林彤堯 黃天富 吳志武 王春光 黃漢斌 涂彥昭

(國網(wǎng)福建省電力公司營銷服務中心,福建 福州 350000)

*通信作者:林彤堯,E-mail:tongyao_lin@163.com。

0 引言

關口計量裝置是準確計量發(fā)、輸、用各方電能的關鍵設備,對購、售電客戶之間公平考核和決算電量起重要作用[1-2]。計量裝置的計量準確性直接關系著各方經(jīng)濟效益[3],研判關口計量裝置運行狀態(tài)是電力營銷的重點工作之一。

判斷關口計量裝置運行狀態(tài)的傳統(tǒng)方法是利用人工對裝置進行實地周期巡檢,需要大量人力和物力[4]。然而,隨著電網(wǎng)規(guī)模不斷擴大,關口計量設備不斷增多,人工巡檢的方式已然不能滿足監(jiān)測關口計量裝置運行狀態(tài)的需求。因此,涌現(xiàn)出多種關口計量裝置在線監(jiān)測方法來實現(xiàn)遠程研判計量裝置狀態(tài)[1,5-6]。高利明等[1]使用GPS技術和低壓寬帶載波通信技術實時采集關口電能表和電壓、電流互感器二次回路信號,利用機器學習算法分析時空維度特征,實現(xiàn)遠程在線異常研判;申莉等[5]采用GPS同步采樣和無線通信技術的高精度采樣遠程獲取電力數(shù)據(jù),并通過故障診斷模型進行狀態(tài)分析;徐嚴軍等[6]從14個特征中通過無監(jiān)督的預訓練和有監(jiān)督微調(diào)構建深度學習模型,自動學習關口異常特征。但是,上述方法需要大量基礎數(shù)據(jù)進行特征分析,在部分實際應用場景無法使用。這是由于在當前復雜的信息化背景下,發(fā)電廠、變電站的電力數(shù)據(jù)易被不法分子盯上,為保障信息安全,部分網(wǎng)省公司對變電站電壓、電流、電量數(shù)據(jù)實行保護,計量系統(tǒng)無法直接獲取電壓、電流、功率因數(shù)等運行數(shù)據(jù),僅能獲得電量數(shù)據(jù),數(shù)據(jù)特征較少,給遠程研判帶來了極大的挑戰(zhàn)。

為了解決上述難點,本文提出了一種能適用各類關口場景,并且僅使用電量數(shù)據(jù)便能遠程研判關口計量裝置異常的方法。該方法基于能量守恒定律與Prophet預測方法,以廠站內(nèi)主變、母線或輸電線路為監(jiān)測單元,通過計量點的歷史輸入、輸出電量得到關口的損耗曲線,接著使用Prophet模型對關口的近4個月歷史損耗曲線進行擬合,預測出其未來1個月的損耗率,并根據(jù)未來損耗率的95%置信區(qū)間設定損耗閾值。當實際損耗超出損耗閾值時,及時發(fā)出預警,由人工進行復核分析關口計量裝置是否處于異常狀態(tài),并定位故障計量點[7]。

1 問題分析

由于部分變電站實行電力數(shù)據(jù)分區(qū)保護,計量系統(tǒng)只能獲得關口的電量數(shù)據(jù)。為能遠程監(jiān)測關口計量裝置的運行狀態(tài),目前采用電量平衡法進行監(jiān)測,即通過關口的輸入和輸出電量數(shù)據(jù)得到對應的損耗率曲線,隨后人工觀察該曲線是否存在突變進,從而研判計量裝置的運行狀態(tài)。但由于部分關口曲線頻繁波動,人工觀察很容易誤判計量裝置運行狀態(tài)。圖1為某兩個變電站1#主變某一時段的損耗率。

由圖1可知,A變電站主變損耗率一直為正損且波動幅度較小,監(jiān)測人員很容易判斷關口運行狀態(tài)是否正常;而B變電站主變受綜合倍率和采集精度的影響,損耗率出現(xiàn)正損和負損交替且頻繁波動的情況,監(jiān)測人員難以分辨損耗率波動是系統(tǒng)誤差,還是由計量裝置異常產(chǎn)生。針對上述問題,本文將探索Prophet閾值預測方法,預測關口損耗率的波動范圍與規(guī)律,提出僅依靠電量數(shù)據(jù)便能高準確率識別關口計量異常監(jiān)測的新方法。

(a)A變電站1#主變 (a)B變電站1#主變

2 算法原理與方法流程

2.1 Prophet預測原理

Prophet預測算法的原理是基于時間序列分解和機器學習擬合,該算法能夠快速得到未來的預測結果,并能自動處理數(shù)據(jù)的異常值與缺失值,減少人工對數(shù)據(jù)集的預處理步驟。

該算法模型為3個關于時間t的函數(shù)和誤差項εt相加,時間函數(shù)分別包含趨勢函數(shù)g(t)、周期函數(shù)s(t)和節(jié)假日函數(shù)h(t),通過數(shù)據(jù)擬合函數(shù),得到時間預測序列,其公式為:

y(t)=g(t)+s(t)+h(t)+εt

(1)

式(1)中,g(t)為趨勢函數(shù),表示時間序列在非周期變化的趨勢;s(t)為周期函數(shù),可表示以周、月、季節(jié)或年周期變化的趨勢;h(t)為節(jié)假日函數(shù),表示節(jié)假日影響量;?t為誤差項。

Prophet模型中,趨勢函數(shù)g(t)是基于傳統(tǒng)邏輯回歸模型的趨勢項,將邏輯回歸模型中的固定參數(shù)替換為隨時間變化的函數(shù),并加入時間變點,以適應潛在的非周期變化趨勢,其公式為:

(2)

式(2)中,C(t)表示模型容量;m表示為偏移參數(shù);q表示增長率。

其中,a(t)=(a1(t),a2(t),…,ad(t))T

δ=(δ1,δ2,…,δd)T

(3)

γ=(γ1,γ2,…,γd)T

式(3)中,a(t)為增長率變化量參數(shù);δ為增長率變化量;γ為時間變點函數(shù);d為時間變點的個數(shù)。

Prophet模型中周期函數(shù)s(t)是通過正弦余弦函數(shù)來表示周期的變化,為了更好地達到擬合效果,使用傅里葉級數(shù)來擬合周期性,其公式為:

(4)

式(4)中,β為周期變化參數(shù),初始為高斯分布,控制周期效應的強弱;an、bn為傅里葉級數(shù)展開項系數(shù);P為時間序列的周期,若P=30,則表明以月為單位的周期變化,若P=90,則表明以季度為單位的周期變化。

Prophet模型中節(jié)假日函數(shù)h(t)是通過設定特殊的時間節(jié)點,同樣使用變化參數(shù),達到節(jié)假日影響前后一段時間的時間序列的效果,其公式為:

h(t)=Z(t)×μ

(5)

式(5)中,t為自行設定的節(jié)假日時間節(jié)點;μ為節(jié)假日參數(shù),初始為高斯分布,控制節(jié)假日效應的強弱。

2.2 基于Prophet的省級關口計量裝置異常判斷方法

本文提出的計量關口異常判斷方法的流程如圖2所示。首先,需要獲取每個關口電量歷史數(shù)據(jù),并計算得到對應的損耗率Dt={dt1,dt1,…,dtN};再根據(jù)全省關口電量的節(jié)假日特性、周期性,設置對應Prophet模型參數(shù)。接著,使用Prophet模型對每個關口的未來損耗率作出預測,并設置置信區(qū)間95%得到損耗閾值Et。若在此期間出現(xiàn)當天損耗率A1超出當天損耗閾值Et,則發(fā)出預警,由人工進行復核分析關口計量裝置是否處于異常狀態(tài)。

圖2 基于Prophet的省級關口計量裝置異常判斷方法

在分析節(jié)假日特性、周期性步驟中,由于Prophet模型分別是用高斯分布和傅里葉級數(shù)擬合節(jié)假日特性和周期性,因此需要通過關口電量數(shù)據(jù)Dt分析節(jié)假日的影響時間區(qū)間和關口損耗率的傅里葉特性,以便確認Prophet模型參數(shù)。

在使用Prophet模型預測步驟中,考慮到預測的準確性和實際應用情況,本文以30d為一個預測周期,每個監(jiān)測單元利用近4個月歷史損耗率來預測下一個周期閾值。

3 算例分析

3.1 實驗參數(shù)設置與評價指標

文本實驗的集成開發(fā)環(huán)境為PyCharm,Prophet模型的搭建通過fbprophet實現(xiàn),系統(tǒng)運行環(huán)境為Windows 11,CPU為AMD Ryzen 7-5800H,使用的數(shù)據(jù)由某省的省級計量關口管理平臺直接導出。在Prophet模型參數(shù)設置部分,節(jié)假日影響區(qū)間設為3d或1d,周期性設置為3d,并選擇線性方式預測,變點影響數(shù)值設為默認值0.1,選擇損耗閾值的置信度區(qū)間為95%。

本文使用召回率和精確度指標用于衡量模型性能。召回率表示實際為正樣本的結果中,預測為正樣本的比例,召回率越高,模型對故障應檢盡檢的效果越好,不易漏掉故障關口;精確度表示預測出來為正樣本的結果中,實際為正樣本的比例,精確度越高,模型判斷故障關口的正確率越高,減少判斷錯誤造成復核資源的浪費。

3.1.1 Prophet模型節(jié)假日參數(shù)

在設定Prophet模型節(jié)假日影響區(qū)間時,根據(jù)近三年關口全電量歷史數(shù)據(jù),得到3年內(nèi)平均節(jié)假日期間全計量關口電量,如表1所示。

表1 節(jié)假日期間電量 單位:108kWh

由表1可知,除春節(jié)、國慶節(jié)外,計量關口電量均在節(jié)日前一天出現(xiàn)下降,在節(jié)日當天下降到最低,在節(jié)日后兩天電量基本與節(jié)日前兩天電量持平,假日影響范圍區(qū)間較小。例如,五一節(jié)前兩天電量為3.22×108kWh,前一天電量為3.19×108kWh,電量無明顯變化,僅在五一節(jié)當天降至低點2.75×108kWh,隨后電量開始爬升,節(jié)后兩天的電量為3.12×108kWh,與節(jié)前兩天電量基本持平。而春節(jié)與國慶節(jié)計量關口電量在節(jié)日后第四天才恢復到節(jié)前大小。綜上所述,將三天節(jié)假日的影響時間區(qū)間設定為1d,將春節(jié)與國慶節(jié)的影響時間區(qū)間設定為3d。

3.1.2 Prophet模型周期性參數(shù)

在設定Prophet模型周期性時,本文對歷史關口電量數(shù)據(jù)使用傅里葉變換方法,將時域數(shù)據(jù)轉為頻域觀察,通過觀察最大振幅的正弦波周期,確認周期性。為了便于展示,文章隨機選擇三個變電站計量點畫出幅值歸一化后的傅里葉頻域圖(圖3)。由圖3可知,三個計量點出現(xiàn)幅值高位均集中在2～3d,周期符合損耗率頻繁波動的實際情況。因此,Prophet模型的周期性設置為3d。

圖3 幅值歸一化后的傅里葉頻域圖

3.2 Prophet模型預測實驗

本文取每個監(jiān)測單元5個月的歷史損耗率,將其中前4個月歷史損耗率作為訓練集,用來預測后1個月的損耗率,并將預測損耗率與實際損耗率作對比。此外,為了驗證Prophet模型的性能,本文使用其他預測方法對同樣的數(shù)據(jù)進行預測,并進行效果對比。圖4為4種不同方法預測某主變損耗的結果。

(a)Prophet預測模型(b)指數(shù)平滑預測模型

(c)LSTM預測模型(d)ARIMA預測模型

由圖4可知,在預測準確率方面,指數(shù)平滑模型與LSTM模型將損耗率頻繁上下波動現(xiàn)象識別成噪聲,認為損耗率保持固定,因此,預測值為基本恒定值,無法跟隨實際值損耗,起不到預測與預警的作用。而Prophet與ARIMA模型的預測值可以較好地跟隨實際值,反映出損耗率的波動情況。在預警閾值上下限方面,LSTM模型的閾值上下限差值過小,指數(shù)平滑模型差值過大,均無法起到預警作用。在Prophet模型中,閾值差值適中,而ARIMA模型預測的閾值較為粗放,閾值面積超出Prophet模型閾值的50%以上,對關口異常損耗率不敏感,不易發(fā)現(xiàn)異常點。

綜上所述,LSTM與指數(shù)平滑模型容易預測失敗,ARIMA模型預測的閾值面積過大,容易漏檢異常信息,Prophet模型雖然偶爾會誤判狀態(tài),但能對異常信息應檢盡檢。因此,Prophet模型作為預測方法最為合適。

3.3 實驗結果

為了進一步驗證Prophet模型性能,取近3年內(nèi)出現(xiàn)裝置故障的關口損耗率曲線。為保證樣本平衡,按1∶1比例加入正常運行的損耗率曲線,共計124條曲線。以故障日的前3個月曲線作為訓練集,后1個月作為預測驗證集,驗證Prophet模型能否正確對故障日作出預警,能否對正常運行不誤報,實驗結果如表2所示。

表2 關口計量裝置異常計算結果

結果顯示,Prophet模型在計量關口異常識別上有較高的召回率和精確率,分別達到了93.5%和91.1%,優(yōu)于其他方法。

4 結束語

針對現(xiàn)有關口計量裝置運行異常判斷的問題,提出了一種基于Prophet模型的計量關口異常判斷方法,結論如下:

①Prophet預測模型能適用于實行電力數(shù)據(jù)分區(qū)保護的變電站,僅依靠電量數(shù)據(jù)就能較好地預測出監(jiān)測單元未來損耗閾值,相比于其他方法模型,有計算速度快、性能好、適用節(jié)假日和周期性的特點。

②通過省級計量平臺導出的真實數(shù)據(jù)進行分析驗證,Prophet模型在計量關口異常計算上的召回率與精確率分別為93.5%和91.1%,優(yōu)于其他方法。