基于时间序列的多干扰场景用电异常状态感知方法

唐文升, 武亚光, 欧伟, 朱平飞

(1. 国家电网有限公司,营销部, 北京 100031; 2. 国家电网有限公司客户服务中心, 天津 300300;3. 北京中电普华信息技术有限公司, 北京 100031)

0 引言

多场景用电异常状态感知主要用于社会网格员统一关联特殊群体[1],如留守儿童、70岁以上空巢老人、身体高度残疾人士等,基于特殊群体用户电压、电流、电量等电力数据信息,推断目标用户用电状态有无异常[2]。

为有效针对用电异常用户是否可以电话核查或者上门核查,标记核查状态,支撑社会网格员有针对性地巡检和用电异常预警,用电异常状态感知必不可少。周忠强等[3]提出了样本协方差矩阵的用电异常感知方法;陈肖璐等[4]提出了随机矩阵理论异常判别方法。对多干扰场景下用电异常状态的感知还存在明显不足,需在此基础上不断完善与创新,提升多干扰场景的用电异常状态感知效果。

时间序列方法的提出为用电异常状态感知打开全新的突破口,通过对时间序列数据的趋向和散布区域进行分析,可以感知多干扰场景用电异常状态的不同发展趋势,实现对现有趋势的认知以及对未来发展的构想。由于用电数据具有不稳定性以及随时间变化而改变的特点,可通过建立时间序列预测模型详细分析用电负荷数据[5-6],并结合负荷类型的辨识计算负荷数据,与设定的合适度阈值进行比较,准确判断用户用电异常状态下电网的状况,为电网工作人员提供便利的监测手段,才能更好地解决用户用电异常情况。因此,本文提出基于时间序列的多干扰场景用电异常状态感知方法,可以极大地提高工作效率,减少工作量,为特殊群体提供更好的管理,提高社会服务水平,有效降低特殊群体的意外用电风险。

1 时间序列用电异常状态感知方法

1.1 基于时间序列的负荷预测模型

1.1.1 模型结构

应用时间序列预测模型对采集的电力数据进行分析,图1是比较新旧数据相似性和实时预测误差得到的新时间序列模型。

图1中,新时间序列预测模型主要对离线和在线时间序列数据进行预测。工作原理为离线时间序列数据,通过离线模型训练后与在线流式时间序列数据同时进行信息感知权重并在线预测,对其真实误差进行计算。通过误差预测模型进行预测、修正,得出时间序列预测数据。

用X=(x1,x2,…,xn)表示需要辨识负荷的时间序列,有价值负荷时间序列为Y1,Y2,…,Yt。其中,Yt=(yt1,yt2,…,ytn),可通过式(1)构建其趋势序列X′,Y1,Y2,…,Yt:

(1)

(2)

DDTW(X′,Y′)=Ln,m

(3)

其中,L表示累计代价矩阵,D表示欧式距离矩阵,式(4)为时间序列的隶属度函数:

(4)

其中,k表示第i个聚类中心样本时间序列。

(5)

1.2 基于负荷数据分析的异常用电感知

线路负荷数据与其固定负荷模式存在一定的匹配关系,当电网和用户用电状态都能正常运行时,两者契合度达到99%,当处于异常状态时,负荷数据产生巨大波动,与固定负荷模式下的数据相差较大,两者关联度低。

在线路正常运行状况下,选取负荷数据X1,X2,…,Xm-1,利用Xi=(xi1,xi2,…,xin)在负荷时间序列的类比下进行分析,确定聚类中心。设基础聚类中心为B,并在X1,X2,…,Xm中随机抽取1条负荷曲线,依次代入更新B=(b1,b2,…,bj,…,bn)中bj的值,利用式(6)计算J的差值,与中止阈值ε进行比较,当差值小于阈值时,即可停止。负荷参照值可通过代入后的B=(b1,b2,…,bj,…,bn)得出。

(6)

线路负荷数据Xm=(xm1,xm2,…,xmt)与聚类中心在t时刻的隶属度函数umt可通过式(5)得出,同时得到在t时刻负荷值xm(t+1),并根据式(7)计算合适度指标为

(7)

对合适度阈值ε进行设定,若Ke(t)>ε,即判决该线路负荷处于异常状态。假设其合适度阈值重新回到正常范围内时,为t′时刻,即Ke(t′)=(umt)2|xm(t′+1)-bt′+1|<ε,则判断该线路用电状态恢复正常。负荷处于异常状态时,该线路与正常负荷值的隶属度函数um两者之间不存在关联,负荷值也不再变化,而是保持非异常状态时刻的值umt。

2 实验分析

2.1 实例测试

以某地区供电局配电线路为实验对象,验证本文方法多干扰场景用电异常状态感知效果。该线路的主要用户为工厂、公司及居民,此线路有70个节点,39个负荷节点,包括29台公用配电变压器。实验选择a线路和b线路2条线路。选取该地区2021年4月1日至2021年5月20日的实测负荷作为原始数据,选取某一天的下午3点到夜晚24点的电流变化情况作为实验对象,进行负荷预测及用电异常状态感知实验。

2.1.1 不同线路下负荷性质分析

通过本文方法判断线路的负荷性质,针对a线路和b线路客户用电异常状态下的负荷分析,评估不同场景用电异常状态。该地区a线路与b线路负荷曲线如图2所示。

(a) a线路

根据图2负荷曲线,利用本文方法分别计算a线路、b线路负荷曲线的时间序列与工厂、公司及居民类有价值负荷趋向序列的隶属度,如图3所示。

从图3可以看出:对于b线路来说,负荷时间序列隶属度值最高的是居民类,为0.88;对于a线路来说,负荷时间序列隶属度值最高的是公司类,为0.864。证明本文方法通过对隶属度的计算,能清晰展示负荷的时间趋向,从多场景感知用户用电异常情况。

2.1.2 负荷预测效果

为了证明本文方法负荷预测的有效性,从39个负荷节点中选取一个2个节点(实测节点和非实测节点)作为实验对象。采用本文方法计算2个节点10 d的负荷预测值,统计日平均误差,具体误差结果如表1所示。

表1 节点负荷预测日平均误差

从表1可以看出,非实测节点误差在4%～9%之间,实测节点误差在1%～8%之间,实测节点和非实测节点的误差率都低于10%。根据计算结果可以看出,本文方法的节点负荷预测误差率较低,为后期异常状态感知提供良好的数据基础。

图4为某一天具体时刻的负荷预测数据与负荷实测数据的对比结果。

图4 实测节点负荷预测曲线

从图4可以看出,负荷实测与负荷预测最高误差不超过10 kW,负荷预测准确率较高。因此,本文方法可以较准确地预测负荷数据。

2.1.3 用电异常状态感知

通过本文方法、样本协方差矩阵异常检测方法(文献[3]方法)和随机矩阵理论异常判别方法(文献[4]方法)对不同类别用户用电异常状态感知时间进行测试,测试结果如图5所示。

图5 各方法异常状态感知比较图

从图5可以看出,本文方法对各类用户的用电异常状态感知时间均低于其他2种方法,并且感知时间均控制在0.5 ms内,因此本文方法对不同干扰场景下用户类型的用电异常状态感知效果较好,具备异常状态感知时效性。

2.2 应用分析

为了证明本文方法在实际应用中的性能,采用本文方法对北京朝阳区某小区519户居民在2021年5月22日24 h内的用电量进行分析,辨识用电状态,判断用户用电具体的负荷类型。该小区包括商业楼和居民楼。居民的正常用电量由家庭内部的用电设备决定。北京冬季采暖期为11月到次年3月,空调制冷期为6月到8月,而应用本文方法的时间既不是采暖期也非制冷期,因此空调使用量较低。根据不同电器的使用高峰期,计算变配电室的负荷安装总容量。参照每个变配电室供电户数确定住宅同时使用系数,负荷安装总容量乘以同时使用系数得到计算总容量。

通过曲线的方式对用电量进行比较,所属不同用电负荷类别的用户用不同线条表示,图6为24 h内用户日用电模式。

图6 用户日常用电模式

从图6可以看出:类1白天用电量低,17:00以后至24:00用电量明显增加,此类用户应为居民类;类2波动幅度不大,处于平稳状态,但用电量较大,此类用户多为工业类,长时间处于较高用电状态;类3日常用电量高于类1,在16:00至19:00量最大,此类用户多为商场或者公司,有固定的时间点。以上结果证明,本文方法可依据时间序列感知用户用电具体的负荷类型,根据负荷类型感知用电异常,具有实用价值。

3 总结

本文基于多干扰场景用电异常状态感知需求,提出了一种基于时间序列的多干扰场景用电异常状态感知方法。通过建立负荷预测模型、负荷类型的判断及用电异常感知分析多个角度,在误差、速度、隶属度方面进行具体线路负荷数据预测,更系统地分析数据,保证对负荷的预测误差更小,获得的分析结果更准确。