周孟然,張易平,汪勝和,馬金輝,高博,胡鋒,朱梓偉,汪錕,劉宇

(1.安徽理工大學(xué) 電氣與信息工程學(xué)院,安徽 淮南 232001;2.國(guó)網(wǎng)安徽省電力有限公司,合肥 230001)

電力負(fù)荷的正常穩(wěn)定運(yùn)行以及實(shí)時(shí)監(jiān)測(cè)對(duì)工廠穩(wěn)定運(yùn)行意義重大.為了保證電力系統(tǒng)的健康、經(jīng)濟(jì)、高效、可靠的運(yùn)行,需要深入分析各類負(fù)荷特點(diǎn),在此基礎(chǔ)上進(jìn)行需求側(cè)管理,規(guī)劃分時(shí)電價(jià)、移峰填谷等負(fù)荷管理工作,優(yōu)化電網(wǎng)結(jié)構(gòu),提升電能利用效率,改善用戶用電習(xí)慣[1].

目前針對(duì)電力負(fù)荷預(yù)測(cè)分類精度提升的研究主要從兩方面考慮:1)數(shù)據(jù)信息提取方面,從時(shí)頻域分解數(shù)據(jù)信號(hào),收集數(shù)據(jù)有效信息,挖掘其隱含信息、信號(hào)重構(gòu)減小噪聲干擾;2)對(duì)負(fù)荷預(yù)測(cè)及分類方法研究,包括機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等方法進(jìn)行負(fù)荷預(yù)測(cè)、分類研究,改進(jìn)聚類算法、神經(jīng)網(wǎng)絡(luò)等方法.經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)作為自適應(yīng)分解方法,在信號(hào)分解中應(yīng)用十分廣泛,徐巖等人[2]利用EMD,分解時(shí)域信號(hào)并重構(gòu),有效消除較多噪聲信息,接著提取信號(hào)特征進(jìn)行分類,分類精度得到提高;研究者為解決沖擊信號(hào)損失得問(wèn)題,采用EMD結(jié)合稀疏分解特征提取方式,提高了分類準(zhǔn)確度[3].由于變分模態(tài)分解(Variational Mode Decomposition,VMD)[4]能夠很好克服模態(tài)混疊、端點(diǎn)效應(yīng)等缺點(diǎn),所以一經(jīng)提出,就被應(yīng)用到信號(hào)分解方面,其在電力負(fù)荷分解方面表現(xiàn)也很好.商立群等[5]等針對(duì)光伏發(fā)電功率隨機(jī)性和波動(dòng)性較強(qiáng)的問(wèn)題,為了提高預(yù)測(cè)精度,利用VMD對(duì)光伏發(fā)電功率序列進(jìn)行平穩(wěn)化處理,實(shí)驗(yàn)結(jié)果驗(yàn)證了其有效性和優(yōu)越性;馬宗彪等[6]采用VMD對(duì)數(shù)據(jù)模態(tài)分解重構(gòu),改善了FCM聚類精度就收斂速度慢的問(wèn)題,實(shí)現(xiàn)了電力負(fù)荷的模糊分類.但采用VMD對(duì)信號(hào)分解,其分解量根據(jù)經(jīng)驗(yàn)人為確定,具有不確定性,可靠性低的缺點(diǎn),因此本文提出停止準(zhǔn)則對(duì)其改進(jìn),增加分解分量置信度.

近幾年采用深度學(xué)習(xí)預(yù)測(cè)分類[7-9]十分熱門.其中深度置信網(wǎng)絡(luò)[10](Deep Belief Nets,DBN)作為分類器,用于圖像處理,手寫字識(shí)別等,其在信號(hào)分類方面也有廣泛應(yīng)用.張建宇等[11]提出遷移診斷模型,構(gòu)建特征識(shí)別參數(shù),引入最大相關(guān)峭度反卷積法方法,采用DBN對(duì)所研究的3類滾動(dòng)軸承分類,準(zhǔn)確率達(dá)到95%.神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置對(duì)結(jié)果影響也很大.為對(duì)神經(jīng)網(wǎng)絡(luò)的參數(shù)合理設(shè)置,引入優(yōu)化算法對(duì)使用的神經(jīng)網(wǎng)絡(luò)優(yōu)化,程換新等人[12]利用循環(huán)神經(jīng)網(wǎng)絡(luò)對(duì)未來(lái)短期負(fù)荷預(yù)測(cè),針對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)和全局搜索能力弱的缺點(diǎn),利用改進(jìn)后的粒子群算法優(yōu)化循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)點(diǎn)權(quán)值參數(shù),有效提高預(yù)測(cè)準(zhǔn)確度.

然而,關(guān)于電力負(fù)荷優(yōu)化、科學(xué)管理方面的研究仍缺少對(duì)具體負(fù)荷清晰分類的討論,難以精準(zhǔn)調(diào)控實(shí)時(shí)負(fù)荷.針對(duì)以上問(wèn)題,提出MVMD-CapSA-DBN模型對(duì)工業(yè)電力負(fù)荷分類.首先采用停止準(zhǔn)則改進(jìn)傳統(tǒng)VMD[13-15],有效確定VMD分解量,對(duì)信號(hào)分解后提取特征.根據(jù)采集的工業(yè)電力負(fù)荷數(shù)據(jù),針對(duì)已知負(fù)荷類別分類問(wèn)題選用DBN分類[16].同時(shí)考慮DBN參數(shù)對(duì)結(jié)果影響較大的問(wèn)題,提出利用卷尾猴搜索算法(Capuchin Search Algorithm,CapSA)[17]優(yōu)化對(duì)DBN影響較大的參數(shù).

1 理論介紹

1.1 MVMD-CapSA-DBN模型流程

針對(duì)工業(yè)多元電力負(fù)荷信號(hào)易受干擾、特征不明顯的特點(diǎn),建立基于MVMD-CapSA-DBN分類信號(hào)模型.圖1為MVMD-CapSA-DBN流程圖.首先,使用MVMD對(duì)多元負(fù)荷的功率信號(hào)分解,得到較為平穩(wěn)的多個(gè)模態(tài)分量;之后使用CapSA-DBN,得到最優(yōu)參數(shù)的DBN神經(jīng)網(wǎng)絡(luò),提取多元負(fù)荷經(jīng)MVMD分解后的多個(gè)模態(tài)分量特征向量,輸入優(yōu)化后的DBN神經(jīng)網(wǎng)絡(luò)訓(xùn)練,通過(guò)soft-max進(jìn)行分類.

該算法運(yùn)用遞歸思想,改進(jìn)了傳統(tǒng)VMD算法模態(tài)分解數(shù)根據(jù)經(jīng)驗(yàn)人為確定的不可靠性,分解分量數(shù)目的判定由各分量與原信號(hào)相關(guān)系數(shù)決定.確定分解模態(tài)數(shù)后,分解模態(tài)分量的能量值即為特征輸出,大大降低了數(shù)據(jù)的特征維度,有利于提高神經(jīng)網(wǎng)絡(luò)的診斷速度.后采用卷尾猴搜索算法優(yōu)化對(duì)DBN分類結(jié)果影響較大的參數(shù),提高DBN分類準(zhǔn)確度.

1.2 改進(jìn)VMD介紹

1.2.1VMD原理

VMD對(duì)于復(fù)雜非平穩(wěn)時(shí)間序列信號(hào)的適應(yīng)度非常好[18],對(duì)電力負(fù)荷數(shù)據(jù)分解按下述公式.VMD分解的問(wèn)題實(shí)質(zhì)是構(gòu)建和求解變分問(wèn)題,求解約束變分問(wèn)題最優(yōu)解

(1)

其中,α為懲罰因子;λ為L(zhǎng)agrange乘子;f(t)為電力負(fù)荷功率信號(hào);{uk}={u1,u2,…,uK}為分解K個(gè)模態(tài)分量;{ωk}={ω1,ω2,…,ωK}為中心頻率;δ(t)為單位脈沖函數(shù);*為卷積運(yùn)算.

采用交替方向乘子算法(Alternate Direction Method of Multiplers,ADMM)更新迭代求解增廣Lagrange式(1)的鞍點(diǎn),在頻域內(nèi)迭代更新uk,ωk及λ.其迭代表達(dá)式如下

(2)

(3)

(4)

1.2.2停止準(zhǔn)則

VMD分解的效果與分解模態(tài)數(shù)的取值具有十分相關(guān)性[19],較小的模態(tài)分解數(shù)會(huì)過(guò)濾一些需要的重要特征信息,影響后續(xù)分類準(zhǔn)確率;而模態(tài)分解數(shù)過(guò)大則會(huì)有模態(tài)重復(fù).傳統(tǒng)VMD的模態(tài)分解數(shù)一般由經(jīng)驗(yàn)法確定,可靠性差.由于K值選擇對(duì)于特征提取意義重大,所以提出一種基于VMD分解的停止準(zhǔn)則確定K值.

采用VMD分解方法分解出的K個(gè)信號(hào)分量IMF,其本質(zhì)是原始信號(hào)的組成成分,也就是說(shuō)分解出來(lái)的信號(hào)和原信號(hào)具有相關(guān)性.計(jì)算分解信號(hào)與原信號(hào)的相關(guān)系數(shù)ck,確定最小相關(guān)系數(shù)cmin,若小于閾值,停止分解.見(jiàn)圖2.

1.3 DBN原理

DBN由Hinton 2006年提出,以數(shù)層受限玻爾茲曼機(jī)(Restricted Boltzman Machine,RBM)為基本構(gòu)成模塊,最后一層連接分類器構(gòu)成的半監(jiān)督神經(jīng)網(wǎng)絡(luò).由于其深度學(xué)習(xí)能力較強(qiáng),在信號(hào)分類方面表現(xiàn)很好,被廣泛應(yīng)用分類問(wèn)題.

經(jīng)典DBN由多層RBM堆疊,最后一層連接BP網(wǎng)絡(luò)構(gòu)成,其經(jīng)典結(jié)構(gòu)如圖3.DBN網(wǎng)絡(luò)的訓(xùn)練過(guò)程是由上到下一層一層進(jìn)行的,首先輸入提取的電力負(fù)荷特征數(shù)據(jù)進(jìn)行無(wú)監(jiān)督預(yù)訓(xùn)練,第一層RBM充分訓(xùn)練后再訓(xùn)練下一層;無(wú)監(jiān)督訓(xùn)練后利用BP網(wǎng)絡(luò)進(jìn)行有監(jiān)督訓(xùn)練,將最后一層RBM的輸出作為輸入給連接的BP網(wǎng)絡(luò)進(jìn)行有監(jiān)督反向微調(diào)訓(xùn)練;完成訓(xùn)練.這種訓(xùn)練方式有效避免陷入局部最大值,學(xué)習(xí)信號(hào)特征.DBN的本質(zhì)就是特征學(xué)習(xí)的過(guò)程.

1.4 CapSA原理

CapSA是于2021年提出的一種新型智能優(yōu)化算法.該算法模擬猴子的動(dòng)態(tài)行為.通過(guò)對(duì)卷尾猴在森林中游蕩覓食時(shí)的行為進(jìn)行建模,設(shè)計(jì)了算法的基本優(yōu)化特性.具有尋優(yōu)能力強(qiáng),收斂速度快等特點(diǎn).種群包括兩種卷尾猴類型:領(lǐng)導(dǎo)者和追隨者.追隨者可能伴隨領(lǐng)導(dǎo)者覓食,并追求類似的運(yùn)動(dòng)行為.其算法原理如下.

1)初始化種群

xi=uj+r×(uj-lj),

(5)

式中,上標(biāo)i指第i個(gè)個(gè)體,下標(biāo)j指第j維,x為個(gè)體的位置,u為上邊界,l為下邊界,r為[0,1]之間隨機(jī)數(shù).

2)卷尾猴壽命指數(shù)

(6)

式中,k、K為當(dāng)前和最大迭代次數(shù),β0=1,β1=11,β2=1.在全局和局部搜索過(guò)程中實(shí)現(xiàn)探索和開采之間的平衡.

第i只卷尾猴第j維速度

(7)

其中,x表示個(gè)體當(dāng)前位置;xbest表示個(gè)體最佳位置;F表示食物位置;α1=1,α2=1;r1,r2均為[0,1]之間隨機(jī)數(shù);ρ=0.7.

3)領(lǐng)導(dǎo)者α(i

(8)

式中,ε為[0,1]隨機(jī)數(shù);卷尾猴在地面運(yùn)動(dòng)彈性概率Pef=9;平衡系數(shù)Pbf=0.7;重力加速度g取9.81 m/s2;跳躍角度θ=2/3r.

4)追隨者(n/2≤i≤n)位置

(9)

卷尾猴位置更新的過(guò)程即為優(yōu)化過(guò)程,它們按照上述運(yùn)動(dòng)方式尋找食物,一段尋優(yōu)時(shí)間過(guò)后,運(yùn)動(dòng)到食物周圍,最佳尋優(yōu)位置即食物所在位置.

1.5 CapSA優(yōu)化DBN

DBN神經(jīng)網(wǎng)絡(luò)中各參數(shù)、隱含層數(shù)及隱含層神經(jīng)元個(gè)數(shù)對(duì)結(jié)果均有影響[20-22],經(jīng)實(shí)驗(yàn)顯示,DBN具有兩層隱含層其深度學(xué)習(xí)效果已經(jīng)很好,所以模型確定隱含層為兩層.動(dòng)量m,學(xué)習(xí)因子α,隱含層RBM1和RBM2的神經(jīng)元個(gè)數(shù)對(duì)結(jié)果影響較大,所以對(duì)DBN網(wǎng)絡(luò)這4個(gè)參數(shù)進(jìn)行尋優(yōu).將DBN網(wǎng)絡(luò)結(jié)果誤差作為目標(biāo)函數(shù).CapSA-DBN流程如下:

1)設(shè)置CapSA參數(shù),算法初始化.設(shè)置卷尾猴數(shù)量,尋優(yōu)范圍,變量個(gè)數(shù)和最大迭代次數(shù).

2)設(shè)置目標(biāo)函數(shù).將DBN網(wǎng)絡(luò)訓(xùn)練誤差作為尋優(yōu)條件.

3)輸入訓(xùn)練數(shù)據(jù).將經(jīng)MVMD獲得的特征向量矩陣歸一化后,取70%作為訓(xùn)練數(shù)據(jù).

4)根據(jù)式(5)初始化卷尾猴速度,計(jì)算其適應(yīng)度.

5)當(dāng)步驟4)沒(méi)有滿足條件,根據(jù)式(6)更新壽命函數(shù),根據(jù)式(8)和(9)更新卷尾猴位置,計(jì)算其適應(yīng)度.

6)重復(fù)步驟5),直至達(dá)到精度要求或者到達(dá)最大迭代次數(shù).

7)得到最優(yōu)組合,對(duì)DBN網(wǎng)絡(luò)參數(shù)設(shè)置.

2 實(shí)驗(yàn)方法及結(jié)果

2.1 實(shí)驗(yàn)數(shù)據(jù)

本文使用的數(shù)據(jù)集為華東某地區(qū)水泥廠2021年11月的負(fù)荷實(shí)測(cè)數(shù)據(jù).本實(shí)驗(yàn)使用的數(shù)據(jù)集包括水泥廠二線粉磨車間和二線原料磨車間采集的不同電力負(fù)荷的有功功率,對(duì)每個(gè)負(fù)荷每5 min采集一次功率數(shù)據(jù),每天共采集288個(gè)數(shù)據(jù)點(diǎn),每類負(fù)荷數(shù)據(jù)集大小為30×288.負(fù)荷包括輥壓機(jī)(定輥)主電機(jī)(S1)、水泥循環(huán)風(fēng)機(jī)主電機(jī)(S2)、水泥粉磨主電機(jī)(S3)、廢氣處理排風(fēng)機(jī)(S4)、窯尾高溫風(fēng)機(jī)(S5)、輥壓機(jī)(動(dòng)輥)主電機(jī)(S6)共6種負(fù)荷裝置.其數(shù)據(jù)波形如圖4所示.根據(jù)采集信息,水泥廠在7日、8日原料磨車間和粉磨車間輪休進(jìn)行檢修,因此舍棄為0的數(shù)據(jù).

2.2 實(shí)驗(yàn)方法

2.2.1負(fù)荷數(shù)據(jù)MVMD分解

將每組數(shù)據(jù)采用MVMD分解.計(jì)算每種負(fù)荷有功功率數(shù)據(jù)原始波形與分解后K=3組數(shù)據(jù)的相關(guān)系數(shù)ck,如表1所示.

表1 分解信號(hào)與原始信號(hào)的波形相關(guān)系數(shù)表

由表1可知,對(duì)6種負(fù)荷經(jīng)MVMD分解過(guò)程中,K=3時(shí),S1、S3、S4、S5、S6的cmin均小于閾值0.3,即停止分解;S2在K=2時(shí)既滿足停止條件,為了保證特征向量維度的一致性,方便后續(xù)神經(jīng)網(wǎng)絡(luò)向量輸入,綜合取分解分量K=3.取S1負(fù)荷觀察其分解3層模態(tài)分量波形與頻譜對(duì)應(yīng)圖,如圖5所示.由圖5可觀察,負(fù)荷信號(hào)S1經(jīng)3層分解后,其高中低頻譜均已被分解出,且沒(méi)有出現(xiàn)模態(tài)混疊的現(xiàn)象,證明所提出的停止準(zhǔn)則有效,在多元負(fù)荷分類中應(yīng)用成功.

2.2.2提取特征向量

根據(jù)上一小節(jié),將各負(fù)荷刪減數(shù)據(jù)為0的數(shù)據(jù)后,對(duì)共29 d的數(shù)據(jù)MVMD分解,提取各分量特征向量,計(jì)算各分量的能量值作為特征,得到特征向量大小為174×3的矩陣,并根據(jù)特征向量制作對(duì)應(yīng)標(biāo)簽向量,標(biāo)簽矩陣大小為174×6.

2.2.3CapSA優(yōu)化DBN網(wǎng)絡(luò)

根據(jù)1.5小節(jié)所述,利用CapSA對(duì)DBN網(wǎng)絡(luò)的動(dòng)量m、學(xué)習(xí)因子α、以及隱含層RBM1、RBM2的神經(jīng)元個(gè)數(shù)尋優(yōu).設(shè)置CapSA的初始參數(shù)如表2.

表2 CapSA 參數(shù)設(shè)置

設(shè)置好參數(shù)后,將DBN網(wǎng)絡(luò)分類誤差作為適應(yīng)度函數(shù),進(jìn)行參數(shù)優(yōu)化.CapSA優(yōu)化結(jié)果為α=0.994 3,m=0.095 8,RBM1和RBM2的神經(jīng)元個(gè)數(shù)分別為15、17.

2.3 實(shí)驗(yàn)結(jié)果

將由CapSA優(yōu)化得到的參數(shù),對(duì)DBN網(wǎng)絡(luò)參數(shù)設(shè)置,輸入多元負(fù)荷特征向量與標(biāo)簽;其中70%數(shù)據(jù)作為訓(xùn)練集,30%的數(shù)據(jù)作為測(cè)試集,其分類結(jié)果平均正確率在88.89%以上.圖6為DBN網(wǎng)絡(luò)對(duì)多元負(fù)荷分類結(jié)果圖,表3為各負(fù)荷根據(jù)圖6分類結(jié)果所統(tǒng)計(jì)的分類準(zhǔn)確度表.

根據(jù)圖6以及表3的結(jié)果可以觀察,S6的準(zhǔn)確度相比較其他負(fù)荷較低,其分類模糊類為S1.根據(jù)圖4可以明顯看出S6與S1的波形相似性很高,數(shù)據(jù)特征區(qū)分度不高,由于整體數(shù)據(jù)量不夠,因此難以準(zhǔn)確區(qū)分.

為了驗(yàn)證本模型的準(zhǔn)確性,采用不同優(yōu)化算法對(duì)DBN參數(shù)進(jìn)行優(yōu)化,圖7為CapSA優(yōu)化算法與灰狼優(yōu)化算法(GWO)、飛蛾火焰優(yōu)化算法(MFO)對(duì)DBN參數(shù)優(yōu)化的結(jié)果對(duì)比圖.

表3 各負(fù)荷分類準(zhǔn)確度

從圖7可以明顯觀察出,CapSA收斂速度更快,在經(jīng)過(guò)17次迭代后,其結(jié)果已經(jīng)達(dá)到最優(yōu)0.111 1,相比于GWO需要41次迭代才能達(dá)到最優(yōu),其速度更快;MFO誤差結(jié)果在第17次誤差達(dá)到最優(yōu)0.148 1,相對(duì)CapSA,其精度低了33.30%.綜合比較,CapSA的整體效果最好.

3 結(jié) 論

本研究就工業(yè)生產(chǎn)中為合理調(diào)度用電負(fù)荷,對(duì)具體負(fù)荷的如何準(zhǔn)確分類進(jìn)行討論.研究結(jié)果表明: 1)通過(guò)停止準(zhǔn)則確定變分模態(tài)分解的分解模態(tài)分量數(shù),有效避免了傳統(tǒng)變分模態(tài)分解的分解分量由人為確定的模糊性,使分解分量有依據(jù),適應(yīng)性更強(qiáng),減少通過(guò)多次實(shí)驗(yàn)確定的不準(zhǔn)確性同時(shí)也能提高分解速度; 2)采用CapSA優(yōu)化DBN算法,對(duì)比GWO、MFO優(yōu)化結(jié)果,CapSA收斂速度更快,較GWO減少迭代時(shí)間;優(yōu)化更加有效,較MFO精度有所提高.但針對(duì)負(fù)荷曲線相似度高、數(shù)據(jù)少的負(fù)荷分類結(jié)果不理想,仍需改進(jìn),這是后續(xù)需要研究的方向.