戴暉， 秦鏡， 程帥

(國網(wǎng)淮安供電公司，江蘇 淮安 223001)

0 引 言

隨著國家市場經(jīng)濟的不斷發(fā)展，電力體制改革進程也在不斷深化。對電力企業(yè)經(jīng)營和發(fā)展而言，電力市場分析工作顯得愈發(fā)重要。伴隨城市地區(qū)電網(wǎng)高速發(fā)展，電力系統(tǒng)的負荷發(fā)生了很大變化，出現(xiàn)最大電網(wǎng)負荷持續(xù)快速增長、負荷峰谷差增大、電網(wǎng)負荷率下降、檢修季節(jié)部分設(shè)備停運時電力供應(yīng)緊張和電網(wǎng)調(diào)峰難度越來越大等一系列現(xiàn)象，加劇了電力供需矛盾，也給電力負荷分析預(yù)測、電網(wǎng)規(guī)劃和業(yè)擴報裝工作帶來許多困難[1-2]。另外，對于用電客戶的業(yè)擴報裝要求，提出新裝用電和增加用電申請，受理并確定能夠滿足用戶要求的供電方式，是電網(wǎng)規(guī)劃部門的一項重要工作[3-4]。本文結(jié)合不同區(qū)域用戶類別調(diào)研，對用戶用電特性進行分析。

1 基于泛在物聯(lián)網(wǎng)的用電行為特征解析架構(gòu)設(shè)計

本文以泛在物聯(lián)網(wǎng)為中心，將各個地區(qū)的用電智能終端、傳感器和物聯(lián)網(wǎng)等集合起來，實現(xiàn)不同地區(qū)、不同用戶用電行為數(shù)據(jù)的分析和應(yīng)用[5]。架構(gòu)示意圖如圖1所示。

圖1 泛在物聯(lián)網(wǎng)的用電行為解析架構(gòu)示意圖

本文的技術(shù)創(chuàng)新點在于以下幾點：

(1) 構(gòu)建出集合多種信息的物聯(lián)架構(gòu)系統(tǒng)，在感知層感知用電信息，在網(wǎng)絡(luò)層傳遞用電信息，在平臺層實現(xiàn)多種信息分析和應(yīng)用，在應(yīng)用層實現(xiàn)數(shù)據(jù)的多種應(yīng)用，進而實現(xiàn)物聯(lián)通信。

(2) 將不同區(qū)域和不同行業(yè)的用電信息集合起來，通過大數(shù)據(jù)分析技術(shù)實現(xiàn)各種不同區(qū)域和用戶的用電信息分析，能夠跨越時空和區(qū)域?qū)崿F(xiàn)數(shù)據(jù)的信息互聯(lián)，并具有泛在連接、數(shù)據(jù)感知、大數(shù)據(jù)融合和共享等新型特點[6]。

(3) 在大數(shù)據(jù)統(tǒng)計分析技術(shù)原理的基礎(chǔ)上，再次應(yīng)用灰色算法模型，對用戶用電行為進行預(yù)測。通過擬合曲線將統(tǒng)計出的大數(shù)據(jù)信息直觀地表達出來，進而實現(xiàn)不同地區(qū)和不同用戶的用電行為分析，大大提高了用戶用電效率，提高了用戶用電的監(jiān)控力度。

2 關(guān)鍵技術(shù)設(shè)計

2.1 基于MEA算法和BP神經(jīng)網(wǎng)絡(luò)的多源數(shù)據(jù)融合算法

本文采用MEA算法來確定BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值，從而快速得到最優(yōu)的用電信息數(shù)據(jù)融合模型[7]。MEA算法是一種采用迭代進化方式的學(xué)習(xí)方法，它在遺傳算法的“種群”和“進化”思想的基礎(chǔ)上提出了“趨同”和“異化”兩種操作[8]。“趨同”是在子種群Si(i=1,2,…,n)中快速找到局部最優(yōu)子種群，i表示不同種群中的某個種群。對各個子種群局部環(huán)境信息進行快速檢索和打分，通過分數(shù)來確定局部最優(yōu)，最優(yōu)個體Ni,pbest的得分就是其所在子種群Si的得分；“異化”則是在整個解空間內(nèi)搜索子種群，對分數(shù)較高的子種群予以保留，對分數(shù)較低的子種群進行剔除。同時為了保證子種群的總數(shù)不變，在解空間內(nèi)隨機產(chǎn)生新的子種群。這樣經(jīng)過不斷地進化，最終得到的子種群為最優(yōu)子種群。

MEA算法可以用來優(yōu)化初始權(quán)值和閾值、學(xué)習(xí)規(guī)則和網(wǎng)絡(luò)結(jié)構(gòu)，本文將其用來確定BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，提高BP神經(jīng)網(wǎng)絡(luò)的精度和穩(wěn)定性。采用MEA算法來確定BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值的方案如圖2所示。

圖2 MEA算法和BP神經(jīng)網(wǎng)絡(luò)融合結(jié)構(gòu)

圖2中:t為MEA算法中當(dāng)前時刻正在進行的迭代循環(huán)次數(shù);k為某個子種群內(nèi)部當(dāng)前時刻正在進行的迭代循環(huán)次數(shù)。從圖2可以看出，BP神經(jīng)網(wǎng)絡(luò)的初始值和閾值的確定方式用子種群內(nèi)部的某一個體來替換，在各個子種群內(nèi)部進行迭代過程。通過局部公告板篩選出局部最優(yōu)個體，然后將所有種群內(nèi)部的最優(yōu)個體通過全局公告板進行進一步比較，篩選出全局最優(yōu)個體和最優(yōu)子種群，最終采用全局最優(yōu)個體代表的初始權(quán)值和閾值訓(xùn)練得到BP神經(jīng)網(wǎng)絡(luò)模型醫(yī)療信息數(shù)據(jù)融合模型，即醫(yī)療信息數(shù)據(jù)融合模型。

整個模型的關(guān)鍵部分是得到子種群內(nèi)部的最優(yōu)個體，在子種群內(nèi)部進行迭代，以通過局部公告板得分最高的個體為中心進行收縮，直到子種群成熟為止。

將子種群Si內(nèi)部的個體看作正態(tài)分布:

Ni(μi,Ci)

(1)

式中:μi為正態(tài)分布的中心向量，在本研究中為子種群內(nèi)部的最優(yōu)個體的位置坐標；Ci為正態(tài)分布的協(xié)方差矩陣，因為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值之間沒有互相影響，所以Ci可以看作對角矩陣。

Ci=diag(σ1,σ2,…,σd，…，σk)

(2)

式中:d為整個解空間中所有個體的維數(shù)。

作為“大哥”的“雪龍?zhí)枴庇兄錾某煽儐危?994年10月，第一次奔赴南極，執(zhí)行南極科考和物資補給運輸任務(wù)，此后一直參與極地的各種科學(xué)考察任務(wù)，已奔赴南極35次；對北極，“雪龍?zhí)枴币埠敛荒吧?，?999年開始，它已經(jīng)先后9次造訪過北極。

(3)

式中:Hd為子種群內(nèi)部第d維個體的上限;Ld為子種群內(nèi)部第d維個體的下限。

當(dāng)?shù)螖?shù)達到設(shè)定的次數(shù),或者五次迭代的正態(tài)分布的中心向量，也就是最優(yōu)解的位置坐標沒有變化的時候，就認為子種群達到成熟狀態(tài)，此時最優(yōu)個體的得分即為子種群的得分。然后將所有子種群的局部最優(yōu)解進行迭代計算得到全局最優(yōu)解，全局最優(yōu)個體的初始權(quán)值和閾值則作為本文中用電信息數(shù)據(jù)融合模型的初始權(quán)值和閾值。

2.2 基于灰色GM(1,1)模型的大數(shù)據(jù)分析技術(shù)

(4)

針對上述x(1)輸出的一階均值，可以導(dǎo)出序列值xi，二者之間存在以下線性關(guān)系：

(5)

在式(5)中，k≥2。

對上述線性方程進行微分求解，得出以下函數(shù)關(guān)系式：

(6)

式中:a為用電終端或者場合；u為用電方式，通過這種方式可以求出a和u之間的關(guān)系，可以輸出用戶在特定環(huán)境下的用電特征分析。在求該值時，需要借助于最小二乘法，最終要應(yīng)用的公式可以為：

(7)

然后進行數(shù)據(jù)還原，則有：

(8)

(9)

式中:k≥1。

通過上述公式，能夠?qū)崿F(xiàn)用戶在不同階段和區(qū)域用電量的精準預(yù)測、量化預(yù)測。

3 試驗結(jié)果與分析

為了驗證上述數(shù)據(jù)融合算法的有效性，在試驗室內(nèi)采用計算機仿真進行驗證，其中計算機的硬件配置CPU為Inter Core i7-9700H，運行內(nèi)存為3 200 MHz 8×2 GB，硬盤大小為1 TB。

選取2018年淮安市一年中食品、飲料和煙草制造企業(yè)的用電數(shù)據(jù)為試驗數(shù)據(jù)，對數(shù)據(jù)進行統(tǒng)計，可以得到如表1所示的試驗數(shù)據(jù)。

表1 試驗數(shù)據(jù)

將前6個月的數(shù)據(jù)作為訓(xùn)練樣本，訓(xùn)練收斂后對后面6個月的用電量進行預(yù)測，最后與真實值進行對比。首先對上述收集到的數(shù)據(jù)進行預(yù)處理，處理方式主要是對錯誤的數(shù)據(jù)進行剔除、對缺失的數(shù)據(jù)進行補充以及數(shù)據(jù)的降噪處理。本文采用的數(shù)據(jù)融合模型的網(wǎng)絡(luò)參數(shù)設(shè)置如表2和表3所示。

表2 數(shù)據(jù)融合模型算法的網(wǎng)絡(luò)參數(shù)設(shè)置

表3 算法網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置

采用上述數(shù)據(jù)對本文的數(shù)據(jù)融合算法和傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合算法進行對比。將本文算法的數(shù)據(jù)融合結(jié)果與100次BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合結(jié)果進行對比，可以得到圖3所示兩種算法的收斂性對比。

從訓(xùn)練誤差的最低位置來看，本文算法的訓(xùn)練誤差要小于BP神經(jīng)網(wǎng)絡(luò)，因此本文算法的收斂性要比BP神經(jīng)網(wǎng)絡(luò)的要好。同時在圖3中可以很明顯地看到BP神經(jīng)網(wǎng)絡(luò)陷入了局部最優(yōu)，而本文算法沒有出現(xiàn)陷入局部最優(yōu)的情況。只通過收斂性并不能全面地比較兩種算法的好壞，下面對兩種算法的精度和穩(wěn)定性進行對比，采用平均相對誤差(mean relative error, MRE)和最小誤差平方和(least square estimate, LSE)來作為算法的精度和穩(wěn)定性的評價指標。兩種指標的計算公式為：

圖3 兩種算法的收斂性對比

(10)

(11)

式中:D為用于驗證的信息數(shù)據(jù)樣本量;ARe為融合算法得到的第e個融合后信息;AMe為第e個真實的診斷信息。通過計算得到兩種算法的誤差對比如表4所示。

表4 兩種算法的誤差對比

從MRE值可以看出，本文的數(shù)據(jù)融合算法的精度為88.82%，傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合的精度為81.05%，提高了7.77個百分點。通過比較兩種算法的LSE值可知，本文數(shù)據(jù)融合算法的穩(wěn)定性比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合提高了31.52% 。

數(shù)據(jù)融合完成后，采用上述灰色GM(1,1)模型對食品、飲料和煙酒制造行業(yè)后6個月的用電量進行預(yù)測，然后與直接用灰色GM(1,1)模型進行預(yù)測的結(jié)果進行對比。對預(yù)測結(jié)果進行記錄，可以得到表5所示的預(yù)測結(jié)果對比數(shù)據(jù)。

表5 預(yù)測結(jié)果對比數(shù)據(jù)

從表5中數(shù)據(jù)可以看出，進行數(shù)據(jù)融合后的預(yù)測結(jié)果比直接預(yù)測的結(jié)果更準確。為了更好地表現(xiàn)兩者之間的差距，對比預(yù)測的結(jié)果與真實值計算預(yù)測的誤差率，誤差率(w)的計算公式為：

(12)

通過計算，可以得到圖4所示的預(yù)測誤差率對比圖。

圖4 預(yù)測誤差率對比圖

從圖4中可以看出，兩種預(yù)測方式均存在波動性。但是總體來說先進行數(shù)據(jù)融合再進行預(yù)測的結(jié)果要比直接預(yù)測的結(jié)果誤差要小，計算6次誤差的平均值，先數(shù)據(jù)融合再進行預(yù)測的誤差率相比直接預(yù)測的誤差率降低了約1.495個百分點。

4 結(jié)束語

針對淮安市區(qū)域用電問題，提出了基于泛在物聯(lián)網(wǎng)的用電行為解析架構(gòu)，該架構(gòu)能夠聯(lián)系各個地區(qū)的用電智能終端、傳感器和物聯(lián)網(wǎng)等，獲取不同地區(qū)和范圍的用戶用電。通過淮安市區(qū)域用電總體情況以及淮安典型行業(yè)年用電特性分析，得到淮安用電的綜合情況。結(jié)合基于統(tǒng)計學(xué)原理的大數(shù)據(jù)分析技術(shù)以及灰色GM(1，1)模型的大數(shù)據(jù)分析技術(shù)，實現(xiàn)了不同用戶用電不同方式的分析。但是本文也存在一些不足，需要進一步地挖掘和研究。