李 特張家駒趙 煒侯澤鵬

(國網河北省電力有限公司信息通信分公司,河北 石家莊 050021)

0 引言

隨著電力信息化的建設以及電力物聯(lián)網的推進,大量智能電表、傳感設備被廣泛布置在客戶側,極大提升了電網用戶側的感知能力[1],獲取了規(guī)模巨大的用電數據,這些數據蘊含了豐富價值,深入挖掘這些數據資產價值有利于改善企業(yè)經營績效、提升客戶服務水平。

機器學習主要利用經驗來進行學習,通過對已有大量數據進行分析以及學習,獲取數據之間內在關聯(lián)。近年來伴隨著數據基礎、算法性能和硬件算力的提升,機器學習取得了迅猛發(fā)展,尤其深度學習在圖像、語音及自然語言處理應用上取得了良好效果。機器學習已經廣泛應用于用電數據分析,取得了諸多應用,在用戶非侵入式負荷分解、負荷模式提取、異常用電檢測、用戶需求響應等方面已經取得較好效果,能夠有效提升智能用電水平[2]。

本文歸納、整理了應用機器學習算法進行用電數據分析的相關研究,首先給出了基于機器學習的用電數據分析框架,進而著重分析了機器學習算法應用于非侵入式負荷分解、負荷聚類分析、負荷預測三個應用的研究現狀,并且針對下一步研究給出了建議。

1 基于機器學習的用電數據分析框架

本文將基于機器學習的用電數據分析框架劃分為數據獲取、數據分析以及業(yè)務應用3個層面,整體框架如圖1所示。數據獲取層包含數據采集及數據預處理兩部分,數據采集既包含電網內部系統(tǒng)采集的數據,比如用電信息采集系統(tǒng)、營銷系統(tǒng)、客戶服務信息等,又包含外部數據,如氣象、經濟、地理信息等。這些數據既包含規(guī)范的結構化數據,又包括如圖像、文本等非結構化數據[3],這些數據共同構成了構建機器學習模型所需的數據集。數據預處理是指對獲取的原始數據進行初步預處理,如異常、缺失數據的處理,多種數據的聚合。數據分析層是指利用機器學習算法進行建模的過程,通過學習已有大量的數據形成預測及判斷,大致分為傳統(tǒng)機器學習算法以及深度學習算法兩類,傳統(tǒng)機器學習算法需要人工進行特征提取,主要包含監(jiān)督學習以及無監(jiān)督學習兩類,常見監(jiān)督學習算法有BP(back propagation)神經網絡、支持向量機、KNN(k nearast neighbor)等,無監(jiān)督算法主要為聚類算法。深度學習算法本質為包含多個隱層的神經網絡,利用多階段變換對數據進行分層描述,組合低層次特征構成高層次特征,無需人為提取特征,能夠表達復雜非線性函數。業(yè)務應用層根據服務對象分為電網企業(yè)以及政府兩類。對于電網企業(yè),基于對用戶側數據建模,已有應用涉及用電異常檢測、非侵入式負荷分解、需求響應等。

圖1 用電數據分析框架

2 負荷聚類

負荷聚類是指通過對用戶負荷曲線的有效分析,將具有相似用電特征的用戶進行劃分,提取各類用戶的典型用電模式?，F有研究主要運用機器學習算法中聚類算法開展負荷曲線聚類,劃分聚類、層次聚類、密度聚類、模型聚類算法等均已被嘗試用于負荷曲線聚類。相似性作為聚類過程中衡量樣本之間差異的方法被廣泛研究,歐氏距離、皮爾遜距離等已被用于度量樣本相似性。

2.1 負荷聚類研究現狀

2.1.1 直接聚類

文獻[4]運用改進密度峰值聚類算法進行負荷聚類,利用K近鄰算法思想改進原算法密度距離計算依據,該算法能夠針對高維、類簇差異巨大的負荷曲線有效聚類。相較于K-means、FCM(fuzzy c-means)、密度峰值聚類模型,該算法內存消耗較少、聚類效果更好。文獻[5]引入核方法改進K均值聚類算法,將數據映射至高維空間聚類,并且使用核主成分分析預先對數據降維處理。

2.1.2 考慮數據降維的負荷聚類

隨著智能電表采樣頻率的提高,負荷數據呈現高維、海量特征,未經處理直接進行聚類分析,造成計算量巨大、模型訓練時間過長等問題,因此需要降維處理。主成分分析、指標特征提取、頻域變換、分段聚合、深度學習等均被嘗試用于降維處理。文獻[6]考慮負荷曲線形態(tài)及變化趨勢特征,運用可變時間分辨率的自適應分段聚合近似方法,對原始負荷序列數據降維重構,進而運用k shape算法對降維后數據進行聚類。模擬及實測數據實驗表明,相較于K-means、DTW(dynamic time wrapping)算法,該算法運行時間、聚類有效性整體最優(yōu)。文獻[7]利用深度卷積自編碼網絡對原始日負荷數據深層次特征提取及降維,進而利用模糊聚類對降維數據進行聚類,并且結合序列歐氏距離以及序列趨勢改進動態(tài)時間彎曲距離,改進聚類算法相似性判斷依據。

2.1.3 基于分類模型的負荷劃分

此類方法綜合利用機器學習中無監(jiān)督以及監(jiān)督算法,先利用聚類算法對負荷數據進行聚類劃分,獲取數據類別標簽,進而利用帶標簽數據訓練分類器,得出負荷分類模型。文獻[8]利用K-medoids聚類獲取局部負荷數據標簽,構成訓練數據,利用改進過采樣技術對訓練數據集平衡處理,進而在Spart平臺完成神經網絡集成算法訓練。實驗表明該算法抗噪性、運行效率及分類效果,優(yōu)于K-means聚類、K-medoids+單機神經網絡算法。

2.1.4 基于多種聚類算法融合分析的負荷聚類

單一聚類算法進行負荷聚類均存在一定不足,需要綜合多種聚類算法,發(fā)揮每種算法的優(yōu)勢,提高聚類結果魯棒性、準確率。文獻[9]運用結合劃分聚類及層次聚類,設計了一種集成聚類算法,先利用劃分聚類降低數據集規(guī)模,進而運用層次聚類組合劃分聚類結果,該算法兼具劃分聚類算法計算效率高以及層次聚類質量好優(yōu)勢。運用國內、國外2個數據集開展實驗,集成聚類算法計算效率與劃分聚類相近,聚類質量優(yōu)于劃分聚類及層次聚類算法。文獻[10]提出基于聚類融合的負荷分類算法,分別使用K均值、模糊聚類、SOM(self-organization net)及singlelinkage進行聚類,進而構建共識矩陣對4種聚類結果進行融合。某電網實測數據實驗結果表明,聚類效果優(yōu)于單一聚類算法。文獻[11]針對形態(tài)相似但是幅度不同負荷難以區(qū)分問題,設計一種雙層聚類模型,采用皮爾遜相關系數作為相似性度量依據進行外層聚類,對于外層聚類劃分結果,利用歐氏距離作為相似性度量依據進行內層聚類,對聚類結果依照幅值相近原則進行劃分。

2.1.5 基于高性能聚類算法的負荷劃分

負荷數據具有高維、海量特點,盡管利用降維算法能夠一定程度減少計算量,但是計算效率仍然較低,需要利用并行計算平臺、分布式計算平臺,實現高性能聚類算法。文獻[12]針對用戶負荷數據分散性強,考慮節(jié)約數據通信成本,提出一種自適應分布式K-means聚類算法,先對局部數據進行K-means聚類,再對局部聚類模型進行聚類,得出全局聚類模型。

2.2 建議

運用深度學習算法進行負荷數據特征降維,在有效降低負荷數據維度的同時,提取出高層次特征,更易于負荷數據聚類劃分;現有負荷聚類研究方法主要運用電表高頻數據完成負荷聚類,可以運用不同時間尺度數據進行負荷聚類,如可以運用日用電量曲線、周用電量曲線進行聚類劃分;對于已構建負荷聚類模型,研究能夠辨識新負荷模式的增量學習模型,能夠有效節(jié)約訓練成本。

3 負荷預測

電力系統(tǒng)運行特性要求發(fā)電與用電動態(tài)平衡,精準的負荷預測對于電網資產規(guī)劃建設、調度運行意義重大。影響負荷預測的因素眾多,經濟、氣象、節(jié)假日等因素均一定程度影響負荷使用,并且隨著電動汽車、新型負荷的大量接入,負荷的隨機性、波動性提高,負荷預測難度進一步增加?；跈C器學習的負荷預測方法,通過對歷史負荷數據以及其它影響因素的學習,構建負荷影響因素到負荷預測值的映射模型。圍繞負荷特征提取、預測模型的構建,傳統(tǒng)淺層機器學習算法以及深度學習算法均被嘗試用于構建負荷預測模型。大數據背景下,深度學習算法能夠進一步提取負荷數據的高級特征,卷積神經網絡、循環(huán)神經網絡、深度信念網絡等常見模型均被應用于負荷預測,表現出了更優(yōu)的準確率與魯棒性,本文梳理、分析了深度學習負荷預測模型的相關研究總結如下。

3.1 負荷預測研究現狀

3.1.1 基于單一模型的負荷預測

基于單一模型的負荷預測算法完成負荷特征提取以及負荷預測兩部分,文獻[13]提出基于改進深度信念網絡的負荷預測模型,采用高斯-伯努利RBM(restricted boltzmann machine)作為第一個RBM,并且采用無監(jiān)督訓練與有監(jiān)督結合的方式訓練模型參數,實際負荷數據實驗表明,該算法預測效果優(yōu)于BP、SVM(support vector machine)、以及傳統(tǒng)深度信念模型。文獻[14]運用深度長短時記憶網絡進行區(qū)域負荷預測,采用隨機搜索法確定模型參數,并且創(chuàng)新提出通過對隱含層向量的可視化表示,驗證對于負荷序列特征學習能力。比賽實驗數據實驗表明,該模型預測準確率優(yōu)于SVR(support vector regression)以及GBRT(gradient boosting tree)。文獻[15]設計一種深度脊波神經網絡進行負荷預測,選取脊波神經元構成隱含層神經元,采用玻爾茲曼級訓練方式對模型預訓練,運用粒子群算法進行模型參數精調。文獻[16]借助信息熵理論,提出一種新的非凸、有界、平滑、無限階可微度量,構成神經網絡的損失函數。實驗證明該算法具有更強的魯棒性。

3.1.2 多算法融合的負荷預測

該類算法綜合運用多種算法進行負荷預測,發(fā)揮模型中各算法自身優(yōu)勢。一種為針對負荷特征提取以及預測模型設計,分別選取合適的算法。比如文獻[17]結合GRU(gated recurrent unit)以及深度神經網絡進行負荷預測,先運用GRU 進行負荷序列的特征提取,再結合天氣、節(jié)假日信息構成輸入特征,進而利用深度神經網絡完成負荷預測。2個實際數據集實驗表明,該模型兼?zhèn)錅蚀_性以及時效性,預測效果優(yōu)于LSTM(long shortterm memory)、GRU 以及MLP模型。文獻[18]首先對負荷數據進行聚類劃分,進而利用卷積神經網絡提取各類負荷特征,最后運用支持向量回歸機完成各類負荷預測。實驗表明,該算法充分結合了卷積神經網絡特征提取以及支持向量回歸機數據擬合的優(yōu)勢,準確率以及計算效率優(yōu)于運用單一模型。文獻[19]運用經驗模態(tài)分解將負荷劃分為不同頻率本征模態(tài)函數,采用多元線性回歸對規(guī)律性較強低頻成分進行預測,采用GRU 對隨機性強的高頻成分進行預測,將兩者預測結果融合構成最終預測結果。采用數據量大、小兩個數據集進行實驗,結果表明該算法能夠準確預測負荷局部細節(jié),優(yōu)于幾種單一模型。文獻[20]運用變分模態(tài)分解將負荷序列分解為各特征互異子序列,并針對負荷、溫度及日期數據,通過互信息度量選出與負荷密切的輸入變量,進而利用改進深度信念網絡進行負荷預測。該算法預測效果優(yōu)于BP、SVM 等多種算法。

另一種為運用多種負荷預測模型分別進行預測,然后將各模型預測結果有效融合,得出最終預測結果。比如,文獻[21]分別運用LSTM 以及XGBoost模型進行負荷預測,然后利用誤差倒數法組合兩種模型的預測結果,得出最終預測值。通過 實例 分析GRU 、XGBoost、LSTM 、LSTMXGBoost、GRU-XGBoost 5種模型的預測誤差曲線,證實了該組合模型能夠修正單一模型預測誤差較大的數據,并且LSTM 及XGBoost組合優(yōu)于GRU 及XGBoost組合。

3.2 建議

不同類別用戶的負荷特性差異較大,比如工業(yè)商業(yè)及居民用戶均具備各自的負荷模式,應該針對不同用戶分別構建負荷預測模型,有利于更深層次提取負荷特征,實現精細化負荷預測;大量間歇性用電設備的投入使用,增添了負荷預測的難度,結合考慮間歇性用電設備用電因素,提升負荷預測模型的魯棒性。

4 非侵入式負荷分解

非侵入式負荷分解概念最早由Hrat提出,是指通過對采集的用戶電表總負荷數據進行分解,得出各電器設備的用電信息,這對于指導用戶科學用電、電力公司政策制定具有十分重要意義。基于機器學習的非侵入式負荷分解流程包括負荷探測、特征提取及分類器設計三部分。負荷探測是指檢測負荷的投入、切除。負荷特征主要分為穩(wěn)態(tài)特征以及暫態(tài)特征兩類,有功功率、無功功率、電壓、電流、諧波等特征被廣泛用于負荷分解,其它構造特征如V-I軌跡圖像特征等同樣被用于負荷分解。針對分類器設計,傳統(tǒng)淺層機器學習算法以及深層神經網絡算法被用于負荷識別。

4.1 非侵入式負荷分解研究現狀

4.1.1 基于傳統(tǒng)機器學習算法的非侵入式負荷分解

支持向量機、決策樹等典型有監(jiān)督機器學習算法,及以聚類算法為代表的無監(jiān)督機器學習算法,均已被用于非侵入式負荷分解。優(yōu)化改進算法以及多算法組合模型,也被用于非侵入式負荷分解?；诒O(jiān)督學習的非侵入式算法識別準確率更高,但需要大量標注數據,基于無監(jiān)督的負荷識別模型無需先驗標注數據,人為干預較少。文獻[22]運用暫態(tài)功率特征進行負荷分解,先利用暫態(tài)功率時間及暫態(tài)功率跳變值特征初步進行負荷識別,進而對暫態(tài)功率波形進行分段線性特征提取后,輸入改進核函數的支持向量機完成精準識別。測試數據實驗表明,單負荷識別及多負荷投運識別均可以取得較好識別效果。文獻[23]以負荷穩(wěn)態(tài)電流奇次諧波作為負荷特征,從識別精度、訓練時間、識別速度及抗噪性能4個層面,對比多層感知器MLP(multi-layer perceptron)神經網絡、KNN、邏輯回歸LR(Logistic Re-gression)、SVM 分類器,在BLUED 數據集負荷分解性能。MLP 神經網絡雖然訓練較慢,但其判斷準確、識別快速、穩(wěn)定性最優(yōu)。文獻[24]選用無監(jiān)督模型進行負荷識別,選取電流諧波作為負荷特征,引入差量特征提取方法求出任意時刻特征值變化量,進而利用模糊聚類進行負荷識別。

4.1.2 基于深度學習的非侵入式負荷分解

文獻[25]提出基于特征融合的負荷識別算法,利用卷積神經網絡提取V-I圖像高級特征,利用BP神經網絡提取功率高級特征,將提取的高級特征輸入BP神經網絡完成負荷識別。PLAID 數據集實驗結果表明,基于融合特征的分類結果優(yōu)于單獨使用V-I特征或者功率特征,并且識別效果優(yōu)于MLP算法、隨機森林算法、基于PCA 的辨識算法。文獻[26]基于負荷V-I軌跡特征,運用四種典型卷積神經網絡進行負荷識別,針對卷積神經網絡所需要訓練數據量大,運用遷移學習方法對卷積神經網絡進行訓練。4種典型卷積神經網絡的負荷識別模型識別準確率均優(yōu)于softmax分類器,并且在未參與訓練數據仍然具備較好泛化能力。文獻[27]考慮電器運行過程中的時間關聯(lián)關系,建立基于序列翻譯模型的負荷識別模型,以總功率數據作為輸入。運用Dropout技術和稀疏化技術,減少模型過擬合現象。采用Adam 優(yōu)化器對模型參數進行訓練,并且實驗證明Adam訓練效果優(yōu)于隨機梯度下降、AdaGrad、RMSProp等算法。文獻[28]提出基于雙向門控循環(huán)單元網絡及One-Hot時間信息編碼器的負荷識別模型,分別提取分解時間點與前多序列之間的時間關聯(lián)特征,結合時間特征信息,輸入到全連接層進行負荷識別。相較于深度神經網絡算法,本文算法大功率電器識別效果更佳、實用性更強。

4.2 建議

完備的負荷特征庫是建立非侵入式負荷識別模型的關鍵,需要不斷收集、完善負荷特征庫;智能電表采樣頻率較高,獲取的負荷數據體量巨大,需要在高性能計算平臺,實現高性能負荷識別算法;電器設備種類繁多,需要設計能夠識別未參與訓練的設備、魯棒性高的負荷識別模型。

5 結論

機器學習算法應用于用電數據分析取得了豐富成果,本文整理、分析了應用機器學習算法進行用電數據分析相關應用,給出了用電數據分析整體框架,重點分析了機器學習算法在負荷預測、負荷聚類及非侵入式負荷分解3 個應用的研究現狀,并且針對每種應用給出研究建議。

目前針對用電大數據中非結構化數據的挖掘分析研究較少,非結構化數據同樣蘊含豐富價值,比如客服系統(tǒng)中語音數據包含豐富的客戶需求信息,需要更多有效挖掘非結構化數據價值。機器學習模型參數調節(jié)復雜,訓練成本高,但用電數據特性隨著時間會發(fā)生演變,應該研究能夠識別新增用電特性的增量學習策略。