宋耐超, 史雷敏, 王小雷, 宋 珂, 惠 杰, 王 槿, 邢毅川

(1.國網(wǎng)河南省電力公司駐馬店供電公司, 河南 駐馬店 463000; 2.國網(wǎng)河南省電力公司許昌供電公司, 河南 許昌 461000; 3.上海電力大學(xué), 上海 200090)

隨著通信技術(shù)以及互聯(lián)網(wǎng)技術(shù)等的不斷進步[1-3],配電網(wǎng)將向著信息流、電力流、能源流高度融合的開放、智能、柔性、清潔的新型運行模式持續(xù)發(fā)展[4]。國家電網(wǎng)公司在2019年提出了建設(shè)全面狀態(tài)感知、信息高效處理的“泛在電力物聯(lián)網(wǎng)”[5]。然而海量的電力數(shù)據(jù)涌入使得傳統(tǒng)的云計算模型無法高效地處理電力數(shù)據(jù),邊緣計算模式的出現(xiàn)巧妙地解決了這一問題。邊緣計算將計算分析功能擴展至網(wǎng)絡(luò)邊緣具備一定計算能力的設(shè)備,就近處理電力數(shù)據(jù),僅需返回結(jié)果至云中心,緩解了云中心的數(shù)據(jù)處理壓力。

臺區(qū)作為電力物聯(lián)網(wǎng)的關(guān)鍵組成部分,更靠近用戶端,因此臺區(qū)更適合作為邊緣計算模式的邊緣節(jié)點,在臺區(qū)內(nèi)就地分析處理數(shù)據(jù)[6-7],有助于推動泛在電力物聯(lián)網(wǎng)建設(shè)。臺區(qū)線損管理又是臺區(qū)管理中的關(guān)鍵組成部分[8],因此使用合理的方法對臺區(qū)線損率進行管理極為重要。

目前部分供電公司對臺區(qū)的線損管理仍采取人工方式,通過對比供電量以及售電量并按照預(yù)定的閾值對臺區(qū)進行線損率異常判斷,但費時費力、計算精度較低并存在一定的片面性,忽略了不同臺區(qū)的線損水平差異,不能合理地對臺區(qū)線損率進行判斷。部分學(xué)者以負荷為基礎(chǔ)對臺區(qū)線損率進行了理論計算[9-10],也有部分學(xué)者將線性回歸算法[11-12]運用在臺區(qū)線損計算中。但是,以上幾種方法計算準確度較低且工作量大,無法就地進行臺區(qū)線損率計算,大量耗費人力、物力和財力。

本文提出了一種基于邊緣計算,模式的臺區(qū)線損率計算方法,可以在邊緣端就地進行臺區(qū)線損率計算,以緩解云中心的處理壓力。首先,構(gòu)建了臺區(qū)電氣特征指標體系;其次,采用近鄰傳播算法(Affinity Propagation,AP)對其進行分類,在此基礎(chǔ)上建立了LM算法(Levenberg-Marquardt)優(yōu)化的反向傳播(Back Propagation,BP)神經(jīng)網(wǎng)絡(luò)模型,并在云中心對其進行訓(xùn)練優(yōu)化;最后,將模型移植到邊緣物聯(lián)代理中,對臺區(qū)的線損率進行預(yù)測計算。經(jīng)仿真實驗驗證,本文所提方法具有一定的實用性和有效性。

1 基于邊緣計算模式的臺區(qū)結(jié)構(gòu)

臺區(qū)指(1臺)變壓器的供電范圍或區(qū)域,主要由母線、熔斷器、配電變壓器、開關(guān)、電表等部分組成。由于傳統(tǒng)臺區(qū)的計算力較弱,不足以支持邊緣計算模式,無法實現(xiàn)對線損的精益化計算和分析、電能質(zhì)量分析及治理、臺區(qū)綜合能源協(xié)同控制等功能,因此需要對臺區(qū)進行升級改造。除了在臺區(qū)中加裝智能開關(guān)、智能傳感器以及智能電表之外,最關(guān)鍵的是需要加裝智能配變終端(即邊緣物聯(lián)代理)。邊緣物聯(lián)代理是配電臺區(qū)進行用電信息采集、設(shè)備狀態(tài)監(jiān)測及通信組網(wǎng)、就地化分析決策、主站通信及協(xié)同計算等功能于一體的智能化終端設(shè)備。

邊緣物聯(lián)代理采用“硬件平臺化,軟件APP化”的設(shè)計理念,以標準化、模塊化的硬件設(shè)計與低成本的軟件APP方式,在配電臺區(qū)中作為數(shù)據(jù)匯聚、邊緣計算、應(yīng)用集成的中心,邊緣物聯(lián)代理應(yīng)部署在配變出線側(cè),如圖1所示。

圖1 基于邊緣計算模式的臺區(qū)結(jié)構(gòu)示意

邊緣物聯(lián)代理由核心板和智聯(lián)單元(物聯(lián)網(wǎng)通信單元等)構(gòu)成,監(jiān)控配電變壓器至用戶智能電表間的運行數(shù)據(jù),天然具備邊緣計算節(jié)點特性,所以是配電臺區(qū)管理架構(gòu)的核心。

2 基于邊緣計算的臺區(qū)線損率計算方法

2.1 臺區(qū)電氣特征指標體系建立

由于各個臺區(qū)所處地域地形、負荷結(jié)構(gòu)和電網(wǎng)建設(shè)程度的不同,大致可以把臺區(qū)劃分為城市、郊區(qū)和農(nóng)村3類臺區(qū)[13],其中城市臺區(qū)、郊區(qū)和農(nóng)村臺區(qū)的用電量、負荷密度、供電半徑均存在差異。為了充分利用臺區(qū)內(nèi)電氣特征參數(shù),挖掘出信息的價值,需要對臺區(qū)內(nèi)電氣特征參數(shù)進行預(yù)處理。

考慮到電氣特征參數(shù)的易獲取性和可行性[14],選取以下3種參數(shù)作為臺區(qū)電氣特征指標。其中,反映網(wǎng)架特征的指標即線路特征參數(shù)有供電半徑和最大供電長度,反映負荷特性的指標即變壓器特征參數(shù)有配變負載率[15]。

(1)X1,供電半徑(m),指臺區(qū)變壓器到供電范圍內(nèi)用戶端的距離。該指標是評估低壓配電網(wǎng)臺區(qū)網(wǎng)架結(jié)構(gòu)是否合理的重要參數(shù)之一。

(2)X2,最大供電長度(m),指該臺區(qū)實際最大供電長度。

(3)X3,配變負載率(%),是指臺區(qū)內(nèi)供電量與變壓器的額定容量之比,反映了當前臺區(qū)變壓器的負載狀況以及臺區(qū)內(nèi)負荷的平均水平。

由于上述選取的3項指標的單位與性質(zhì)各不相同,數(shù)值間的差別較大,不進行處理可能會影響訓(xùn)練模型數(shù)據(jù)分析的結(jié)果,因此需要對原始數(shù)據(jù)進行標準化處理,消去指標之間量綱和取值范圍差異的影響。設(shè)特征參數(shù)個數(shù)為m個,樣本數(shù)為N個。其處理方法如下。

(1)

(2)

(3)

式中:Zij——xij標準化處理后的量;

xij——第i個臺區(qū)第j個參數(shù);

Sij——xij的方差。

2.2 AP聚類算法模型

為了更好地挖掘出臺區(qū)電氣特征參數(shù)的潛在信息,需要篩選出用電性質(zhì)相同的臺區(qū),因此本文選用聚類精度較高的AP聚類算法。AP聚類算法是一種基于數(shù)據(jù)點之間的“信息傳遞”的聚類算法[16],根據(jù)N個數(shù)據(jù)點之間的相似度進行聚類,用吸引度矩陣R和歸屬度矩陣A在數(shù)據(jù)點之間交換信息,不斷迭代更新兩個信息矩陣,直到迭代結(jié)束。其公式為

(4)

(5)

式中:r(i,j),a(i,j)——i點與j點之間的吸引度矩陣和歸屬度矩陣;

S(i,j)——i點與j點之間的相似度。

r(i,j)與a(i,j)的值越大,則j點作為聚類中心的可能性就越大,并且i點隸屬于以j點為聚類中心的類簇的可能性也越大。

由于AP聚類算法的迭代過程容易產(chǎn)生振蕩,所以每次迭代都要加上一個阻尼系數(shù)λ,λ∈(0,1),則有

(6)

(7)

該算法流程如下。

(1) 更新相似度矩陣中每個點的吸引度信息,計算歸屬度信息;

(2) 更新歸屬度信息,計算吸引度信息;

(3) 對樣本點的吸引度信息和歸屬度信息求和,檢測其選擇聚類中心的決策。

若經(jīng)過若干次迭代之后其聚類中心不變,或者迭代次數(shù)超過既定的次數(shù),又或者一個子區(qū)域內(nèi)的關(guān)于樣本點的決策經(jīng)過數(shù)次迭代后保持不變,則算法結(jié)束。

相比傳統(tǒng)聚類算法,AP聚類算法的主要優(yōu)點如下:一是算法不需要制定最終類簇的個數(shù);二是將已有的數(shù)據(jù)點作為最終的聚類中心,而不是新生成一個簇中心;三是模型對數(shù)據(jù)的初始值不敏感;四是對初始相似度矩陣數(shù)據(jù)的對稱性沒有要求;五是其結(jié)果的平方差誤差更小,聚類精度較高。

AP聚類算法每次迭代都需要更新每個數(shù)據(jù)點的吸引度值和歸屬度值,在大數(shù)據(jù)量下運行時間較長,因此在以往的研究中較少使用。邊緣計算模式的出現(xiàn)解決了這一問題。邊緣計算將主站的功能移植至邊緣端中,就地對臺區(qū)數(shù)據(jù)進行處理,僅需要返回計算結(jié)果至主站,并不需要頻繁地訪問主站數(shù)據(jù)庫。

2.3 LM算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型

2.3.1 標準BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最廣泛、最成功的神經(jīng)網(wǎng)絡(luò)模型之一。其學(xué)習(xí)規(guī)則是使用最速下降法,通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值[17],使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

對于任意一臺區(qū),設(shè)臺區(qū)的電氣特征參數(shù)為N個,因此神經(jīng)網(wǎng)絡(luò)的輸入層有N個BP神經(jīng)元輸入。設(shè)輸入層的輸入向量為Zr=(Z1,Z2,…,Zn,…,ZN)T,隱含層的輸出向量為Yr=(Y1,Y2,…,Yp,…,YP)T,輸出層的輸出向量為Or=(O1,O2,…,Ol,…,OL)T,則期望輸出向量為dr=(d1,d2,…,dl,…,dL)T。

利用BP神經(jīng)網(wǎng)絡(luò)模型對Zij和di進行學(xué)習(xí)訓(xùn)練的正向傳播過程為

(8)

(9)

式中:wnp,bnp——輸入層到隱含層的權(quán)值和閾值;

wpl,bpl——隱含層到輸出層的權(quán)值和閾值。

輸出誤差e為

(10)

當實際輸出與期望輸出不符時,進入誤差的反向傳播階段。誤差通過輸出層,按誤差梯度下降的方式修正各層權(quán)值,向隱含層、輸入層逐層反傳。權(quán)值調(diào)整過程一直進行至網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度,或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。

2.3.2 LM算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型

LM算法是使用最廣泛的非線性最小二乘算法,用模型函數(shù)對待估參數(shù)向量在其領(lǐng)域內(nèi)做線性近似,利用泰勒展開,忽略掉二階以上的導(dǎo)數(shù)項,可以將優(yōu)化目標方程轉(zhuǎn)化為線性最小二乘問題。該算法在優(yōu)化神經(jīng)網(wǎng)絡(luò)訓(xùn)練均方誤差方面具有較強的適用性。本文以權(quán)值修正過程為例進行介紹[18]。

在第n+1次的迭代過程中,誤差e按泰勒公式展開,得到的公式[18]為

e(w(n+1))=e(w(n))+gT(n)Δw(n)+

0.5ΔwT(n)A(n)Δw(n)

(11)

式中:w(n)——第n次迭代過程中的權(quán)值;

A(n)——Hessian矩陣。

式(11)中,當Δw(n)=-A-1(n)g(n)時,e(w(n+1))取得最小值。

采用LM算法對BP神經(jīng)網(wǎng)絡(luò)進行優(yōu)化,將A(n)表示為

A(n)=JTJ

(12)

式中:J——雅克比矩陣。

LM算法對權(quán)值和閾值的修正公式為

w(n+1)=w(n)-[JTJ+μI]-1JTe

(13)

b(n+1)=b(n)-[JTJ+μI]-1JTe

(14)

式中:I——單位向量;

μ——常數(shù);

b(n)——第n次迭代過程中的閾值。

LM算法不僅具有高斯-牛頓算法的局部收斂性,而且還具有梯度下降法的全局特性。應(yīng)用LM算法對BP神經(jīng)網(wǎng)絡(luò)進行優(yōu)化,與其他的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化方法相比,能夠很有效地降低網(wǎng)絡(luò)權(quán)值的數(shù)目,節(jié)省訓(xùn)練時間,使網(wǎng)絡(luò)迅速收斂且訓(xùn)練誤差最小,滿足邊緣計算模式的實時性要求,能夠較好地在邊緣計算模式中得到運用。

2.4 基于邊緣計算的臺區(qū)線損率計算流程

基于邊緣計算模式的臺區(qū)線損率計算方法,主要包括以下幾個步驟。

(1) 在臺區(qū)內(nèi)安裝邊緣計算裝置,利用邊緣計算裝置采集不同臺區(qū)某歷史時間段不同時刻的電氣特征參數(shù)和線損率作為歷史數(shù)據(jù),通過邊緣計算裝置采集待測臺區(qū)待測時刻的電氣特征參數(shù)。

(2) 對臺區(qū)電氣特征參數(shù)進行標準化處理。

(3) 通過AP聚類算法對臺區(qū)的電氣特征參數(shù)數(shù)據(jù)進行聚類,計算數(shù)據(jù)之間的相似度并設(shè)置阻尼系數(shù),得到多個類簇。

(4) 選取與待測時刻的電氣特征參數(shù)同一類簇的歷史數(shù)據(jù)作為云平臺預(yù)測模型的訓(xùn)練樣本數(shù)據(jù)集,在云平臺內(nèi)通過BP神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)集進行訓(xùn)練,得到臺區(qū)線損率預(yù)測模型。

(5) 將訓(xùn)練完成的預(yù)測模型移植到邊緣計算終端設(shè)備,并通過邊緣終端設(shè)備采集臺區(qū)待測時刻的電氣特征參數(shù),通過模型進行預(yù)測,得出實時預(yù)測的線損率。

(6) 將預(yù)測出的實時線損率與該臺區(qū)的理論線損率進行對比,計算誤差率。誤差率大于5%時則判定該臺區(qū)線損率異常,然后通過邊緣計算裝置發(fā)送告警信息至運維人員。

(7) 通過采集的臺區(qū)歷史數(shù)據(jù),在云平臺對預(yù)測模型進行深入訓(xùn)練,并定期對邊緣設(shè)備的預(yù)測模型進行更新,保證邊緣計算設(shè)備預(yù)測模型的準確率。

臺區(qū)線損率計算流程如圖3所示。

圖3 臺區(qū)線損率計算流程

3 算例分析及驗證

為了驗證本方法的有效性,選取某地區(qū)的臺區(qū)電氣特征參數(shù)進行仿真,并對臺區(qū)的線損率進行計算。某地區(qū)的10個臺區(qū)的電氣特征參數(shù)如表1所示。

表1 10個臺區(qū)的電氣特征參數(shù)表

對供電量和售電量進行計算,可得出該地區(qū)臺區(qū)的實際線損率(即理論線損率)。為了體現(xiàn)不同臺區(qū)的線損率差異,選取了該地區(qū)28個臺區(qū)的供售電量進行計算。該地區(qū)28個臺區(qū)的實際線損率如圖4所示。

由圖4可以看出,各個臺區(qū)線損率水平參差不齊,難以用統(tǒng)一的標準去衡量臺區(qū)的線損率,并且臺區(qū)是否存在異常難以判斷。因此本文在邊緣計算模式下,首先對臺區(qū)數(shù)據(jù)進行聚類預(yù)處理,然后用LM算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對臺區(qū)線損率進行預(yù)測,并比較預(yù)測線損率與實際線損率,計算其誤差率并將計算結(jié)果傳輸至云中心。若誤差率大于5%則判定該臺區(qū)異常,并通過邊緣物聯(lián)代理將告警信息發(fā)送至運維人員。

圖4 臺區(qū)實際線損率

將預(yù)測出的實時線損率與該臺區(qū)的理論線損率進行對比,計算誤差率,結(jié)果如圖5所示。

圖5 臺區(qū)線損率計算結(jié)果

由圖5可以看出,實際線損率與本方案計算出來的預(yù)測線損率相對誤差較小,因此本方案可實現(xiàn)對臺區(qū)實際線損率的預(yù)測,體現(xiàn)了本文所提方法的有效性。此外,從圖5可以看出,大部分臺區(qū)的實際線損率與預(yù)測線損率的誤差率小于5%,處于正常運行狀態(tài);當實際線損率與預(yù)測線損率的誤差率大于5%時,則認為該臺區(qū)異常,需要通過人工核實該臺區(qū)是否存在竊電、漏電等造成線損率異常的行為。

為了進一步驗證本方法的優(yōu)越性,構(gòu)建了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型,并與本文方法相比較,結(jié)果如圖6所示。

圖6 線損率計算結(jié)果比較

由圖6可知,傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測值、本方案預(yù)測模型的預(yù)測值與實際線損率相比都很接近,均可實現(xiàn)對線損率的預(yù)測。傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型誤差在10-2數(shù)量級,LM算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型誤差10-5數(shù)量級,因此可相比傳統(tǒng)預(yù)測模型所得的臺區(qū)線損率預(yù)測結(jié)果精度更高,并且在邊緣計算模式下,可定期對邊緣計算裝置中的預(yù)測模型進行優(yōu)化更新,預(yù)測精度較高,具有實際運用價值。通過本方法的實施應(yīng)用,可以節(jié)省大量的人力、物力和財力,促進了國家電網(wǎng)公司泛在電力物聯(lián)網(wǎng)的建設(shè)。

4 結(jié) 語

本文將臺區(qū)作為邊緣邊緣計算節(jié)點,并給出了基于邊緣計算模式的臺區(qū)技術(shù)架構(gòu),提出了一種在臺區(qū)運用的基于邊緣計算模式的線損率計算方法。本方法可就地化計算臺區(qū)線損率并輔助運維人員對臺區(qū)作維護,但是本方法無法挖掘出使得臺區(qū)線損率異常的原因,需要相關(guān)學(xué)者作進一步的探究。