基于泛在電力物聯網的用電行為特征解析與應用研究

戴暉， 秦鏡， 程帥

(國網淮安供電公司，江蘇 淮安 223001)

0 引 言

隨著國家市場經濟的不斷發展，電力體制改革進程也在不斷深化。對電力企業經營和發展而言，電力市場分析工作顯得愈發重要。伴隨城市地區電網高速發展，電力系統的負荷發生了很大變化，出現最大電網負荷持續快速增長、負荷峰谷差增大、電網負荷率下降、檢修季節部分設備停運時電力供應緊張和電網調峰難度越來越大等一系列現象，加劇了電力供需矛盾，也給電力負荷分析預測、電網規劃和業擴報裝工作帶來許多困難[1-2]。另外，對于用電客戶的業擴報裝要求，提出新裝用電和增加用電申請，受理并確定能夠滿足用戶要求的供電方式，是電網規劃部門的一項重要工作[3-4]。本文結合不同區域用戶類別調研，對用戶用電特性進行分析。

1 基于泛在物聯網的用電行為特征解析架構設計

本文以泛在物聯網為中心，將各個地區的用電智能終端、傳感器和物聯網等集合起來，實現不同地區、不同用戶用電行為數據的分析和應用[5]。架構示意圖如圖1所示。

圖1 泛在物聯網的用電行為解析架構示意圖

本文的技術創新點在于以下幾點：

(1) 構建出集合多種信息的物聯架構系統，在感知層感知用電信息，在網絡層傳遞用電信息，在平臺層實現多種信息分析和應用，在應用層實現數據的多種應用，進而實現物聯通信。

(2) 將不同區域和不同行業的用電信息集合起來，通過大數據分析技術實現各種不同區域和用戶的用電信息分析，能夠跨越時空和區域實現數據的信息互聯，并具有泛在連接、數據感知、大數據融合和共享等新型特點[6]。

(3) 在大數據統計分析技術原理的基礎上，再次應用灰色算法模型，對用戶用電行為進行預測。通過擬合曲線將統計出的大數據信息直觀地表達出來，進而實現不同地區和不同用戶的用電行為分析，大大提高了用戶用電效率，提高了用戶用電的監控力度。

2 關鍵技術設計

2.1 基于MEA算法和BP神經網絡的多源數據融合算法

本文采用MEA算法來確定BP神經網絡初始權值和閾值，從而快速得到最優的用電信息數據融合模型[7]。MEA算法是一種采用迭代進化方式的學習方法，它在遺傳算法的“種群”和“進化”思想的基礎上提出了“趨同”和“異化”兩種操作[8]。“趨同”是在子種群Si(i=1,2,…,n)中快速找到局部最優子種群，i表示不同種群中的某個種群。對各個子種群局部環境信息進行快速檢索和打分，通過分數來確定局部最優，最優個體Ni,pbest的得分就是其所在子種群Si的得分；“異化”則是在整個解空間內搜索子種群，對分數較高的子種群予以保留，對分數較低的子種群進行剔除。同時為了保證子種群的總數不變，在解空間內隨機產生新的子種群。這樣經過不斷地進化，最終得到的子種群為最優子種群。

MEA算法可以用來優化初始權值和閾值、學習規則和網絡結構，本文將其用來確定BP神經網絡的初始權值和閾值，提高BP神經網絡的精度和穩定性。采用MEA算法來確定BP神經網絡的初始權值和閾值的方案如圖2所示。

圖2 MEA算法和BP神經網絡融合結構

圖2中:t為MEA算法中當前時刻正在進行的迭代循環次數;k為某個子種群內部當前時刻正在進行的迭代循環次數。從圖2可以看出，BP神經網絡的初始值和閾值的確定方式用子種群內部的某一個體來替換，在各個子種群內部進行迭代過程。通過局部公告板篩選出局部最優個體，然后將所有種群內部的最優個體通過全局公告板進行進一步比較，篩選出全局最優個體和最優子種群，最終采用全局最優個體代表的初始權值和閾值訓練得到BP神經網絡模型醫療信息數據融合模型，即醫療信息數據融合模型。

整個模型的關鍵部分是得到子種群內部的最優個體，在子種群內部進行迭代，以通過局部公告板得分最高的個體為中心進行收縮，直到子種群成熟為止。

將子種群Si內部的個體看作正態分布:

Ni(μi,Ci)

(1)

式中:μi為正態分布的中心向量，在本研究中為子種群內部的最優個體的位置坐標；Ci為正態分布的協方差矩陣，因為BP神經網絡的初始權值和閾值之間沒有互相影響，所以Ci可以看作對角矩陣。

Ci=diag(σ1,σ2,…,σd，…，σk)

(2)

式中:d為整個解空間中所有個體的維數。

作為“大哥”的“雪龍號”有著出色的成績單：1994年10月，第一次奔赴南極，執行南極科考和物資補給運輸任務，此后一直參與極地的各種科學考察任務，已奔赴南極35次；對北極，“雪龍號”也毫不陌生，從1999年開始，它已經先后9次造訪過北極。

(3)

式中:Hd為子種群內部第d維個體的上限;Ld為子種群內部第d維個體的下限。

當迭代次數達到設定的次數,或者五次迭代的正態分布的中心向量，也就是最優解的位置坐標沒有變化的時候，就認為子種群達到成熟狀態，此時最優個體的得分即為子種群的得分。然后將所有子種群的局部最優解進行迭代計算得到全局最優解，全局最優個體的初始權值和閾值則作為本文中用電信息數據融合模型的初始權值和閾值。

2.2 基于灰色GM(1,1)模型的大數據分析技術

(4)

針對上述x(1)輸出的一階均值，可以導出序列值xi，二者之間存在以下線性關系：

(5)

在式(5)中，k≥2。

對上述線性方程進行微分求解，得出以下函數關系式：

(6)

式中:a為用電終端或者場合；u為用電方式，通過這種方式可以求出a和u之間的關系，可以輸出用戶在特定環境下的用電特征分析。在求該值時，需要借助于最小二乘法，最終要應用的公式可以為：

(7)

然后進行數據還原，則有：

(8)

(9)

式中:k≥1。

通過上述公式，能夠實現用戶在不同階段和區域用電量的精準預測、量化預測。

3 試驗結果與分析

為了驗證上述數據融合算法的有效性，在試驗室內采用計算機仿真進行驗證，其中計算機的硬件配置CPU為Inter Core i7-9700H，運行內存為3 200 MHz 8×2 GB，硬盤大小為1 TB。

選取2018年淮安市一年中食品、飲料和煙草制造企業的用電數據為試驗數據，對數據進行統計，可以得到如表1所示的試驗數據。

表1 試驗數據

將前6個月的數據作為訓練樣本，訓練收斂后對后面6個月的用電量進行預測，最后與真實值進行對比。首先對上述收集到的數據進行預處理，處理方式主要是對錯誤的數據進行剔除、對缺失的數據進行補充以及數據的降噪處理。本文采用的數據融合模型的網絡參數設置如表2和表3所示。

表2 數據融合模型算法的網絡參數設置

表3 算法網絡結構設置

采用上述數據對本文的數據融合算法和傳統的BP神經網絡數據融合算法進行對比。將本文算法的數據融合結果與100次BP神經網絡的數據融合結果進行對比，可以得到圖3所示兩種算法的收斂性對比。

從訓練誤差的最低位置來看，本文算法的訓練誤差要小于BP神經網絡，因此本文算法的收斂性要比BP神經網絡的要好。同時在圖3中可以很明顯地看到BP神經網絡陷入了局部最優，而本文算法沒有出現陷入局部最優的情況。只通過收斂性并不能全面地比較兩種算法的好壞，下面對兩種算法的精度和穩定性進行對比，采用平均相對誤差(mean relative error, MRE)和最小誤差平方和(least square estimate, LSE)來作為算法的精度和穩定性的評價指標。兩種指標的計算公式為：

圖3 兩種算法的收斂性對比

(10)

(11)

式中:D為用于驗證的信息數據樣本量;ARe為融合算法得到的第e個融合后信息;AMe為第e個真實的診斷信息。通過計算得到兩種算法的誤差對比如表4所示。

表4 兩種算法的誤差對比

從MRE值可以看出，本文的數據融合算法的精度為88.82%，傳統的BP神經網絡數據融合的精度為81.05%，提高了7.77個百分點。通過比較兩種算法的LSE值可知，本文數據融合算法的穩定性比傳統BP神經網絡數據融合提高了31.52% 。

數據融合完成后，采用上述灰色GM(1,1)模型對食品、飲料和煙酒制造行業后6個月的用電量進行預測，然后與直接用灰色GM(1,1)模型進行預測的結果進行對比。對預測結果進行記錄，可以得到表5所示的預測結果對比數據。

表5 預測結果對比數據

從表5中數據可以看出，進行數據融合后的預測結果比直接預測的結果更準確。為了更好地表現兩者之間的差距，對比預測的結果與真實值計算預測的誤差率，誤差率(w)的計算公式為：

(12)

通過計算，可以得到圖4所示的預測誤差率對比圖。

圖4 預測誤差率對比圖

從圖4中可以看出，兩種預測方式均存在波動性。但是總體來說先進行數據融合再進行預測的結果要比直接預測的結果誤差要小，計算6次誤差的平均值，先數據融合再進行預測的誤差率相比直接預測的誤差率降低了約1.495個百分點。

4 結束語

針對淮安市區域用電問題，提出了基于泛在物聯網的用電行為解析架構，該架構能夠聯系各個地區的用電智能終端、傳感器和物聯網等，獲取不同地區和范圍的用戶用電。通過淮安市區域用電總體情況以及淮安典型行業年用電特性分析，得到淮安用電的綜合情況。結合基于統計學原理的大數據分析技術以及灰色GM(1，1)模型的大數據分析技術，實現了不同用戶用電不同方式的分析。但是本文也存在一些不足，需要進一步地挖掘和研究。