考慮高頻數(shù)據(jù)V-I特性的電力負(fù)荷異常值自動識別系統(tǒng)

馮建宇

(陜西省地方電力(集團(tuán))有限公司，陜西 西安 710061)

我國智能電網(wǎng)發(fā)展迅速，接入用戶數(shù)量龐大，電力系統(tǒng)中的電力負(fù)荷數(shù)據(jù)的特點(diǎn)由最初的量少、結(jié)構(gòu)單一變?yōu)閿?shù)量龐大、結(jié)構(gòu)復(fù)雜。在智能配電網(wǎng)的日常運(yùn)行中，電力調(diào)度會通過數(shù)據(jù)采集和分析對配電網(wǎng)歷史數(shù)據(jù)進(jìn)行處理，但是由于我國智能配電網(wǎng)結(jié)構(gòu)錯綜復(fù)雜，會出現(xiàn)一些意外故障導(dǎo)致電力負(fù)荷異常，這些異常數(shù)據(jù)會降低調(diào)度決策的精準(zhǔn)度，影響智能配線網(wǎng)的安全穩(wěn)定運(yùn)行，因此對電力負(fù)荷異常值進(jìn)行篩選、剔除是配電網(wǎng)安全運(yùn)行的重要保障。

對電力系統(tǒng)中的負(fù)荷異常值進(jìn)行識別與篩選已經(jīng)引起了相關(guān)領(lǐng)域?qū)W者的重視，很多專家也在這方面做出了很多成績。文獻(xiàn)[1]中主要利用改進(jìn)K-means方法對電網(wǎng)中的負(fù)荷進(jìn)行預(yù)測。該方法存在固有電能消耗規(guī)律，可以得到不同類型的曲線，但是在特定的環(huán)境和約束條件下是有效的，識別錯誤率和識別相似率較低。文獻(xiàn)[2]中利用關(guān)聯(lián)矩陣篩選負(fù)荷變化的影響因素，建立X-12-ARIMA模型，該方法可以得到特征分解部分后確定滯后期數(shù)，去除噪聲提純數(shù)據(jù)，但是沒有考慮區(qū)域、使用者的差異，缺乏對具體數(shù)據(jù)的負(fù)荷預(yù)測，一般只對具體的負(fù)荷值進(jìn)行預(yù)測，很少開展負(fù)荷分布預(yù)測，識別準(zhǔn)確率較低。因此本文設(shè)計了一種考慮高頻數(shù)據(jù)V-I特性的電力負(fù)荷異常值自動識別系統(tǒng)。

1 電力負(fù)荷異常值自動識別系統(tǒng)

1.1 系統(tǒng)硬件設(shè)計

在電力系統(tǒng)出現(xiàn)異常負(fù)荷時，需要及時對異常情況進(jìn)行識別，因此有必要對電力系統(tǒng)中的高頻數(shù)據(jù)V-I進(jìn)行數(shù)字采樣，也就是對負(fù)載啟動前后的電壓與電流進(jìn)行數(shù)/模變換[3-4]。在本文設(shè)計的異常負(fù)荷自動識別系統(tǒng)中，需要考慮高頻數(shù)據(jù)V-I的特性，因此在硬件結(jié)構(gòu)中設(shè)計了電壓采集器和電流采集器。由于V-I的數(shù)據(jù)波形圖具有正弦性質(zhì)，因此在信號數(shù)據(jù)處理的過程中，需要使用過零檢測器，將采集到的電流/電壓數(shù)值經(jīng)過放大電路后，完成過零檢測，再通過波形整形電路后，傳輸?shù)絾纹瑱C(jī)中[5-6]。

由于高頻數(shù)據(jù)V-I具有信息量豐富、負(fù)荷設(shè)備保留完整的特性，因此將采集到的電壓和電流經(jīng)過電路處理后，能夠得到系統(tǒng)能夠識別的方波信號，但此時的方波信號與實(shí)際數(shù)值相比還存在一定誤差[7-8]，需要輸入到單片機(jī)中進(jìn)行脈寬的計算，至此完成系統(tǒng)的硬件設(shè)計。

1.2 系統(tǒng)軟件設(shè)計

1.2.1數(shù)據(jù)預(yù)處理

由于在系統(tǒng)采集的數(shù)據(jù)中很多數(shù)據(jù)都是雜亂、冗余或不完整的，因此需要對高頻數(shù)據(jù)V-I進(jìn)行預(yù)處理，即對所得數(shù)據(jù)進(jìn)行清理和標(biāo)準(zhǔn)歸一化處理，從而為后期的識別工作提供處理依據(jù)[9-10]。首先需要對數(shù)據(jù)進(jìn)行聚類分析，當(dāng)負(fù)荷數(shù)據(jù)的總數(shù)為n時，其屬性個數(shù)為p，采集數(shù)據(jù)之間的聚類方式可以用以下矩陣來表示：

(1)

完成數(shù)據(jù)聚類后，需要對數(shù)據(jù)進(jìn)行清理。將經(jīng)過聚類后的數(shù)據(jù)擬合成電力用戶負(fù)荷曲線，觀察曲線與正常負(fù)荷曲線的走勢是否一致，讀取電力用戶負(fù)荷曲線的數(shù)據(jù)，如果與正常負(fù)荷曲線相比出現(xiàn)大段的曲線偏離、歸零，則說明出現(xiàn)了電力負(fù)荷異常值。當(dāng)上述情況出現(xiàn)時，若一條短時負(fù)荷資料中3條數(shù)據(jù)中的點(diǎn)是相似的，則識別并標(biāo)記待測曲線中間位置的間斷點(diǎn)，同一類曲線的橫向趨勢也是相似的，然后判斷待測曲線的首位負(fù)荷點(diǎn)是否中斷，若存在中斷現(xiàn)象，則需標(biāo)記負(fù)荷點(diǎn)，將中斷點(diǎn)自動歸并為突降點(diǎn)異常負(fù)荷類別，從而判斷數(shù)據(jù)中的噪點(diǎn)。

1.2.2電力負(fù)荷異常值的識別

若想對異常負(fù)荷進(jìn)行自動識別，需要對負(fù)荷數(shù)據(jù)進(jìn)行聚類和預(yù)處理。負(fù)荷數(shù)據(jù)經(jīng)過聚類后，能夠生成負(fù)荷特征曲線，然后根據(jù)該負(fù)荷特征曲線得到帶通矩陣和上下閾值。對于帶通矩陣，首先整理智能配電網(wǎng)中負(fù)荷歷史樣本數(shù)據(jù)集，在聚類后，將數(shù)據(jù)集中的數(shù)據(jù)劃分為幾類，其中第i類樣本的數(shù)據(jù)矩陣在識別時間段內(nèi)的極值如式(2)所示：

(2)

由于本文設(shè)計的系統(tǒng)考慮到了高頻數(shù)據(jù)V-I特性，在負(fù)荷發(fā)生異常前的變換會存在一個時間滯后階段，因此得到的穩(wěn)態(tài)電流能夠準(zhǔn)確描述單一用電器的運(yùn)行電流波形。在用本文設(shè)計系統(tǒng)進(jìn)行訓(xùn)練時，需要設(shè)置提取波識別的種群規(guī)模，建立異常負(fù)荷數(shù)據(jù)識別決策樹。該決策樹是一種統(tǒng)計學(xué)習(xí)方法，其本質(zhì)是通過建立初始決策樹，計算其相應(yīng)識別函數(shù)的損失函數(shù)，然后采用梯度下降法在其負(fù)梯度方向上依次建立一系列弱樹，逐步優(yōu)化預(yù)測函數(shù)，優(yōu)化后稱為強(qiáng)決策樹。根據(jù)訓(xùn)練數(shù)據(jù)的相似度和加權(quán)組織，進(jìn)一步引入基于綜合相似度加權(quán)的綜合損失函數(shù)，由此擬合單一用電器的V-I曲線，保證能夠準(zhǔn)確識別異常數(shù)據(jù)，至此完成考慮高頻數(shù)據(jù)V-I特性的電力負(fù)荷異常值自動識別系統(tǒng)的設(shè)計。

圖1 異常負(fù)荷識別流程

2 系統(tǒng)仿真實(shí)驗(yàn)

為了驗(yàn)證本文設(shè)計系統(tǒng)的有效性，在性能測試中針對系統(tǒng)的特點(diǎn)搭建系統(tǒng)測試環(huán)境，并在相同實(shí)驗(yàn)條件下利用現(xiàn)存的系統(tǒng)進(jìn)行相同的測試，對測試結(jié)果進(jìn)行分析與對比。

2.1 搭建系統(tǒng)測試環(huán)境

本文搭建的系統(tǒng)測試環(huán)境中，采用安裝32位Windows10的PC，利用MATLAB軟件進(jìn)行仿真。在訓(xùn)練集數(shù)據(jù)選取中，選擇某供電站在機(jī)械加工、餐飲行業(yè)、寫字樓、冶金、商場等不同行業(yè)所統(tǒng)計的實(shí)際電能消耗數(shù)據(jù)，數(shù)據(jù)來源于每間隔30 min記錄一次的自動抄表系統(tǒng)。將采集到的數(shù)據(jù)進(jìn)行統(tǒng)一預(yù)處理，首先要去除數(shù)據(jù)中的噪聲，并對缺失數(shù)據(jù)進(jìn)行人工填補(bǔ)。由于本文測試中得到的負(fù)荷數(shù)據(jù)在擬合成曲線后，具有相似連續(xù)的特點(diǎn)，因此可以利用平均插值填補(bǔ)數(shù)據(jù)。

在實(shí)驗(yàn)搭建的電力負(fù)荷異常值自動識別系統(tǒng)內(nèi)輸入包括電力負(fù)荷狀態(tài)和動作的數(shù)據(jù)特征，在電力負(fù)荷異常值自動識別系統(tǒng)中，對傳輸數(shù)據(jù)狀態(tài)的識別主要基于傳輸數(shù)據(jù)循環(huán)平穩(wěn)特征實(shí)現(xiàn)，輸入數(shù)據(jù)產(chǎn)生的特征會表現(xiàn)出一定的周期性。當(dāng)某一電力負(fù)荷異常值節(jié)點(diǎn)做出傳輸數(shù)據(jù)相應(yīng)的動作后，考慮高頻數(shù)據(jù)V-I特性，識別系統(tǒng)需要給出相應(yīng)的反應(yīng)，執(zhí)行相應(yīng)的感知識別動作。在本文設(shè)計的系統(tǒng)性能測試實(shí)驗(yàn)中，由于異常負(fù)荷數(shù)據(jù)在系統(tǒng)中的修正誤差較大，為降低這種誤差，需要將采集到的用電負(fù)荷數(shù)據(jù)進(jìn)行歸一化：

(3)

表1 負(fù)荷指標(biāo)區(qū)間

在本文開發(fā)的系統(tǒng)中，調(diào)試的結(jié)果如圖2所示。

圖2 開發(fā)調(diào)試的結(jié)果截屏示意圖

根據(jù)圖2開發(fā)調(diào)試的結(jié)果截屏，建立的異常負(fù)荷數(shù)據(jù)識別決策樹如圖3所示。

在圖3的決策樹中，每一層節(jié)點(diǎn)中所包含的Ⅰ、Ⅱ、Ⅲ、Ⅳ表示樣本分類的4個類別，其中的每一個類別分別對應(yīng)系統(tǒng)中的一個異常數(shù)據(jù)檢測模型。本文在系統(tǒng)測試中，主要選取誤識別、漏識別的數(shù)據(jù)進(jìn)行對比，并分別計算出不同系統(tǒng)的識別錯誤率，對結(jié)果進(jìn)行對比。

圖3 本文開發(fā)系統(tǒng)的決策樹示意圖

2.2 測試結(jié)果與分析

在上述實(shí)驗(yàn)環(huán)境下得到的3種系統(tǒng)的檢測結(jié)果見表2。

表2 實(shí)驗(yàn)結(jié)果對比與分析

在表2的3個系統(tǒng)的檢測結(jié)果中，漏識別數(shù)量表示數(shù)據(jù)集中存在的異常負(fù)荷未被檢測到的數(shù)量，誤識別數(shù)量表示將正常負(fù)荷識別為異常負(fù)荷的數(shù)量。通過表2的對比結(jié)果可以看出，本文設(shè)計的考慮高頻數(shù)據(jù)V-I特性的電力負(fù)荷異常值自動識別系統(tǒng)發(fā)生異常數(shù)據(jù)漏識別數(shù)量和誤識別數(shù)量較少，識別錯誤率更低，說明其識別準(zhǔn)確率與原系統(tǒng)相比得到了提升。

為了進(jìn)一步驗(yàn)證考慮高頻數(shù)據(jù)V-I特性的電力負(fù)荷異常值自動識別系統(tǒng)的效果和可行性，需要對識別系統(tǒng)的相似度這一指標(biāo)進(jìn)行分析，相似度Uh的計算公式為：

(4)

式中：Ag為識別列表；Hh為識別數(shù)量集合；Sz為識別項(xiàng)目集合。相似度越低，表明性能越好，利用式(4)，對所提出的考慮高頻數(shù)據(jù)V-I特性的電力負(fù)荷異常值自動識別系統(tǒng)識別相似度進(jìn)行分析，結(jié)果如圖4所示。

根據(jù)圖4可知，本文所設(shè)計的電力負(fù)荷異常值自動識別系統(tǒng)識別相似率較低，均低于20%，而文獻(xiàn)[1]系統(tǒng)和文獻(xiàn)[2]系統(tǒng)的識別相似率較高，均高于60%，表明本文所設(shè)計系統(tǒng)具有更好的性能。

圖4 不同方法識別相似度計算測試結(jié)果

3 結(jié)束語

本文針對現(xiàn)有電力負(fù)荷異常值自動識別系統(tǒng)中所存在的缺陷，設(shè)計了一種考慮高頻數(shù)據(jù)V-I特性的電力負(fù)荷異常值自動識別系統(tǒng)，該系統(tǒng)的創(chuàng)新點(diǎn)是考慮高頻數(shù)據(jù)V-I特性設(shè)置電力負(fù)荷異常值的識別，其中數(shù)據(jù)的聚類和預(yù)處理是異常負(fù)荷自動識別的基礎(chǔ)，經(jīng)過聚類后的負(fù)荷數(shù)據(jù)能夠生成負(fù)荷特征曲線，根據(jù)不同的曲線則能夠得到帶通矩陣和上下閾值。由于本文所設(shè)計的系統(tǒng)主要是基于高頻數(shù)據(jù)V-I特性來對電力負(fù)荷異常值進(jìn)行識別，因此數(shù)據(jù)中所包含的信息量巨大，在下一步的工作中，需要結(jié)合一些機(jī)器學(xué)習(xí)等應(yīng)用，在實(shí)際電網(wǎng)運(yùn)行過程中優(yōu)化識別過程，減少識別耗時。