基于末端数据融合的供电网风险预警模型研究

王宏刚， 刘识, 马寒梅, 王倩, 刘化龙

(1.国网电网有限公司大数据中心， 北京 100052；2.国网信通亿力科技有限责任公司， 福建， 福州 350003)

0 引言

电能是日常生产生活中不可或缺的基础能源，随着电力规模的不断扩大，对电力管理提出了更高的要求，为有效提高电力服务质量，国家电网公司提出了一种新的供电服务模式，以此实现各类生产、营销数据的全方位融合以及信息共享，营配数据和相关业务通过集成与图形化展现方式的综合运用实现了有效贯通，有效提高了具体业务(包括停电范围确定、故障定位、业扩报装等)的实施质量和效率。随着此种供电服务模式的深入应用与发展，对供电风险预警能力提出了更高的要求。

1 设计分析

现有供电风险预警模型的构建大多通过运用包括层次分析法、模糊评价算法等在内的智能算法完成，但新的营配调一体化融合模式更注重实施，导致相关电力数据量快速增加，因此，基于上述算法的风险预警模型的风险预警效果难以满足现代电力营配调工作需求，模型的预警精确度有待进一步提高。不断发展完善的电网技术为电网的发展提供了技术支持，为了从整体上提升技术可靠性，设计与实施涵盖应急方案的综合风险预警模型逐渐成为了重要的研究方向，通过风险预警系统实现对运行电网的配电设备、电压及电流状态的实时监测，并对风险故障发出预警。其中，电网可靠运行的基础是电压的稳定，这一方面的预警难度较大，受到末端间较低的关联性限制，导致传统电压风险预警技术的预警精度及稳定性较低，关于此方面的优化和完善研究已取得了一定的成果，例如暂态电压失稳风险预警是以失稳风险和灵敏度指标为依据完成对关键故障集合与相关候选节点(具有动态无功补偿的特点)的确定，利用烟花优化算法进行求解，将补偿装置的容量设置为变量，但是这种方法的预警误差较高；一种方法是输电风险评估，设计了输电系统状态概率模型及风险评估指标体系，但因稳定性不佳而限制了其广泛应用；还有一种基于输电网风险评估技术的风险评估系统，结合历史数据通过引入故障相关性因子实现了事故链概率合理性的有效提高，使用打分法选择和确定风险指标，但该方法存在复杂度及使用成本较高的不足。本文在现有研究成果的基础上，通过营配调末端融合使电压风险预警的精确度得到有效提升，设计了一种供电综合风险预警模型。首先确定供电风险预警指标，然后通过标准化处理实现指标量纲的有效去除，然后使用灰度关联分析方法完成指标关联度的计算与排序，并将不重要的指标去除后，在训练后的 BP 神经网络中输入指标，在此基础上实现风险预警功能[1-2]。

2 供电电压输出末端设计与融合

2.1 单片机设计

针对电网供电电压的电信号使用单片机完成采集过程，作为电压风险预警管控技术的关键部分，单片机电路设计时需兼顾计算能力和风险预警性能，本文选用了具有能耗低、计算能力强、性价比高等优势的 STC89C52 单片机，其电路图如图1所示，STC89C52 芯片属于一种 8 bit 微处理器，并选用 TLC2543作为A/D转换器(12 bit )，包含 11 路模拟输入通道，精度高且误差较小，同时可有效节约转换时间，10 μs即可完成。最终风险预警结果显示于 RT12864显示屏上，其中DB5-DB12 接口与单片机的 P5-P12 接口对应，P13 与RS连接，P14与RW相连，以此实时展示预警结果[3-4]。

图1 单片机的电路分布图

2.2 传感器电路设计

电压传感器一共包括 5 个接线端子，主要用于采集输出电压。其中，信号输出端对应B 端，将串联电阻Ra的被测电压连接到传感器原边端子上，假设，传感器原边内阻和串联电阻分别由R0和Ra表示，被测电压由Uc表示，额定输入电流由Iin表示，串联电阻Ra的计算表达式如下[5]:

(1)

串接电阻功率Pc的计算表达式如下:

Pc=Uc×Iin

(2)

设计电压测量电路时，将传感器输出端与IN+相连，采集到的电压信号通过A/D转换后向单片机传送。

2.3 风险预警过程分析

上述设计均以电信号作为末端输入和输出信号，需使用 A/D 转换器完成到数字信号的转换后再继续后续处理，属于末端融合。转换为数字信号后的输出电压电信号通过单片机完成输出电压电信号的持续转换，单片机再根据电压值完成对电压的调整，形成电压控制反馈回路，在此基础上实现对输出电压的有效控制，确保电压稳定在给定区间值内，单片机能够及时判断出输出电压是否存在超过给定值的情况，并在高于给定值时停止电压输出(关闭驱动信号)。假设，Rb和Rc均表示采样分压电阻，采样电压由VU表示，输出电压VO值的计算表达式如下:

VO=VU×(Rb+Rc)/Rc

(3)

3 供电综合风险预警模型

3.1 BP神经网络原理

BP神经网络实际上是一种多层前馈神经网络，该神经网络具有误差反向、信号前向传递的特点。BP神经网络进行信号的前向传递时，可通过输入层实现信号的直接输入，信号经过隐含层的处理后，最终到达输出层，通过输出层可给定输出结果。信号在前向传递过程中，下一层神经元状态仅能感受上一层神经元的实际状态，并受上一层神经元状态的影响。若输出结果与实际结果存在差异，输出层可对结果进行反向传播，并不断对BP神经网络的阈值和权值进行适当地调整，最终减小输出结果与期望结果之间存在的误差。BP神经网络拓扑结构如图2所示。

图2 BP神经网络拓扑结构图

图中X1,X2,…,Xn代表的含义为BP神经网络的输入值，Y1,…,Ym代表的含义为BP神经网络的预测值，ωij和ωjk代表的含义为BP神经网络的权值。可将BP神经网络比作非线性函数，BP神经网络中的预测值与输入值即为非线性函数中的因变量与自变量。若BP神经网络输出层的节点数目为m、输出层的节点数目为n，则BP神经网络可表示因变量与自变量之间的关系[6]。

3.2 综合风险预警模型构建流程

作为一种概率事件，风险的大小需以偏离预期的程度为依据进行确定，在营配调一体且末端数据融合模式下，实现电力供应涉及多个领域，通过这些领域中工作间相互密切的联系实现了供电服务质量的有效提高。但同时也增加了综合风险，为有效预测风险以减少损失，本文在灰度关联分析理论的基础上，结合BP神经网络算法来设计综合风险预警模型。营配调末端融合下的供电业务风险的影响因素较多，本文结合实际需要及相关文献研究，确定了相关指标并进行等级划分。

3.3 指标标准化

由于预警指标为不同的量纲以及数量级，若是直接使用会影响综合分析结果的准确性。因此，为消除量纲及数量级差别，达到风险评估的目的，需要将指标标准化，转化成标准指标以便分析与计算。可根据实际情况采用如下两种非线性指标标准化计算方法，本文选用比重法完成指标的标准化处理。

(1) 偏差法(不适用包括熵值法在内的评价法)。假设，j表示具体的指标，j的平均值和标准差分别由pj和kj表示，xij表示指标系数，小于均值的xij经处理后，yij<0。

(4)

(2) 比重法。将指标进行标准化处理后，根据比重反映出与原始指标的关系，考虑指标差异仅需xij≥0即可。

(5)

3.3 灰度关联分析

考虑到部分指标的权重较低，如果指标之间存在关联性，则会出现性能重叠的问题，进而增加计算过程的复杂程度。因此，需先计算预警指标的关联度，剔除影响程度不大的指标，选出其中的关键指标，提升综合风险模型的计算效率，图3为灰度关联分析流程，先构建比较数列(以选取的指标为依据构建序列)和参考数列(参考数据列由各指标的最优/劣值构成，或以具体评价目的为依据进行选择)，通过标准化处理参考数据列实现量纲差别的有效消除，求取数列中各相对应指标间的绝对差值并选出最大值和最小值，在此基础上完成数列中指标的关联系数及灰度关联度的计算，由于数列中的指标同关联系数一一对应，导致信息过于分散，因此计算灰度关联度即整个数列间的关联系数，具体通过求平均值的方法完成，然后按照从大到小的顺序排列数列间的灰度关联度，再结合具体情况选取适当数量的关联度最大的指标作为预警基础输入数据[7]。

图3 灰度关联分析流程

3.4 供电预警模型构建

构建预警模型时，首先，要根据过往经验对供电的风险特征进行编码量化，假设x(t)表示风险事件的标量时间序列，则可利用以下公式计算最大梯度差：

(6)

其中，m、n为相关系数。然后，利用统计算法进行指数评估，风险特征之间的关联性表达式为

(7)

由此，得出如下综合风险预警评估的判决式。

(8)

假设，τ表示半定量化延迟，pi表示综合等级信息量、pj表示发生频率的评估系数，通过使用风险矩阵方法完成风险预警模型的构建，具体表达式如下。

(9)

4 预警性能仿真测试

4.1 综合风险预警模型测试

为了验证本文设计的综合预警模型的准确性，以某营配调一体末端数据融合模式下的供电公司的数据进行验证与测试，分析预测供电综合风险需基于一定的历史数据完成，选择2017-2019年时间范围内的用电总量、欠费总量两个指标，通过数据分析显示最高的用电量和欠费分别出现在第 10 个月和第 16 个月，存在较大风险。因此，将这两份数据作为实验样本，制定预警指标并进行标准化处理，根据各指标的灰度关联度的计算结果选出 15 项指标，作为输入层的输入值，输出层节点数量为 1 个，假设，n和m分别表示输入和输出的节点个数，a表示常数、取值范围在1～10间，输入层与输出层间隐含层个数的计算表达式如下[8]：

(10)

据此得出隐含层节点数量为 20 个，最终构建 15-20-1的模型结构。首先，初始化权值以及阈值，其次，选择 20 组数据完成神经网络的训练。得到模型最终的训练结果与实际评估值进行比较，最大误差为1%，说明可使用该模型进行预测，基于训练好的模型完成测试检验，对比基于层次分析法的预警模型的预警效果，以上述最高的用电量和欠费月份的数据作为实验数据，分别对供电风险和欠费风险进行预测，并汇总评价结果，风险预警按照警告程度从高到底分为绿色(1级)、蓝色(2级)、橙色(3级)和红色(4级)4 个预警等级；欠费风险值包括欠费(表示用户欠费)和不欠费(用绿色预警表示) 2 种，具体实验结果分别如表1、表2所示，实验结果表明本文灰度关联与BP神经网络综合预警模型的预测结果同实际结果较为吻合，预警准确率及预警效果较好，具有一定的实际应用价值。

表1 供电风险预警结果

表2 欠费风险预警结果

5 总结

深入实施的营配调末端融合模式在带来业务管理便利的同时，也增加了供电风险，构建实用的供电风险预警系统成为有效降低风险的有效手段，为有效弥补传统供电风险预警模型的不足，本文基于末端数据融合设计了一种综合风险预警模型，将预警指标标准化处理以统一量纲及数据级，然后利用灰度关联分析法完成指标之间关联度的计算，并根据风险指标标量的时间序列计算得出预警的最大梯度差，在此基础上得到最终的综合风险预警判决式，经测试表明本文模型的预警结果的准确率较高，具有较好的供电风险预警效果，为确保供电稳定性、提升供电管理水平提供了技术保障。