基于电力物联网和BP神经网络的用电行为优化研究

张 倩

摘要：电力物联网有利于建设电力用户用电行为大数据，为用电行为的识别和优化奠定基础。鉴于此，搭建了基于电力物联网的用电行为管控系统，根据数据流量需求和功能部署方案采用分层建设的体系架构。终端层用于向各用电设备提供接口和协议转换服务，具备边缘计算和安全防护功能，实现分布式资源的弹性管理。采用BP神经网络对用户用电功率进行预测，实现用电行为识别。在满足各种安全稳定约束条件下，以用电经济性为目标，对用户用电成本进行核算，并对用电行为进行优化，用以提高用户互动水平，实现电力需求侧管理向需求侧响应的转变。

关键词：电力物联网；BP神经网络；边缘计算；用电行为优化

中图分类号：TM73    文献标志码：A    文章编号：1671-0797（2023）17-0016-04

DOI：10.19514/j.cnki.cn32-1628/tm.2023.17.005

0    引言

传统电力用户负荷控制多从保障电力系统安全稳定运行的角度，根据电网频率稳定和电压稳定的需要，按照负荷性质和重要性等约束条件，采用拉闸限电等强制性手段，未与电力用户实现有效互动[1]。电力物联网相对于传统电力调度数据网，接入的用户更为广泛，拥有的数据量更大，信息类型更为丰富，为建立电力用户用电行为管控系统、优化用户用电行为，实现电网公司与电力用户的实时互动奠定了良好的基础[2]。传统用户用电功率预测多采用高阶函数拟合法，计算量较大，对外界条件变化的自适应性较差。在电力物联网获取的用电负荷大数据基础上，考虑采用BP神经网络对用户用电功率进行预测，代替传统固定数学模型，进而实现用户用电行为识别。用户用电行为优化的目标是根据外部分时电价和用户自身用电习惯，在对未来用电功率预测的基础上，在满足一定约束条件下，通过调整用电行为，使用户个体取得最优的经济效益，并对电网整体实现削峰填谷，减轻功率大幅变化对电网的冲击，使得电网保留足够的旋转备用，将拉闸限电等负荷控制手段转变为用户主动参与电力需求侧响应[3-4]。因此，研究基于电力物联网和BP神经网络的用户用电行为优化策略，对保障电力系统安全稳定运行和提高电网服务水平具有重要作用。

1    基于电力物联网的用电行为管控系统

基于电力物联网的用电行为管控系统体系架构如图1所示，自下而上分为终端层、网络层、平台层和应用层。

在基于电力物联网的用电行为管控系统中，终端层用于实现电力用户各用电设备接入电力物联网。针对不同的设备接口，终端层负责RS485、MODBUS、CAN、以太网等接口和通信协议的转换，为不同业务终端提供统一的标准化能力支撑。作为边缘物联代理，终端层应具备本地化的边缘计算能力和大数据服务能力以及网络入侵检测、安全日志审计和恶意代码防范等数据安全防护措施[5]。终端层资源管理功能是对本级计算、存储、网络资源等进行管理，以实现应用资源随业务需求弹性伸缩。用电行为管控系统终端层架构如图2所示。

用电行为管控系统平台层提供网络管理、设备管理、用户管理、运行监控和安全监控功能；应用层用于建设用电行为管控主站系统，对管辖区域的各用户用电行为进行统一的管理。用电行为管控系统平台层和应用层硬件建设方案如图3所示。

在图3中，数据聚合服务器用于实现用电负荷大数据的处理；负载均衡服务器用于实现服务器资源的弹性调配；实时监控服务器用于对各用户的用电行为进行监控；边缘代理服务器用于将不同用电信息整合至统一的数据平台；大数据计算服务器用于实现全网用电数据的统一计算和分析；数据库服务器和各种类型的数据库平台用于实现数据的存储和调阅；应用服务器用于实现用电行为识别与优化的各项功能；工作站为运维人员提供人机交互界面。

2    基于BP神经网络的用电行为识别策略

在用电行为识别策略中，BP神经网络输入量考虑为以1 h为间隔的时间段、温度、湿度、节假日，输出量为用户用电功率。用户用电功率预测流程如图4所示。

在BP神经网络中，输入向量设为X=（x1，x2，…，xn）T；输出层的输出向量设为Y=（y1，y2，…，yn）T；隐藏层的输出向量设为Z=（z1，z2，…，zn）T。从输入层节点至隐藏层节点的权值设为wik，从隐藏层节点至输出层节点的权值设为vkj；隐藏层节点的阈值设为θk，输出层节点的阈值设为γj；隐藏层激活函数设为f1，输出层激活函数设为f2。

在信号前向传递中，隐藏层节点的输出见式（1），输出层节点的输出见式（2）：

在误差反向传递中，计算实际输出与目标输出之间的差值，采用梯度下降法修正各层的权值和阈值，其中ej表示第j个节点的输出值，yj表示记录输出值，xi表示记录输入值，α、β表示修正率。在隐藏层和输出层激活函数采用对数S型激活函数时，从隐藏层节点至输出层节点的权值修正如式（3）所示：

输出层节点的阈值修正如式（4）所示：

从输入层节点至隐藏层节点的权值修正如式（5）所示：

隐藏层节点的阈值修正如式（6）所示：

综上，经过不断迭代，BP神经网络用电行为识别的实际输出与目标输出之间的误差将被控制在允許范围内；或训练样本数量集已全部使用，从而得到用户在未来一段时间内用电功率的绝对数值和变化幅度，进而可以制定用户用电功率预测曲线，对用户的用电行为进行统计和识别，包括用电量、用电方式和用电时间等。

3    用户用电行为优化策略

在电力用户用电行为识别的基础上，考虑以用电费用最少为目标进行用户用电行为优化，如式（7）所示：

式中：price为每一小时的分时电价；power（i）为各用电设备功率。

用户用电行为的约束条件主要包括功率约束、运行时间约束、负荷顺序性约束和负荷连续性约束。

功率约束主要表现在：在单位时间内，用户各用电设备的负荷功率总和不得大于电网要求的功率上限值。功率约束如式（8）所示：

式中：Y（i，t）为各设备运行状态；power（i）为各用电设备功率。

运行时间约束主要表现在：用户各用电设备的每日运行总小时数不得大于电网要求的上限值，且各用电设备应运行在规定时间范围内。

负荷顺序性约束主要表现在：在某一用电设备运行状态发生变化或达到一定运行时间后，另一用电设备必须相应进行改变。

负荷连续性约束主要表现在：在某一用电设备投入运行后，在其当前任务结束前，该用电设备不能停止运行或改变运行状态。

在考虑上述约束条件下，电力用户用电行为优化的成本如式（9）所示：

式中：fc为不适成本；fm为电力花费；Cc和Cm为相应的权重系数。

用户用电行为应与电网负荷调节指令相匹配。在电网有大规模负荷削减需求时，用户可以通过调节用电设备运行参数实现节能，实现紧急需求响应的轻度参与；用户可以短时中断用电设备的运行，实现紧急需求响应的中度参与；为获取更多的需求响应补偿，用户也可以在激勵时段停止用电设备的运行，实现紧急需求响应的深度参与。

用户接收到电网调度指令后，应按照电力交易约定的期限及时将指令措施分配至各用电设备。用户应保证各用电设备的运行时间满足电力交易约定的持续时间。电力交易结束后，用户应控制各用电设备以合理的速率恢复功率，避免对电网造成冲击。用户应保证每个用电负荷留有一定的备用响应潜力，以在电网有削减负荷的需求时，能够满足电网安全稳定运行的要求。用户用电行为优化的效果可以从功率调整及时性、运行状态持续性、调整结束后恢复过程、响应潜力等方面进行评估。

4    结束语

本文提出了基于电力物联网的用电行为管控系统的体系架构和硬件配置方案，根据数据流量需求和功能部署方案采用分层的体系架构，提出了用电负荷大数据的建设方案，并考虑采用边缘代理的方式实现不同用电设备的接口和通信协议转换。此外，本文提出了基于BP神经网络的用电行为识别策略，用于代替采用固定数学模型进行用电负荷预测的方式。在满足各种安全稳定约束条件下，以用电经济性为目标，提出了用户用电成本核算和行为优化策略，用于在保障电力系统安全稳定运行的同时，提高电网服务水平和用户互动水平，实现电力需求侧管理向需求侧响应的转变，提高供电服务的经济效益和社会效益。

[参考文献]

[1] 戴晖，秦镜，程帅.基于泛在电力物联网的用电行为特征解析与应用研究[J].电气自动化，2021，43（3）：76-79.

[2] 刘冬兰，马雷，刘新，等.基于深度学习的电力大数据融合与异常检测方法[J].计算机应用与软件，2018，35（4）：61-64.

[3] 梁捷，梁广明.基于用电效率评估的居民用电行为优化研究[J].青海电力，2021，40（1）：18-22.

[4] 江樱，王志强，戴波.基于大数据的居民用电消费习惯研究与分析[J].电力信息与通信技术，2015，13（11）：7-11.

[5] 严康，陆艺丹，于宗超，等.配电网用户侧异构电力物联设备安全研究综述及展望[J].电力自动化设备，2023，43（3）：146-158.

收稿日期：2023-05-25

作者简介：张倩（1988—），女，陕西渭南人，硕士研究生，工程师，研究方向：电力营销管理。