基于卷积神经网络VGG16模型的配电网动态无功优化研究

段军鹏DUAN Jun-peng；杨陈臣YANG Chen-chen；和鹏HE Peng；许珂玮XU Ke-wei；李国友LI Guo-you；王加富WANG Jia-fu

（①云南电网有限责任公司楚雄供电局，楚雄 675009；②昆明理工大学电力工程学院，昆明 650500；③云南电网有限责任公司电力科学研究院，昆明 650217）

0 引言

结合我国配电网建设发展的背景，设备在长时间运行后，线路存在老化等问题，同时配电网的改造速度相对较慢，所以本文所仿真的台区存在用电高峰时，台区首末端电压差多数在40V以上，对用户用电体验造成影响[1]。针对上述问题，通过对配电网进行无功优化，得出优化策略，从而提高台区末端电压，降低首末端电压差值，从而提高用户电能质量。

传统对配电网台区开展的无功优化研究，往往都是针对某一运行状况下的静态无功优化，但是台区负荷随时都是在变化的，一种负荷运行情况无法涵盖台区实际运行情况的整体运行场景。现有文献对配电台区动态无功优化有少量研究，如：文献[2]针对电力系统动态无功优化的问题，提出了两阶段动态无功优化方法，通过两阶段目标函数的不同从而来达到降低数学计算规模。文献[3]针对分布式电源接入，导致的配电台区无功优化问题，提出一种基于场景法的有源配电网动态无功优化方法。该方法运用K均值聚类和蒙特卡洛模拟法抽样算法将样本聚类成3个典型场景，再以网损最小为目标函数来对IEEE33节点进行动态无功优化。文献[4]针对配电网动态无功不足问题，将混合蛙跳算法进行改进，再与K-均值聚类算法进行结合来解决无功优化问题。文献[5]基于某台区10kV线路全年负荷动态变化的运行情况，采用K-均值聚类来对动态负荷进行分类，以每天日平均负荷作为采样数据，将一整年的负荷动态变化归为6类，再针对每类情况进行优化，得到优化策略从而降低网损和成本，提高电压水平。文献[5]以台区一整年的日平均负荷作为仿真数据，每类场景只得出该台区的全部节点一天的总负荷，具体到节点的负荷是根据百分比来进行分配的，虽然较静态无功优化问题提高了一定实用性与参考价值，但在模拟实际台区的运行工况方面有所不足。

针对已有文献研究存在的问题，本文采用卷积神经网络VGG16模型，以台区每一个节点变压器容量为采样数据来进行分类，三类场景各个节点的负荷数据分别设置为低于变压器额定容量的65%、变压器额定容量的65%-75%和高于变压器额定容量的75%，总体分为3类[6-8]，再通过粒子群算法将每类场景进行无功优化，得到每类场景的优化策略[7]，从而实现对台区动态无功优化的处理。具体步骤如下：

Step1：将台区37节点对应变压器按额定容量百分比来确定每个节点负荷数据信息。

Step2：每类负荷数据类型选取100个，通过VGG16模型进行学习训练。

Step3：最终确定为3类场景，后续随机选取一组负荷数据，通过训练完成的VGG16会自动判断为哪类场景。

Step4：根据场景分类直接得出补偿策略。

1 卷积神经网络VGG16模型简介

VGG的结构是通过池化层和卷积层来构成的一种CNN（Convolutional Neural Networks，CNN）。它的原理是将有权重的全连接层或卷积层叠加至16层，所以称为VGG16。与其他卷积神经网络模型相比，VGG16结构比较简单，但是应用性强，所以在很多领域都比较适用[9-10]。其结构图如图1所示。

结构图从左开始，任意需要分类的图片输入到VGG模型网络中，图中白色方块是卷积层，该层作用是生成新的矩阵，矩阵里面存储着每次训练更新的参数值，在不断训练的过程中寻找到最佳参数值。黑色方块是池化，通过卷积层处理会生成一些特征信息，但是这些信息会有重复，为了简化计算过程池化的作用就是将相似的特征信息进行概括，选取特征区域的平均值或者最大值。深灰色方块是全连接层，将每层的权重与最后一层连接起来。浅灰色方块就是预测层，该层的作用就是将前面输出的信息转换为类别概率，从而达到分类的作用。

本文通过VGG16模型来对动态负荷数据进行分类，通过数据集训练VGG16模型，后续将台区任意工况放入模型中即可得到该工况属于哪类情况，得出对应无功优化策略。

2 台区配电网动态负荷处理

本文仿真对象选取的是某台区10kV线路下37节点配电网模型，根据每个节点对应变压器容量的百分占比来进行分类，将负荷模型共分为3类情况，分别是：

①负荷数据选取占比变压器额定容量的65%-75%，该运行情况下负荷属最经济运行情况，系统在这种运行情况下对于工厂以及大的村落节点可能会出现无功缺损，此种情况对应现实民用电的平时段。

②负荷数据选取低于占比变压器额定容量的65%，该运行情况下负荷属于较低于最经济运行场景，系统无功不会不足，此种情况对应现实民用电的低谷时段。

③第三种场景结合所选取某台区实际情况，该台区37节点中有7个节点变压器额定容量高于100kVA，负荷数据选取高于占比变压器额定容量的75%；除此之外台区居民用电也较高，同样设置高于占比变压器额定容量的75%。该运行情况下配电网络会出现无功缺损，线路末端电压可能出现低于正常电压值，该运行工况下需要对网络进行无功优化，通过补偿无功策略来提高台区末端电压。此种情况对应现实民用电的高峰时段。

以下利用VGG16卷积神经网络模型来对台区负荷数据进行训练分类，每类样本数据量为100个：图2到图4分别为三类负荷运行场景下的各个节点的运行负荷情况，曲线图横坐标为网络37节点的节点数，纵坐标为对应节点变压器实际容量。经过样本数据的训练，使得VGG16卷积神经网络模型形成对台区37节点负荷数据的分类记忆，后续任取台区一个工况的负荷数据放入VGG16卷积神经网络模型，将自动进行判断此情况是属于三类场景中的哪一类场景，根据场景来决定是否进行无功补偿，若要补偿得出对应补偿策略。

3 配电网动态无功优化

3.1 目标函数

本文将台区负荷运行情况分为三类，主要考虑节点配电网损最小为目标来进行配电网无功优化，目标函数如下：

式（1）中，Ploss为整个配电台区的有功损耗；gk（i，j）是节点i和节点j之间的线路电导；Ui为节点i的电压赋值；Uj为节点j的电压赋值；θij为节点i和节点j之间的相角差。

3.2 约束条件

3.2.1 等式约束

台区每一个节点应该满足有功功率和无功功率的平衡，所以等式约束为功率平衡等式：

式（2）中，Pi为节点i注入有功；Qi为节点i注入无功；Ui为节点i电压；θij为节点i，j间电压相角差；Gij、Bij为节点导纳矩阵元素实部和虚部；n为系统总节点数。

3.2.2 不等式约束

控制变量的不等式约束条件：

其中，Qimin为电容器无功补偿装置补偿出力上限，Qimax为电容器无功补偿装置补偿出力下限。

状态变量的不等式约束条件为：

其中，Uimin，Uimax为节点电压上下限。图5为PSO算法流程图。

4 算例分析

本文选取无功优化对象为某台区共37节点配电台区模型，具体结构图如图6所示，通过神经网络VGG16模型先对台区动态负荷数据进行处理，再通过粒子群优化算法对每个场景进行无功优化。将本台区2021年10kV线路日负荷数据作为仿真数据，结合该台区用户类型来进行分类场景优化，由于第二类情况属于居民用电低谷时段，不存在无功缺额，故主要对第一类和第三类情况进行无功优化，得出对应无功优化策略，对比优化前后节点电压情况。

4.1 第一类场景优化

该场景对应居民用电平时段，有部分工厂在工作，居民用电处于正常情况，线路末端有部分节点会出现电压较低的情况，通过利用粒子群算法来对该类场景进行无功优化。

图7为优化前后节点电压对比，横坐标为节点数，纵坐标为节点对应电压值。台区首段电压值为10.5kV，优化前节点6、节点13和节点37电压值较低，通过无功补偿之后每个节点电压值都有所提高。

根据粒子群优化算法得出补偿策略如表1所示。

表1 标场景一补偿策略

4.2 第三类场景优化

该场景对应居民用高峰时段，台区共4个工厂都在工作，居民用电也处于高峰情况，线路末端有较多节点会出现电压较低的情况，通过利用粒子群算法来对该类场景进行无功优化。

图8为优化前后节点电压对比，横坐标为节点数，纵坐标为节点对应电压值。由于该场景处于用电高峰期，所以各个节点的电压值都比较低，优化前节点6、节点8、节点13、节点31和节点37电压都较低，有两个节点电压值低于9kV，通过无功补偿之后每个节点电压值都有所提高。

根据粒子群优化算法得出补偿策略如表2所示。

表2 标场景二补偿策略

5 结论

本文考虑了配电台区配电网负荷动态数据的无功优化策略，建立基于卷积神经网络VGG16模型的动态负荷数据分类，利用粒子群优化算法进行无功优化，得出优化策略，从而得出以下结论：与配电网静态无功优化相比，基于卷积神经网络VGG16模型对动态负荷数据进行分类，能够比较全面地对台区实际运行工况进行模拟，再通过粒子群算法进行无功优化，得出对应优化策略，相较于优化前，节点电压有一定提高。