表达式如式(5)所示：

式(5)中，s.t.表示约束条件数学符号；f1(x)、f2(x)、f3(x)分别表示交直流大电网总电量消耗数值、弃风率与弃光率、污染物排放量；x表示大电网运行调度巡航的变化量；J(x)、L(x)分别表示等式约束与不等式约束。

运用线性加权算法将式(5)转换为单目标模型，其表达公式如式(6)所示：

式(6)中，σ表示多目标权重系数；minζ表示单目标约束结果。

计算交直流大电网的网损同比增长率，其表达公式如式(7)所示：

式(7)中，Oloss,d、Oloss,d-1分别表示交直流大电网当天和前一天的网损实际数值。

交直流大电网的能源消纳率表达公式如式(8)所示：

式(8)中，交直流大电网内第j个新能源在时间为时的功率和弃功率分别由Or,j,t、Ocut,j,t表示；NR表示交直流大电网内的新能源集合；T表示时间集合。

交直流大电网电量污染物排放同比增长率计算公式如式(9)所示：

式(9)中，HE、YS分别表示交直流当前单位电量污染排放量数值和同期平均排放量数值。

利用式(5)～式(9)计算结果，生成交直流大电网自动巡航运行域。

1.5 交直流大电网调度自动巡航方法

设计不同自动巡航方式组成的交直流大电网调度自动巡航方法，其示意图如图3所示。

图3 交直流大电网调度自动巡航示意图

在交直流大电网调度自动巡航过程中，定速/变速调度巡航是全自动巡航模式，其可在交直流大电网稳定运行情况下，依据其日前发电计划依据当前运行状态评估结果对交直流大电网进行小幅度纠偏，保证交直流大电网在既定目标范围内正常运行[13]。在对日内实时交直流大电网调度自动巡航过程中，事件巡航模式则是交直流大电网出现偶发性情况下的巡航模式，其在感知到交直流大电网出现负荷突变、短路等情况时，立即启动该调度巡航模式，依据交直流大电网事件不断迭代更新日内发电计划。而当交直流大电网的频率和电压出现偏差时[14，15]，则启动偏差调度巡航模式，然后将控制命令发送到控制单元内，利用控制单元实现交直流大电网发电计划控制。

2 实验分析

以某交直流大电网为实验对象，使用本文方法对其调度展开自动巡航，验证本文方法实际应用效果。该交直流大电网拓扑结构如图4所示，大电网参数如表2所示。

表2 交直流大电网参数

图4 交直流大电网拓扑结构示意图

2.1 可靠性验证

以改进Faster RCNN模型的鲁棒损失函数数值作为衡量指标，测试本文方法在调度巡航不同次数下，鲁棒损失函数数值变化情况，结果如图5所示。

图5 可靠性验证结果

分析图5可知，本文方法的鲁棒损失函数数值随着大电网调度巡航次数的增加呈现迅速下降，并在下降到一定数值时保持平衡状态。在大电网调度巡航次数为40次之前时，本文方法的鲁棒性损失函数数值呈现迅速下降趋势，其数值由最初的0.38左右下降至0.026左右。当大电网调度巡航次数超过40次之后，本文方法的鲁棒损失函数数值呈现轻微幅度下降趋势。在大电网调度巡航次数为200次时，本文方法的鲁棒损失函数数值为0.023左右。上述结果说明，本文方法在调度巡航大电网时的鲁棒性较强，调度巡航精度较高，受调度巡航次数影响较小。

2.2 运行域准确性分析

在该交直流大电网的运行域内选取相对应的权重和目标函数，分别标记为目标函数A、目标函数B、目标函数C，和权重1、权重2、权重3，获取其在空间上的对应关系图，分析本文方法建立的交直流大电网运行域的准确性，结果如图6所示。

图6 运行域准确性分析

分析图6可知，在三个目标函数和权重分布的三维平面内，本文方法计算得到的大电网运行域，目标函数值与目标权重值均呈现一一对应关系，说明在该运行域内求解的目标函数结果较为准确，该运行域的可行性较好，其可为后续调度巡航大电网提供较为精确的评估分析基础。

2.3 大电网运行数据特征获取测试

以大电网运行数据特征点数量作为衡量指标，测试在不同大电网运行数据量情况下，本文方法获取的大电网运行数据特征点与其实际运行特征点数值，对比分析本文方法获取大电网运行数据特征能力，结果如表3所示。

表3 获取大电网运行数据特征数量（个）

采用本文方法获取大电网运行特征数据的特征点数量精度与大电网运行数据量成反比例关系。其中时大电网运行数据量为2000个之前时，本文方法获取大电网运行数据特征点数量与实际特征点数据完全相同，说明此时本文方法获取的大电网运行数据特征精度达到100%。当大电网运行数据量超过2000个后，获取的大电网运行数据特征点与实际特征点数量出现一定偏差，但最大偏差数值仅为15个，此时获取大电网运行数据特征点的精度为99.64%。上述结果说明：本文方法获取的大电网运行数据特征能力较强，也从侧面印证了其对大电网调度巡航能力较为优秀。

2.4 调度巡航测试

以交直流大电网电量备用量作为衡量指标，使用本文方法对该大电网展开调度巡航，分析调度巡航前后该交直流大电网的电量备用量变化情况，结果如图7所示。

图7 大电网调度巡航测试

应用本文方法后，该大电网的备用电量在不同时间点的整体趋势虽然与调度巡航前趋势相同，但其数值在不同时间点均高于调度巡航前，其中备用电量在调度巡航前后的最大差值为370KW左右。综上结果，应用本文方法后交直流大电网的备用电量得到明显提升，其应用效果较为显著。

3 结语

本文将Faster RCNN模型应用到交直流大电网调度巡航过程中，并针对Faster RCNN模型在运行过程中存在的缺陷进行了改进，改进后的Faster RCNN模型输出的结果更加准确。将方法应用到某交直流大电网调度巡航过程中，经过多角度实验得知：本文方法获取大电网运行数据特征能力较强，其应用后大电网的备用电量数值均得到较好的提升，应用效果较好。