摘要：隨著電力業(yè)務(wù)數(shù)據(jù)逐步增加，電力業(yè)務(wù)承載能力分析的重要性日益凸顯。為解決電力業(yè)務(wù)承載能力感知準(zhǔn)確性差的問題，提出了一種基于時間序列的電力業(yè)務(wù)承載能力感知方法。采用最小二乘法對歷史電力業(yè)務(wù)數(shù)據(jù)進(jìn)行預(yù)處理，消除錯誤數(shù)據(jù)對模型帶來的影響；通過近鄰傳播聚類，獲取電力業(yè)務(wù)承載能力的典型特征，并以此建立評估指標(biāo)。在此基礎(chǔ)上，基于時間序列檢測機(jī)制，實現(xiàn)電力業(yè)務(wù)承載能力感知和風(fēng)險識別。在某計量中心進(jìn)行了驗證，其電力業(yè)務(wù)承載能力感知準(zhǔn)確率為99.56%。所提方法能有效提高電力業(yè)務(wù)承載能力感知能力。

關(guān)鍵詞：時間序列；電力業(yè)務(wù)；承載能力；感知；多線位置距離

中圖分類號：TM76；TP39文獻(xiàn)標(biāo)志碼：A文章編號：1001-5922（2024）10-0181-04

Research on automatic perception method of power service"carrying capacity based on time series

XU Fang，ZHOU Linlin，ZHOU Yuyang，LI Boyu，DUAN Jinlei

（Beijing Fibrlink Communications Co.，Ltd.，Beijing 100071，China）

Abstract：With the gradual increase of power business data，the importance of analyzing the carrying capacity ofpower business is becoming increasingly prominent. To address the issue of poor accuracy in perception of powerbusiness carrying capacity，a time series based perception of power business carrying capacity was proposed. Theleast squares method was used to preprocess historical power business data and eliminate the impact of erroneousdata on the model.Through nearest neighbor propagation clustering，typical characteristics of power business carry?ing capacity were obtained，and evaluation indicators were established based on this. On this basis，based on thetime series detection mechanism，the perception of power business carrying capacity and risk identification wereachieved. It was verified in a certain metering center，and the perceived accuracy of its power business carrying ca?pacity was 99.56%. The proposed method can effectively improve the perception ability of power business carryingcapacity.

Key words：time series；electricity business；carrying capacity；perception；locality in between polylines

隨著電網(wǎng)公司信息建設(shè)的不斷推進(jìn)，其具有信息應(yīng)用類型多、數(shù)據(jù)來源多、實時數(shù)據(jù)更新頻次高等特點[1-2]。傳統(tǒng)的人工業(yè)務(wù)承載能力監(jiān)控的方式將難以滿足需求[3-5]。許多學(xué)者對此進(jìn)行了大量的研究，如通過軟硬管道切片分區(qū)進(jìn)行電力業(yè)務(wù)能力承載感知，提高了業(yè)務(wù)承載感知的準(zhǔn)確性[6]。通過集成回歸方程對電力業(yè)務(wù)承載能力進(jìn)行分析，有效的降低的分析中的干擾因素[7]。通過關(guān)鍵性能指標(biāo)對電力業(yè)務(wù)承載能力進(jìn)行分析，采用深度卷積神經(jīng)網(wǎng)絡(luò)提高分析的準(zhǔn)確性[8]。通過對實時數(shù)據(jù)和運維數(shù)據(jù)進(jìn)行融合分析，精準(zhǔn)的感知系統(tǒng)業(yè)務(wù)承載能力[9]。為此，提出了一種基于時間序列的電力業(yè)務(wù)承載能力感知。

1電力業(yè)務(wù)承載能力感知流程

基于時間序列的電力業(yè)務(wù)承載能力感知流程如圖1所示。

2電力業(yè)務(wù)承載能力模型

2. 1構(gòu)建評估體系

電力業(yè)務(wù)的歷史數(shù)據(jù)中蘊含著典型的電力業(yè)務(wù)特征[10]，按照典型特征建立評估指標(biāo)，文中以電力用電信息采集系統(tǒng)為例對電力業(yè)務(wù)承載能力進(jìn)行論述。

電力業(yè)務(wù)系統(tǒng)在運行的過程中，受通信傳輸、系統(tǒng)錯誤等因素影響，容易出現(xiàn)錯誤或者缺失的情況。因此，在模型分析前，需對電力業(yè)務(wù)系統(tǒng)的數(shù)據(jù)進(jìn)行預(yù)處理，消除錯誤或缺失數(shù)據(jù)對模型的影響。

最小二乘法（LSM）是一種電力業(yè)務(wù)數(shù)據(jù)預(yù)處理方法。LSM方法通過電力業(yè)務(wù)數(shù)據(jù)誤差平方值來對數(shù)據(jù)進(jìn)行預(yù)處理[11-12]。電力業(yè)務(wù)數(shù)據(jù)預(yù)處理（ED）為：

式中：m為電力業(yè)務(wù)數(shù)據(jù)中存在錯誤和缺失的總數(shù)；

ej為不同的電力業(yè)務(wù)數(shù)據(jù)錯誤和缺失的值。λ為電力業(yè)務(wù)數(shù)據(jù)LSM預(yù)處理數(shù)據(jù)殘差。

近鄰傳播（AP）聚類是一種電力業(yè)務(wù)數(shù)據(jù)的分類方法。AP聚類無需指定電力業(yè)務(wù)數(shù)據(jù)聚類的類別量，聚類結(jié)果誤差小[13-14]。因此，采用AP聚類對電力業(yè)務(wù)數(shù)據(jù)進(jìn)行聚類。

針對用電信息采集的用戶電表數(shù)據(jù)，采用AP聚類兩兩比較的方法計算2個數(shù)據(jù)之間特征相似度，電表歷史數(shù)據(jù)的特征相似度sCMP為：

式中：wCMP

為電表歷史數(shù)據(jù)比較的權(quán)重系數(shù)；hA為第1個比較的電表特征值；hB為第2個比較的電表特征值；2個電表之間采用歐氏距離計算特征相似度。

然后，通過電表特征點之間的迭代，計算電表特征之間的吸引度信息，從而達(dá)到聚類準(zhǔn)確的目的。

依據(jù)聚類后的用電信息采集系統(tǒng)特征，建立電力業(yè)務(wù)評估指標(biāo)：監(jiān)控請求率、平均響應(yīng)時間、錯誤率、java虛擬機(jī)使用率和每分鐘垃圾收集次數(shù)。

2. 2時間流業(yè)務(wù)感知

在時間流業(yè)務(wù)感知中，以業(yè)務(wù)為視角開展電力業(yè)務(wù)運行狀態(tài)感知技術(shù)，實現(xiàn)電力業(yè)務(wù)自動感知業(yè)務(wù)流的運行監(jiān)控狀態(tài)和趨勢。通過對歷史電力業(yè)務(wù)數(shù)據(jù)流進(jìn)行統(tǒng)計建模，判斷待檢測的數(shù)據(jù)是否符合歷史電力業(yè)務(wù)數(shù)據(jù)的統(tǒng)計特征，如符合則為正常；反之為異常。

時間序列模型（TSM）是一種數(shù)據(jù)序列分析方法，在數(shù)據(jù)統(tǒng)計領(lǐng)域有廣泛的應(yīng)用[15-16]。因此，本文采用TSM進(jìn)行時間流業(yè)務(wù)感知。

通過TSM感知電力業(yè)務(wù)流的方程式r（t）為：

式中：a（t）為電力業(yè)務(wù)感知時間序列中非周期變化的趨勢函數(shù)；b（t）為電力業(yè)務(wù)感知周期性變化；c（t）為電力業(yè)務(wù)感知在一天內(nèi)不規(guī)律的影響；δ為電力業(yè)

務(wù)感知誤差的正態(tài)分布。

在電力業(yè)務(wù)數(shù)據(jù)中，其核心為預(yù)測業(yè)務(wù)如何增長。用電信息采集中，通常為非線性增長。因此，采用邏輯增長模型進(jìn)行電力業(yè)務(wù)數(shù)據(jù)建模。電力業(yè)務(wù)非周期變化增長模型a（t）為：

式中：u為電力業(yè)務(wù)系統(tǒng)的承載力；g為電力業(yè)務(wù)系統(tǒng)的增長率；t為電力業(yè)務(wù)系統(tǒng)運行時間；q為電力業(yè)務(wù)系統(tǒng)的偏移量。

2. 3電力業(yè)務(wù)承載異常預(yù)警

多線位置距離（LIP）是一種廣泛用于電力行業(yè)的相似性比較方法。LIP計算歷史電力業(yè)務(wù)數(shù)據(jù)特征與當(dāng)前電力業(yè)務(wù)數(shù)據(jù)特征之間的曲線面積來辨識相似程度[17]，曲線面積越小，說明相似程度越大，則當(dāng)前電力業(yè)務(wù)數(shù)據(jù)合歷史電力業(yè)務(wù)數(shù)據(jù)的統(tǒng)計特征，為正常的電力業(yè)務(wù)承載；反之，曲線面積越大，說明相似程度越小，為異常數(shù)據(jù)，并將異常數(shù)據(jù)進(jìn)行告警，提醒管理人員進(jìn)行提前業(yè)務(wù)擴(kuò)容。

電力業(yè)務(wù)承載能力歷史特征與當(dāng)前特征的相似程度sEP為：

式中：m為歷史電力業(yè)務(wù)數(shù)據(jù)特征與當(dāng)前電力業(yè)務(wù)數(shù)據(jù)特征曲線間構(gòu)成空間形狀個數(shù)；lEP為不同的歷j

史與當(dāng)前業(yè)務(wù)數(shù)據(jù)特征曲線構(gòu)成空間面積；wjEP為不同的歷史與當(dāng)前業(yè)務(wù)數(shù)據(jù)特征曲線構(gòu)成空間的權(quán)重。

當(dāng)LIP的面積小于閾值時，說明當(dāng)前電力業(yè)務(wù)承載能力存在問題，并對該電力業(yè)務(wù)流數(shù)據(jù)進(jìn)行告警，在此基礎(chǔ)上，輸出電力業(yè)務(wù)承載能力結(jié)果。

3算例分析

3. 1場景與參數(shù)設(shè)定

為驗證基于時間序列的電力業(yè)務(wù)承載能力感知方法的有效性，在某省電力公司的計量中心開展測試。文中用于測試的用電信息采集系統(tǒng)數(shù)據(jù)為某地市的數(shù)據(jù)，該地市有用戶智能電表89.6萬只，采集頻次為每日96次，采集數(shù)據(jù)類型包括電流、電壓、功率因數(shù)、電表止數(shù)。

硬件部署在該計量中心的機(jī)房，硬件運行環(huán)境為：英特爾至強(qiáng)W-2223處理器，運行頻率為3.6 GHz，處理器的高速緩存為8.25 MB，核心數(shù)量為8核，服務(wù)器的運行內(nèi)存為128 GB，服務(wù)器硬盤配置為100 TB。軟件采用Python開發(fā)，軟件的運行環(huán)境為WindowsServer 2019，本文方法與模糊集電力業(yè)務(wù)承載能力分析方法[18]進(jìn)行比較。

3. 2算例運行分析

3. 2. 1電力業(yè)務(wù)承載能力感知性能分析

在計量中心的某地市數(shù)據(jù)中，選取11個區(qū)縣的數(shù)據(jù)，分別采用文中所提基于時間序列的電力業(yè)務(wù)承載能力感知方法與模糊集電力業(yè)務(wù)承載能力分析方法比較電力業(yè)務(wù)承載能力感知運行時長，電力業(yè)務(wù)承載能力感知分析表如表1所示。

由表1可見，文中所提基于時間序列的電力業(yè)務(wù)承載能力感知方法在計算過程中，算法結(jié)構(gòu)清晰，LSM、AP算法處理速度快，電力業(yè)務(wù)承載能力感知分析平均時長為24.21 s；而模糊集電力業(yè)務(wù)承載能力分析方法算法結(jié)構(gòu)復(fù)雜，運行時長為69.12 s。因此，文中所提電力業(yè)務(wù)承載能力感知方法性能更優(yōu)。

3. 2. 2電力業(yè)務(wù)承載能力感知評估結(jié)果

電力業(yè)務(wù)承載能力感知評估結(jié)果是為了呈現(xiàn)電力業(yè)務(wù)承載能力評估的指標(biāo)數(shù)據(jù)項，在計量中心的某地市用電信息采集系統(tǒng)數(shù)據(jù)中，選擇監(jiān)控請求率、平均響應(yīng)時間、錯誤率、java虛擬機(jī)使用率、每分鐘垃圾收集次數(shù)指標(biāo)，分別采用文中所提基于時間序列的電力業(yè)務(wù)承載能力感知方法與模糊集電力業(yè)務(wù)承載能力分析方法比較電力業(yè)務(wù)承載能力感知評估結(jié)果，比較結(jié)果如表2所示。

由表2可見，文中所提基于時間序列的電力業(yè)務(wù)承載能力感知方法在各項評估指標(biāo)中均小于模糊集電力業(yè)務(wù)承載能力分析方法。

3. 2. 3電力業(yè)務(wù)承載能力感知準(zhǔn)確率分析

電力業(yè)務(wù)承載能力感知準(zhǔn)確率分析是本文的核心指標(biāo)，采用百分比進(jìn)行度量，其百分比值越高，則電力業(yè)務(wù)承載能力感知越準(zhǔn)確。將模型評估的電力業(yè)務(wù)承載能力感知結(jié)果，與人工依據(jù)電力信息運維行業(yè)標(biāo)準(zhǔn)計算的結(jié)果進(jìn)行比較。模型評估結(jié)果與人工評估結(jié)果之間的比值為電力業(yè)務(wù)承載能力感知準(zhǔn)確率。

在計量中心的某地市數(shù)據(jù)中，選取11個區(qū)縣的數(shù)據(jù)，分別采用文中所提基于時間序列的電力業(yè)務(wù)承載能力感知方法與模糊集電力業(yè)務(wù)承載能力分析方法比較電力業(yè)務(wù)承載能力感知準(zhǔn)確率，比較結(jié)果如表3所示。

由表3可見，文中所提基于時間序列的電力業(yè)務(wù)承載能力感知方法其電力業(yè)務(wù)承載能力感知準(zhǔn)確率為99.56%；而模糊集電力業(yè)務(wù)承載能力感知方法其電力業(yè)務(wù)承載能力感知準(zhǔn)確率為96.78%。由此可見，文中所提基于時間序列的電力業(yè)務(wù)承載能力感知方法感知數(shù)據(jù)更準(zhǔn)確。

4結(jié)語

（1）通過近鄰傳播聚類方法進(jìn)行電力業(yè)務(wù)歷史數(shù)據(jù)聚類，獲得了典型的電力業(yè)務(wù)承載能力的典型特征，所建立的評估指標(biāo)集滿足評估要求；

（2）基于時間序列模型開展電力業(yè)務(wù)運行狀態(tài)感知，實現(xiàn)電力業(yè)務(wù)自動感知業(yè)務(wù)流的運行監(jiān)控狀態(tài)和趨勢；

（3）基于多線位置距離進(jìn)行電力業(yè)務(wù)承載能力感知異常識別，實現(xiàn)對業(yè)務(wù)承載能力的智能預(yù)測和識別，具有識別準(zhǔn)確的特點。

本文方法在業(yè)務(wù)承載能力分析準(zhǔn)確率方面仍有提升空間，下一步，課題組將結(jié)合層次聚類方法對本文研究進(jìn)行優(yōu)化。

【參考文獻(xiàn)】

[1]王凱饒，徐艷偉，陳龍，等.小水電運行數(shù)據(jù)調(diào)度自動化主站接入系統(tǒng)研究[J].吉林電力，2023，51（4）：31-35.

[2]陳麗斌，陳知琨. PMS3.0系統(tǒng)“電網(wǎng)一張圖”低壓數(shù)據(jù)治理方法[J].電工技術(shù)，2023（15）：219-220.

[3]許家偉，隋海濱.電力業(yè)務(wù)平臺數(shù)據(jù)自動化同步系統(tǒng)優(yōu)化設(shè)計[J].粘接，2023，50（8）：171-174.

[4]唐冬來，李玉，何為，等.基于改進(jìn)多分類器的用戶電表采集數(shù)據(jù)修復(fù)方法[J].電力系統(tǒng)自動化，2023，47（21）：137-146.

[5]洪雅寧.數(shù)據(jù)挖掘視域下電力營銷稽查業(yè)務(wù)監(jiān)管系統(tǒng)的設(shè)計研究[J].電工技術(shù)，2023（6）：177-179.

[6]李楠，趙保珠，張家慧，等.基于SPN的虛擬電廠多業(yè)務(wù)融合承載平臺研究[J].河北電力技術(shù)，2023，42（1）：32-36.

[7]燕鋒，林曉薇，李正浩，等.智能電網(wǎng)中基于多智能體強(qiáng)化學(xué)習(xí)的頻譜分配算法[J].通信學(xué)報，2023，44（9）：12-24.

[8]王速，盧華，汪碩，等.智能運維中KPI異常檢測的研究進(jìn)展[J].電信科學(xué)，2021，37（5）：42-51.

[9]阮前，劉虹，滕濱，等.中國移動IT云數(shù)據(jù)中心數(shù)智化運維的探索與實踐[J].中國新通信，2022，24（1）：68-69.

[10]韓雪.基于電力大數(shù)據(jù)的電力骨干通信網(wǎng)絡(luò)毀傷韌性評估方法[J].電信科學(xué)，2023，39（5）：136-143.

[11]童俊，楊濤，汪俊.基于遠(yuǎn)程定位的光纜接頭故障發(fā)現(xiàn)系統(tǒng)應(yīng)用[J].粘接，2021，47（8）：174-177.

[12]唐冬來，李擎宇，龔奕宇，等.基于正樣本學(xué)習(xí)的變壓器滲油圖像識別方法研究[J].自動化儀表，2023，44（4）：89-94.

[13]肖白，李夢雪，尉博旭.基于AP聚類-跳轉(zhuǎn)持續(xù)MC的風(fēng)電出力時間序列模擬生成方法研究[J].東北電力大學(xué)學(xué)報，2023，43（1）：35-44.

[14]王艷松，高鑫，胡彩娥，等.基于核主成分分析和AP聚類算法的電力系統(tǒng)態(tài)勢感知技術(shù)[J].電測與儀表，2022，59（1）：25-36.

[15]董紅斌，韓爽，付強(qiáng).基于AR與DNN聯(lián)合模型的地理傳感器時間序列預(yù)測[J].計算機(jī)科學(xué)，2023，50（11）：41-48.

[16]徐偉進(jìn)，吳健，李雪婧，等.基于時間相依地震活動性模型的地震時間序列模擬[J].地球物理學(xué)報，2022，65（8）：2960-2969.

[17]唐冬來，李強(qiáng)，陳永東，等.基于電壓時空聚合曲線的鄉(xiāng)鎮(zhèn)配電臺區(qū)戶變關(guān)系識別方法[J].電力系統(tǒng)自動化，2023，47（19）：86-96.

[18]謝智雄，陳江清.基于模糊集對和指標(biāo)評價體系對水資源監(jiān)測系統(tǒng)承載能力實現(xiàn)動態(tài)評價[J].陜西水利，2023（10）：1-3.