馬立新,呂夢(mèng)圓

(上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上海 200093)

電力能效智能量化分級(jí)方法研究

馬立新,呂夢(mèng)圓

(上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上海 200093)

為響應(yīng)節(jié)能減排，需對(duì)電力用戶的進(jìn)行能效評(píng)測(cè)以便進(jìn)行節(jié)能改造。針對(duì)原始的能效評(píng)測(cè)方法易受人為因素影響、誤差較大等問(wèn)題，提出一種智能量化分級(jí)新方法，根據(jù)電能質(zhì)量國(guó)標(biāo)，引入能效等級(jí)概念從多維度對(duì)電力能效狀態(tài)進(jìn)行評(píng)測(cè)和量化分級(jí)。首先，構(gòu)建了基于支持向量機(jī)的能效量化分級(jí)模型，接著將該模型用于電力能效等級(jí)的評(píng)測(cè)中。實(shí)例分析表明所提出的支持向量機(jī)的能效量化分級(jí)模型流程清晰、方便快捷、適用性廣，能夠客觀真實(shí)地展現(xiàn)出電力用戶的能效狀況，極具應(yīng)用前景。

電力用戶；能效評(píng)測(cè)；支持向量機(jī)；量化分級(jí)

0 引言

隨著社會(huì)能源需求不斷擴(kuò)大，作為工業(yè)生產(chǎn)和日常生活的主要能源，電能的節(jié)約和使用效率的提高變得尤為關(guān)鍵。

目前，有許多企業(yè)都存在著產(chǎn)能落后、能耗超標(biāo)等問(wèn)題，這部分企業(yè)亟需進(jìn)行節(jié)能改造。而能效測(cè)評(píng)與分級(jí)則是進(jìn)行節(jié)能改造的重要標(biāo)準(zhǔn)和科學(xué)依據(jù)，通過(guò)能效評(píng)級(jí)能夠使企業(yè)有效地了解到自身的能效狀況，進(jìn)而制定節(jié)能方案，促進(jìn)企業(yè)產(chǎn)能升級(jí)，提高能效水平，從而助力企業(yè)節(jié)能減排，進(jìn)行能效管理[1]。

長(zhǎng)久以來(lái)，我國(guó)的能效測(cè)試及評(píng)估工作開展較少且進(jìn)展較緩，當(dāng)下，現(xiàn)有的主要電力能效測(cè)評(píng)工作的開展僅僅只適用于單臺(tái)用電設(shè)備，而關(guān)于整個(gè)用電系統(tǒng)的評(píng)估工作開展很少。

文獻(xiàn)[2]采用模糊理論進(jìn)行評(píng)價(jià)，但很難精準(zhǔn)確定模糊隸屬度函數(shù)，因而得到的權(quán)重很難符合客觀實(shí)際。文獻(xiàn)[3]將模糊理論與層次分析法相結(jié)合，雖然可以根據(jù)指標(biāo)體系進(jìn)行模糊評(píng)價(jià)，但該方法主觀性很強(qiáng)，故而很大程度地影響了評(píng)價(jià)的客觀性。文獻(xiàn)[4]采用神經(jīng)網(wǎng)絡(luò)進(jìn)行評(píng)價(jià)，但卻存在收斂性差，訓(xùn)練時(shí)間長(zhǎng)等問(wèn)題。本文采用支持向量機(jī)(Support Vector Machine ,SVM)算法進(jìn)行能效評(píng)測(cè)及量化分級(jí)，評(píng)測(cè)過(guò)程有效快捷，不受任何外部人為因素影響，評(píng)價(jià)結(jié)果客觀性強(qiáng)。

1 支持向量機(jī)

支持向量機(jī)是由Vapnik首先提出的[5]。其核心理論是構(gòu)建一個(gè)分類超平面當(dāng)做決策曲面，從而使得正反兩例中間的隔離邊緣達(dá)到最大。通俗的說(shuō)，是以統(tǒng)計(jì)學(xué)中的理論為基礎(chǔ)構(gòu)造的一種通用學(xué)習(xí)機(jī)器，能夠近似實(shí)現(xiàn)結(jié)構(gòu)風(fēng)險(xiǎn)的最小化等，具有通用性、魯棒性和有效性等優(yōu)點(diǎn)。支持向量機(jī)可用于模式識(shí)別和非線性回歸，因此分別對(duì)應(yīng)支持向量分類機(jī)以及支持向量回歸機(jī)[6]。

SVM算法原理。

假定已知的樣本集為：

T={(x1,y1),…,(xi,yi)}∈(X·Y)l，

式中：xi∈X=Rn為輸入特征向量；vi∈Y={1,-1}(i=1,2,…,l)表示相應(yīng)的輸出矢量；1和-1分別表示正負(fù)樣本；l表示樣本。通過(guò)非線性映射函數(shù)把樣本從輸入空間投影至高維特征空間，在高維特征空間中建立最優(yōu)分類面[7]。為使分類面具有較高的分類正確率且有較大的分類間隔，則SVM由分類問(wèn)題轉(zhuǎn)變?yōu)橐粋€(gè)求最優(yōu)解問(wèn)題：

(1)

式中：ξi為松弛變量，是為了衡量真實(shí)值yi和支持向量機(jī)輸出之間的距離；C為懲罰因子，用于限定對(duì)樣本分類錯(cuò)誤的懲罰程度；b為閾值。為了求解式(1)，引進(jìn)拉格朗日函數(shù)，將上述求解過(guò)程轉(zhuǎn)化為對(duì)偶問(wèn)題：

(2)

式中：αi為對(duì)應(yīng)xi的拉格朗日乘子式；K(xi·yi)是SVM訓(xùn)練時(shí)使用的核函數(shù)，是為了把內(nèi)積映射到特征空間[8]。

SVM中核函數(shù)的種類有[9]：

線性核函數(shù)為：K(xi·xj)=xi·xj。

多項(xiàng)式核函數(shù)為：K(xi·xj)=(xi·xj+b)d其中b≥0,d∈0。

兩層感知器核函數(shù)K(xi·xj)=tanh(k·xi·xj+v)d，其中k﹥0,v﹤0。

由于RBF核函數(shù)只需確定g的數(shù)值，比較利于參數(shù)優(yōu)化，為了避免SVM優(yōu)化變得較為復(fù)雜，因此本文采用RBF核函數(shù)。

支持向量機(jī)的模型示意圖如圖1所示[10]。

圖1 SVM模型示意圖

2 電力能效智能量化分級(jí)SVM模型

SVM模型構(gòu)建及流程。

基于支持向量機(jī)的電力能效智能量化分級(jí)屬于數(shù)據(jù)的泛化擬合問(wèn)題[11]，其過(guò)程是：根據(jù)電力能效數(shù)據(jù)構(gòu)成的訓(xùn)練集進(jìn)行建模，然后將所得模型在電力能效測(cè)試數(shù)據(jù)基礎(chǔ)上進(jìn)行預(yù)測(cè)。相當(dāng)于構(gòu)建了一個(gè)與之對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)，與圖1類似。

SVM模型流程如圖2所示。

圖2 SVM模型流程圖

表1 能效指標(biāo)分級(jí)標(biāo)準(zhǔn) %

3 電力能效指標(biāo)體系構(gòu)建

指標(biāo)體系是智能評(píng)級(jí)的基礎(chǔ)。選取的指標(biāo)的優(yōu)劣對(duì)智能評(píng)級(jí)的結(jié)果影響重大。

根據(jù)半年中能效測(cè)評(píng)系統(tǒng)對(duì)某企業(yè)的各個(gè)用電對(duì)象的監(jiān)測(cè)，對(duì)得到的數(shù)據(jù)進(jìn)行分析，最后篩選出9項(xiàng)反映該電力企業(yè)的能效指標(biāo)，如圖3所示。其中包括能反映電能能效的4個(gè)指標(biāo)，有三相電壓允許不平衡度、供電電壓允許偏差、功率因數(shù)及用電可靠性；而反映經(jīng)濟(jì)指標(biāo)的是萬(wàn)元經(jīng)濟(jì)增加值；最后和能夠反映電能污染的4個(gè)指標(biāo)，分別是電力系統(tǒng)頻率允許偏差、電流諧波總畸變率、電流諧波奇次畸變率、電流諧波偶次畸變率；所選取的9項(xiàng)評(píng)價(jià)指標(biāo)涵蓋了電力用戶的電能、環(huán)境和經(jīng)濟(jì)三個(gè)方面的特征信息。其中，供電電壓允許偏差和電力系統(tǒng)頻率允許偏差這兩項(xiàng)能效指標(biāo)是供電企業(yè)所決定的，將其作為衡量企業(yè)能效水平的指標(biāo)目的是增加指標(biāo)體系的全面性和客觀性。加入針對(duì)供電企業(yè)的衡量指標(biāo)，使得用電企業(yè)對(duì)自身進(jìn)行能效分析時(shí)能夠有針對(duì)性地對(duì)供電企業(yè)提出相應(yīng)建議，從而進(jìn)一步有效提升自身能效等級(jí)。采用這九項(xiàng)指標(biāo)進(jìn)行能效分析，提升了分析結(jié)果的綜合性和全面性，能夠準(zhǔn)確地反映出用電企業(yè)的真實(shí)能效水平。

目前，國(guó)家對(duì)整個(gè)用電系統(tǒng)的能效評(píng)測(cè)與分級(jí)的工作開展較少，尚未建立統(tǒng)一的能效標(biāo)準(zhǔn)。本文從多角度提取能反映電力企業(yè)能效的綜合性指標(biāo)，涵蓋了能效、經(jīng)濟(jì)和環(huán)保三個(gè)方面的要求，參照電能質(zhì)量國(guó)家標(biāo)準(zhǔn)及國(guó)家環(huán)保標(biāo)準(zhǔn)來(lái)進(jìn)行能效指標(biāo)的分析和選取并依此制定出能效指標(biāo)的特定分級(jí)標(biāo)準(zhǔn)[12]。

基于國(guó)家當(dāng)前還沒(méi)有發(fā)布統(tǒng)一的有關(guān)能效分級(jí)的國(guó)家標(biāo)準(zhǔn)，所以本文的參考依據(jù)是電能質(zhì)量國(guó)家標(biāo)準(zhǔn)。分別是供電電壓允許偏差、三相電壓允許不平衡度等共6項(xiàng)國(guó)家標(biāo)準(zhǔn)。在此過(guò)濾掉了許多類似電壓波動(dòng)和閃變這些在實(shí)際工程中難以測(cè)量的指標(biāo)。并且由于近年來(lái)用電企業(yè)更加注重企業(yè)效益問(wèn)題，萬(wàn)元經(jīng)濟(jì)增加值也因此得到重視，在此也選取了該指標(biāo)作為分級(jí)指標(biāo)之一。

圖3 電力用戶能效智能量化分級(jí)指標(biāo)體系

本文根據(jù)能效測(cè)評(píng)對(duì)象的特性，參照電能質(zhì)量標(biāo)準(zhǔn)以及環(huán)保標(biāo)準(zhǔn)，將能效狀況劃分為以下十個(gè)等級(jí)，分別是：極佳、優(yōu)質(zhì)、良好、中等、合格、輕微污染、輕度污染、中度污染、重度污染和嚴(yán)重污染[13]。這種劃分方法不僅能細(xì)致、清晰、全面地評(píng)估能效狀況，并且分別將能效質(zhì)量合格及不合格均劃分成5級(jí)，實(shí)現(xiàn)了從初步大范圍考查能效再到小范圍精細(xì)考查的過(guò)程[14]。

能效指標(biāo)的十級(jí)分級(jí)標(biāo)準(zhǔn)如表1所示。從1～10級(jí)，能效標(biāo)準(zhǔn)逐級(jí)下降。

4 算例分析

本文采用MATLAB 2009分析軟件進(jìn)行分析。采用的數(shù)據(jù)包括grade、classnumber和gradelabels。其中g(shù)rade是100*9的矩陣，其中含有100個(gè)樣本，每個(gè)樣本含有9個(gè)特征分量(即9個(gè)能效評(píng)價(jià)指標(biāo))。classnumber為10，代表著電力能效的10個(gè)等級(jí)。gradelabels是100*1的矩陣，記錄著100個(gè)樣本各自的等級(jí)標(biāo)簽。將這100個(gè)樣本的二分之一當(dāng)做訓(xùn)練集，另外二分之一當(dāng)做測(cè)試集，采用訓(xùn)練集對(duì)支持向量機(jī)進(jìn)行訓(xùn)練可以得到分類模型，接著采用所得模型對(duì)測(cè)試集的等級(jí)標(biāo)簽進(jìn)行預(yù)測(cè)。采用支持向量機(jī)模型進(jìn)行能效分級(jí)的結(jié)果如圖4所示。

圖4 SVM分級(jí)結(jié)果

可以看出，50個(gè)測(cè)試樣本其中有47個(gè)進(jìn)行了正確分級(jí)，有3個(gè)被錯(cuò)分，分級(jí)準(zhǔn)確率為94%。

5 結(jié)論

能效評(píng)測(cè)及量化分級(jí)是節(jié)能改造的重要依據(jù)。本文建立了支持向量機(jī)電力能效量化分級(jí)模型，能夠克服原始方法易受人為因素影響的缺陷。實(shí)例分析表明，該模型評(píng)測(cè)過(guò)程簡(jiǎn)單快捷、只需提供實(shí)際數(shù)據(jù)給計(jì)算機(jī)、不受任何人為因素干擾，所得能效等級(jí)客觀可靠，準(zhǔn)確率高。能夠從整體反映耗能企業(yè)的能效水平，以便企業(yè)制定節(jié)能改造方案，促進(jìn)了智能電網(wǎng)中能效環(huán)節(jié)的發(fā)展。該方法操作簡(jiǎn)便，流程清晰，適用性廣，能夠直接衍生在電力能效測(cè)評(píng)系統(tǒng)中，具備較高的應(yīng)用價(jià)值。

[1] 馬立新,陸雅玲.能效測(cè)評(píng)系統(tǒng)中的變采樣速率方法[J].控制工程,2015,22(4):752-755.

[2] 賈清泉,宋家驊,蘭華,等.電能質(zhì)量及其模糊方法評(píng)價(jià)[J].電網(wǎng)技術(shù),2000,24(6):46-49.

[3] 王鶴，曾鳴，陳珊，等.基于模糊層次分析法的供電服務(wù)質(zhì)量綜合評(píng)級(jí)模型[J].電網(wǎng)技術(shù),2006,30(17):92-96.

[4] 栗秋華,周林,劉華勇,等.用模糊神經(jīng)網(wǎng)絡(luò)模型評(píng)價(jià)電能質(zhì)量[J].高電壓技術(shù),2007,33(9):66-69.

[5] VAPNIK V.The nature of statistical learning theory[M].New York:Springer Verlag,1995.

[6] 李唐兵.一種基于支持向量機(jī)的電能質(zhì)量綜合評(píng)價(jià)方法[J].華中電力，2009,22(6):11-15.

[7] 周永芳，時(shí)章明，沈浩.基于SVM的火電企業(yè)能效監(jiān)督評(píng)價(jià)體系[J].冶金能源，2015,34(4):3-6.

[8] 崔華,李建成,郭璐,等.瀝青路面碾壓質(zhì)量的支持向量機(jī)評(píng)價(jià)方法[J].公路,2015,60(9)：72-77.

[9] XUE X H,YANG X G,CHEN X. Application of a support vector machine for prediction of slope stability[J].Science China(Technological Sciences),2014,57(12):2379-2386.

[10] TIAN Y J,JU X C,QI Z Q,et al. Improved twin support vector machine[J]. Science China Mathematics,2014,57(2):417-432.

[11] LAOUTI N, OTHMAN S, ALAMIR M, et al. Combination of model-based observer and support vector machines for fault detection of wind turbines[J]. International Journal of Automation & Computing,2014,11(3):274-287.

[12] 馬立新，朱潤(rùn)，周小波，等.高電耗系統(tǒng)的能效評(píng)測(cè)及分級(jí)新方法[J].控制工程，2016,23(9):1375-1379.

[13] 徐婷,王瑞,顧煜炯,等.基于能量流及D-S推理的風(fēng)電機(jī)組能效綜合評(píng)價(jià)[J].電力科學(xué)與工程,2015,31(12):1-8.

[14] 閆順林,田東旭,谷兵,等.多元擾動(dòng)下的熱力系統(tǒng)能效分析模型的積分算法[J]. 電力科學(xué)與工程,2016,32(8):61-64.

The Research of Intelligent Quantitative Classification of Power Efficiency

MA Lixin， LV Mengyuan

(School of Optical-Electrical and Computer Engineering, University of Shanghai for Science and Technology, Shanghai 200093,China)

In order to answer the call of the national energy conservation policies, we need to conduct power efficiency evaluation work for power users so as to make energy saving reformations. In view of the problem that the traditional method is easily affected by human factors, which could cause big error, an intelligent rating method based on the national standard of power quality is proposed to evaluate and quantify the state of power efficiency from multidimensional aspects. It also introduces a concept of power efficiency grade, and establishes the power efficiency rating model based on support vector machine (SVM). Then this model is applied to rate the power efficiency. Results obtained by the calculated instance shows that the power efficiency rating model of support vector machine (SVM) has a clear process and is of wide applicability. The method is convenient and quick and can truly reflect the status of energy efficiency of the power users, and has a commended prospect for application.

power users；energy efficiency evaluation；support vector machine；quantitative classification

李鑫(1992-)，男，碩士研究生，主要研究方向?yàn)槲㈦娋W(wǎng)運(yùn)行和控制；王奔(1960-)，男，教授，主要研究方向?yàn)殡娏ο到y(tǒng)控制，微電網(wǎng)技術(shù)。

10.3969/j.ISSN.1672-0792.2017.05.009

2016-11-28。

國(guó)家自然科學(xué)基金(NO.61205076)。

TM73

A

1672-0792(2017)05-0046-04