摘 要：為有效提升電力企業(yè)的工作效率和市場競爭力，提出了數(shù)字化電力運營監(jiān)控平臺的設計方案?；贙均值聚類算法對電力異常數(shù)據(jù)進行檢測，并通過圖形展示異常數(shù)據(jù)檢測結果，紅色的深淺表示預警的等級。提出了基于灰色神經(jīng)網(wǎng)絡的用戶需求預測模型，并將灰色神經(jīng)網(wǎng)絡模型和灰色模型、BP神經(jīng)網(wǎng)絡模型對比，驗證了灰色神經(jīng)網(wǎng)絡預測模型具有更高的預測精度。采用灰色神經(jīng)網(wǎng)絡模型預測了某地區(qū)用戶電量需求，為電力系統(tǒng)的高效調(diào)度提供了數(shù)據(jù)支撐。所設計的數(shù)字化電力運營監(jiān)控平臺對提升電力企業(yè)市場競爭力具有一定的實用價值。

關鍵詞：數(shù)字化；電力；運營監(jiān)控平臺設計；K均值聚類；灰色神經(jīng)網(wǎng)絡

中圖分類號：TM743；TP277.2 文獻標志碼：A 文章編號：1001-5922（2024）11-0190-03

Digital power marketing operation monitoringplatform design model

WANG Liunai，ZENG Zhixiang，CHEN Shi

（Information and Communication Branch of Hainan Power Grid Co.，Ltd.，Haikou 570100，China）

Abstract：In order to effectively improve the work efficiency and market competitiveness of power enterprises，thedesign scheme of digital power operation monitoring platform was proposed. Based on the K-means clustering algo?rithm，the abnormal power data was detected，and the abnormal data detection results were displayed graphically，and the shade of red indicates the level of early warning. A user demand prediction model based on grey neural net?work was proposed，and the grey neural network model was compared with grey model and BP neural network mod?el，which verified that the grey neural network prediction model had higher prediction accuracy. The grey neural net?work model was used to predict the power demand of users in a certain region，which provided data support for theefficient dispatching of power system. The designed digital power operation monitoring platform had certain practi?cal value to enhance the market competitiveness of power enterprises.

Key words：digitization；electric power marketing；operation monitoring platform design；K-means clustering；greyneural network

數(shù)字化電力運營監(jiān)控平臺可以有效整合并優(yōu)化電力企業(yè)運營管理流程，增強企業(yè)的市場競爭力，是當前學術界關注的焦點問題 [1] 。如結合大數(shù)據(jù)技術、人工智能技術將各種數(shù)據(jù)轉(zhuǎn)化為數(shù)學模型，有效提升了船舶行業(yè)的設計與運維服務能力 [2] 。對高速公路資產(chǎn)管理存在的信息孤島、資源離散問題，構建了面向公路資產(chǎn)管理的基礎設施數(shù)字化平臺 [3] 。以并聯(lián)機器人為例，構建了數(shù)字化軟件系統(tǒng)，并通過精密定位平臺研發(fā)實例驗證了數(shù)字化平臺軟件系統(tǒng)的有效性 [4] 。

結合煤礦井下智能鉆探的實際需求，設計了井下定向鉆探數(shù)字化平臺總體架構，同時在烏海礦區(qū)開展了試驗驗證 [5] 。采用該數(shù)字化平臺對三軸線連桿轉(zhuǎn)向系統(tǒng)進行設計，有效降低了轉(zhuǎn)角誤差，提高了轉(zhuǎn)向精度和設計效率 [6] 。目前，數(shù)字化平臺已經(jīng)在各行各業(yè)得到了廣泛的應用。設計數(shù)字化電力運營監(jiān)控平臺，期待對提升電力企業(yè)市場競爭力提供數(shù)據(jù)支撐。

1 平臺架構設計

平臺架構采用模塊化設計，有效確保電力數(shù)據(jù)可以在前端、數(shù)據(jù)庫以及后端之間的有序傳輸，使得用戶能夠及時獲取實時數(shù)據(jù)。數(shù)字化電力運營平臺架構如圖1所示。

前端是用戶與平臺交互的界面，展示關鍵的運營數(shù)據(jù)、分析結果和圖表，使用戶能夠迅速了解電力企業(yè)的運營狀況。數(shù)據(jù)可視化將海量的運營數(shù)據(jù)通過圖表、表格等方式清晰呈現(xiàn)，幫助用戶直觀理解數(shù)據(jù)。用戶交互提供用戶友好的交互方式，包括篩選、搜索、定制化等功能，滿足不同用戶的需求。報表展示為設計定制化的報表，為用戶提供詳細的運營分析和趨勢展望。

數(shù)據(jù)庫是平臺的數(shù)據(jù)存儲中心，負責持久化存儲運營數(shù)據(jù)、用戶信息和平臺配置等。數(shù)據(jù)存儲是儲存來自電力企業(yè)各個方面的運營數(shù)據(jù)，確保數(shù)據(jù)的完整性和可靠性。數(shù)據(jù)檢索是提供高效的數(shù)據(jù)檢索機制，支持后端的數(shù)據(jù)處理和前端的數(shù)據(jù)展示。數(shù)據(jù)備份和恢復是定期進行數(shù)據(jù)備份，應對潛在的數(shù)據(jù)丟失風險，并提供數(shù)據(jù)恢復功能。

后端是整個平臺的大腦，負責邏輯運算、業(yè)務處理和數(shù)據(jù)計算。邏輯運算是執(zhí)行各種業(yè)務邏輯，確保平臺各功能的正常運行。數(shù)據(jù)處理是從前端接收用戶請求，處理并返回相應的數(shù)據(jù)，保障系統(tǒng)的高效響應速度。業(yè)務邏輯層是管理用戶身份驗證、權限控制，確保系統(tǒng)的安全性和合規(guī)性。

2 用戶界面設計

用戶界面設計是數(shù)字化電力運營監(jiān)控平臺的重要組成部分，通過直觀、易用的界面確保用戶能夠迅速獲取關鍵運營信息?？紤]用戶角色差異，設計個性化的功能模塊。設置了管理人員登錄、銷售人員登錄以及其他人員登錄的按鈕，不同身份的人員通過點擊對應的按鈕，輸入賬號和密碼來完成登錄操作。對平臺的所有人員，其通過區(qū)域選擇來選擇相應的區(qū)域，了解區(qū)域內(nèi)的電力銷售量、市場份額以及收益信息。通過點擊電力銷售量按鈕，會以動態(tài)曲線圖的形式展示。通過點擊市場份額，會以餅狀圖的形式展示。通過點擊收益，會以動態(tài)曲線圖的形式展示。

3 數(shù)據(jù)異常檢測

3. 1 異常檢測模型

3. 2 異常檢測結果

銷售人員登錄系統(tǒng)之后，點擊異常檢測按鈕，系統(tǒng)給出異常檢測的結果，同時對存在的異常數(shù)據(jù)發(fā)出預警。圖2為異常檢測的結果。

由圖2可知，7、12月份以及第2年的1月份出現(xiàn)了預警，同時顏色的深淺反映了預警的等級。數(shù)字化電力運營監(jiān)控平臺數(shù)據(jù)異常檢測每次對一年的數(shù)據(jù)進行檢測，用戶可以更好地結合數(shù)據(jù)異常預警檢測結果來做好電力調(diào)度，確保電網(wǎng)的正?；\行。

4 用戶需求預測

4. 1 用戶需求預測模型

用戶需求采用灰色神經(jīng)網(wǎng)絡模型，其將灰色模型和神經(jīng)網(wǎng)絡相結合，從而了解用戶的用電需求?；疑Ｐ褪且环N建立系統(tǒng)動態(tài)模型的方法，其以灰色系統(tǒng)理論為基礎，可以有效對系統(tǒng)進行分析和預測 [11] 。由 m 個變量所構成的 n 階微分方程模型為 GM （ ） n，m 灰色模型，在實際中應用最廣泛的為 GM （ ） 1，1 和 GM （ ） 2，1 。GM （ ） n，m 數(shù)據(jù)預測流程如圖3所示 [12] 。

考慮到采用灰色系統(tǒng)建模對用戶需求預測時受到非平穩(wěn)、數(shù)據(jù)趨勢不明顯等因素的影響，提出灰色神經(jīng)網(wǎng)絡來預測用戶需求。在灰色神經(jīng)網(wǎng)絡中采用神經(jīng)網(wǎng)絡擬合用戶需求系統(tǒng)的非線性成分，采用灰色系統(tǒng)理論處理用戶需求系統(tǒng)的不確定信息和不完整信息，從而達到提高模型穩(wěn)定性與魯棒性的目的。

灰色神經(jīng)網(wǎng)絡是灰色系統(tǒng)與神經(jīng)網(wǎng)絡系統(tǒng)的有機結合，對用戶需求預測的流程如圖4所示。

由圖4可知，灰色神經(jīng)網(wǎng)絡有效融合了灰色系統(tǒng)理論對不完全信息的良好適應性和神經(jīng)網(wǎng)絡的強大非線性擬合能力，可以提高用戶需求預測的穩(wěn)定性和魯棒性[13] 。

4. 2 用戶需求預測結果

用戶需求預測的準確性直接影響到電力供應決策的科學性，通過對用戶需求的精準預測可以采取更加科學、有效的措施來確保電力供應。為驗證灰色神經(jīng)網(wǎng)絡模型對用戶需求預測的準確性，將其和灰色模型、BP神經(jīng)網(wǎng)絡模型進行對比 [14] ，預測精度對比結果如圖5所示。

由圖5可知，采用灰色神經(jīng)網(wǎng)絡模型對用戶需求預測的精度明顯高于灰色模型和BP神經(jīng)網(wǎng)絡模型。

在用戶界面點擊管理人員登錄按鈕，選擇區(qū)域，點擊用戶需求預測，可以輸出在所選擇區(qū)域用戶的電量需求預測結果，如圖6所示。

由圖6可知，所選擇的區(qū)域2月份用電量最大，用電量最小的是10月份。通過對每個月份的預測，從而為電力系統(tǒng)的高效調(diào)度提供數(shù)據(jù)支撐。

5 結語

數(shù)字化電力運營監(jiān)控平臺對確保電力企業(yè)的運營效率，提高企業(yè)市場競爭力發(fā)揮著至關重要的作用。構建了包含前端、數(shù)據(jù)庫、后端的數(shù)字化電力運營平臺架構，設計了用戶界面。采用K均值聚類算法對存在的數(shù)據(jù)異常進行檢測，同時進行報警，通過顏色的深淺反映預警的等級。采用灰色神經(jīng)網(wǎng)絡模型對用戶需求進行預測，同時將灰色神經(jīng)網(wǎng)絡預測模型和灰色模型、BP神經(jīng)網(wǎng)絡模型進行對比，驗證了灰色神經(jīng)網(wǎng)絡模型對用戶需求預測具有更高的預測精度，同時給出了某地區(qū)一年的用戶電量需求預測結果。所設計的數(shù)字化電力運營監(jiān)控平臺對提升電力企業(yè)的運營效率和市場競爭力具有一定的參考價值。

【參考文獻】

[1] 林璐. 加快電力渠道數(shù)智化運營服務體系建設的構想與思考 — —基于對北京市電力數(shù)智化運營服務體系構建分析[J]. 價格理論與實踐，2022（11）：205-208.

[2] 王真. 智能船廠數(shù)字化平臺的總體架構設計[J]. 船舶工程，2021，43（S1）：411-414.

[3] 黃燁然，李宏海，李茜瑤，等.面向公路資產(chǎn)管理的基礎設施數(shù)字化平臺構建[J].公路交通科技，2022，39 （S1）：123-129.

[4] 曹楊，楊建濤，石萍，等. 面向并聯(lián)機器人研發(fā)的數(shù)字化平臺軟件系統(tǒng)[J]. 機械設計與研究，2022，38（4）：26-31.

[5] 范強，張幼振，陳龍，等. 煤礦井下定向鉆探數(shù)字化平臺技術研究[J]. 煤礦安全，2023，54（10）：212-218.

[6] 陳俊，蘭希，康紹鵬，等. 基于Python的多軸線連桿轉(zhuǎn)向系統(tǒng)數(shù)字化平臺設計[J]. 制造技術與機床，2022（9）：82-89.

[7] 高云梅，張淑慧. 基于信息檢索與K均值聚類的化工產(chǎn)品精準推薦算法研究[J]. 粘接，2023，50（3）：132-135.

[8] 董天寶，唐健，曾芳玲. 基于K均值聚類的新型選星算法[J]. 計算機仿真，2022，39（11）：22-26.

[9] 蔣華，武堯，王鑫，等. 改進K均值聚類的海洋數(shù)據(jù)異常檢測算法研究[J]. 計算機科學，2019，46（7）：211-216.

[10] 楊金，陳林，周強，等. 基于數(shù)據(jù)的K均值理論及其應用[J]. 南京師大學報（自然科學版），2021，44（2）：10-17.

[11] 年剛偉，季北，張安俊. 基于粒子群改進的高鐵隧道沉降預測研究[J]. 粘接，2021，46（6）：165-168.

[12] 汪從敏，李明磊，張平，等. 基于灰色模型GM（1，N）的運行復合絕緣子硅橡膠材料剩余壽命研究[J]. 電瓷避雷器，2023（5）：137-144.

[13] 耿文莉，高夢瑜. 基于灰色神經(jīng)網(wǎng)絡的云平臺大數(shù)據(jù)安全風險評估[J]. 科學技術與工程，2021，21（28）：11932-11937.

[14] 柴寶堂，雷洪，徐猛，等. 基于BP神經(jīng)網(wǎng)絡的RH精煉終點鋼液溫度預測[J]. 煉鋼，2023，39（5）：33-40.