王登峰，李英，楊琦，馬廣霞，樊博

(國網(wǎng)寧夏電力有限公司電力科學研究院,寧夏 銀川 750011)

智能電表是應用于智能電網(wǎng)和用戶之間雙向通信的重要設備,具有高時間分辨率數(shù)據(jù)采集(通常每秒鐘或幾分鐘)和長時間運行的優(yōu)點,但隨著數(shù)據(jù)的累積從海量數(shù)據(jù)中檢索有用信息的難度日益增加,因此智能電表數(shù)據(jù)分析(MDA)已經(jīng)成為智能電網(wǎng)研究領域的重要研究方向之一[1-3]。

基于智能電表大數(shù)據(jù)實現(xiàn)負荷預測是電網(wǎng)智能化的重要體現(xiàn),電網(wǎng)運行單位可以根據(jù)負荷預測控制大功率熱負荷和冷負荷的交替運行以保證電網(wǎng)的可靠性。為解決負荷預測問題,自90 年代起就有許多學者進行了探索[4]。其中軟計算技術在負荷預測方面獲得了成功應用,例如人工神經(jīng)網(wǎng)絡(Artificial Neural Network,ANN)[5-8]、神經(jīng)模糊法[9]和模糊邏輯[10]、時間序列分析[11]、支持向量回歸(Support Vector Regression,SVR)[12]等等。然而由于設備的限制,早期的大多數(shù)研究工作無法獲取用電戶的高時間分辨率電力消耗數(shù)據(jù),使得預測模型精度不佳,預測能力受到較大限制。

為此本文從用電住宅樓采集了大容量、高時間分辨率的智能電表數(shù)據(jù)用于負荷預測,基于自適應神經(jīng)模糊推理系統(tǒng)(Adaptive Neural Fussy Interence System,ANFIS)混合軟計算技術建立了負荷預測模型,利用智能電表數(shù)據(jù)進行了預測模型構建、訓練和測試,最后對用電戶在24 h 內各個時間的電力功耗進行了預測,并利用實際數(shù)據(jù)集進行了對比驗證。研究結果可為高時間分辨率的電力負荷預測提供參考。

1 模糊系統(tǒng)模型

人工神經(jīng)網(wǎng)絡和模糊系統(tǒng)是軟計算方法中的兩個重要組成部分[13-15],人工神經(jīng)網(wǎng)絡和模糊系統(tǒng)是兩個互補的概念:人工神經(jīng)網(wǎng)絡具有從數(shù)據(jù)中學習的能力,而模糊系統(tǒng)則是基于特定規(guī)則的數(shù)學模型。目前模糊邏輯已得到各種應用,并且在研究界受到廣泛關注,由于模糊系統(tǒng)本身不具備學習能力,因此必須從其他技術中借鑒這一能力。整合人工神經(jīng)網(wǎng)絡和模糊系統(tǒng)的混合計算技術即自適應神經(jīng)模糊推理系統(tǒng)[16]。ANFIS 具有學習和推理能力,從而提高了模型的預測準確性。本文基于ANFIS 系統(tǒng)建立數(shù)學模型,模型主要有以下幾個部分組成。

1.1 模糊集模型

模糊邏輯的理論基礎是模糊集理論,其中變量由一個或多個集的成員組成,該變量集的關系通過隸屬函數(shù)進行定義[17]。與經(jīng)典集合理論不同,模糊邏輯模型中允許使用的值是單詞而不是數(shù)字,因此人們可以用單詞進行計算。盡管單詞本質上不如數(shù)字精確,但是單詞計算可利用容差,該容差更接近于人類的推理過程。

模糊集是一類連續(xù)隸屬關系對象,這樣的集合通過隸屬度函數(shù)(MF)進行描述,隸屬度函數(shù)為每個對象分配介于0 到1 之間的隸屬度等級[18],通過隸屬度等級確定元素是在集合中(取值為1)、不在集合中(取值為0)、或者部分在集合中(取自位于0～1 之間)。從形式上看X范圍內的模糊集A定義為:

式中:μA(x)是x和其隸屬度函數(shù)A的函數(shù)名。

1.2 隸屬度函數(shù)

模糊系統(tǒng)的核心是一組隸屬度函數(shù),這些函數(shù)定義了模糊語言變量的邊界,隸屬度函數(shù)定義的平滑邊界范圍位于0～1 之間,而不是清晰的邏輯邊界。目前有多種可選用的隸屬函數(shù),可根據(jù)問題要求從中選擇,在可用的幾種隸屬函數(shù)類型中,最常用的隸屬函數(shù)是三角形隸屬函數(shù)和梯形隸屬函數(shù),在ANFIS 網(wǎng)絡中通常使用高斯隸屬函數(shù),其定義公式為:

式中:σ是標準差,c是均值；Gaussian 代表高斯函數(shù)名。

1.3 模糊系統(tǒng)的if-then 規(guī)則

模糊推理系統(tǒng)的規(guī)則基礎是將一組輸入要素與輸出相關聯(lián)的if-then 規(guī)則。模糊推理規(guī)則的形式為:

式中:xi是Ai的前提條件；yi是Bi的結果或結論,本文將一組這樣的模糊if-then 規(guī)則用于構建稱為知識庫的模糊推理系統(tǒng)(FIS)。

1.4 模糊推理系統(tǒng)模型

使用模糊邏輯建立輸入-輸出映射的過程稱為模糊推理,模糊推理系統(tǒng)在稱為知識庫的模糊規(guī)則集合的基礎上工作。這些規(guī)則的制定對于模糊推理系統(tǒng)非常重要,在大多數(shù)情況下,推理系統(tǒng)需要有關具體問題的必要知識。因此通常采用將人類專家的經(jīng)驗移植到模糊規(guī)則制定的辦法,經(jīng)驗移植過程需要進行多次試驗才能最終得出一組具體的模糊規(guī)則,但是在沒有專家的情況下,如果使用一組觀察值(先驗知識),仍然可以對模糊系統(tǒng)進行建模。這些觀察結果(先驗知識)主要用于訓練ANFIS 網(wǎng)絡,ANFIS 從輸入系統(tǒng)的觀察結果中了解系統(tǒng)的行為,再制定模糊規(guī)則以及調整相關隸屬函數(shù)的參數(shù),從而進一步構建出模糊推理系統(tǒng)。

1.5 ANFIS 系統(tǒng)結構

本文提出的ANFIS 是如圖1 所示的多層神經(jīng)網(wǎng)絡。系統(tǒng)由五層結構組成,第1 層具有適用于輸入數(shù)據(jù)的自適應節(jié)點；第2 層具有固定節(jié)點,其輸出確定了規(guī)則強度；第3 層中有固定的節(jié)點,用于計算歸一化的規(guī)則強度；第4 層具有自適應節(jié)點,可計算后續(xù)參數(shù)；第5 層僅有一個節(jié)點,該節(jié)點用于計算和預測輸入數(shù)據(jù)對應的輸出；其中第2 到第4 層稱為隱藏層,它們共同構建了隸屬函數(shù)和模糊規(guī)則。

圖1 ANFIS 網(wǎng)絡的體系結構

2 ANFIS 系統(tǒng)模型

2.1 試驗數(shù)據(jù)的生成和訓練

預測模型需要輸入數(shù)據(jù)完成學習過程,在負載預測問題中可使用安裝在家庭中的數(shù)據(jù)記錄設備來獲取用電讀數(shù)。每戶家庭的智能電表會收集電力功耗信息,并將其發(fā)送到服務器,本文則將服務器上收集和累積的數(shù)據(jù)用于構建ANFIS 模型。

2.2 數(shù)據(jù)預處理

智能電表數(shù)據(jù)的語料庫提供了該用電建筑中單個電路消耗的電力,其獨立讀數(shù)至少包含以下三個條目:

①測量讀數(shù)的時間,采用Unix 時間戳

②電路消耗的功率,千瓦(kW)

③電路的標識

如果智能電表測量時電路的功耗為零(即電路不工作),則在該時刻沒有功耗輸入,此時如果將原始數(shù)據(jù)用于信息處理,將導致數(shù)據(jù)長度各不相同,因此習慣上通過如下公式推導具有固定時間長度的特征數(shù)據(jù):

式中:Pj是電路在時間j消耗的功率；Ni是測量次數(shù),是式(3)計算了所有用電設備在3 600 s 內的測量次數(shù)；式(4)則計算了設備在1 h 內的平均功耗。最后將導出數(shù)據(jù)的信息串聯(lián)起來,形成數(shù)據(jù)長度固定的特征時間向量

2.3 數(shù)據(jù)歸一化

將數(shù)字數(shù)據(jù)用于模式識別時,其動態(tài)范圍會影響分類器的性能,其中動態(tài)范圍是指功耗的最小值和最大值之間的差,如果動態(tài)范圍太大,則在訓練過程中較高的值會在數(shù)值上主導較低的值。因此為了利用所有特征值,通常將動態(tài)范圍標準化為[0,1]之間的數(shù)字,歸一化過程由式(5)實現(xiàn):

式中:Xoriginal是數(shù)據(jù)數(shù)值；Xmin是數(shù)據(jù)中的最小值；Xmax是數(shù)據(jù)中的最大值；Xnormalized是歸一化數(shù)值。

2.4 ANFIS 系統(tǒng)的訓練和測試

ANFIS 模型的訓練和測試與數(shù)據(jù)同步完成,并建立模糊推理系統(tǒng),其隸屬函數(shù)參數(shù)則可通過反向傳播算法,或結合最小二乘法進行調整。訓練數(shù)據(jù)一般分為實驗組和測試組,本文利用實驗數(shù)據(jù)中的80%對系統(tǒng)進行訓練,數(shù)據(jù)中剩余的20%作為未知的測試數(shù)據(jù),來評估ANFIS 系統(tǒng)的性能。將歸一化后的訓練數(shù)據(jù)輸入ANFIS 系統(tǒng),調整隸屬函數(shù)參數(shù),生成ANFIS 模型的模糊if-then 規(guī)則,最后將測試集用于判斷ANFIS 模型的性能。

3 實驗結果和分析

本文從三棟房屋獲得了耗電量測量值,分別為住宅A、B 和C[20]。測量值包括每秒鐘測量的平均值和視在功耗、每個電路的功耗、每2.5 s 測量的所有插頭負載的實際功耗等。同時在房屋內安裝跟蹤系統(tǒng),跟蹤設備燈光、運動感應、觸發(fā)感應和恒溫器傳感器的開/關事件。除了能源消耗數(shù)據(jù)外,還提供發(fā)電數(shù)據(jù),如太陽能電池板和微型風力渦輪機每5 s的平均發(fā)電量,以及通過室內外氣象傳感器每分鐘測量的環(huán)境數(shù)據(jù)。本文主要分析家庭A 每秒測量的實際功率。原始數(shù)據(jù)集包含了從2020 年4 月1日到2020 年6 月31 日三個月的用電讀數(shù),其中用電讀數(shù)不完整的天數(shù)不用于實驗。

本文利用MATLAB 軟件平臺的模糊邏輯工具箱TM(MATLABR Fuzzy Logic Toolbox,TM)建立ANFIS 系統(tǒng)。由于MATLAB 將ANFIS 的輸出數(shù)量限制為一個,因此本文開發(fā)了一種適用于24 h 數(shù)據(jù)輸出的FIS 結構,其隸屬函數(shù)的數(shù)目固定為2,隸屬函數(shù)類型固定為高斯函數(shù)。在訓練過程中,利用混合ANFIS 學習算法對FIS 參數(shù)進行調整,用以建立輸入/輸出關系。訓練集則多次(迭代輸入或周期輸入)輸入ANFIS 模型,直到達到期望的預測精度。最后將測試數(shù)據(jù)集用于模型驗證,以查看ANFIS 模型預測相應數(shù)據(jù)集輸出值的效果。

測試數(shù)據(jù)集可檢查模糊推理系統(tǒng)的泛化能力,通過設置兩個不同的公差間隔來反映預測結果,對于低值負載,例如低于1 kW 時公差設置為±100 W,設置允許的預測偏差為實際值的±10%,最后計算預測模型的正確預測數(shù),就可以得到所提出的模型的總體性能。圖2 所示是隨機選擇的天數(shù)的負荷預測值,表1所示是所有測試樣本的平均預測精度。由表1 可見,總體預測精度達到了84.02%。從表1 中還可以明顯看出,預測模型在一天中的某些小時內的預測性能相對較高,這是因為用電戶在白天的用電行為模式具有較大隨機性,導致了預測性能的變化。

表1 各個時間段的預測性能統(tǒng)計表

圖2 負荷預測與實際值的對比示意圖

表1 中的精度計算如式(6)所示:

式中:η是精度；XANFIS是模型計算值；Xreal是真實值。

4 結論

本文從模糊推理和人工神經(jīng)網(wǎng)絡理論出發(fā),建立了針對智能電表大數(shù)據(jù)的分析方法和數(shù)學模型,基于智能電表實測數(shù)據(jù)進行了負荷預測研究。結果表明所構建的大數(shù)據(jù)預測模型能夠有效針對用電戶的負荷進行高時間分辨率的預測,其中夜晚時段預測精度均在90%以上,白天時段預測精度在70%左右,造成二者差異的來源是白天用戶用電行為的隨機性更強。