馮建宇

(陜西省地方電力(集團)有限公司，陜西 西安 710061)

我國智能電網發(fā)展迅速，接入用戶數量龐大，電力系統(tǒng)中的電力負荷數據的特點由最初的量少、結構單一變?yōu)閿盗魁嫶蟆⒔Y構復雜。在智能配電網的日常運行中，電力調度會通過數據采集和分析對配電網歷史數據進行處理，但是由于我國智能配電網結構錯綜復雜，會出現一些意外故障導致電力負荷異常，這些異常數據會降低調度決策的精準度，影響智能配線網的安全穩(wěn)定運行，因此對電力負荷異常值進行篩選、剔除是配電網安全運行的重要保障。

對電力系統(tǒng)中的負荷異常值進行識別與篩選已經引起了相關領域學者的重視，很多專家也在這方面做出了很多成績。文獻[1]中主要利用改進K-means方法對電網中的負荷進行預測。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[2]中利用關聯矩陣篩選負荷變化的影響因素，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，去除噪聲提純數據，但是沒有考慮區(qū)域、使用者的差異，缺乏對具體數據的負荷預測，一般只對具體的負荷值進行預測，很少開展負荷分布預測，識別準確率較低。因此本文設計了一種考慮高頻數據V-I特性的電力負荷異常值自動識別系統(tǒng)。

1 電力負荷異常值自動識別系統(tǒng)

1.1 系統(tǒng)硬件設計

在電力系統(tǒng)出現異常負荷時，需要及時對異常情況進行識別，因此有必要對電力系統(tǒng)中的高頻數據V-I進行數字采樣，也就是對負載啟動前后的電壓與電流進行數/模變換[3-4]。在本文設計的異常負荷自動識別系統(tǒng)中，需要考慮高頻數據V-I的特性，因此在硬件結構中設計了電壓采集器和電流采集器。由于V-I的數據波形圖具有正弦性質，因此在信號數據處理的過程中，需要使用過零檢測器，將采集到的電流/電壓數值經過放大電路后，完成過零檢測，再通過波形整形電路后，傳輸到單片機中[5-6]。

由于高頻數據V-I具有信息量豐富、負荷設備保留完整的特性，因此將采集到的電壓和電流經過電路處理后，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際數值相比還存在一定誤差[7-8]，需要輸入到單片機中進行脈寬的計算，至此完成系統(tǒng)的硬件設計。

1.2 系統(tǒng)軟件設計

1.2.1數據預處理

由于在系統(tǒng)采集的數據中很多數據都是雜亂、冗余或不完整的，因此需要對高頻數據V-I進行預處理，即對所得數據進行清理和標準歸一化處理，從而為后期的識別工作提供處理依據[9-10]。首先需要對數據進行聚類分析，當負荷數據的總數為n時，其屬性個數為p，采集數據之間的聚類方式可以用以下矩陣來表示：

(1)

完成數據聚類后，需要對數據進行清理。將經過聚類后的數據擬合成電力用戶負荷曲線，觀察曲線與正常負荷曲線的走勢是否一致，讀取電力用戶負荷曲線的數據，如果與正常負荷曲線相比出現大段的曲線偏離、歸零，則說明出現了電力負荷異常值。當上述情況出現時，若一條短時負荷資料中3條數據中的點是相似的，則識別并標記待測曲線中間位置的間斷點，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荷點是否中斷，若存在中斷現象，則需標記負荷點，將中斷點自動歸并為突降點異常負荷類別，從而判斷數據中的噪點。

1.2.2電力負荷異常值的識別

若想對異常負荷進行自動識別，需要對負荷數據進行聚類和預處理。負荷數據經過聚類后，能夠生成負荷特征曲線，然后根據該負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中負荷歷史樣本數據集，在聚類后，將數據集中的數據劃分為幾類，其中第i類樣本的數據矩陣在識別時間段內的極值如式(2)所示：

(2)

由于本文設計的系統(tǒng)考慮到了高頻數據V-I特性，在負荷發(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)電流能夠準確描述單一用電器的運行電流波形。在用本文設計系統(tǒng)進行訓練時，需要設置提取波識別的種群規(guī)模，建立異常負荷數據識別決策樹。該決策樹是一種統(tǒng)計學習方法，其本質是通過建立初始決策樹，計算其相應識別函數的損失函數，然后采用梯度下降法在其負梯度方向上依次建立一系列弱樹，逐步優(yōu)化預測函數，優(yōu)化后稱為強決策樹。根據訓練數據的相似度和加權組織，進一步引入基于綜合相似度加權的綜合損失函數，由此擬合單一用電器的V-I曲線，保證能夠準確識別異常數據，至此完成考慮高頻數據V-I特性的電力負荷異常值自動識別系統(tǒng)的設計。

圖1 異常負荷識別流程

2 系統(tǒng)仿真實驗

為了驗證本文設計系統(tǒng)的有效性，在性能測試中針對系統(tǒng)的特點搭建系統(tǒng)測試環(huán)境，并在相同實驗條件下利用現存的系統(tǒng)進行相同的測試，對測試結果進行分析與對比。

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軟件進行仿真。在訓練集數據選取中，選擇某供電站在機械加工、餐飲行業(yè)、寫字樓、冶金、商場等不同行業(yè)所統(tǒng)計的實際電能消耗數據，數據來源于每間隔30 min記錄一次的自動抄表系統(tǒng)。將采集到的數據進行統(tǒng)一預處理，首先要去除數據中的噪聲，并對缺失數據進行人工填補。由于本文測試中得到的負荷數據在擬合成曲線后，具有相似連續(xù)的特點，因此可以利用平均插值填補數據。

在實驗搭建的電力負荷異常值自動識別系統(tǒng)內輸入包括電力負荷狀態(tài)和動作的數據特征，在電力負荷異常值自動識別系統(tǒng)中，對傳輸數據狀態(tài)的識別主要基于傳輸數據循環(huán)平穩(wěn)特征實現，輸入數據產生的特征會表現出一定的周期性。當某一電力負荷異常值節(jié)點做出傳輸數據相應的動作后，考慮高頻數據V-I特性，識別系統(tǒng)需要給出相應的反應，執(zhí)行相應的感知識別動作。在本文設計的系統(tǒng)性能測試實驗中，由于異常負荷數據在系統(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荷數據進行歸一化：

(3)

表1 負荷指標區(qū)間

在本文開發(fā)的系統(tǒng)中，調試的結果如圖2所示。

圖2 開發(fā)調試的結果截屏示意圖

根據圖2開發(fā)調試的結果截屏，建立的異常負荷數據識別決策樹如圖3所示。

在圖3的決策樹中，每一層節(jié)點中所包含的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系統(tǒng)中的一個異常數據檢測模型。本文在系統(tǒng)測試中，主要選取誤識別、漏識別的數據進行對比，并分別計算出不同系統(tǒng)的識別錯誤率，對結果進行對比。

圖3 本文開發(fā)系統(tǒng)的決策樹示意圖

2.2 測試結果與分析

在上述實驗環(huán)境下得到的3種系統(tǒng)的檢測結果見表2。

表2 實驗結果對比與分析

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

為了進一步驗證考慮高頻數據V-I特性的電力負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)的相似度這一指標進行分析，相似度Uh的計算公式為：

(4)

式中：Ag為識別列表；Hh為識別數量集合；Sz為識別項目集合。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據V-I特性的電力負荷異常值自動識別系統(tǒng)識別相似度進行分析，結果如圖4所示。

根據圖4可知，本文所設計的電力負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[1]系統(tǒng)和文獻[2]系統(tǒng)的識別相似率較高，均高于60%，表明本文所設計系統(tǒng)具有更好的性能。

圖4 不同方法識別相似度計算測試結果

3 結束語

本文針對現有電力負荷異常值自動識別系統(tǒng)中所存在的缺陷，設計了一種考慮高頻數據V-I特性的電力負荷異常值自動識別系統(tǒng)，該系統(tǒng)的創(chuàng)新點是考慮高頻數據V-I特性設置電力負荷異常值的識別，其中數據的聚類和預處理是異常負荷自動識別的基礎，經過聚類后的負荷數據能夠生成負荷特征曲線，根據不同的曲線則能夠得到帶通矩陣和上下閾值。由于本文所設計的系統(tǒng)主要是基于高頻數據V-I特性來對電力負荷異常值進行識別，因此數據中所包含的信息量巨大，在下一步的工作中，需要結合一些機器學習等應用，在實際電網運行過程中優(yōu)化識別過程，減少識別耗時。