基于人工智能技术的配网用户侧负荷态势感知方法

陈强

（国网山东省电力公司成武县供电公司，山东菏泽 274200）

近几年，用户负载逐渐被用于调峰、调频等领域，并在维护电网安全中发挥重要作用。随着需求端用户侧智能程度的提高，对于负荷群体的状态评估成为用户侧负荷态势感知的重要环节。在配网系统中引入态势感知技术，已引起国内外学者的广泛关注，并对其进行了深入分析和整理，已经取得一定的研究成果。在近几年的研究项目中，田书欣[1]等人针对如今人们对配电网安全态势感知快速性和准确性要求高的问题，提出了基于同步相量测量装置的感知方法。该方法首先对同步相量测量设备的配置进行优化，构建了配电网网络拓扑分层模型，提高了配电系统安全态势要素的捕捉性能，然后构建了基于信息熵的矢量数据描述模型，设置态势预警指标，感知实时安全风险；最后利用长短时记忆网络对正常运行和故障扰动两种状态下的配电网运行趋势进行预测。金明辉[2]等人主要针对如今智能配电网态势感知方法评估结果不准确的问题，提出了基于状态评估的感知方法。该方法构造了一种基于最小二乘拟合法的配网故障检测模型，通过层次分析法计算权重，实现智能配电网的态势感知。以上两种方法在进行数据采集后未对其进行去噪处理，导致数据存在大量噪声，且训练时间长，容易陷入局部最优或者过拟合，无法精准感知结果。基于此，该文结合人工智能技术，研究了配网用户侧负荷态势感知方法。

1 配网用户侧负荷异常情况分析

采用人工智能技术对大量配网用户进行用电负荷分析，初步筛选零电量用户，有效缩短目标搜索距离。在这一过程中，以专家经验为基础对配网用户进行分类[3]。通过对零电量用户进行初步分类、筛选和组合，判定用户侧负荷的异常情况。

零电量用户类型筛选的流程图如图1 所示。

图1 零电量用户类型筛选的流程图

由图1 设计详细的筛选过程如下：

1）反向电量判定

从实际角度来看，很有可能发生零电量用户的进、出线反接现象。当发生这种异常时，可利用AMR 进行电力数据的查询。电表输出的正向电量是0，逆向不是0。在有逆向电量的情况下，对“入、出、反”的用户进行判定，排查最高评分，即存在反向电量用户[4-6]。

2）计量表传输异常判定

对于计量表传输异常进行判定时，应充分考虑电压是否被采集成功。如果成功，但计量表传输依然异常，则需对其进行判定[7-9]。

判断依据为：

式中，当H(t)=1 时，表示零电量用户在t时刻的电压为0；当H(t)=0 时，表示零电量用户在t时刻的电压不为0。

3）居住状况判定

当大部分电量为零的用户长期处于闲置状态，每日用电量都低于某一临界点[10-11]。文中采用专家经验设置阈值，以排除人为因素造成的小电流[12]。对长期不使用电力的用户进行甄别，发现零电量异常的概率非常小，则其诊断得分应为0，即可说明该用户长期无人居住[13]。

通过对配网用户侧负荷异常情况进行分析，筛选出零电量用户。

2 基于人工智能技术的负荷态势感知

采用人工智能技术对配网用户侧负荷进行态势感知时，其具有较高的智能化、人性化、独立分析和决策能力。该感知技术能够调用边缘梯度计算方式，实现负荷态势感知与分析[14]。在完成方法设计的过程中，首先通过模型认知来辨识负载对象，并对其进行自适应修正；然后，对空域进行集中划分，以此提高分析的准确性；最后，利用变分模态分解算法分解感知态势，结合Fisher 判别法完成配网用户侧负荷态势感知。

2.1 人工智能技术负荷态势感知模型构建

采用云平台对人工智能技术上报的负载群体进行量化分析，并对其与电网（电力）协商一致的目标曲线进行检验，从而形成一个综合的负荷态势感知模型，如图2 所示。

图2 人工智能技术负荷态势感知模型

引入人工智能技术，可有效改善辨识的精确度和相似性以及负载调整的精确度。另外，采用边缘运算和集中运算相结合的方法，可有效提高运算效率。

2.2 基于机器学习的负荷空域集合划分

在配网环境下，依据功率负荷空间解析情况，将特定区域划分为若干个供电单元。对该供电单元进行分区处理，将小区分为两类：第一类是供电区域，也称为I 类小区[15]；第二类是将被预测区域按照相同大小的规则网格划分为区块，称为II 级单位。直接获取的历史负载资料中有一些不正常的数值，为此提出了一种基于机器学习的人工智能算法来识别异常点[16]。选取多个特征点构成一个特征空间；在所选择的属性中，将最大值与最小值分别分成一块，构建一组机器学习，计算出每一组的异常分数。公式如下：

式中，k1表示从负荷异常时刻向前推进的负荷数量；k2表示从负荷异常时刻向后推进的负荷数量；Lk1、Lk2分别表示原始负荷序列中的两个时间点的负荷值；n1、n2分别表示向前推进和向后推进的总数量。该计算结果越大，说明集合异常得分越高，基于此，使用雷达图法评估零电量电力用户异常程度。用电异常综合评价雷达图如图3 所示。

图3 用电异常综合评估雷达图

由图3 可知，五角星越大，异常用户用电情况也就越多。采用常规的评价方法会极大地降低特征权值，从而使得识别的核心点变得更加困难。采用雷达法，可利用雷达图了解不同电网中电力系统的各种特征和异常状况。

2.3 配网用户侧负荷态势感知

使用变分模态分解算法将状态感知后的I 类小区和II 级单位负载时间序列进行分解，并得到趋势分量及低频分量。

变分模态分解通过边缘梯度分解形成，将信号进行自适应分解，这就是对变量问题的构造与求解过程。利用迭代搜索变量模型，将状态感知后的负荷时间序列分解为K个中心频率。对于分解的K个中心频率，通过式（3）求出各成分的能量值，并以状态感知后的负载时间序列的能量值为标准。

式中，Ei表示第i个分量的能量值；MFi表示第i个分量；Tmin,i、Tmax,i分别表示时间上限和下限。

经过变分模态分解后获取趋势、低频分量，对这两个分量进行感知，结合Fisher 判别法对待感知态势进行动态预测，得到待预测负荷态势所属的类别。将配网用户侧负荷态势投影到某一方向上，使同一类型的负荷投影点尽可能接近，不同类的负荷投影点尽可能远离，以此为依据进行态势感知。

Fisher 判别函数为：

式中，λ表示判别函数系数；x表示待判样例指标数值。当T(x)=λ时，可判断该数值对应的负荷为趋势分量；当T(x)≠λ时，可判断该数值对应的负荷为低频分量。

3 实 验

为验证基于人工智能技术的配网用户侧负荷态势感知方法研究的合理性，进行实验验证分析。

3.1 实验数据集

以户号为****32240 用户为例，对于该用户在过去一段时间内的历史数据进行聚类处理，得到如表1所示的数据。

表1 历史数据聚类结果

由表1 可知，在负荷历史态势被分成的14 类中，每类样本数量均大于15 个，能够保证有足够的数据进行训练。

3.2 实验结果与分析

选取基于同步相量测量装置的感知方法（文献[1]方法）、基于状态评估的感知方法（文献[2]方法）为对比方法，与基于人工智能技术的配网用户侧负荷态势感知方法进行对比实验，对比分析用户侧负荷态势感知结果，如图4 所示。

图4 三种方法用户侧负荷态势感知结果对比分析

由图4 可知，使用基于同步相量测量装置的感知方法感知曲线与实际曲线不一致，其中，使用该方法最高感知负荷为3.4 MW，与实际最高感知负荷相差2.0 MW；使用基于状态评估的感知方法感知曲线与实际曲线不一致，其中，使用该方法最高感知负荷为2.5 MW，与实际最高感知负荷相差2.9 MW；基于人工智能技术的配网用户侧负荷态势感知方法感知曲线与实际曲线基本重合，其中，使用该方法最高感知负荷为5.35 MW，与实际最高感知负荷相差0.05 MW。由此可知，使用人工智能技术与实际数值相差较小。

为进一步验证人工智能技术感知效果的精准性，分别使用三种方法进行感知，对比分析态势感知误差，该误差用百分数表示如下：

式中，D表示态势感知总数据量；D′表示态势感知目标数据量。

根据式（5）计算三种感知方法的感知误差，对比结果如表2 所示。

表2 三种方法感知误差对比分析

由表2 可知，使用基于同步相量测量装置的感知方法、基于状态评估的感知方法最高感知误差分别为0.47、0.36，而使用基于人工智能技术的态势感知方法，最高感知误差为0.20。由此说明，使用该技术感知误差小，说明使用该技术能够得到精准感知结果。

4 结束语

为提升对电网用户侧符合态势感知的精准度，提出的基于人工智能技术的配网用户侧负荷态势感知方法，对配网中的负荷进行了认知、状态预测和定量分析，使其在参与电力系统的互动过程中达到了智能化和精细化的程度。但在负载群集的应用中，需要进行更多研究，其中，基于多能协作的负载协同优化是今后的发展方向。