基于大數據分析的煤礦供電系統負荷優化策略探討

秦 越

（兗礦能源趙樓煤礦）

0 引言

煤礦行業是國家能源行業的重要組成部分，對于保障國家能源安全和促進經濟發展起著至關重要的作用［1］。煤礦供電系統作為煤礦生產的基礎設施，它能否高效穩定地為煤礦提供電力直接關系到煤礦的生產效益和安全生產。因此，研究煤礦供電系統的負荷優化策略具有重要的理論和實踐意義。傳統的煤礦供電系統負荷優化策略主要基于經驗和統計方法，無法適應復雜多變的實際情況［2］。然而，隨著大數據和信息技術的發展，廣泛應用大數據分析在煤礦供電系統中可以為負荷優化策略的制定提供有力的支持。

以大數據分析為基礎，深入研究了煤礦供電系統的負荷優化問題。首先，通過對煤礦供電系統中的主要負荷特征進行分析和統計，建立了基于大數據分析的負荷模型。然后，利用大數據分析的方法和技術，從負荷預測、負荷調度和負荷控制三個方面對負荷優化策略進行了研究。通過實驗和數據分析，驗證了基于大數據分析的負荷優化策略的有效性和可行性。結果表明，這種策略在提高煤礦供電系統的效率和穩定性方面發揮著重要作用，為煤礦行業實現安全高效生產提供了有效的手段。這對于提高煤礦的生產效益、保障煤礦安全生產具有重要意義。因此，建議在今后的研究中進一步完善和應用這一研究成果，推動煤礦供電系統的負荷優化策略的實際應用。

1 煤礦供電系統負荷優化策略概述

煤礦供電系統的負荷優化是提高煤礦生產效益和保障安全生產的重要手段［3］。目前，傳統的負荷優化方法主要基于經驗和統計方法，無法應對復雜多變的實際情況。因此，煤礦供電系統需要采用新的方法和技術來進行負荷優化。

1.1 負荷預測策略

電力負荷預測從上世紀70年代起，才逐漸引起國內外學者的重視。計算機技術的不斷發展使得大量的預測算法開始涌現，奠定了負荷預測的研究基礎［4］。之后，人工神經網絡、支持向量、機隨機森林等學習方法逐漸誕生，并運用在了負荷預測領域，對預測精度都有不同程度的提高，機器學習在如今迅速發展階段。蘇學能建立負荷預測模型時采用了多重分布式BP神經網絡，預測精度相比傳統BP神經網絡更高。吳瀟雨采用隨機森林算法建立了具有較高的預測精度和魯棒性的負荷預測模型。在傳統隨機森林算法的基礎上，王德文提出并行負荷預測方法，對多種歷史數據進行并行化分析，算法的求解效率得到提高。霍娟對比分析了支持向量機和隨機森林算法的預測效果，最優預測結果在分別調整參數后，整體上未出現差異。魯棒性低是單一預測模型的主要缺陷，組合模型預測是未來的發展方向。預測模型的結構參數沒有固定的選定標準，利用混合優化算法尋找最優的超參數是有效的解決方式。

1.2 負荷調度策略

現有的綜合調度研究有以下缺陷：一是沒有充分考慮分布式電源出力的隨機性，缺乏對分布式電源隨機出力模型的深入研究［5］。其中基于區間數進行調度求解所得結果過于保守，不能體現系統運行的經濟性；而基于蒙特卡洛模擬生成隨機場景的調度過程中，由于場景生成數量過于龐大，含有大量重復和無效的場景，影響計算的效率。二是現有的配電網調度多為對分布式電源、電動汽車、用戶側需求響應、無功補償設備以及儲能單元的優化調度，在調度過程中缺乏對配電網絡自身的靈活調度。三是現有的優化方法無法確保所得結果全局最優或近似最優。

當系統中并入的規模不大時，所產生的不確定問題主要是由用戶負荷預測誤差導致的，可以通過提高系統熱備用容量來抵消分布式電源出力波動帶來的不利影響，這個時候，對系統進行調度求解的重點是合理安排各機組的熱備用容量。但是隨著分布式電源滲透率的逐漸提高，不僅其出力的波動范圍很大，而且不確定性也將隨之提高，如果還采用提高系統的備用容量來應對風光出力的不確定性，所得調度方案的經濟性將越來越差，甚至將不能得到合理的調度方案。因此有必要研究考慮不確定條件下的優化調度方法［6］。

1.3 負荷優化策略

傳統的電網形態隨著大規模儲能技術的應用而發生了改變，電力系統因此在各個環節具備了一定彈性。大幅提升的社會用電量、不斷增加的符合需求峰谷差、新能源設備的比例擴大都加大了電力系統調節峰谷的難度。儲能電站則能夠有效的解決這個問題，通過自身充電、放電來平衡電力負荷，有效降低火電機組頻繁啟停機。國內外專家從儲能參與的不同角度出發，通過優化儲能單元的充放電功率、次數、狀態來對整個系統進行協調控制，來接納不斷增加的風光等新能源。陳美福等通過分析電源、電網、儲能和柔性負荷，提出源網荷儲互動多元協調控制，策略能夠有效減少風力發電和光伏發電的棄風棄光率，提高可再生能源的利用效率，實現負荷的移峰填谷，但其研究只停在理論階段，沒有深入實踐，但是提供了指導意見。

2 面向煤礦供電系統負荷的BP神經網絡模型

2.1 大數據分析下的供電系統負荷研究影響因素

（1）歷史數據集的不確定性

人工智能算法是通過分析學習系統的歷史數據集來獲得每個權重的指標，然后用來預測系統的安全等級。因此歷史數據的準確性直接影響到權重指標的準確性。在統計大量歷史故障集時會存在故障記錄不全面、設備信息記錄錯誤等，這都會造成系統安全等級識別精度降低；另外，對于井上系統還要考慮天氣等因素對于電網的影響，對于這些影響因素無法利用精確的評估指標來衡量，導致數據會與實際運行方式存在偏差。

（2）獲取過程的客觀性

獲取權重的過程中，在歷史數據集的基礎上，通過計算輸出值與期望值之間的誤差來調整網絡參數，從而使得誤差變小。不同于層次分析法，在整個尋優過程中，沒有通過主觀判斷來影響指標權重的獲取，因此指標權重的獲取完全來自于歷史故障集，具有很強的客觀性，避免了因為人為主觀因素造成的評估精度偏低。

（3）算法的局限性

對于人工智能算法存在局限性，學習時間是否符合煤礦企業的需求，是否陷入局部最小值的問題造成準確率變差（算法的可靠性），歷史數據是否滿足深度學習的要求。

2.2 BP神經網絡模型原理分析

BP神經網絡主要包含兩部分，既Bаck Proраgаtion和神經網絡。該算法能夠自適應、自主學習，通過調整神經網絡參數可以得到符合精度要求的輸出值。另外，BP神經網絡還能夠處理多維輸入問題，擁有較強的非線性映射能力，在處理負荷優化中有較高的可靠性。

如圖1為神經網絡的基本單位神經元，每個神經元由若干個箭頭來連接，連接箭頭所指的方向為數據傳輸方向。x1，x2，…，xn表示流向神經元的輸入數據，w1，w2，…，wn表示輸入數據的權重。來自輸入側的數據在輸送到神經元節點前乘以各自的權重，相加后輸入到神經元節點與偏置q相加，計算公式如下：

圖1 神經網絡結構

通過分析式（1），當權重w1=1，權重w2=5，相當于輸入參數x2的重要程度是x1的5倍。如果權重w1=0，表示輸入參數無法傳遞到下一神經元，輸入參數x1與神經元發生斷路。這表明，在輸入參數傳遞的過程中，權重wi控制著神經元的連接方式。對于公式（1）可以用矩陣的形式表達：

式中，y表示神經元輸出值。

2.3 負荷模型的建立

BP網絡是一種基于反向傳播算法的人工神經網絡模型，它能夠學習和存儲大量的輸入-輸出模式映射關系，而無需事先揭示描述這種映射關系的數學方程。BP網絡由輸入層、隱藏層和輸出層組成，在訓練過程中使用最速下降法，通過反向傳播不斷調整網絡的權值和閾值，使網絡的誤差平方和最小化。神經網絡模型如圖2所示。

圖2 面向供電系統負荷的BP神經網絡模型

輸出層為在煤礦供電系統負荷中表示輸入的評價指標。隱藏層為主要用于信息處理，其不能從神經網絡外部訪問。輸出層為最終的輸出結果，在煤礦供電系統負荷中表示系統的安全等級。最終輸出結果并不是直接等于輸入參數與權重的乘積之和，還要經過一個傳遞函數。在BP神經網絡訓練學習過程中主要包含兩個過程，正向傳播與反向傳播。正向傳播獲得輸出值，反向傳播通過導數的鏈式法則計算輸出值與真實值之間的誤差來更新權重和偏置，使得輸出結果向實際結果擬合。反向傳播算法的基本思想：

（1）通過式（2）計算每一層的狀態和輸出值，直到輸出層；

（2）從輸出開始，由后向前依次計算每一層的誤差；

（3）計算每個神經元連接權重的梯度；

（4）根據梯度下降法更新參數。

3 實驗驗證和分析

煤礦供電系統模型見部分歷史數據集見表1。共選擇360個歷史數據集用于BP神經網絡學習，其中244個作為訓練集，116個作為測試集。將表1中的參數輸入到運算程序中，然后開始訓練。

表1 歷史數據集

如圖3所示，數據每正向和反向傳播一次，數據完成一次更新，將每次正向傳播的預測值與實際值帶入式（2），記錄每迭代一次的損失函數。觀察圖3可以得到：隨著迭代次數的增加，損失函數的值在不斷減小，這表示學習結果在不斷向著好的方向發展，更新后的權重指標使得輸出結果向著測試集數據擬合。

圖3 BP神經網絡的損失函數

損失函數只能反映學習在朝著良好的方向發展，不能評價學習的準確率，在引入了識別精度指標，用來反映學習結果的優劣。神經網絡每進行一次正向和反向傳播，權重與偏置完成一次更新，并且記錄參數更新后的識別精度，如圖4所示。從圖中可以看到，學習一共迭代了170次，測試集的訓練精度最終穩定在0.8附近。

圖4 BP神經網絡的識別精度

圖4為學習完成后的最終輸出值與實際值的比較。分析圖4可知，預測值曲線與實際值權限大體重合。

4 結束語

煤礦供電系統具有復雜的結構和大量的負荷需求，因此需要優化負荷管理策略來滿足日益增長的能源需求和提高能源利用效率。根據負荷預測結果，采用動態負荷調整和優化算法，以優化供電系統中各個節點的負荷分配，從而達到提高系統效率和可靠性的目的。結果表明，采用提出的負荷優化策略可以顯著提高煤礦供電系統的負荷管理效果。與傳統方法相比，能夠更好地應對負荷波動和峰值需求，并能夠及時調整負荷分配，保證供電系統的穩定運行。主要創新點是將大數據分析方法應用于煤礦供電系統的負荷優化問題，為煤礦供電系統的高效管理提供了一種新的思路和方法。同時，基于大數據分析的負荷優化策略也為其他能源供電領域的研究提供了參考和借鑒。希望成果能夠為煤礦供電系統的優化和安全生產做出積極貢獻。未來可以進一步探索該方法在其他能源系統中的應用。