新建牵引变电所的负荷预测及变压器容量优化配置

新建牵引变电所的负荷预测及变压器容量优化配置

薄健1牛宁波2

1国网山东省电力公司东营区供电公司山东东营257000

2国网山东省电力公司广饶县供电公司山东广饶257300

摘要：本文首先分析了大数据技术在我国电力系统的应用，接下来详细阐述了高斯混合模型聚类，最后对有监督Kohonen网络分类以及基于预测负荷的牵引变压器容量优化做论述，希望通过本文的分析研究，给行业内人士以借鉴和启发。

关键词：高斯混合模型；伪-F统计量；负荷预测；容量配置

引言

对于新建的电气化铁路牵引变电所，负荷过程数据是计算牵引变压器容量、谐波、负序电流等的基础。当前运用于牵引负荷预测的方法有两种，即基于实测负荷的数据预测和基于计算模型的仿真预测。电力机车在电气化铁道上运行时其取流特性受多方面因素影响，使电力机车负荷及牵引负荷均呈现出随机波动性。所以，在进行基于牵引计算和供电计算的计算机仿真时，考虑影响电力机车负荷的主要随机因素，将获得较为接近实际情况的仿真结果。基于实测数据的牵引负荷预测，得益于大量的实测数据，由于其工作量大，耗时长，使该项课题的开展受到限制，所以，目前国外尚没有相关文献，国内仅西南交通大学对基于实测数据的牵引负荷预测进行过一些理论研究工作，具有一定的指导意义。牵引负荷的随机波动性决定了牵引负荷的数据分析与挖掘与电力负荷有很大的不同。面对海量的牵引变电所的测试数据，研究人员一直致力于从中探寻出隐藏在数据内的规律及特征。随着数据挖掘技术在各个研究领域的应用，推动了这一项工作的进展。高斯模型经常被用于模型估计，而高斯混合模型就是在样本估计时将模型建为几个高斯模型的加权和，再按各样本对各模型的“亲和度”，将样本分属到不同类别。面对海量数据时，神经网络被用于数据处理及分析，它凭借其自学习、自适应性、非线性、鲁棒性及容错性等特性，广泛应用于模式分类、聚类、回归拟合、优化计算等方面。高斯混合模型应用于电力系统的研究较少，而神经网络已被广泛应用于电力系统负荷预测。在牵引供电系统方面，神经网络主要用于故障诊断与识别以及谐波分析，在牵引负荷预测方面尚未有报道。对于新建电气化铁路牵引变电所，研究人员一直采用典型负荷曲线校验牵引变压器温升与寿命损失，但典型负荷曲线并未真实反映牵引负荷的负荷过程，实际运行过程中牵引变压器容量利用率较低的状况也说明采用典型负荷曲线进行容量的选择校验存在问题，因此有必要在新建电气化铁路牵引变电所时基于牵引负荷的负荷过程优化配置牵引变压器容量。此项工作开展得益于大量牵引变电所实测数据，国内外鲜有研究。

1大数据技术在我国电力系统的应用

我国的电力系统大数据技术的应用相对于国外较晚，还没有具有影响力的研究成果。但是我国的高校和电力科研单位都相继进行了大数据技术的研究课题，大数据时代的到来，对于电力负荷的预测大数据技术的运用的研究是非常的有必要了，而且大数据技术的成熟化也可以加快智能电网建设的速度。相关电力研究单位对于大数据技术的研究也是很积极的，专门建立大数据团队来解决智能电网建设中遇到的问题，或者与国外公司合作采集建立大数据库，采集智能电网的信息，分析环境数据的用电负荷特点，进行负荷预测，合理优化能源。

2高斯混合模型聚类

统计学习方法由三个要素组成：方法=模型+策略+算法，而模型分为概率模型和非概率模型。高斯混合模型(GaussianMixtureModels，GMM)属于概率模型，应用于分类问题表现为模型的输出量是各个不同类的概率，概率最大的那个类即为分类结果，这种方法也叫软分类(SoftAssignment)。具体地，GMM法可以训练出几个高斯模型，每个高斯模型代表一个类，而模型的加权和表征实测牵引负荷的概率密度分布的估计。将负荷的特征值分别在几个高斯模型上投影，得到各个类的概率，选取概率最大的类作为分类结果。

3有监督Kohonen网络分类

在已有牵引负荷统计数据的情况下，可采用GMM法将牵引负荷进行聚类，建立牵引负荷数据模型库，对于新建的牵引变电所，根据匹配的边界条件及分类方法，在既有模型库中寻找与之匹配的模型。

3.1Kohonen网络

Kohonen神经网络由表征样本向量维数的输入层和以表征神经元节点平面位置的竞争层组成，输入层节点与竞争层的节点以可变权值全连接。Kohonen神经网络中，样本向量输入到输入层之后，竞争层会找到一个与样本相匹配的获胜神经元，获胜条件是样本与该神经元权值间的距离最小。该神经元获胜后，会通过学习速率来调整它和它附近神经元的权值，使之靠近输入样本。神经元本质上体现了数据间的相似性，因此通过反复训练，同类别神经元的权系数不断靠近，而不同类别间权系数差异明显，这使得同类神经元趋于集中，且获胜神经元的领域不断缩小，权值修改的学习速率也在减小。具体地，Kohonen网络训练步骤如下。

3.2有监督学习网络

上述网络实现了对数据的无监督分类，但是若将每个节点视作一类，由于节点数大于实际类别数，该算法可能导致分类类别大于实际类别。因此，可在原网络结构中增加输出层，使之成为有监督学习的Kohonen网络(Supervised_Kohonen,S_Kohonen)，S_Kohonen网络输出层的每个节点代表一个数据类别，竞争层节点与输出层节点以可变权值连接。S_Kohonen网络的训练与Kohonen网络基本一致，只需在步骤5中增加竞争层节点与输出层节点权系数的调整并相应地在步骤4中一并调整它们的学习速率

4基于预测负荷的牵引变压器容量优化

4.1基于热传递的变压器温升模型

牵引负荷的随机波动性使得研究牵引变压器稳态温升意义不大，因此，以指数形式表示的发热方程并不适用于牵引变压器温升计算。而基于热传递原理的发热微分方程适用于任意的时变负载系数，可以更好地反映任意时刻变压器的真实温度。

4.2基于差分方程的变压器寿命损失模型

从可靠性来看，绝缘纸是变压器中可靠性最薄弱的部分。相关研究表明，在高温时，热改性绝缘纸具有更高的张力和抗裂强度，因此可以推广到牵引变压器的应用中去。严格来说，绝缘的老化或劣化是温度、含水量、含氧量和含酸量的时间函数，但是，为简化计算，本模型忽略了除温度外的影响因素，而由于温度分布不均匀，最高温度下运行的相应部分一般劣化最严重。

结语

聚类结果表明，同一类负荷的特征量相近，且评价指标统计值满足要求。因此，运用GMM和S_Kononen神经网络对已有负荷数据的聚类和对新建负荷的匹配分类是十分有效的。基于聚类和分类结果，结合概率密度知识和蒙特卡洛抽样原理，预测出新建负荷的负荷过程，然后依据牵引变压器温升与寿命损失的差分方程模型，优化了新建牵引负荷的变电容量配置，有效地利用了变压器温升与寿命损失，提高了变压器容量利用率，降低了变压器容量配置费用，具有技术可行性和经济优越性。

参考文献

[1]张丽艳,陈映月,韩正庆.基于改进聚类方式的牵引负荷分类方法研究[J].西南交通大学学报,2018.

[2]陈明等.神经网络原理与实例精解[M].北京:清华大学出版社,2013:246-247.