秦 越

（兗礦能源趙樓煤礦）

0 引言

煤礦行業(yè)是國家能源行業(yè)的重要組成部分，對于保障國家能源安全和促進經(jīng)濟發(fā)展起著至關(guān)重要的作用［1］。煤礦供電系統(tǒng)作為煤礦生產(chǎn)的基礎(chǔ)設(shè)施，它能否高效穩(wěn)定地為煤礦提供電力直接關(guān)系到煤礦的生產(chǎn)效益和安全生產(chǎn)。因此，研究煤礦供電系統(tǒng)的負荷優(yōu)化策略具有重要的理論和實踐意義。傳統(tǒng)的煤礦供電系統(tǒng)負荷優(yōu)化策略主要基于經(jīng)驗和統(tǒng)計方法，無法適應(yīng)復(fù)雜多變的實際情況［2］。然而，隨著大數(shù)據(jù)和信息技術(shù)的發(fā)展，廣泛應(yīng)用大數(shù)據(jù)分析在煤礦供電系統(tǒng)中可以為負荷優(yōu)化策略的制定提供有力的支持。

以大數(shù)據(jù)分析為基礎(chǔ)，深入研究了煤礦供電系統(tǒng)的負荷優(yōu)化問題。首先，通過對煤礦供電系統(tǒng)中的主要負荷特征進行分析和統(tǒng)計，建立了基于大數(shù)據(jù)分析的負荷模型。然后，利用大數(shù)據(jù)分析的方法和技術(shù)，從負荷預(yù)測、負荷調(diào)度和負荷控制三個方面對負荷優(yōu)化策略進行了研究。通過實驗和數(shù)據(jù)分析，驗證了基于大數(shù)據(jù)分析的負荷優(yōu)化策略的有效性和可行性。結(jié)果表明，這種策略在提高煤礦供電系統(tǒng)的效率和穩(wěn)定性方面發(fā)揮著重要作用，為煤礦行業(yè)實現(xiàn)安全高效生產(chǎn)提供了有效的手段。這對于提高煤礦的生產(chǎn)效益、保障煤礦安全生產(chǎn)具有重要意義。因此，建議在今后的研究中進一步完善和應(yīng)用這一研究成果，推動煤礦供電系統(tǒng)的負荷優(yōu)化策略的實際應(yīng)用。

1 煤礦供電系統(tǒng)負荷優(yōu)化策略概述

煤礦供電系統(tǒng)的負荷優(yōu)化是提高煤礦生產(chǎn)效益和保障安全生產(chǎn)的重要手段［3］。目前，傳統(tǒng)的負荷優(yōu)化方法主要基于經(jīng)驗和統(tǒng)計方法，無法應(yīng)對復(fù)雜多變的實際情況。因此，煤礦供電系統(tǒng)需要采用新的方法和技術(shù)來進行負荷優(yōu)化。

1.1 負荷預(yù)測策略

電力負荷預(yù)測從上世紀70年代起，才逐漸引起國內(nèi)外學(xué)者的重視。計算機技術(shù)的不斷發(fā)展使得大量的預(yù)測算法開始涌現(xiàn)，奠定了負荷預(yù)測的研究基礎(chǔ)［4］。之后，人工神經(jīng)網(wǎng)絡(luò)、支持向量、機隨機森林等學(xué)習(xí)方法逐漸誕生，并運用在了負荷預(yù)測領(lǐng)域，對預(yù)測精度都有不同程度的提高，機器學(xué)習(xí)在如今迅速發(fā)展階段。蘇學(xué)能建立負荷預(yù)測模型時采用了多重分布式BP神經(jīng)網(wǎng)絡(luò)，預(yù)測精度相比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)更高。吳瀟雨采用隨機森林算法建立了具有較高的預(yù)測精度和魯棒性的負荷預(yù)測模型。在傳統(tǒng)隨機森林算法的基礎(chǔ)上，王德文提出并行負荷預(yù)測方法，對多種歷史數(shù)據(jù)進行并行化分析，算法的求解效率得到提高?；艟陮Ρ确治隽酥С窒蛄繖C和隨機森林算法的預(yù)測效果，最優(yōu)預(yù)測結(jié)果在分別調(diào)整參數(shù)后，整體上未出現(xiàn)差異。魯棒性低是單一預(yù)測模型的主要缺陷，組合模型預(yù)測是未來的發(fā)展方向。預(yù)測模型的結(jié)構(gòu)參數(shù)沒有固定的選定標準，利用混合優(yōu)化算法尋找最優(yōu)的超參數(shù)是有效的解決方式。

1.2 負荷調(diào)度策略

現(xiàn)有的綜合調(diào)度研究有以下缺陷：一是沒有充分考慮分布式電源出力的隨機性，缺乏對分布式電源隨機出力模型的深入研究［5］。其中基于區(qū)間數(shù)進行調(diào)度求解所得結(jié)果過于保守，不能體現(xiàn)系統(tǒng)運行的經(jīng)濟性；而基于蒙特卡洛模擬生成隨機場景的調(diào)度過程中，由于場景生成數(shù)量過于龐大，含有大量重復(fù)和無效的場景，影響計算的效率。二是現(xiàn)有的配電網(wǎng)調(diào)度多為對分布式電源、電動汽車、用戶側(cè)需求響應(yīng)、無功補償設(shè)備以及儲能單元的優(yōu)化調(diào)度，在調(diào)度過程中缺乏對配電網(wǎng)絡(luò)自身的靈活調(diào)度。三是現(xiàn)有的優(yōu)化方法無法確保所得結(jié)果全局最優(yōu)或近似最優(yōu)。

當系統(tǒng)中并入的規(guī)模不大時，所產(chǎn)生的不確定問題主要是由用戶負荷預(yù)測誤差導(dǎo)致的，可以通過提高系統(tǒng)熱備用容量來抵消分布式電源出力波動帶來的不利影響，這個時候，對系統(tǒng)進行調(diào)度求解的重點是合理安排各機組的熱備用容量。但是隨著分布式電源滲透率的逐漸提高，不僅其出力的波動范圍很大，而且不確定性也將隨之提高，如果還采用提高系統(tǒng)的備用容量來應(yīng)對風(fēng)光出力的不確定性，所得調(diào)度方案的經(jīng)濟性將越來越差，甚至將不能得到合理的調(diào)度方案。因此有必要研究考慮不確定條件下的優(yōu)化調(diào)度方法［6］。

1.3 負荷優(yōu)化策略

傳統(tǒng)的電網(wǎng)形態(tài)隨著大規(guī)模儲能技術(shù)的應(yīng)用而發(fā)生了改變，電力系統(tǒng)因此在各個環(huán)節(jié)具備了一定彈性。大幅提升的社會用電量、不斷增加的符合需求峰谷差、新能源設(shè)備的比例擴大都加大了電力系統(tǒng)調(diào)節(jié)峰谷的難度。儲能電站則能夠有效的解決這個問題，通過自身充電、放電來平衡電力負荷，有效降低火電機組頻繁啟停機。國內(nèi)外專家從儲能參與的不同角度出發(fā)，通過優(yōu)化儲能單元的充放電功率、次數(shù)、狀態(tài)來對整個系統(tǒng)進行協(xié)調(diào)控制，來接納不斷增加的風(fēng)光等新能源。陳美福等通過分析電源、電網(wǎng)、儲能和柔性負荷，提出源網(wǎng)荷儲互動多元協(xié)調(diào)控制，策略能夠有效減少風(fēng)力發(fā)電和光伏發(fā)電的棄風(fēng)棄光率，提高可再生能源的利用效率，實現(xiàn)負荷的移峰填谷，但其研究只停在理論階段，沒有深入實踐，但是提供了指導(dǎo)意見。

2 面向煤礦供電系統(tǒng)負荷的BP神經(jīng)網(wǎng)絡(luò)模型

2.1 大數(shù)據(jù)分析下的供電系統(tǒng)負荷研究影響因素

（1）歷史數(shù)據(jù)集的不確定性

人工智能算法是通過分析學(xué)習(xí)系統(tǒng)的歷史數(shù)據(jù)集來獲得每個權(quán)重的指標，然后用來預(yù)測系統(tǒng)的安全等級。因此歷史數(shù)據(jù)的準確性直接影響到權(quán)重指標的準確性。在統(tǒng)計大量歷史故障集時會存在故障記錄不全面、設(shè)備信息記錄錯誤等，這都會造成系統(tǒng)安全等級識別精度降低；另外，對于井上系統(tǒng)還要考慮天氣等因素對于電網(wǎng)的影響，對于這些影響因素?zé)o法利用精確的評估指標來衡量，導(dǎo)致數(shù)據(jù)會與實際運行方式存在偏差。

（2）獲取過程的客觀性

獲取權(quán)重的過程中，在歷史數(shù)據(jù)集的基礎(chǔ)上，通過計算輸出值與期望值之間的誤差來調(diào)整網(wǎng)絡(luò)參數(shù)，從而使得誤差變小。不同于層次分析法，在整個尋優(yōu)過程中，沒有通過主觀判斷來影響指標權(quán)重的獲取，因此指標權(quán)重的獲取完全來自于歷史故障集，具有很強的客觀性，避免了因為人為主觀因素造成的評估精度偏低。

（3）算法的局限性

對于人工智能算法存在局限性，學(xué)習(xí)時間是否符合煤礦企業(yè)的需求，是否陷入局部最小值的問題造成準確率變差（算法的可靠性），歷史數(shù)據(jù)是否滿足深度學(xué)習(xí)的要求。

2.2 BP神經(jīng)網(wǎng)絡(luò)模型原理分析

BP神經(jīng)網(wǎng)絡(luò)主要包含兩部分，既Bаck Proраgаtion和神經(jīng)網(wǎng)絡(luò)。該算法能夠自適應(yīng)、自主學(xué)習(xí)，通過調(diào)整神經(jīng)網(wǎng)絡(luò)參數(shù)可以得到符合精度要求的輸出值。另外，BP神經(jīng)網(wǎng)絡(luò)還能夠處理多維輸入問題，擁有較強的非線性映射能力，在處理負荷優(yōu)化中有較高的可靠性。

如圖1為神經(jīng)網(wǎng)絡(luò)的基本單位神經(jīng)元，每個神經(jīng)元由若干個箭頭來連接，連接箭頭所指的方向為數(shù)據(jù)傳輸方向。x1，x2，…，xn表示流向神經(jīng)元的輸入數(shù)據(jù)，w1，w2，…，wn表示輸入數(shù)據(jù)的權(quán)重。來自輸入側(cè)的數(shù)據(jù)在輸送到神經(jīng)元節(jié)點前乘以各自的權(quán)重，相加后輸入到神經(jīng)元節(jié)點與偏置q相加，計算公式如下：

圖1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

通過分析式（1），當權(quán)重w1=1，權(quán)重w2=5，相當于輸入?yún)?shù)x2的重要程度是x1的5倍。如果權(quán)重w1=0，表示輸入?yún)?shù)無法傳遞到下一神經(jīng)元，輸入?yún)?shù)x1與神經(jīng)元發(fā)生斷路。這表明，在輸入?yún)?shù)傳遞的過程中，權(quán)重wi控制著神經(jīng)元的連接方式。對于公式（1）可以用矩陣的形式表達：

式中，y表示神經(jīng)元輸出值。

2.3 負荷模型的建立

BP網(wǎng)絡(luò)是一種基于反向傳播算法的人工神經(jīng)網(wǎng)絡(luò)模型，它能夠?qū)W習(xí)和存儲大量的輸入-輸出模式映射關(guān)系，而無需事先揭示描述這種映射關(guān)系的數(shù)學(xué)方程。BP網(wǎng)絡(luò)由輸入層、隱藏層和輸出層組成，在訓(xùn)練過程中使用最速下降法，通過反向傳播不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小化。神經(jīng)網(wǎng)絡(luò)模型如圖2所示。

圖2 面向供電系統(tǒng)負荷的BP神經(jīng)網(wǎng)絡(luò)模型

輸出層為在煤礦供電系統(tǒng)負荷中表示輸入的評價指標。隱藏層為主要用于信息處理，其不能從神經(jīng)網(wǎng)絡(luò)外部訪問。輸出層為最終的輸出結(jié)果，在煤礦供電系統(tǒng)負荷中表示系統(tǒng)的安全等級。最終輸出結(jié)果并不是直接等于輸入?yún)?shù)與權(quán)重的乘積之和，還要經(jīng)過一個傳遞函數(shù)。在BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)過程中主要包含兩個過程，正向傳播與反向傳播。正向傳播獲得輸出值，反向傳播通過導(dǎo)數(shù)的鏈式法則計算輸出值與真實值之間的誤差來更新權(quán)重和偏置，使得輸出結(jié)果向?qū)嶋H結(jié)果擬合。反向傳播算法的基本思想：

（1）通過式（2）計算每一層的狀態(tài)和輸出值，直到輸出層；

（2）從輸出開始，由后向前依次計算每一層的誤差；

（3）計算每個神經(jīng)元連接權(quán)重的梯度；

（4）根據(jù)梯度下降法更新參數(shù)。

3 實驗驗證和分析

煤礦供電系統(tǒng)模型見部分歷史數(shù)據(jù)集見表1。共選擇360個歷史數(shù)據(jù)集用于BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)，其中244個作為訓(xùn)練集，116個作為測試集。將表1中的參數(shù)輸入到運算程序中，然后開始訓(xùn)練。

表1 歷史數(shù)據(jù)集

如圖3所示，數(shù)據(jù)每正向和反向傳播一次，數(shù)據(jù)完成一次更新，將每次正向傳播的預(yù)測值與實際值帶入式（2），記錄每迭代一次的損失函數(shù)。觀察圖3可以得到：隨著迭代次數(shù)的增加，損失函數(shù)的值在不斷減小，這表示學(xué)習(xí)結(jié)果在不斷向著好的方向發(fā)展，更新后的權(quán)重指標使得輸出結(jié)果向著測試集數(shù)據(jù)擬合。

圖3 BP神經(jīng)網(wǎng)絡(luò)的損失函數(shù)

損失函數(shù)只能反映學(xué)習(xí)在朝著良好的方向發(fā)展，不能評價學(xué)習(xí)的準確率，在引入了識別精度指標，用來反映學(xué)習(xí)結(jié)果的優(yōu)劣。神經(jīng)網(wǎng)絡(luò)每進行一次正向和反向傳播，權(quán)重與偏置完成一次更新，并且記錄參數(shù)更新后的識別精度，如圖4所示。從圖中可以看到，學(xué)習(xí)一共迭代了170次，測試集的訓(xùn)練精度最終穩(wěn)定在0.8附近。

圖4 BP神經(jīng)網(wǎng)絡(luò)的識別精度

圖4為學(xué)習(xí)完成后的最終輸出值與實際值的比較。分析圖4可知，預(yù)測值曲線與實際值權(quán)限大體重合。

4 結(jié)束語

煤礦供電系統(tǒng)具有復(fù)雜的結(jié)構(gòu)和大量的負荷需求，因此需要優(yōu)化負荷管理策略來滿足日益增長的能源需求和提高能源利用效率。根據(jù)負荷預(yù)測結(jié)果，采用動態(tài)負荷調(diào)整和優(yōu)化算法，以優(yōu)化供電系統(tǒng)中各個節(jié)點的負荷分配，從而達到提高系統(tǒng)效率和可靠性的目的。結(jié)果表明，采用提出的負荷優(yōu)化策略可以顯著提高煤礦供電系統(tǒng)的負荷管理效果。與傳統(tǒng)方法相比，能夠更好地應(yīng)對負荷波動和峰值需求，并能夠及時調(diào)整負荷分配，保證供電系統(tǒng)的穩(wěn)定運行。主要創(chuàng)新點是將大數(shù)據(jù)分析方法應(yīng)用于煤礦供電系統(tǒng)的負荷優(yōu)化問題，為煤礦供電系統(tǒng)的高效管理提供了一種新的思路和方法。同時，基于大數(shù)據(jù)分析的負荷優(yōu)化策略也為其他能源供電領(lǐng)域的研究提供了參考和借鑒。希望成果能夠為煤礦供電系統(tǒng)的優(yōu)化和安全生產(chǎn)做出積極貢獻。未來可以進一步探索該方法在其他能源系統(tǒng)中的應(yīng)用。