基于智能數據處理的電網信息實時交互系統設計

魏國旺

（國網信通產業集團北京國電通網絡技術有限公司，北京 100192）

智能電網建設是當前我國建設能源互聯網過程中的重點推進工作之一。電網的智能化核心在于智能用電，其主要表現在考慮用戶與電網雙向互動的基礎上，實現對于電網運行過程中所產生交互信息的智能化處理，從而保障電網的可靠運行。因此，研究計及電力用戶與電網雙向互動的智能電網信息實時交互關鍵技術，建立符合國內技術規范的電網信息交互系統，完成對于電網海量數據的智能化處理，從而實現快速響應的智能化用電，對于智能電網的發展具有重要作用[1-3]。

當前供電企業在開展不同業務時，通常會使用由不同供應商生產的應用管理系統。由于其運行環境主要考慮具體的業務實施環境而忽略了電網運行過程中的總體情況，使得各系統之間相互獨立而無法實現實時的信息交互。其中，核心問題是對于以電網數據為核心的信息資源無法進行高效的整合分析，從而難以發現數據中潛在的異常問題，這對電網的安全運行存在極大的威脅[4-8]。因此，該文設計了集成化的電網信息實時交互系統，并在電網主站側采用改進的支持向量機模型對數據進行處理，以實現對異常數據的檢測，從而進一步推進電網智能化的發展。

1 電網信息實時交互系統

在該文所設計的電網信息實時交互系統中，電網側包括互動信息數據庫與信息服務系統，在該側對電網數據進行采集并分析，以開展用電優化，并實時監測用電狀況與故障狀態，從而保障電網的安全運行。而在用戶側則可完成對電力用戶數據的采集和分析，使得用戶能夠與電網進行互動并達到信息交互的目的，從而使用戶深入了解自身負荷、設備能耗、節點方案與用電價格等信息并主動作出實時響應，進而減少高峰時期的用電負荷。在考慮電網與用戶之間雙向互動的基礎上，可以實現電網及用戶用電信息的交互，從而保障供電安全，且有利于節能降耗。其基本結構框架如圖1 所示。

各部分功能描述如下：

1）電網數據采集系統的主要功能是實現對電力用戶用電負荷、用電量等數據的實時在線監測。同時，電力用戶也可以基于Web 用戶端及智能終端獲取用電指導，并完成用電查詢、購電及報警等操作。

圖1 電網信息實時互動系統結構框架

智能電表是電網數據采集系統的核心計量設備，其主要由上行與下行通信接口組成，本質是一種多功能電表[9-10]。智能電表的主要功能為：①互動計量。可支撐分布式發電并網且完成電價的凈計量，供電企業能從新能源發電用戶處購買剩余電力并扣減消費者用電費用中的新能源發電量。②費控作用。智能電表可智能化實現電力用戶的電費儲存和階梯計價。當智能電表電費余額不足時，其將主動提示電力用戶且給出斷電信號，并切斷負荷開關。③通信功能。通信信道物理層保持獨立地位，當產生嚴重事件時會主動告警。④可按照用戶需求設定用電額度，從而限定負荷。⑤對電能質量實施監測，并記載家用電器的狀態信息。⑥安全防護。智能電表能夠進行編程開關防護與密碼保護，從而規避外來人員的篡改行為。

2）通信傳輸網絡。基于Java 語言設計的Web 用戶端，結合目前國內電網運行特性與需求，利用服務器-用戶端的組織模式完成用電信息及運行信息的雙向互動。Web 互動過程包括建立互動信息的數據庫與互聯接口，從而對信息服務系統的數據資源進行管理，并針對業務的互動需求開展用電信息的實時采集與數據的智能處理。

3）電網主站。在電網信息實時交互系統的通信傳輸網絡中，電網基于智能傳感器實現對電網設備的狀態監測，以此在負荷高峰完成調度并彌補供應不足的問題。而通過信息互動也可讓電力用戶對電網管理有所了解，且在接受用電指導后完成節能降耗。

在電網信息實時互動系統中，電網側包括互動信息數據庫與信息服務系統。通過智能終端設備將用戶信息經通信傳輸網絡傳輸到調控中心，并儲存在數據庫中對數據進行智能處理；然后根據安全原則篩選信息且加密，并發布可公開的信息；再由信息服務系統對電力用戶進行服務，使得用戶通過外網完成網上購電。電網通過系統完成信息交互，使得電力用戶及時獲取電網的停電、檢修公告及相應的區域位置，從而提升了電網與用戶間的和諧度。

4）電力用戶是電網的服務對象，也是信息交互系統中的重要環節。通過系統媒介，電力用戶可對電網發布的公告進行快速響應，從而根據電網最優用電指導對家用電器進行合理使用，并實時觀察家庭用電狀態，以提升用電可靠性。電網與用戶的雙向交互能有效提升電網穩定性，達到節能減排的目的。用戶側的交互系統則主要用于電網對電力用戶發布公告，并通過Web 服務為電力用戶提供耗能分析、階梯電價、網上購電及故障報警等服務。

2 智能數據處理

在電網信息實時交互系統中，包含有電網運行狀態的實時性數據。基于安全性與實時性考慮，需在系統中的電網側完成對數據的智能實時處理，從而有效發現電網設備的異常信息。由于電網中存在海量的交互信息，傳統的人工分析難以有效處理此類問題。以支持向量機（Support Vector Machine，SVM）為代表的人工智能算法的興起，為海量數據的智能處理提供了新的解決思路。因此，該文針對性地采用以SVM 作為基礎的數據分析模型，對數據開展異常檢測。

2.1 SVM算法

SVM 的本質是對數據樣本進行分類與回歸運算[11-12]。其基本的算法流程如下：

首先設置所獲取原始數據中的n維輸入xi與輸出yj，且{xi,yj},i,j=1,2,…,n。則SVM 定義為：

式中，?(?)是SVM 的特征映射函數，即樣本的回歸函數，其可表征為：

其中，‖ω‖2是復雜度參數，用于表征F(?) 的復雜程度；C是懲戒因子，用以表征SVM 對于分類失誤的懲戒水平，并提升全局最優解的求解幾率；是經驗風險值，用于表征預測結果與實際結果間的誤差。若ε表示的是松弛變量，用于消除實際值的區域誤差，則其符合下式：

將式（3）-（4）聯立可得：

將Lagrange 乘子法代入式（5），可求解對偶優化問題：

其中，K(xi,xj) 表示SVM 的核函數。該文選取RBF 核函數作為SVM 的核函數，具體如下所示：

將解格式設定為(a,a*)，代入可得：

將式（9）代入式（8）得：

由此實現對數據樣本的二分類求解，其中F(x)為+1 或-1 兩類，由分類結果便可判斷樣本類型，從而檢測出異常數據。

2.2 基于IBA的SVM參數優化

由于SVM 的分類結果由其參數所決定，而傳統的人工選參通常并非最優參數，故造成SVM 的分類效果難以滿足實際應用的需要。因此文中針對該問題，采用改進的蝙蝠算法（Improved Bat Algorithm,IBA）實現SVM 的參數尋優。改進的過程主要是重新構建BA 種群中標準個體的局部尋優公式，并引入自適應速率權值參數w加以改進。w可有效評估蝙蝠當前所處的位置與全局最優位置的區別，且隨著迭代次數的逐步增加，蝙蝠的前進速率會逐步放緩。并按照現有個體飛行狀態動態調節前行速率，從而更好地尋找全局最優解。IBA 流程如下：

1）設定算法的基礎參數。種群個數Sp、種群的維度D、迭代上限Imax，脈沖響度A(0)、發射率R(0)、A(0)衰退系數Af、R(0)的增強系數Rf以及脈沖頻率[fmin,fmax] 。

2）初始化蝙蝠種群。對于種群中蝙蝠個體的初始位置進行運算并對其加以評價，求出個體的適應度值并找出現有的最優解。

3）根據下式對種群個體的飛行速率與所處位置進行更新。更新計算公式如下：

式中，fi、fmin、fmax分別表征當前、最小和最大的脈沖發射頻率。β表示的是取值范圍為(0,1)內的隨機數，w表示速率權值參數，vi表示當前個體的實時速率，xi表示第i個個體當前所處位置，x*表示空間最優解，t表征當前迭代次數。

4）若當前蝙蝠個體脈沖發射率ri滿足隨機數rand>ri，則個體將根據式（12）進行局部尋優：

5）判 斷(rand

其中，f(xi) 表示當前蝙蝠個體的適應度值，f(x*)表示空間最優適應度。

6）判斷是否到達迭代上限，若是則輸出最優適應度值；否則，跳轉至步驟3）繼續尋優。

2.3 電網智能數據處理模型

基于以上理論，該文將IBA-SVM 應用于電網的智能數據處理，從而對交互信息系統所收集到的異常數據進行檢測，模型的整體流程如圖2 所示。

3 實驗分析

3.1 實驗環境

該文實驗環境：系統為Windows 10 的計算機，PC的CPU 為Intel(R)Core(TM)i9-9900K @ 3.60 GHz，內存為32 GB，硬盤容量為2 TB，所采用的仿真軟件為Matlab 2020A。數據集合來自愛爾蘭電力公司于2012 年公開的電網用戶用電量開源數據，該文選擇2009—2010 年中1 800 名電力用戶在300 天內的用電數據作為基礎數據集，其中訓練集與測試集的比例為9∶1。

圖2 電網智能數據處理模型工作流程

3.2 實驗結果

為檢驗所提方法的有效性，將該文方法與BP神經網絡（Back Propagation Neural Network，BPNN）[13-14]、極限學習機（Extreme Learning Machine，ELM）[15-16]、SVM進行對比，測試集所得分類結果如圖3 所示。

從圖3 可以看出，在該文設計的電網信息實時交互系統框架下對電網用戶用電量數據進行異常檢測時，BPNN 的檢測準確率為77.22%，ELM 的檢測準確率為87.22%，SVM 的檢測準確率為90.56%，而該文方法的準確率則為94.44%。與其他方法相比，所提方法能夠較為準確地檢測出電網數據的異常情況。其可適用于電網信息實時交互系統的智能數據處理，故具有良好的工程實際應用能力。

為進一步體現該文方法的優勢，將以上幾種方法與該文方法進行運算效率對比，并采用測試集檢測的運算時間作為運算效率的衡量尺度，所得結果如表1 所示。

由表1 可知，該文方法的運算耗時與BPNN、ELM 算法相比更少，而與SVM 的運算耗時基本接近。這表明該文提出的方法能在確保運算準確率的同時也提升了運算效率，故可高效實現對電網數據的智能處理，且工程應用的可靠性也較高。

圖3 實驗結果

表1 運算效率分析

4 結束語

針對當前電網信息交互存在的不足，該文設計了一種電網信息實時交互系統，在系統框架內采用SVM 作為數據處理的基礎模型，并引入改進的BA 算法完成對電網數據的異常檢測。通過實驗分析可知，該文設計的系統能夠高效、準確地處理電網數據，并實時檢測出數據中的異常情況，進而保證了電網的安全運行。因此，該文方法對于電網的信息安全具有重要的推動作用。