彭葛樺

(1.國網(wǎng)江西省電力有限公司培訓中心,江西 南昌 330006;2.江西電力職業(yè)技術(shù)學院供用電工程學院,江西 南昌 330032)

0 引言

隨著智能電網(wǎng)規(guī)模的擴大和輸出負荷量的提升[1],在運行過程中,電網(wǎng)難免會發(fā)生故障,如輸電電線故障、變壓器故障、母線故障等。這些故障發(fā)生后,電力系統(tǒng)中的負荷分布、線損情況等均會發(fā)生變化[2-3]。這會對用電信息的判斷造成較大影響,使電力系統(tǒng)無法精準掌握用電需求,導致用電規(guī)劃的合理性降低。因此,電力系統(tǒng)進行終端用電規(guī)劃的關(guān)鍵在于有效地采集和管理電網(wǎng)故障下的用電信息[4]。數(shù)據(jù)融合是1種常用的信息處理方法。數(shù)據(jù)融合是將采集的多源信息進行聯(lián)合處理[5],以獲取更為全面、完整的信息。由于電力系統(tǒng)結(jié)構(gòu)復雜,運行數(shù)據(jù)具有動態(tài)變化特性,并且電力系統(tǒng)在故障情況下所產(chǎn)生的信息具有一定的隨機性和變化性[6],導致用電信息的融合效果較差。為實現(xiàn)信息的智能融合,文獻[7]利用深度反向傳播(back propagation,BP)神經(jīng)網(wǎng)絡(luò)的非線性學習能力,實現(xiàn)信息智能融合。但是在應(yīng)用過程中,如果存在較多動態(tài)數(shù)據(jù),則其融合誤差較大。為實現(xiàn)多源數(shù)據(jù)的融合、避免發(fā)生數(shù)據(jù)之間的沖突,文獻[8]基于差異信息量,提出相關(guān)多源數(shù)據(jù)融合方法,以實現(xiàn)多源數(shù)據(jù)的精準融合。但是該方法在應(yīng)用過程中難以對數(shù)據(jù)中的異常數(shù)據(jù)進行處理。

為此,本文基于數(shù)據(jù)驅(qū)動、采用用電信息采集智能融合技術(shù)對電網(wǎng)多源故障展開研究。數(shù)據(jù)驅(qū)動是通過計算或者互聯(lián)網(wǎng)等相關(guān)軟件技術(shù),對海量數(shù)據(jù)進行處理,以完成數(shù)據(jù)的整合和提煉。數(shù)據(jù)驅(qū)動在整合過程中以啟發(fā)式規(guī)則為依據(jù),能夠建立數(shù)據(jù)之間的關(guān)聯(lián)。其具有顯著的自動化特點[9]。通過數(shù)據(jù)驅(qū)動對數(shù)據(jù)進行處理,能提升原始信息涵蓋的內(nèi)容,并且保證數(shù)據(jù)的融合質(zhì)量。

1 多源故障用電信息采集智能融合

1.1 用電信息采集智能融合技術(shù)框架

本文針對電網(wǎng)多源故障用電信息的特點和采集需求,提出基于數(shù)據(jù)驅(qū)動的電網(wǎng)多源故障用電信息采集智能融合技術(shù)。電網(wǎng)多源故障用電信息采集智能融合技術(shù)框架如圖1所示。

圖1 電網(wǎng)多源故障用電信息采集智能融合技術(shù)框架

由圖1可知,電網(wǎng)多源故障用電信息采集智能融合技術(shù)以數(shù)據(jù)驅(qū)動技術(shù)為核心,構(gòu)建多源用電信息融合框架。該框架整體包含在線運行機制和離線運行機制這2個部分。

①在線運行機制。在線運行機制的主要作用是通過相關(guān)智能算法對用電數(shù)據(jù)實施分類,并完成特征提取。該機制能夠結(jié)合多源數(shù)據(jù)的特性,較好地完成數(shù)據(jù)處理。

②離線運行機制。離線運行機制對應(yīng)數(shù)據(jù)驅(qū)動引擎的模型操作策略調(diào)整功能。其主要是依據(jù)數(shù)據(jù)驅(qū)動實現(xiàn)多源數(shù)據(jù)的融合,并且對融合結(jié)果進行評價;依據(jù)評價結(jié)果調(diào)整融合策略,以確保最佳的融合效果。

1.2 數(shù)據(jù)驅(qū)動的在線運行機制

1.2.1 多源用電信息分類

電網(wǎng)中智能終端的用電信息在采集和傳輸過程中,會存在數(shù)據(jù)部分丟失或者損壞的情況[10]。除此之外,終端用戶的用電習慣等存在一定差異。用電采集過程中,獲取的數(shù)據(jù)有靜態(tài)和動態(tài)這2種,并且數(shù)據(jù)的分布呈現(xiàn)不平衡狀態(tài)。因此,在進行多源用電信息融合時,需先通過在線機制對用電信息進行分類處理。本文將先驗知識和深度玻爾茲曼機(deep Boltzmann machine,DBM)相結(jié)合,形成基于先驗知識和DBM的采樣模型,并依據(jù)該模型完成多源用電信息分類。多源用電信息分類模型結(jié)構(gòu)如圖2所示。

圖2 多源用電信息分類模型結(jié)構(gòu)

圖2所示的多源用電信息分類模型以從電網(wǎng)側(cè)采集到的原始用電數(shù)據(jù)為基礎(chǔ),在完成對數(shù)據(jù)的初步篩選后,對其中的小樣本數(shù)據(jù)執(zhí)行采樣以及復制這2種處理。在此基礎(chǔ)上,模型通過DBM網(wǎng)絡(luò)對小樣本數(shù)據(jù)執(zhí)行解耦和編碼處理,從而建立編碼數(shù)據(jù)集。復制處理主要是通過DBM網(wǎng)絡(luò)對新數(shù)據(jù)進行編碼處理后,對該數(shù)據(jù)和原始數(shù)據(jù)進行縱向拼接操作,以獲取用電的擴充數(shù)據(jù)[11]。本文依據(jù)該數(shù)據(jù)進行極限學習機網(wǎng)絡(luò)的訓練,以實現(xiàn)用電數(shù)據(jù)的分類處理。

本文設(shè)原始數(shù)據(jù)為D=[d1,d2,…,d48]∈R1×48、第i個采集點采集的用電數(shù)據(jù)為di、數(shù)據(jù)行向之間的相關(guān)系數(shù)矩陣為R、DBM網(wǎng)絡(luò)的可視層節(jié)點數(shù)量為48。本文對D進行篩選處理,在獲取其中的小樣本數(shù)據(jù)后,將獲取的采樣數(shù)據(jù)用Ds表示。D和Ds通過DBM網(wǎng)絡(luò)進行訓練學習后,輸出分別為Dt和Dst。兩者具有相同的維度,并且耦合度較低。采用縱向拼接的方式對兩者進行處理,可獲取D的采樣數(shù)據(jù)結(jié)果DST。

(1)

多源用電信息分類詳細步驟如下。

①在獲取D的訓練樣本后對樣本實施歸一化處理,得到其中的小樣本數(shù)據(jù)。

②將小樣本數(shù)據(jù)輸入DBM網(wǎng)絡(luò),通過該網(wǎng)絡(luò)的學習和訓練,輸出用于測試的數(shù)據(jù)DS。依據(jù)該數(shù)據(jù)進行極限學習機網(wǎng)絡(luò)的訓練,可實現(xiàn)用電數(shù)據(jù)分類,并形成靜態(tài)數(shù)據(jù)集和動態(tài)數(shù)據(jù)集。

1.2.2 多源數(shù)據(jù)特征提取

通過上述步驟完成多源用電信息的分類處理后,本文對靜態(tài)和動態(tài)這2種數(shù)據(jù)集進行特征提取。本文通過數(shù)據(jù)驅(qū)動的互信息原理完成特征提取。

互信息用于描述2個隨機變量之間的相關(guān)性。本文令X、Y分別表示靜態(tài)數(shù)據(jù)集和動態(tài)數(shù)據(jù)集。兩者之間的互信息計算式為:

(2)

式中:p(x,y)為X和Y之間的聯(lián)合概率密度函數(shù);p(x)和p(y)均為邊緣概率密度函數(shù),分別對應(yīng)X和Y。

本文基于互信息提取X和Y的特征量。提取結(jié)果為:

(3)

式中:X0為初始特征量;X′為維度為m的特征量。

依據(jù)式(3)即可獲取最大化的互信息結(jié)果,從而在保證類別不發(fā)生變化的基礎(chǔ)上完成特征選擇。本文為保證互信息的最大化,采用分解的方式對多維互信息進行處理,以形成一維互信息。I(X,Y)的計算式為:

(4)

式中:Xi與Yj為X和Y數(shù)據(jù)集的已選特征。

本文在式(2)～式(4)的基礎(chǔ)上,實現(xiàn)用電信息特征集的快速提取。

初始變量選擇為:

(5)

第二變量選擇為:

(6)

依據(jù)式(5)和式(6)即可完成剩余變量的選擇。每次選擇依據(jù)互信息最大的原則進行下一個特征的選擇;在進行選擇時,設(shè)定閾值N。當循環(huán)次數(shù)達到該閾值時選擇停止。通過本文技術(shù)獲取的特征集具有特征信息完整、特征的類別不會發(fā)生改變的優(yōu)點。

1.3 用電信息融合處理

本文通過1.2節(jié)完成多源用電信息特征集提取后,依據(jù)數(shù)據(jù)驅(qū)動技術(shù),通過離線機制獲取特征集,從而進行用電信息的一致性融合。

用電信息的采集是通過多源采集方式完成的。該方式采集的信息具有明顯的冗余特點[12]。因此,提取的特征集也存在一定的冗余特征。本文為保證較好的用電信息融合效果,對提取的特征集進行匯總,使其均位于源節(jié)點內(nèi),并通過卡爾曼濾波算法對特征集中的冗余特征進行處理,在此基礎(chǔ)上完成用電數(shù)據(jù)的一致性融合。用電數(shù)據(jù)的融合方法結(jié)構(gòu)如圖3所示。

圖3 用電數(shù)據(jù)的融合方法結(jié)構(gòu)

本文將提取的多源特征集均匯集至源節(jié)點,采用卡爾曼濾波方法去除特征集中的冗余信息。以X′類特征集為例,使用卡爾曼濾波對特征集進行處理時,在(t+1)時刻的濾波計算式為:

xt+1=Ftxt+Γtwt

(7)

式中:Ft為卡爾曼濾波系數(shù);Γt為Ft的加權(quán)平均值;wt為權(quán)重比例。

(8)

式中:E為最優(yōu)期望函數(shù);γ為所有用電信息特征之和。

(9)

式中:n為特征數(shù)量。

本文采用εq和ξ(z)表示用電數(shù)據(jù)集合中的任意誤差和標準差。

(10)

(11)

依據(jù)εq和ζ(z)的計算結(jié)果即可獲取用電信息特征數(shù)據(jù)的分布規(guī)律,從而可在融合過程中刪除其中異常特征數(shù)據(jù),并進行一致性融合。此時,每個源節(jié)點的測量值滿足正態(tài)分布規(guī)律。本文在融合過程中引入融合節(jié)點支持程度理念。如果節(jié)點p對節(jié)點q的支持程度用Ψqp表示,則有:

(12)

式中:ξqp為節(jié)點p和節(jié)點q之間的標準差。

以此確定的融合節(jié)點之間的支持度關(guān)系矩陣ΨN×N為:

(13)

本文依據(jù)融合節(jié)點之間的ΨN×N結(jié)果實現(xiàn)用電信息的一致性特征描述,從而完成用電信息融合。

2 測試分析

為驗證基于數(shù)據(jù)驅(qū)動的電網(wǎng)多源故障用電信息采集智能融合技術(shù)的應(yīng)用效果,本文選擇某電力企業(yè)采集的電網(wǎng)側(cè)420個用電終端的數(shù)據(jù)作為試驗測試數(shù)據(jù)。該數(shù)據(jù)的采集時間間隔為0.5 h、連續(xù)采集時間為7 d。該數(shù)據(jù)中包含用電終端的動態(tài)和靜態(tài)2種數(shù)據(jù)。

試驗參數(shù)設(shè)定如下:DBM網(wǎng)絡(luò)隱含層節(jié)點數(shù)量為30個;分類器的節(jié)點數(shù)量為60個;學習率為0.001。

為驗證本文技術(shù)對于多源用電信息的分類效果,本文采用戴維森堡丁指數(shù)(Davies-Bouldin index,DBI)作為評價指標。該指標可以反映數(shù)據(jù)之間的的緊密程度。其取值范圍為[0,1]。數(shù)值越小,表示聚類效果越好。DBI的計算式為:

(14)

在不同的數(shù)據(jù)維度下,本文依據(jù)式(14)計算應(yīng)用本文技術(shù)后的DBI指標測試結(jié)果。

通電信息分類性能測試結(jié)果如表1所示。

表1 通電信息分類性能測試結(jié)果

由表1可知:在不同的數(shù)據(jù)維度下,隨著數(shù)據(jù)數(shù)量的逐漸增加,通過本文技術(shù)進行用電信息分類后,DBI的測試結(jié)果均在0.017及以下。因此,本文技術(shù)具有較好的用電數(shù)據(jù)分類性能,能夠可靠完成用電數(shù)據(jù)的分類。

為了進一步分析本文技術(shù)的數(shù)據(jù)分類效果,測試采用本文技術(shù)對采集的用電信息進行分類處理后,獲取數(shù)據(jù)的分類結(jié)果。該結(jié)果通過二維空間進行呈現(xiàn)。用電信息分類結(jié)果如圖4所示。

圖4 用電信息分類結(jié)果

由圖4可知:應(yīng)用本文技術(shù)后,能夠在二維空間內(nèi)對動態(tài)數(shù)據(jù)和靜態(tài)數(shù)據(jù)進行有效分類,并且類別之間的界線顯著,沒有發(fā)生重疊以及錯誤分類情況。因此,本文技術(shù)的用電數(shù)據(jù)分類效果良好。

本文技術(shù)在進行用電數(shù)據(jù)融合的過程中,對數(shù)據(jù)進行異常數(shù)據(jù)處理。處理效果直接影響數(shù)據(jù)的融合結(jié)果。因此,本文將變異系數(shù)λ作為測試指標,以衡量經(jīng)本文技術(shù)處理后數(shù)據(jù)的離散程度。λ的計算式為:

(15)

λ的數(shù)值越大,表示數(shù)據(jù)的離散程度越高,說明數(shù)據(jù)特征處理效果越差。其取值范圍在0～1之間。

依據(jù)式(15)計算本文技術(shù)應(yīng)用前后在不同的數(shù)據(jù)殘差率下的λ計算結(jié)果。異常數(shù)據(jù)處理效果測試結(jié)果如表2所示。

表2 異常數(shù)據(jù)處理效果測試結(jié)果

由表2可知:隨著數(shù)據(jù)殘差率的逐漸增加,本文技術(shù)對動態(tài)數(shù)據(jù)和靜態(tài)數(shù)據(jù)進行異常處理后,λ的計算結(jié)果均在0.020以下。其中,最大值為0.019。這是由于本文技術(shù)在進行異常用電數(shù)據(jù)處理時,依據(jù)用電數(shù)據(jù)集合中的任意誤差和標準差完成數(shù)據(jù)處理。這樣可保證較好的處理效果。

為驗證本文技術(shù)的應(yīng)用性,測試采用本文技術(shù)對用電信息進行融合處理后,依據(jù)處理后的用電信息對電網(wǎng)正常運行和故障運行這2種情況下的用電需求進行預(yù)測,并獲取其分析結(jié)果。

用戶用電需求預(yù)測結(jié)果如圖5所示。由圖5可知:隨著用電用戶數(shù)量的逐漸增加,在電網(wǎng)正常運行和故障運行這2種情況下,均可依據(jù)本文的用電信息融合結(jié)果完成用電需求的預(yù)測,并且預(yù)測結(jié)果與實際需求結(jié)果吻合程度較高。這為電網(wǎng)的能源規(guī)劃提供可靠依據(jù)。

圖5 用戶用電需求預(yù)測結(jié)果

為進一步驗證本文技術(shù)的應(yīng)用性,測試根據(jù)本文技術(shù)的用電信息融合結(jié)果,對異常用電進行識別,從而獲取電網(wǎng)中異常用電的識別結(jié)果。異常用電識別結(jié)果如圖6所示。

由圖6可知:依據(jù)本文技術(shù)融合的用電信息,能夠完成終端用戶用電量的統(tǒng)計,并且獲取統(tǒng)計結(jié)果中的異常用電結(jié)果。凌晨5:00屬于用電低谷時刻,但卻產(chǎn)生較大的用電量。18:00屬于用電高峰時刻,卻出現(xiàn)用電量下降情況。因此可判定這2個時刻屬于異常用電時刻,從而實現(xiàn)對異常用電的識別。該結(jié)果證明本文技術(shù)具有較好的應(yīng)用性。融合后用電信息能夠為電網(wǎng)的用電規(guī)劃以及竊電監(jiān)測提供可靠依據(jù)。

3 結(jié)論

電網(wǎng)的用電信息對于電網(wǎng)用電規(guī)劃、竊電監(jiān)測、用電需求預(yù)測等均具有重要意義。用電信息在采集過程中具有顯著的時間序列特征,并且會受到電網(wǎng)運行狀態(tài)的影響。因此,本文提出基于數(shù)據(jù)驅(qū)動的電網(wǎng)多源故障用電信息采集智能融合技術(shù)。本文對該技術(shù)的應(yīng)用效果展開相關(guān)測試。測試結(jié)果顯示:本文所研究的融合技術(shù)具有較好的用電信息融合效果,并且在融合過程中能夠有效處理信息中的冗余數(shù)據(jù)和異常數(shù)據(jù);依據(jù)融合后的用電信息可精準預(yù)測用戶的用電需求以及識別異常用電行為,應(yīng)用性良好。