基于時間序列的電力業務承載能力自動感知方法研究

摘要：隨著電力業務數據逐步增加，電力業務承載能力分析的重要性日益凸顯。為解決電力業務承載能力感知準確性差的問題，提出了一種基于時間序列的電力業務承載能力感知方法。采用最小二乘法對歷史電力業務數據進行預處理，消除錯誤數據對模型帶來的影響；通過近鄰傳播聚類，獲取電力業務承載能力的典型特征，并以此建立評估指標。在此基礎上，基于時間序列檢測機制，實現電力業務承載能力感知和風險識別。在某計量中心進行了驗證，其電力業務承載能力感知準確率為99.56%。所提方法能有效提高電力業務承載能力感知能力。

關鍵詞：時間序列；電力業務；承載能力；感知；多線位置距離

中圖分類號：TM76；TP39文獻標志碼：A文章編號：1001-5922（2024）10-0181-04

Research on automatic perception method of power service"carrying capacity based on time series

XU Fang，ZHOU Linlin，ZHOU Yuyang，LI Boyu，DUAN Jinlei

（Beijing Fibrlink Communications Co.，Ltd.，Beijing 100071，China）

Abstract：With the gradual increase of power business data，the importance of analyzing the carrying capacity ofpower business is becoming increasingly prominent. To address the issue of poor accuracy in perception of powerbusiness carrying capacity，a time series based perception of power business carrying capacity was proposed. Theleast squares method was used to preprocess historical power business data and eliminate the impact of erroneousdata on the model.Through nearest neighbor propagation clustering，typical characteristics of power business carry?ing capacity were obtained，and evaluation indicators were established based on this. On this basis，based on thetime series detection mechanism，the perception of power business carrying capacity and risk identification wereachieved. It was verified in a certain metering center，and the perceived accuracy of its power business carrying ca?pacity was 99.56%. The proposed method can effectively improve the perception ability of power business carryingcapacity.

Key words：time series；electricity business；carrying capacity；perception；locality in between polylines

隨著電網公司信息建設的不斷推進，其具有信息應用類型多、數據來源多、實時數據更新頻次高等特點[1-2]。傳統的人工業務承載能力監控的方式將難以滿足需求[3-5]。許多學者對此進行了大量的研究，如通過軟硬管道切片分區進行電力業務能力承載感知，提高了業務承載感知的準確性[6]。通過集成回歸方程對電力業務承載能力進行分析，有效的降低的分析中的干擾因素[7]。通過關鍵性能指標對電力業務承載能力進行分析，采用深度卷積神經網絡提高分析的準確性[8]。通過對實時數據和運維數據進行融合分析，精準的感知系統業務承載能力[9]。為此，提出了一種基于時間序列的電力業務承載能力感知。

1電力業務承載能力感知流程

基于時間序列的電力業務承載能力感知流程如圖1所示。

2電力業務承載能力模型

2. 1構建評估體系

電力業務的歷史數據中蘊含著典型的電力業務特征[10]，按照典型特征建立評估指標，文中以電力用電信息采集系統為例對電力業務承載能力進行論述。

電力業務系統在運行的過程中，受通信傳輸、系統錯誤等因素影響，容易出現錯誤或者缺失的情況。因此，在模型分析前，需對電力業務系統的數據進行預處理，消除錯誤或缺失數據對模型的影響。

最小二乘法（LSM）是一種電力業務數據預處理方法。LSM方法通過電力業務數據誤差平方值來對數據進行預處理[11-12]。電力業務數據預處理（ED）為：

式中：m為電力業務數據中存在錯誤和缺失的總數；

ej為不同的電力業務數據錯誤和缺失的值。λ為電力業務數據LSM預處理數據殘差。

近鄰傳播（AP）聚類是一種電力業務數據的分類方法。AP聚類無需指定電力業務數據聚類的類別量，聚類結果誤差小[13-14]。因此，采用AP聚類對電力業務數據進行聚類。

針對用電信息采集的用戶電表數據，采用AP聚類兩兩比較的方法計算2個數據之間特征相似度，電表歷史數據的特征相似度sCMP為：

式中：wCMP

為電表歷史數據比較的權重系數；hA為第1個比較的電表特征值；hB為第2個比較的電表特征值；2個電表之間采用歐氏距離計算特征相似度。

然后，通過電表特征點之間的迭代，計算電表特征之間的吸引度信息，從而達到聚類準確的目的。

依據聚類后的用電信息采集系統特征，建立電力業務評估指標：監控請求率、平均響應時間、錯誤率、java虛擬機使用率和每分鐘垃圾收集次數。

2. 2時間流業務感知

在時間流業務感知中，以業務為視角開展電力業務運行狀態感知技術，實現電力業務自動感知業務流的運行監控狀態和趨勢。通過對歷史電力業務數據流進行統計建模，判斷待檢測的數據是否符合歷史電力業務數據的統計特征，如符合則為正常；反之為異常。

時間序列模型（TSM）是一種數據序列分析方法，在數據統計領域有廣泛的應用[15-16]。因此，本文采用TSM進行時間流業務感知。

通過TSM感知電力業務流的方程式r（t）為：

式中：a（t）為電力業務感知時間序列中非周期變化的趨勢函數；b（t）為電力業務感知周期性變化；c（t）為電力業務感知在一天內不規律的影響；δ為電力業

務感知誤差的正態分布。

在電力業務數據中，其核心為預測業務如何增長。用電信息采集中，通常為非線性增長。因此，采用邏輯增長模型進行電力業務數據建模。電力業務非周期變化增長模型a（t）為：

式中：u為電力業務系統的承載力；g為電力業務系統的增長率；t為電力業務系統運行時間；q為電力業務系統的偏移量。

2. 3電力業務承載異常預警

多線位置距離（LIP）是一種廣泛用于電力行業的相似性比較方法。LIP計算歷史電力業務數據特征與當前電力業務數據特征之間的曲線面積來辨識相似程度[17]，曲線面積越小，說明相似程度越大，則當前電力業務數據合歷史電力業務數據的統計特征，為正常的電力業務承載；反之，曲線面積越大，說明相似程度越小，為異常數據，并將異常數據進行告警，提醒管理人員進行提前業務擴容。

電力業務承載能力歷史特征與當前特征的相似程度sEP為：

式中：m為歷史電力業務數據特征與當前電力業務數據特征曲線間構成空間形狀個數；lEP為不同的歷j

史與當前業務數據特征曲線構成空間面積；wjEP為不同的歷史與當前業務數據特征曲線構成空間的權重。

當LIP的面積小于閾值時，說明當前電力業務承載能力存在問題，并對該電力業務流數據進行告警，在此基礎上，輸出電力業務承載能力結果。

3算例分析

3. 1場景與參數設定

為驗證基于時間序列的電力業務承載能力感知方法的有效性，在某省電力公司的計量中心開展測試。文中用于測試的用電信息采集系統數據為某地市的數據，該地市有用戶智能電表89.6萬只，采集頻次為每日96次，采集數據類型包括電流、電壓、功率因數、電表止數。

硬件部署在該計量中心的機房，硬件運行環境為：英特爾至強W-2223處理器，運行頻率為3.6 GHz，處理器的高速緩存為8.25 MB，核心數量為8核，服務器的運行內存為128 GB，服務器硬盤配置為100 TB。軟件采用Python開發，軟件的運行環境為WindowsServer 2019，本文方法與模糊集電力業務承載能力分析方法[18]進行比較。

3. 2算例運行分析

3. 2. 1電力業務承載能力感知性能分析

在計量中心的某地市數據中，選取11個區縣的數據，分別采用文中所提基于時間序列的電力業務承載能力感知方法與模糊集電力業務承載能力分析方法比較電力業務承載能力感知運行時長，電力業務承載能力感知分析表如表1所示。

由表1可見，文中所提基于時間序列的電力業務承載能力感知方法在計算過程中，算法結構清晰，LSM、AP算法處理速度快，電力業務承載能力感知分析平均時長為24.21 s；而模糊集電力業務承載能力分析方法算法結構復雜，運行時長為69.12 s。因此，文中所提電力業務承載能力感知方法性能更優。

3. 2. 2電力業務承載能力感知評估結果

電力業務承載能力感知評估結果是為了呈現電力業務承載能力評估的指標數據項，在計量中心的某地市用電信息采集系統數據中，選擇監控請求率、平均響應時間、錯誤率、java虛擬機使用率、每分鐘垃圾收集次數指標，分別采用文中所提基于時間序列的電力業務承載能力感知方法與模糊集電力業務承載能力分析方法比較電力業務承載能力感知評估結果，比較結果如表2所示。

由表2可見，文中所提基于時間序列的電力業務承載能力感知方法在各項評估指標中均小于模糊集電力業務承載能力分析方法。

3. 2. 3電力業務承載能力感知準確率分析

電力業務承載能力感知準確率分析是本文的核心指標，采用百分比進行度量，其百分比值越高，則電力業務承載能力感知越準確。將模型評估的電力業務承載能力感知結果，與人工依據電力信息運維行業標準計算的結果進行比較。模型評估結果與人工評估結果之間的比值為電力業務承載能力感知準確率。

在計量中心的某地市數據中，選取11個區縣的數據，分別采用文中所提基于時間序列的電力業務承載能力感知方法與模糊集電力業務承載能力分析方法比較電力業務承載能力感知準確率，比較結果如表3所示。

由表3可見，文中所提基于時間序列的電力業務承載能力感知方法其電力業務承載能力感知準確率為99.56%；而模糊集電力業務承載能力感知方法其電力業務承載能力感知準確率為96.78%。由此可見，文中所提基于時間序列的電力業務承載能力感知方法感知數據更準確。

4結語

（1）通過近鄰傳播聚類方法進行電力業務歷史數據聚類，獲得了典型的電力業務承載能力的典型特征，所建立的評估指標集滿足評估要求；

（2）基于時間序列模型開展電力業務運行狀態感知，實現電力業務自動感知業務流的運行監控狀態和趨勢；

（3）基于多線位置距離進行電力業務承載能力感知異常識別，實現對業務承載能力的智能預測和識別，具有識別準確的特點。

本文方法在業務承載能力分析準確率方面仍有提升空間，下一步，課題組將結合層次聚類方法對本文研究進行優化。

【參考文獻】

[1]王凱饒，徐艷偉，陳龍，等.小水電運行數據調度自動化主站接入系統研究[J].吉林電力，2023，51（4）：31-35.

[2]陳麗斌，陳知琨. PMS3.0系統“電網一張圖”低壓數據治理方法[J].電工技術，2023（15）：219-220.

[3]許家偉，隋海濱.電力業務平臺數據自動化同步系統優化設計[J].粘接，2023，50（8）：171-174.

[4]唐冬來，李玉，何為，等.基于改進多分類器的用戶電表采集數據修復方法[J].電力系統自動化，2023，47（21）：137-146.

[5]洪雅寧.數據挖掘視域下電力營銷稽查業務監管系統的設計研究[J].電工技術，2023（6）：177-179.

[6]李楠，趙保珠，張家慧，等.基于SPN的虛擬電廠多業務融合承載平臺研究[J].河北電力技術，2023，42（1）：32-36.

[7]燕鋒，林曉薇，李正浩，等.智能電網中基于多智能體強化學習的頻譜分配算法[J].通信學報，2023，44（9）：12-24.

[8]王速，盧華，汪碩，等.智能運維中KPI異常檢測的研究進展[J].電信科學，2021，37（5）：42-51.

[9]阮前，劉虹，滕濱，等.中國移動IT云數據中心數智化運維的探索與實踐[J].中國新通信，2022，24（1）：68-69.

[10]韓雪.基于電力大數據的電力骨干通信網絡毀傷韌性評估方法[J].電信科學，2023，39（5）：136-143.

[11]童俊，楊濤，汪俊.基于遠程定位的光纜接頭故障發現系統應用[J].粘接，2021，47（8）：174-177.

[12]唐冬來，李擎宇，龔奕宇，等.基于正樣本學習的變壓器滲油圖像識別方法研究[J].自動化儀表，2023，44（4）：89-94.

[13]肖白，李夢雪，尉博旭.基于AP聚類-跳轉持續MC的風電出力時間序列模擬生成方法研究[J].東北電力大學學報，2023，43（1）：35-44.

[14]王艷松，高鑫，胡彩娥，等.基于核主成分分析和AP聚類算法的電力系統態勢感知技術[J].電測與儀表，2022，59（1）：25-36.

[15]董紅斌，韓爽，付強.基于AR與DNN聯合模型的地理傳感器時間序列預測[J].計算機科學，2023，50（11）：41-48.

[16]徐偉進，吳健，李雪婧，等.基于時間相依地震活動性模型的地震時間序列模擬[J].地球物理學報，2022，65（8）：2960-2969.

[17]唐冬來，李強，陳永東，等.基于電壓時空聚合曲線的鄉鎮配電臺區戶變關系識別方法[J].電力系統自動化，2023，47（19）：86-96.

[18]謝智雄，陳江清.基于模糊集對和指標評價體系對水資源監測系統承載能力實現動態評價[J].陜西水利，2023（10）：1-3.