唐文升, 武亞光, 歐偉, 朱平飛

(1. 國家電網(wǎng)有限公司,營銷部, 北京 100031; 2. 國家電網(wǎng)有限公司客戶服務(wù)中心, 天津 300300;3. 北京中電普華信息技術(shù)有限公司, 北京 100031)

0 引言

多場景用電異常狀態(tài)感知主要用于社會網(wǎng)格員統(tǒng)一關(guān)聯(lián)特殊群體[1],如留守兒童、70歲以上空巢老人、身體高度殘疾人士等,基于特殊群體用戶電壓、電流、電量等電力數(shù)據(jù)信息,推斷目標(biāo)用戶用電狀態(tài)有無異常[2]。

為有效針對用電異常用戶是否可以電話核查或者上門核查,標(biāo)記核查狀態(tài),支撐社會網(wǎng)格員有針對性地巡檢和用電異常預(yù)警,用電異常狀態(tài)感知必不可少。周忠強等[3]提出了樣本協(xié)方差矩陣的用電異常感知方法;陳肖璐等[4]提出了隨機矩陣?yán)碚摦惓Ｅ袆e方法。對多干擾場景下用電異常狀態(tài)的感知還存在明顯不足,需在此基礎(chǔ)上不斷完善與創(chuàng)新,提升多干擾場景的用電異常狀態(tài)感知效果。

時間序列方法的提出為用電異常狀態(tài)感知打開全新的突破口,通過對時間序列數(shù)據(jù)的趨向和散布區(qū)域進行分析,可以感知多干擾場景用電異常狀態(tài)的不同發(fā)展趨勢,實現(xiàn)對現(xiàn)有趨勢的認(rèn)知以及對未來發(fā)展的構(gòu)想。由于用電數(shù)據(jù)具有不穩(wěn)定性以及隨時間變化而改變的特點,可通過建立時間序列預(yù)測模型詳細分析用電負(fù)荷數(shù)據(jù)[5-6],并結(jié)合負(fù)荷類型的辨識計算負(fù)荷數(shù)據(jù),與設(shè)定的合適度閾值進行比較,準(zhǔn)確判斷用戶用電異常狀態(tài)下電網(wǎng)的狀況,為電網(wǎng)工作人員提供便利的監(jiān)測手段,才能更好地解決用戶用電異常情況。因此,本文提出基于時間序列的多干擾場景用電異常狀態(tài)感知方法,可以極大地提高工作效率,減少工作量,為特殊群體提供更好的管理,提高社會服務(wù)水平,有效降低特殊群體的意外用電風(fēng)險。

1 時間序列用電異常狀態(tài)感知方法

1.1 基于時間序列的負(fù)荷預(yù)測模型

1.1.1 模型結(jié)構(gòu)

應(yīng)用時間序列預(yù)測模型對采集的電力數(shù)據(jù)進行分析,圖1是比較新舊數(shù)據(jù)相似性和實時預(yù)測誤差得到的新時間序列模型。

圖1中,新時間序列預(yù)測模型主要對離線和在線時間序列數(shù)據(jù)進行預(yù)測。工作原理為離線時間序列數(shù)據(jù),通過離線模型訓(xùn)練后與在線流式時間序列數(shù)據(jù)同時進行信息感知權(quán)重并在線預(yù)測,對其真實誤差進行計算。通過誤差預(yù)測模型進行預(yù)測、修正,得出時間序列預(yù)測數(shù)據(jù)。

用X=(x1,x2,…,xn)表示需要辨識負(fù)荷的時間序列,有價值負(fù)荷時間序列為Y1,Y2,…,Yt。其中,Yt=(yt1,yt2,…,ytn),可通過式(1)構(gòu)建其趨勢序列X′,Y1,Y2,…,Yt:

(1)

(2)

DDTW(X′,Y′)=Ln,m

(3)

其中,L表示累計代價矩陣,D表示歐式距離矩陣,式(4)為時間序列的隸屬度函數(shù):

(4)

其中,k表示第i個聚類中心樣本時間序列。

(5)

1.2 基于負(fù)荷數(shù)據(jù)分析的異常用電感知

線路負(fù)荷數(shù)據(jù)與其固定負(fù)荷模式存在一定的匹配關(guān)系,當(dāng)電網(wǎng)和用戶用電狀態(tài)都能正常運行時,兩者契合度達到99%,當(dāng)處于異常狀態(tài)時,負(fù)荷數(shù)據(jù)產(chǎn)生巨大波動,與固定負(fù)荷模式下的數(shù)據(jù)相差較大,兩者關(guān)聯(lián)度低。

在線路正常運行狀況下,選取負(fù)荷數(shù)據(jù)X1,X2,…,Xm-1,利用Xi=(xi1,xi2,…,xin)在負(fù)荷時間序列的類比下進行分析,確定聚類中心。設(shè)基礎(chǔ)聚類中心為B,并在X1,X2,…,Xm中隨機抽取1條負(fù)荷曲線,依次代入更新B=(b1,b2,…,bj,…,bn)中bj的值,利用式(6)計算J的差值,與中止閾值ε進行比較,當(dāng)差值小于閾值時,即可停止。負(fù)荷參照值可通過代入后的B=(b1,b2,…,bj,…,bn)得出。

(6)

線路負(fù)荷數(shù)據(jù)Xm=(xm1,xm2,…,xmt)與聚類中心在t時刻的隸屬度函數(shù)umt可通過式(5)得出,同時得到在t時刻負(fù)荷值xm(t+1),并根據(jù)式(7)計算合適度指標(biāo)為

(7)

對合適度閾值ε進行設(shè)定,若Ke(t)>ε,即判決該線路負(fù)荷處于異常狀態(tài)。假設(shè)其合適度閾值重新回到正常范圍內(nèi)時,為t′時刻,即Ke(t′)=(umt)2|xm(t′+1)-bt′+1|<ε,則判斷該線路用電狀態(tài)恢復(fù)正常。負(fù)荷處于異常狀態(tài)時,該線路與正常負(fù)荷值的隸屬度函數(shù)um兩者之間不存在關(guān)聯(lián),負(fù)荷值也不再變化,而是保持非異常狀態(tài)時刻的值umt。

2 實驗分析

2.1 實例測試

以某地區(qū)供電局配電線路為實驗對象,驗證本文方法多干擾場景用電異常狀態(tài)感知效果。該線路的主要用戶為工廠、公司及居民,此線路有70個節(jié)點,39個負(fù)荷節(jié)點,包括29臺公用配電變壓器。實驗選擇a線路和b線路2條線路。選取該地區(qū)2021年4月1日至2021年5月20日的實測負(fù)荷作為原始數(shù)據(jù),選取某一天的下午3點到夜晚24點的電流變化情況作為實驗對象,進行負(fù)荷預(yù)測及用電異常狀態(tài)感知實驗。

2.1.1 不同線路下負(fù)荷性質(zhì)分析

通過本文方法判斷線路的負(fù)荷性質(zhì),針對a線路和b線路客戶用電異常狀態(tài)下的負(fù)荷分析,評估不同場景用電異常狀態(tài)。該地區(qū)a線路與b線路負(fù)荷曲線如圖2所示。

(a) a線路

根據(jù)圖2負(fù)荷曲線,利用本文方法分別計算a線路、b線路負(fù)荷曲線的時間序列與工廠、公司及居民類有價值負(fù)荷趨向序列的隸屬度,如圖3所示。

從圖3可以看出:對于b線路來說,負(fù)荷時間序列隸屬度值最高的是居民類,為0.88;對于a線路來說,負(fù)荷時間序列隸屬度值最高的是公司類,為0.864。證明本文方法通過對隸屬度的計算,能清晰展示負(fù)荷的時間趨向,從多場景感知用戶用電異常情況。

2.1.2 負(fù)荷預(yù)測效果

為了證明本文方法負(fù)荷預(yù)測的有效性,從39個負(fù)荷節(jié)點中選取一個2個節(jié)點(實測節(jié)點和非實測節(jié)點)作為實驗對象。采用本文方法計算2個節(jié)點10 d的負(fù)荷預(yù)測值,統(tǒng)計日平均誤差,具體誤差結(jié)果如表1所示。

表1 節(jié)點負(fù)荷預(yù)測日平均誤差

從表1可以看出,非實測節(jié)點誤差在4%～9%之間,實測節(jié)點誤差在1%～8%之間,實測節(jié)點和非實測節(jié)點的誤差率都低于10%。根據(jù)計算結(jié)果可以看出,本文方法的節(jié)點負(fù)荷預(yù)測誤差率較低,為后期異常狀態(tài)感知提供良好的數(shù)據(jù)基礎(chǔ)。

圖4為某一天具體時刻的負(fù)荷預(yù)測數(shù)據(jù)與負(fù)荷實測數(shù)據(jù)的對比結(jié)果。

圖4 實測節(jié)點負(fù)荷預(yù)測曲線

從圖4可以看出,負(fù)荷實測與負(fù)荷預(yù)測最高誤差不超過10 kW,負(fù)荷預(yù)測準(zhǔn)確率較高。因此,本文方法可以較準(zhǔn)確地預(yù)測負(fù)荷數(shù)據(jù)。

2.1.3 用電異常狀態(tài)感知

通過本文方法、樣本協(xié)方差矩陣異常檢測方法(文獻[3]方法)和隨機矩陣?yán)碚摦惓Ｅ袆e方法(文獻[4]方法)對不同類別用戶用電異常狀態(tài)感知時間進行測試,測試結(jié)果如圖5所示。

圖5 各方法異常狀態(tài)感知比較圖

從圖5可以看出,本文方法對各類用戶的用電異常狀態(tài)感知時間均低于其他2種方法,并且感知時間均控制在0.5 ms內(nèi),因此本文方法對不同干擾場景下用戶類型的用電異常狀態(tài)感知效果較好,具備異常狀態(tài)感知時效性。

2.2 應(yīng)用分析

為了證明本文方法在實際應(yīng)用中的性能,采用本文方法對北京朝陽區(qū)某小區(qū)519戶居民在2021年5月22日24 h內(nèi)的用電量進行分析,辨識用電狀態(tài),判斷用戶用電具體的負(fù)荷類型。該小區(qū)包括商業(yè)樓和居民樓。居民的正常用電量由家庭內(nèi)部的用電設(shè)備決定。北京冬季采暖期為11月到次年3月,空調(diào)制冷期為6月到8月,而應(yīng)用本文方法的時間既不是采暖期也非制冷期,因此空調(diào)使用量較低。根據(jù)不同電器的使用高峰期,計算變配電室的負(fù)荷安裝總?cè)萘?。參照每個變配電室供電戶數(shù)確定住宅同時使用系數(shù),負(fù)荷安裝總?cè)萘砍艘酝瑫r使用系數(shù)得到計算總?cè)萘俊?/p>

通過曲線的方式對用電量進行比較,所屬不同用電負(fù)荷類別的用戶用不同線條表示,圖6為24 h內(nèi)用戶日用電模式。

圖6 用戶日常用電模式

從圖6可以看出:類1白天用電量低,17:00以后至24:00用電量明顯增加,此類用戶應(yīng)為居民類;類2波動幅度不大,處于平穩(wěn)狀態(tài),但用電量較大,此類用戶多為工業(yè)類,長時間處于較高用電狀態(tài);類3日常用電量高于類1,在16:00至19:00量最大,此類用戶多為商場或者公司,有固定的時間點。以上結(jié)果證明,本文方法可依據(jù)時間序列感知用戶用電具體的負(fù)荷類型,根據(jù)負(fù)荷類型感知用電異常,具有實用價值。

3 總結(jié)

本文基于多干擾場景用電異常狀態(tài)感知需求,提出了一種基于時間序列的多干擾場景用電異常狀態(tài)感知方法。通過建立負(fù)荷預(yù)測模型、負(fù)荷類型的判斷及用電異常感知分析多個角度,在誤差、速度、隸屬度方面進行具體線路負(fù)荷數(shù)據(jù)預(yù)測,更系統(tǒng)地分析數(shù)據(jù),保證對負(fù)荷的預(yù)測誤差更小,獲得的分析結(jié)果更準(zhǔn)確。