電動(dòng)汽車接入配電網(wǎng)不平衡負(fù)荷數(shù)據(jù)漸進(jìn)學(xué)習(xí)方法

董華忠，蔣達(dá)飛，尹維波

（國網(wǎng)冀北電力有限公司唐山供電公司，河北唐山 063000）

近幾年，隨著電動(dòng)汽車充電時(shí)間不斷縮短，續(xù)航能力不斷提高，充電設(shè)施不斷完善，城市中電動(dòng)汽車的數(shù)量也在不斷增加。隨著V2G 模式下的分布式光伏發(fā)電及電動(dòng)汽車大量接入到城市配電網(wǎng)絡(luò)，配電網(wǎng)絡(luò)中分布式發(fā)電的比例將會(huì)大大增加。在大規(guī)模的分布式電源接入后，將不能滿足電力系統(tǒng)運(yùn)行可靠性和電能高品質(zhì)要求。當(dāng)數(shù)據(jù)不均衡時(shí)，一般的分類算法往往會(huì)對(duì)大部分的類進(jìn)行預(yù)測，從而使其對(duì)少數(shù)類的學(xué)習(xí)效率降低。非平衡學(xué)習(xí)方法包含了數(shù)據(jù)層次和算法層次兩個(gè)層次。在算法層次上，調(diào)整決策閾值，通過調(diào)整不同類的代價(jià)來消除不平衡。數(shù)據(jù)層級(jí)的解決辦法具有算法上的獨(dú)立性，采用不同的重新取樣技術(shù)來均衡類別的分配。數(shù)據(jù)采樣技術(shù)是通過增加少數(shù)類別取樣，即過采樣或欠采樣，以使數(shù)據(jù)類別分布均衡。由于欠采樣會(huì)去除一部分訓(xùn)練樣本，其缺點(diǎn)是會(huì)導(dǎo)致信息的損失，同時(shí)也會(huì)縮短訓(xùn)練的時(shí)間[1]。過采樣可以通過對(duì)少數(shù)類別取樣進(jìn)行拷貝或填充，雖然可以降低類別失衡，但是也導(dǎo)致了更多邊際或噪音樣例的出現(xiàn)[2]。針對(duì)這一問題，提出了電動(dòng)汽車接入配電網(wǎng)不平衡負(fù)荷數(shù)據(jù)漸進(jìn)學(xué)習(xí)方法。

1 電動(dòng)汽車接入配電網(wǎng)不平衡負(fù)荷變化規(guī)律

單向無序充電是一種隨意的充電模式，即插即用，是最普遍的電動(dòng)汽車充電方法。在無秩序狀態(tài)下，使用者的行為具有很大的隨機(jī)性，交通習(xí)慣與駕駛特征對(duì)電動(dòng)汽車充電時(shí)間有顯著的影響[3]。在給定電力系統(tǒng)初始負(fù)載和電力系統(tǒng)容量的前提下，利用蒙特卡洛方法分析了電力系統(tǒng)一日的電力需求量，并對(duì)其在不同的電力系統(tǒng)中的應(yīng)用進(jìn)行了研究。因此，對(duì)電動(dòng)汽車接入對(duì)配電網(wǎng)原始負(fù)荷變化影響作用進(jìn)行了定量研究[4]。

電力負(fù)荷計(jì)算以天為單位，時(shí)間間隔以分鐘為單位，計(jì)算電動(dòng)汽車接入配電網(wǎng)的總充電功率，公式為：

式中，Wn,t表示第n輛電動(dòng)汽車在第t時(shí)刻的等效功率；N表示電動(dòng)汽車接入配電網(wǎng)的總數(shù)[5]。

通過計(jì)算電動(dòng)汽車的總充電功率，仿真充電負(fù)載曲線，如圖1 所示。

由圖1 可知，電動(dòng)汽車接入配電網(wǎng)時(shí)，在一天內(nèi)存在兩個(gè)高峰期，分別是9:00 和20:00。電動(dòng)汽車的充電負(fù)荷會(huì)使一日的配電網(wǎng)負(fù)荷增大，而配電網(wǎng)的峰值與原來的峰值電壓疊加，使峰谷差增大，從而使配電網(wǎng)的負(fù)荷變得更多[6-7]。按照使用者的習(xí)慣，電動(dòng)汽車在下班后的這段時(shí)間開始充電，也就是傳統(tǒng)的峰值時(shí)段，這時(shí)段的配電網(wǎng)呈現(xiàn)一種“峰上加峰”負(fù)荷狀態(tài)，而當(dāng)電動(dòng)汽車充電負(fù)荷較低時(shí)，則會(huì)出現(xiàn)峰谷差[8-9]。

在負(fù)荷特征分析中，峰谷差率是一個(gè)非常重要的參數(shù)，其定義如下：

式中，q′表示峰值負(fù)荷；q″表示谷值負(fù)荷[10]。由于不同時(shí)刻，電動(dòng)汽車充電需求不同，所以在無序充電狀態(tài)下電網(wǎng)峰谷負(fù)荷也會(huì)增加，這就導(dǎo)致了配電網(wǎng)需要及時(shí)調(diào)整發(fā)電機(jī)容量，從而產(chǎn)生了不平衡負(fù)荷。

2 配電網(wǎng)不平衡負(fù)荷數(shù)據(jù)漸進(jìn)學(xué)習(xí)

2.1 不平衡負(fù)荷數(shù)據(jù)合成

不平衡負(fù)荷數(shù)據(jù)合成的目的是通過添加合成樣例，平衡少數(shù)類訓(xùn)練信息。將少量的類作為“種子”，采用數(shù)據(jù)綜合的方法進(jìn)行合成[11]。為了簡明合成定義，所提及的屬性值欄位是一些例子中的一組屬性值。在產(chǎn)生合成數(shù)據(jù)時(shí)，根據(jù)以下方式合成實(shí)例的各屬性值：在標(biāo)準(zhǔn)類型的屬性中，數(shù)據(jù)合成算法從這個(gè)屬性的數(shù)值分布中隨機(jī)選取一個(gè)類型的數(shù)值。

設(shè)屬性b為標(biāo)注的屬性，其值域范圍為{b1,b2,…,bm}，每個(gè)屬性值出現(xiàn)頻率分別為f1,f2,…,fm。利用隨機(jī)數(shù)發(fā)生器確定一個(gè)在（0，1）范圍內(nèi)的均勻分布隨機(jī)數(shù)，其中0 是原始數(shù)據(jù)，1 是合成數(shù)據(jù)，而合成數(shù)據(jù)則按類別標(biāo)示[12-13]。從中選取合成樣例的屬性值，保證合成數(shù)據(jù)屬性概率分布與實(shí)際分布情況一致。

對(duì)連續(xù)屬性，用數(shù)據(jù)合成方法，利用其屬性分布的均值和方差，隨機(jī)產(chǎn)生屬性值[14]。根據(jù)上述方法，生成各屬性的數(shù)值，由此可以獲得一個(gè)如圖2 所示的合成樣例。

圖2 合成樣例示意圖

由圖2 可知，在數(shù)據(jù)合成處理完成后，對(duì)合成數(shù)據(jù)進(jìn)行了訓(xùn)練，并加入了一些合成數(shù)據(jù)，在某種程度上平衡了數(shù)據(jù)分配。

2.2 不平衡負(fù)荷數(shù)據(jù)漸進(jìn)學(xué)習(xí)

結(jié)合上述合成的樣例，采用漸進(jìn)學(xué)習(xí)方式，學(xué)習(xí)不平衡負(fù)荷數(shù)據(jù)，詳細(xì)步驟為：

步驟1：將無標(biāo)記數(shù)據(jù)按照一定時(shí)間順序輸入到一個(gè)線性分類器中，由于該分類器存在著很大的不平衡性，所以一般將該類型的數(shù)據(jù)流設(shè)置為稀有類型[15]；

步驟2：在非對(duì)稱訪問策略的基礎(chǔ)上，利用線性分類器對(duì)未標(biāo)記的不平衡數(shù)據(jù)進(jìn)行排序，確定所需標(biāo)記的樣本；

步驟3：在非對(duì)稱更新策略的基礎(chǔ)上，采用了基于錯(cuò)誤預(yù)測的標(biāo)注數(shù)據(jù)，改進(jìn)了線性分類器，同時(shí)引入了二次抽樣信息，以優(yōu)化學(xué)習(xí)效果[16-18]。

非對(duì)稱更新策略的步驟如下：

步驟3.1：獲取錯(cuò)誤預(yù)測有標(biāo)簽數(shù)據(jù)，為了獲取錯(cuò)誤預(yù)測的有標(biāo)簽數(shù)據(jù)，需先計(jì)算置信度，公式為：

式中，η表示分類器學(xué)習(xí)率；δmax表示樣本錯(cuò)誤分類最大概率；λ表示正則化系數(shù)。

根據(jù)置信度計(jì)算結(jié)果，計(jì)算當(dāng)前配電網(wǎng)不平衡負(fù)荷數(shù)據(jù)的非對(duì)稱訪問參數(shù)，如下：

式中，| |Lt表示線性分類器對(duì)當(dāng)前數(shù)據(jù)預(yù)測的距離。

在確定非對(duì)稱訪問參數(shù)后，獲取采樣值。針對(duì)不同類別樣本設(shè)定的采樣系數(shù)，通過如下公式進(jìn)行采樣：

式中，qt表示非對(duì)稱訪問參數(shù)；φ+表示正類預(yù)測的采樣系數(shù)；φ-表示負(fù)類預(yù)測的采樣系數(shù)。通過該采樣方式，獲取錯(cuò)誤預(yù)測的有標(biāo)簽數(shù)據(jù)。

步驟3.2：更新線性分類器的方差，根據(jù)上述獲取錯(cuò)誤預(yù)測有標(biāo)簽數(shù)據(jù)，更新線性分類器的方差，公式為：

步驟4：根據(jù)更新后的線性分類器方差，在數(shù)據(jù)集中刪除錯(cuò)誤的分類器。若少數(shù)種類的樣本總數(shù)不足，將會(huì)不斷加入混合樣例，直至總樣例符合要求為止。

根據(jù)上述內(nèi)容，能夠獲取去除錯(cuò)分合成的不平衡負(fù)荷數(shù)據(jù)，經(jīng)過漸進(jìn)學(xué)習(xí)方法逐漸平衡負(fù)荷。

3 實(shí) 驗(yàn)

3.1 實(shí)驗(yàn)?zāi)Ｐ图皩?shí)驗(yàn)數(shù)據(jù)分析

選擇了具有高度現(xiàn)代化水平的城市A、B，這兩個(gè)城市擁有龐大的車輛和人口（大約兩千萬），有著良好的基礎(chǔ)設(shè)施和電力結(jié)構(gòu)，使得電動(dòng)汽車得以廣泛應(yīng)用。

為了驗(yàn)證電動(dòng)汽車接入配電網(wǎng)不平衡負(fù)荷數(shù)據(jù)漸進(jìn)學(xué)習(xí)方法的可行性，在PSCAD 平臺(tái)上搭建了電動(dòng)汽車接入配電網(wǎng)的仿真模型，如圖3 所示。

圖3 電動(dòng)汽車接入配電網(wǎng)仿真模型

由圖3 可知，配電網(wǎng)不平衡系統(tǒng)直流線路額定直流電壓為10 kV，R2 配電變壓器對(duì)應(yīng)的變流器采用電流和電壓雙閉環(huán)控制模式，R1 和R3 配電變壓器使用功率解耦控制模式。

利用A、B 兩個(gè)城市的典型日負(fù)載曲線作為初始負(fù)載曲線，分析了不同規(guī)模下的電動(dòng)汽車對(duì)配電網(wǎng)負(fù)荷變化影響的影響，如圖4 所示。

圖4 不同規(guī)模下電動(dòng)汽車充放電對(duì)配電網(wǎng)負(fù)荷變化影響

由圖4 可知，第一階段是充電時(shí)段，第二階段是放電時(shí)段。其中城市A 的峰谷時(shí)間段是8-12 h 和20-24 h，城市B 的峰谷時(shí)間段是8-10 h、12-15 h 和20-24 h，由于不同時(shí)間點(diǎn)的充放電需求不同，所以兩市峰谷值增加幅度也不同。

3.2 實(shí)驗(yàn)結(jié)果與分析

根據(jù)上述分析的實(shí)驗(yàn)數(shù)據(jù)，分別使用欠采樣、過采樣和漸進(jìn)學(xué)習(xí)方法，對(duì)比分析城市A、B 不同規(guī)模下電動(dòng)汽車充放電對(duì)配電網(wǎng)負(fù)荷變化影響，如圖5所示。

由圖5 可知，使用欠采樣、過采樣方法分析的結(jié)果與圖4 所示波動(dòng)曲線不一致，使用漸進(jìn)學(xué)習(xí)方法分析的結(jié)果與圖4 所示波動(dòng)曲線一致，由此說明，使用該方法分析結(jié)果更加精準(zhǔn)。

圖5 三種方法電動(dòng)汽車充放電對(duì)配電網(wǎng)負(fù)荷變化影響分析結(jié)果對(duì)比

對(duì)比三種方法不平衡數(shù)據(jù)逐漸達(dá)到平衡狀態(tài)所耗費(fèi)的時(shí)間，如表1 所示。

表1 三種方法耗費(fèi)時(shí)間對(duì)比分析

由表1 可知，使用漸進(jìn)學(xué)習(xí)方法的耗費(fèi)時(shí)間最短，其與欠采樣方法的最大時(shí)間差為119 ms；與過采樣方法的最大時(shí)間差為61 ms。由此可知，使用所提方法能夠在短時(shí)間內(nèi)快速平衡負(fù)荷數(shù)據(jù)。

4 結(jié)束語

該文提出的一種電動(dòng)汽車接入配電網(wǎng)不平衡負(fù)荷數(shù)據(jù)漸進(jìn)學(xué)習(xí)方法，在線性分類器出現(xiàn)錯(cuò)誤時(shí)，逐步加入綜合樣值，并將錯(cuò)誤分類及時(shí)剔除。在數(shù)據(jù)達(dá)到期望的平衡狀態(tài)后，利用原始數(shù)據(jù)和綜合數(shù)據(jù)對(duì)學(xué)習(xí)算法進(jìn)行訓(xùn)練，以獲得最終的學(xué)習(xí)效果。實(shí)驗(yàn)結(jié)果表明，使用該方法能夠快速平衡負(fù)荷數(shù)據(jù)。