基于知识图谱与特征识别的新能源微网消纳数据分析算法研究

冯 侃，边 辉，陈丽娜，张 洋，王浩强

（国网甘肃省电力公司平凉供电公司，甘肃平凉 744000）

随着新能源发电的快速推进，其大量接入电网导致电网规模不断扩大，且电力系统中的知识量也呈现爆炸式增长[1-2]。新能源发电的接入，促进了微网系统的应用。但光伏、风电的出力具有随机性、间歇性特点，导致其消纳能力受限。因此，如何高效管理利用微网中海量数据以掌握新能源消纳状况成为了研究热点[3-4]。

目前，对于电力数据的分析已取得了一定的研究成果，如聚类算法、神经网络模型等[5-6]；通过不同的算法模型提取数据特征并完成数据应用，如负荷分类、新能源出力预测等。但关于新能源在微网中的消纳分析仍较少，且数据分析结果缺乏可视性，因此该文基于知识图谱与特征识别技术设计了一种新能源微网消纳数据分析算法。该算法采用知识图谱将数据转化成图形结构，并利用图卷积神经网络(Graph Convolutional Networks，GCN)模型学习图特征，进而根据图特征制定相应的微网能量调控措施。

1 新能源微网消纳

1.1 微网架构

由于分布式发电具有传统大电网所不具备的可再生、分布广泛等优势，因此微网作为新能源组网的主要形式得到了迅速的发展，并使分布式电源的并网运行更加便捷[7-8]。将分布式发电、储能单元、负荷、电能变换装置进行整合，从而构成一个微网系统，其结构如图1 所示。

图1 微网结构示意图

微网中，光伏(Photovoltaic，PV)、风力(Wind Turbine，WT)等新能源发电通过变换器等装置转换成交流电并入母线，各种类型的负荷从母线上取电。同时配备储能装置，在新能源出力较多时进行存储，从而减少弃风、弃光现象的发生；当新能源为负荷供电出力不足时，可通过负荷及储能装置的调节提升系统的新能源消纳能力[9]。

1.2 新能源出力

光伏阵列的输出功率PPV是在标准实验条件下，考虑到现场实际的光照强度和环境温度，所产生的每个光伏板的功率总和。PPV的计算如下：

式中，PPV为光伏板的输出功率；PSTC为标准实验条件下的光伏板输出；η为光伏板的转移效率；DC、DSTC分别为实际和标准实验条件下的太阳辐射强度；TC、TSTC分别是光伏板的实际温度和标准测试条件下的温度。

同样，风力发电输出功率PWT的计算方法如下：

式中，Vw为风速；ρ为空气密度；A为风车转子的横截面；γ为功率系数；α为叶片的俯仰角；λ=rω/Vw为包括转子角速度ω的叶尖速比，r为风叶长度。

综合来看，微网中新能源发电的出力计算为：

式中，MGi为第i个新能源。

由于PV 和WT 的输出功率具有随机性而被视为不可控发电机组，因此需要明确二者的出力限制，以便进行系统内能源的协同控制并增加新能源的消纳。PV 和WT 应满足的功率约束为：

2 微网消纳数据分析算法

对于微网中新能源消纳数据的分析，首先采用知识图谱将数据转化成图形结构；然后利用GCN 模型学习新能源消纳的图特征；最终根据图特征制定微网能量调控措施，例如切负荷或储能充电等。基于知识图谱和特征识别的微电网数据分析系统架构，如图2 所示。

图2 微电网新能源数据分析系统的架构

构建知识图谱的原始数据来源于微网资源数据集，通过抽取知识图谱实体，并结合知识融合计算形成三元组，最终保存到知识图谱库[10-11]。随后利用GCN 模型识别图特征，掌握当下系统的新能源消纳情况，并为之后的决策提供条件和依据。

2.1 知识图谱的构建

自2012 年谷歌引入“知识图谱”概念并推出其第一个版本以来，知识图谱的研究引起了业界的广泛关注[12]。其本质上是一种图结构，使用数据中的“实体”概念作为节点，以实体之间的关系为边，进而形成间接图。这样不仅可以集成不同类型实体的特征信息，且还能获得实体之间不同类型的关系。

“实体-关系-实体”三元组模型可表征为G=(E,R,S)，其是知识图谱常用的表示方式；其中，E、R、S分别表示知识库中的实体集合、实体间关系集合和三元组集合，即S⊆E×R×E。三元组主要可体现为两种形式，分别为“实体-关系-实体”以及“实体-属性-属性”。实体身份的编码值是唯一的，作为知识图谱的基本元素，其可通过“属性-属性值”形式对实体间的特征信息进行记录；而不同实体间的特征关联信息，则由实体之间的关系记录。

构建知识图谱主要包含知识抽取、融合与应用三步。其中，数据库的知识提取包括实体词提取和关系词提取两部分。

1）实体词提取：利用长短时记忆网络(Long Short-Term Memory，LSTM)模型结合条件随机场(Conditional Random Fields，CRF)从数据库中提取实体。给定一个单词特征Xt作为LSTM 记忆单元ct在时间步长t的输入，从先前隐藏层信息Ht-1和当前输入特征Xt获得新记忆信息Ht。

LSTM 的输入门it、遗忘门ft以及记忆单元ct可表示如下：

式中，ω*与b*分别为各层的权重和偏置量；δ为激活函数。

根据输入门与遗忘门，可更新记忆单元的信息为：

2）关系词提取：将数据库中实体之间的关系划分为预定义的类别，以完成关系提取。与CRF 模型结合的LSTM 也可用于关系词提取，并且在最后一个Ht中添加SoFtmax 分类器完成关系分类。

2.2 基于GCN的特征识别

在微网新能源消纳知识提取中，首先将数据库中的实体词进行分割后嵌入到向量中，以提取词的功率和属性信息作为特征，即X={X1,X2,…,Xn} 。输入LSTM 模型得到序列H={H1,H2,…,Hn}，然后将序列H输入CRF 层，计算包含上下文信息的序列以获得实体注释序列的最终分类[13]；最后，手动构建并修改包含头、关系和尾的三元组集，以生成正确的三元组。

为了提高微网新能源消纳数据分析的准确性，利用GCN 模型学习微网数据知识的图谱特征[14]。GCN 模型的综合性能优越，能够直接从任意图形结构的输入中自动学习类型特征[15-16]，其架构如图3所示。

图3 GCN架构

GCN 层通过将所有相邻节点的特征添加到节点特征来学习图形拓扑。图形中的节点集可作为特征矩阵Ul∈ℜn×d嵌入，其中n是节点数，d是节点特征的维数，l是GCN 的层数；邻接矩阵B∈ℜn×n是GCN层的输入，其对角线元素设置为1。节点特征Ul+1∈ℜn×d＇由卷积运算函数更新生成为：

式中，σ为激活函数；为归一化对称邻接矩阵；为变换权重；T为B∈ℜn×n的度矩阵。

3 实验结果与分析

为验证文中方法的有效性和可行性，使用Protégé本体建模工具对研究问题进行建模。同时，结合开源可视化工具、Eclipse 编程工具和MySQL 数据库等组件实现算法性能的验证。

3.1 查询结果分析

利用所提算法查询微网内新能源的消纳情况，选择时间段、风力、光伏、雷击、负荷类型、供需平衡、供大于需以及需大于供这八个搜索条件进行查询，结果如图4 所示。

图4 微网新能源消纳情况查询结果

从图4 中可以看出，基于知识图谱查询结果的查准率和召回率大约分布在85%～95%之间，且均优于基于关键词的查询方法。由于利用知识图谱进行查询，可根据搜索条件的属性以及与其他实体的关系判定查询效果，因此较大程度上保证了查询的准确率。图4（b）中的第8 个搜索条件为“供需平衡”，基于关键词搜索的方法无法理解，故搜索结果的召回率仅约为10%，而该文算法能够获取属性关系，得到的召回率约为85%，展现出了知识图谱技术在语义搜索上的优越性。

3.2 数据分析结果对比

为了验证该文算法的性能，采用准确率、召回率、F1 值三个指标评价其与文献[3]、文献[6]、文献[8]中算法的分析结果。其中，分析测试集内2 000 条新能源消纳情况记录数据在语料库中的匹配记录，并将这2 000 条测试记录的混淆矩阵取平均值进行统计，结果如表1 所示。

表1 不同算法的分析结果对比

从表中可以看出，相对于其他算法，该文算法的分析性能最佳，其准确率、召回率和F1 值分别为91.53%、89.95%和90.81%，均具有明显优势。这是由于其利用知识图谱技术，通过加入结构化数据信息可以提升分析效果，且GCN 模型能够更优地进行特征识别，便于制定决策。文献[3]采用改进K-means算法，文献[6]采用决策树算法完成数据分析，其算法性能较为单一且难以处理复杂的微网数据，故整体分析效果不佳。而文献[8]通过求解以新能源成本最小化为目标的优化模型，实现数据分析及能量的管控。其对于数据特征缺乏深入的分析，所以导致整体分析准确率低于90%。

4 结束语

在当今的大数据时代，各行业知识均面临爆炸式增长。为了更为理想地获取微网数据信息，在深入研究了知识图谱与特征识别技术的基础上，该文提出了一种新能源微网消纳数据分析算法。通过对微网中的新能源消纳数据进行图形化处理以后，结合GCN 模型，最终识别出数据的图特征。实验结果表明，所提算法查准率和召回率大约分布在85%～95%，且数据分析准确率、召回率及F1 值分别为91.53%、89.95%、90.81%，综合性能较为理想，可以为后续研究提供参考。

目前知识图谱技术在电网中的应用研究尚处于初级阶段，且所提算法仅在知识图谱的知识提取阶段进行了技术融合。而在接下来的研究中，将深入分析知识图谱技术，以进一步提高所提算法的分析性能。