基于人工智能技術的配網用戶側負荷態勢感知方法

陳強

（國網山東省電力公司成武縣供電公司，山東菏澤 274200）

近幾年，用戶負載逐漸被用于調峰、調頻等領域，并在維護電網安全中發揮重要作用。隨著需求端用戶側智能程度的提高，對于負荷群體的狀態評估成為用戶側負荷態勢感知的重要環節。在配網系統中引入態勢感知技術，已引起國內外學者的廣泛關注，并對其進行了深入分析和整理，已經取得一定的研究成果。在近幾年的研究項目中，田書欣[1]等人針對如今人們對配電網安全態勢感知快速性和準確性要求高的問題，提出了基于同步相量測量裝置的感知方法。該方法首先對同步相量測量設備的配置進行優化，構建了配電網網絡拓撲分層模型，提高了配電系統安全態勢要素的捕捉性能，然后構建了基于信息熵的矢量數據描述模型，設置態勢預警指標，感知實時安全風險；最后利用長短時記憶網絡對正常運行和故障擾動兩種狀態下的配電網運行趨勢進行預測。金明輝[2]等人主要針對如今智能配電網態勢感知方法評估結果不準確的問題，提出了基于狀態評估的感知方法。該方法構造了一種基于最小二乘擬合法的配網故障檢測模型，通過層次分析法計算權重，實現智能配電網的態勢感知。以上兩種方法在進行數據采集后未對其進行去噪處理，導致數據存在大量噪聲，且訓練時間長，容易陷入局部最優或者過擬合，無法精準感知結果。基于此，該文結合人工智能技術，研究了配網用戶側負荷態勢感知方法。

1 配網用戶側負荷異常情況分析

采用人工智能技術對大量配網用戶進行用電負荷分析，初步篩選零電量用戶，有效縮短目標搜索距離。在這一過程中，以專家經驗為基礎對配網用戶進行分類[3]。通過對零電量用戶進行初步分類、篩選和組合，判定用戶側負荷的異常情況。

零電量用戶類型篩選的流程圖如圖1 所示。

圖1 零電量用戶類型篩選的流程圖

由圖1 設計詳細的篩選過程如下：

1）反向電量判定

從實際角度來看，很有可能發生零電量用戶的進、出線反接現象。當發生這種異常時，可利用AMR 進行電力數據的查詢。電表輸出的正向電量是0，逆向不是0。在有逆向電量的情況下，對“入、出、反”的用戶進行判定，排查最高評分，即存在反向電量用戶[4-6]。

2）計量表傳輸異常判定

對于計量表傳輸異常進行判定時，應充分考慮電壓是否被采集成功。如果成功，但計量表傳輸依然異常，則需對其進行判定[7-9]。

判斷依據為：

式中，當H(t)=1 時，表示零電量用戶在t時刻的電壓為0；當H(t)=0 時，表示零電量用戶在t時刻的電壓不為0。

3）居住狀況判定

當大部分電量為零的用戶長期處于閑置狀態，每日用電量都低于某一臨界點[10-11]。文中采用專家經驗設置閾值，以排除人為因素造成的小電流[12]。對長期不使用電力的用戶進行甄別，發現零電量異常的概率非常小，則其診斷得分應為0，即可說明該用戶長期無人居住[13]。

通過對配網用戶側負荷異常情況進行分析，篩選出零電量用戶。

2 基于人工智能技術的負荷態勢感知

采用人工智能技術對配網用戶側負荷進行態勢感知時，其具有較高的智能化、人性化、獨立分析和決策能力。該感知技術能夠調用邊緣梯度計算方式，實現負荷態勢感知與分析[14]。在完成方法設計的過程中，首先通過模型認知來辨識負載對象，并對其進行自適應修正；然后，對空域進行集中劃分，以此提高分析的準確性；最后，利用變分模態分解算法分解感知態勢，結合Fisher 判別法完成配網用戶側負荷態勢感知。

2.1 人工智能技術負荷態勢感知模型構建

采用云平臺對人工智能技術上報的負載群體進行量化分析，并對其與電網（電力）協商一致的目標曲線進行檢驗，從而形成一個綜合的負荷態勢感知模型，如圖2 所示。

圖2 人工智能技術負荷態勢感知模型

引入人工智能技術，可有效改善辨識的精確度和相似性以及負載調整的精確度。另外，采用邊緣運算和集中運算相結合的方法，可有效提高運算效率。

2.2 基于機器學習的負荷空域集合劃分

在配網環境下，依據功率負荷空間解析情況，將特定區域劃分為若干個供電單元。對該供電單元進行分區處理，將小區分為兩類：第一類是供電區域，也稱為I 類小區[15]；第二類是將被預測區域按照相同大小的規則網格劃分為區塊，稱為II 級單位。直接獲取的歷史負載資料中有一些不正常的數值，為此提出了一種基于機器學習的人工智能算法來識別異常點[16]。選取多個特征點構成一個特征空間；在所選擇的屬性中，將最大值與最小值分別分成一塊，構建一組機器學習，計算出每一組的異常分數。公式如下：

式中，k1表示從負荷異常時刻向前推進的負荷數量；k2表示從負荷異常時刻向后推進的負荷數量；Lk1、Lk2分別表示原始負荷序列中的兩個時間點的負荷值；n1、n2分別表示向前推進和向后推進的總數量。該計算結果越大，說明集合異常得分越高，基于此，使用雷達圖法評估零電量電力用戶異常程度。用電異常綜合評價雷達圖如圖3 所示。

圖3 用電異常綜合評估雷達圖

由圖3 可知，五角星越大，異常用戶用電情況也就越多。采用常規的評價方法會極大地降低特征權值，從而使得識別的核心點變得更加困難。采用雷達法，可利用雷達圖了解不同電網中電力系統的各種特征和異常狀況。

2.3 配網用戶側負荷態勢感知

使用變分模態分解算法將狀態感知后的I 類小區和II 級單位負載時間序列進行分解，并得到趨勢分量及低頻分量。

變分模態分解通過邊緣梯度分解形成，將信號進行自適應分解，這就是對變量問題的構造與求解過程。利用迭代搜索變量模型，將狀態感知后的負荷時間序列分解為K個中心頻率。對于分解的K個中心頻率，通過式（3）求出各成分的能量值，并以狀態感知后的負載時間序列的能量值為標準。

式中，Ei表示第i個分量的能量值；MFi表示第i個分量；Tmin,i、Tmax,i分別表示時間上限和下限。

經過變分模態分解后獲取趨勢、低頻分量，對這兩個分量進行感知，結合Fisher 判別法對待感知態勢進行動態預測，得到待預測負荷態勢所屬的類別。將配網用戶側負荷態勢投影到某一方向上，使同一類型的負荷投影點盡可能接近，不同類的負荷投影點盡可能遠離，以此為依據進行態勢感知。

Fisher 判別函數為：

式中，λ表示判別函數系數；x表示待判樣例指標數值。當T(x)=λ時，可判斷該數值對應的負荷為趨勢分量；當T(x)≠λ時，可判斷該數值對應的負荷為低頻分量。

3 實 驗

為驗證基于人工智能技術的配網用戶側負荷態勢感知方法研究的合理性，進行實驗驗證分析。

3.1 實驗數據集

以戶號為****32240 用戶為例，對于該用戶在過去一段時間內的歷史數據進行聚類處理，得到如表1所示的數據。

表1 歷史數據聚類結果

由表1 可知，在負荷歷史態勢被分成的14 類中，每類樣本數量均大于15 個，能夠保證有足夠的數據進行訓練。

3.2 實驗結果與分析

選取基于同步相量測量裝置的感知方法（文獻[1]方法）、基于狀態評估的感知方法（文獻[2]方法）為對比方法，與基于人工智能技術的配網用戶側負荷態勢感知方法進行對比實驗，對比分析用戶側負荷態勢感知結果，如圖4 所示。

圖4 三種方法用戶側負荷態勢感知結果對比分析

由圖4 可知，使用基于同步相量測量裝置的感知方法感知曲線與實際曲線不一致，其中，使用該方法最高感知負荷為3.4 MW，與實際最高感知負荷相差2.0 MW；使用基于狀態評估的感知方法感知曲線與實際曲線不一致，其中，使用該方法最高感知負荷為2.5 MW，與實際最高感知負荷相差2.9 MW；基于人工智能技術的配網用戶側負荷態勢感知方法感知曲線與實際曲線基本重合，其中，使用該方法最高感知負荷為5.35 MW，與實際最高感知負荷相差0.05 MW。由此可知，使用人工智能技術與實際數值相差較小。

為進一步驗證人工智能技術感知效果的精準性，分別使用三種方法進行感知，對比分析態勢感知誤差，該誤差用百分數表示如下：

式中，D表示態勢感知總數據量；D′表示態勢感知目標數據量。

根據式（5）計算三種感知方法的感知誤差，對比結果如表2 所示。

表2 三種方法感知誤差對比分析

由表2 可知，使用基于同步相量測量裝置的感知方法、基于狀態評估的感知方法最高感知誤差分別為0.47、0.36，而使用基于人工智能技術的態勢感知方法，最高感知誤差為0.20。由此說明，使用該技術感知誤差小，說明使用該技術能夠得到精準感知結果。

4 結束語

為提升對電網用戶側符合態勢感知的精準度，提出的基于人工智能技術的配網用戶側負荷態勢感知方法，對配網中的負荷進行了認知、狀態預測和定量分析，使其在參與電力系統的互動過程中達到了智能化和精細化的程度。但在負載群集的應用中，需要進行更多研究，其中，基于多能協作的負載協同優化是今后的發展方向。