基于人工神經(jīng)網(wǎng)絡(luò)的電網(wǎng)負荷數(shù)據(jù)分類方法

花 潔，李 偉

(廣東電網(wǎng)有限責任公司 佛山供電局，廣東 佛山 528000)

在進入能源時代后，社會對于電力的需求都在逐年上升，與此同時產(chǎn)生了大量的電網(wǎng)負荷數(shù)據(jù)。電網(wǎng)負荷數(shù)據(jù)中包含著電力系統(tǒng)對用戶的電力供應(yīng)、電價計算、電力負荷預測等，具備極為廣闊的現(xiàn)實意義。在電力系統(tǒng)中若電網(wǎng)負荷數(shù)據(jù)出現(xiàn)錯誤，會導致一段時間內(nèi)該地區(qū)的電力供應(yīng)都會失去調(diào)配能力。為能夠更高效率地利用電網(wǎng)負荷數(shù)據(jù)，對其進行數(shù)據(jù)分類處理[1]。

文獻[2]通過收集大量的電網(wǎng)負荷數(shù)據(jù)，基于K-均值算法對電力數(shù)據(jù)進行了分析與預測。通過大數(shù)據(jù)的關(guān)聯(lián)分析，遞增電網(wǎng)數(shù)據(jù)的維度，提供了一個電力數(shù)據(jù)的分類模型。這種方法需要首先建立電網(wǎng)數(shù)據(jù)的數(shù)學模型，依賴于大數(shù)據(jù)的云計算能力，在計算時耗時較長，效率較差。文獻[3]通過神經(jīng)網(wǎng)絡(luò)算法針對數(shù)據(jù)集進行了改進，以采樣技術(shù)為中心，改變了數(shù)據(jù)集的識別能力，并創(chuàng)建原始數(shù)據(jù)集和測試數(shù)據(jù)集作為電網(wǎng)負荷數(shù)據(jù)的分類樣本。這種方法通常只適用于比例適中的小樣本數(shù)據(jù)集，對于大數(shù)據(jù)樣本的計算能力較差。文獻[4]通過聚類算法，設(shè)計了一種能夠向上采樣的數(shù)據(jù)集，在調(diào)整計算樣本的過程中，設(shè)定合適的參數(shù)結(jié)構(gòu)，進而提高后續(xù)算法的計算準確性，保證冗余數(shù)據(jù)被及時刪查，但是這種算法需要改變數(shù)據(jù)的分布結(jié)構(gòu)，才能增強數(shù)據(jù)分類效果，因此在某種情況下無法使用。

為解決以上傳統(tǒng)方法存在的問題，本文通過人工神經(jīng)網(wǎng)絡(luò)算法，對電網(wǎng)負荷數(shù)據(jù)的分類算法進行改進優(yōu)化設(shè)計。從另一個角度，刪減數(shù)據(jù)庫中的冗余數(shù)據(jù)，減少數(shù)據(jù)的數(shù)量，進而增強電網(wǎng)負荷數(shù)據(jù)的分類效率。

1 電網(wǎng)負荷數(shù)據(jù)分類方法

1.1 提取離群點數(shù)據(jù)

假設(shè)在數(shù)據(jù)集中，需要保證分類器的整體性能近似于平衡狀態(tài)，此時數(shù)據(jù)密度計算公式為：

(1)

式中，ρd為數(shù)據(jù)集M中，當分類器處于平衡狀態(tài)時樣本數(shù)據(jù)的密度；Nd為樣本數(shù)據(jù)大類中的樣本數(shù)量；Nx為樣本數(shù)據(jù)小類中的樣本數(shù)量；Nl為樣本數(shù)據(jù)的鄰近樣本數(shù)量。

當ρd的函數(shù)區(qū)間位于[0，1]時，其最大容忍度可以表示為：

(2)

式中，ξmax為歐式幾何模型中數(shù)據(jù)樣本的最大容忍度；ρNd為數(shù)據(jù)模型中大類樣本的密度；ρi為數(shù)據(jù)模型中樣本的總密度[5-6]。一般的鄰近樣本需要在數(shù)據(jù)集Ui中得到采樣的最近鄰密度，因此可以通過計算局部密度的方式得到其距離中心點的可達性。

(3)

式中，ρlrd(Hn)為數(shù)據(jù)集Hn局部的面積最大值；Im為距離數(shù)據(jù)集Hn最近的對象與數(shù)據(jù)集Hn中心的距離；d(xn-xi)為數(shù)據(jù)集一段端點xn與另一端端點xm的距離；Nh(Pl)為離群點數(shù)據(jù)與數(shù)據(jù)集中心的可達性[7-8]。通過計算ρlrd(Hn)的最大值，可以得到離群點數(shù)據(jù)的采樣依據(jù)，若ρlrd(Hn)大于1，則表明可以檢測到離群點的采樣數(shù)據(jù)，若ρlrd(Hn)小于1，則表明無法檢測到離群點的采樣數(shù)據(jù)。

1.2 訓練集設(shè)計

在人工神經(jīng)網(wǎng)絡(luò)算法中，對數(shù)據(jù)集的訓練大致可以分為4個步驟，首先需要通過計算可達性得到離群點數(shù)據(jù)的采樣結(jié)果，并保留下采樣中的邊界樣本。在構(gòu)造原始數(shù)據(jù)集時，需要將子集中的樣本整理到母集中，以保證數(shù)據(jù)集的噪聲數(shù)據(jù)可以被移除。第2步需要將數(shù)據(jù)集中所有的噪聲數(shù)據(jù)全部清除，以下為檢驗噪聲數(shù)據(jù)的公式：

(4)

式中，Tr(θ)為數(shù)據(jù)集θz中需要被清理的噪聲數(shù)據(jù)的位置；Nz為在找到噪聲數(shù)據(jù)前最后一個被訓練的數(shù)據(jù)；λn為對樣本λ第一個計算初始目標的神經(jīng)元輸出值；λm(θ)為對樣本第一個計算初始目標的神經(jīng)元目標值[9-11]。在得到噪聲數(shù)據(jù)的檢驗方法后，需要將上文中的數(shù)據(jù)分區(qū)塊小規(guī)模訓練，通過權(quán)值迭代的方法將隱藏節(jié)點作為分區(qū)標志，計算隱藏節(jié)點與輸出節(jié)點之間的向量坐標：

(5)

式中，λj(θ)為在以隱藏節(jié)點為邊界的小規(guī)模數(shù)據(jù)庫中，隱藏節(jié)點與輸出節(jié)點之間的向量坐標；Hn(θ)為隱藏節(jié)點的數(shù)據(jù)變化梯度；Gm(θ)為輸出節(jié)點的數(shù)據(jù)變化梯度。為了提高學習效率，可以將隱藏節(jié)點與輸出節(jié)點設(shè)定為雙向激勵函數(shù)：

(6)

式中，αm為通過人工神經(jīng)網(wǎng)絡(luò)學習的效率值[12]。通過這個雙向激勵函數(shù)，在大范圍的數(shù)據(jù)庫中建立訓練集，并獲得相應(yīng)的訓練閾值，以達到人工神經(jīng)網(wǎng)絡(luò)算法中數(shù)據(jù)集的訓練目的。

1.3 電網(wǎng)負荷數(shù)據(jù)逼近優(yōu)化

利用以上神經(jīng)網(wǎng)絡(luò)算法，可以分別計算隱藏節(jié)點與輸出節(jié)點之間的激勵函數(shù)，并確定冗余數(shù)據(jù)的確切位置，在此之后，需要進一步優(yōu)化人工神經(jīng)網(wǎng)絡(luò)中的數(shù)據(jù)分類功能，使其成為特征區(qū)間中的最優(yōu)值。數(shù)據(jù)分類流程如圖1所示。

圖1 數(shù)據(jù)分類優(yōu)化Fig.1 Data classification optimization

如圖1所示，通過離群點的可達性判定，可以將數(shù)據(jù)母集分為不同的子集，其中數(shù)量較大的部分為大類樣本，數(shù)量較小的部分為小類樣本[13-14]。在計算了隱藏節(jié)點的輸出矩陣后，可以通過計算矩陣向量排序的方式獲取其最大數(shù)值，再計算每個樣本的累計誤差，該誤差的最小化計算方法為：

(7)

式中，μmax為數(shù)據(jù)樣本中累計誤差的最小化參數(shù)；αm為調(diào)節(jié)參數(shù)的累加平均值；αn為調(diào)節(jié)參數(shù)的極值識別系數(shù)。計算出μmax最大的數(shù)據(jù)，就可以得到特征區(qū)間中的最優(yōu)值。

1.4 生成冗余數(shù)據(jù)周期性篩查模型

在訓練了數(shù)據(jù)集之后，還需要將數(shù)據(jù)集中作為邊界的冗余數(shù)據(jù)全部清除。通常情況下，需要設(shè)定原始的數(shù)據(jù)樣本n1，n2，n3，…，nx，在每一個小范圍的樣本數(shù)據(jù)集中，都能夠得到冗余數(shù)據(jù)的周期平均值：

(8)

該周期平均值的周期指數(shù)可以表示為：

(9)

式中，Ti為該周期平均值的周期指數(shù)。

通過以上周期平均值和周期指數(shù)的計算，可以直接通過網(wǎng)絡(luò)結(jié)構(gòu)計算出冗余數(shù)據(jù)的誤差更新閾值：

(10)

式中，F(xiàn)wc為網(wǎng)絡(luò)結(jié)構(gòu)中冗余數(shù)據(jù)的誤差更新閾值；nx為數(shù)據(jù)集中最后一個冗余數(shù)據(jù)的位置坐標；ni為數(shù)據(jù)集中第i個冗余數(shù)據(jù)的位置坐標。

在電網(wǎng)負荷數(shù)據(jù)中，這個冗余數(shù)據(jù)的閾值就可以通過二分法進一步確定縮小其區(qū)間范圍，計算公式為：

(11)

式中，θr為該數(shù)據(jù)集中電網(wǎng)負荷冗余數(shù)據(jù)的位置坐標；tr-1為該電網(wǎng)負荷冗余數(shù)據(jù)篩查模型的前2個區(qū)間范圍中位置坐標；tr-1為該電網(wǎng)負荷冗余數(shù)據(jù)篩查模型的前一個區(qū)間范圍中位置坐標[16]。

通過式(11)可以逐步確定冗余數(shù)據(jù)的位置，并將其清除，該公式就是電網(wǎng)負荷冗余數(shù)據(jù)周期性篩查模型。

2 實驗設(shè)計與研究

2.1 實驗準備

本文實驗主要目的為檢驗上文中基于人工神經(jīng)網(wǎng)絡(luò)算法的電網(wǎng)負荷數(shù)據(jù)分類方法的性能，在此過程中，將其與常規(guī)的3種算法進行對比，以此判斷文中的數(shù)據(jù)分類方法是否實現(xiàn)了性能的優(yōu)化。收集電網(wǎng)中的運行數(shù)據(jù)，分3次在其中隨機抽取100組數(shù)據(jù)，分別為數(shù)據(jù)集A、數(shù)據(jù)集B、數(shù)據(jù)集C，這3個數(shù)據(jù)集的屬性設(shè)置見表1。

表1 數(shù)據(jù)集屬性設(shè)置Tab.1 Dataset property settings

在若干電網(wǎng)負荷數(shù)據(jù)中，分類的操作十分復雜，其中包含著許多沒有作用的冗余數(shù)據(jù)，在分類之前因此需要將這些冗余數(shù)據(jù)首先篩除，此時就需要通過信噪比來判斷4種算法中電網(wǎng)負荷數(shù)據(jù)分類方法的性能，其計算公式為：

(12)

式中，gx(t)為某算法中電網(wǎng)負荷數(shù)據(jù)分類信噪比的計算結(jié)果，一般情況下gx(t)越大，說明該段數(shù)據(jù)中的冗余數(shù)據(jù)含量越小，反之則越大；ηx1為在數(shù)據(jù)庫中數(shù)據(jù)集A所含有的水平均值；ηx2為在數(shù)據(jù)庫中數(shù)據(jù)集B所含有的水平均值；ηx3為在數(shù)據(jù)庫中數(shù)據(jù)集C所含有的水平均值；δy1為在數(shù)據(jù)庫中數(shù)據(jù)集A所含有的水平標準差；δy2為在數(shù)據(jù)庫中數(shù)據(jù)集B所含有的水平標準差；δy3為在數(shù)據(jù)庫中數(shù)據(jù)集C所含有的水平標準差。

2.2 電網(wǎng)負荷數(shù)據(jù)信噪比測試

在3個數(shù)據(jù)集中構(gòu)建10個隱藏節(jié)點，每經(jīng)過一個隱藏節(jié)點計算一次電網(wǎng)負荷數(shù)據(jù)的信噪比。將文中設(shè)計的數(shù)據(jù)分類方法作為實驗組，將文獻[2]方法、文獻[3]方法以及文獻[4]方法作為對照組1、對照組2和對照組3，分別將以上數(shù)據(jù)代入到數(shù)據(jù)分類方法中進行測試，得到如圖2所示的實驗結(jié)果。

圖2 電網(wǎng)負荷數(shù)據(jù)信噪比測試Fig.2 Power grid load data signal-to-noise ratio test

電網(wǎng)負荷數(shù)據(jù)在10個隱藏節(jié)點中的信噪比如圖2所示，整理圖中的數(shù)據(jù)，得到表2—表4。

表2 數(shù)據(jù)集ATab.2 Dataset A

表3 數(shù)據(jù)集BTab.3 Dataset B

表4 數(shù)據(jù)集CTab.4 Dataset C

對照組1在3個數(shù)據(jù)集中的信噪比分別為76.35、75.48、75.96 dB，對照組2在3個數(shù)據(jù)集中的信噪比分別為82.75、80.25、79.24 dB，對照組3在3個數(shù)據(jù)集中的信噪比分別為80.46、81.22、80.99 dB。綜上所述，文中設(shè)計的基于人工神經(jīng)網(wǎng)絡(luò)的電網(wǎng)負荷數(shù)據(jù)分類方法較常規(guī)的3種方法信噪比更高，對冗余數(shù)據(jù)的清除更徹底，可以得到更準確的分類方法。

在以上3個數(shù)據(jù)集中，4組算法得到的最大信噪比即是其最終信噪比。其中，實驗組在數(shù)據(jù)集A中的信噪比為102.95 dB，在數(shù)據(jù)集B中的信噪比為101.37 dB，在數(shù)據(jù)集C中的信噪比為100.96 dB。

2.3 不同方法分類性能對比

將文中設(shè)計的數(shù)據(jù)分類方法作為實驗組，文獻[2]方法、文獻[3]方法以及文獻[4]方法作為對照組1、對照組2和對照組3，測試不同方法的負荷數(shù)據(jù)分類綜合性能(分類準確率、精度、召回率)，得到如圖3所示的實驗結(jié)果。

根據(jù)圖3的實驗結(jié)果可知，與對照組的3種方法相比，研究方法具有更高的分類準確率、精度以及召回率。在30次的實驗迭代過程中，研究方法的準確率可穩(wěn)定在90%以上，精度和召回率可達80%以上。以上實驗結(jié)果表明研究方法具有理想性能，應(yīng)用性更強。

圖3 3種方法的分類性能對比Fig.3 Comparison of classification performance of three methods

3 結(jié)語

通過人工神經(jīng)網(wǎng)絡(luò)算法設(shè)計了一種電網(wǎng)負荷數(shù)據(jù)分類方法，該方法以清除冗余數(shù)據(jù)為核心，保證了數(shù)據(jù)庫中數(shù)據(jù)節(jié)點的完整性和簡潔性，提高了電網(wǎng)負荷數(shù)據(jù)的信噪比，從另一個角度提高了數(shù)據(jù)分類的運算速度，保證了數(shù)據(jù)分類的準確性。