基于最大流算法的电力负荷坏数据辨识系统

曾俊然，王长伟，陈 雪，黄文琦，梁凌宇

（1.广东电网有限责任公司佛山供电局，广东佛山 528000；2.南方电网数字电网研究院有限公司，广东广州 510000）

现代社会一切日常生活和生产活动都离不开电力系统，随着电力系统运行的规模越来越大，其操作模式也越来越复杂化，虽在一定程度上提高了动力系统的高利用率和高工作效率，但电力系统的复杂化应用也导致提高了系统运行的危险性，从而减少了对电力系统行为的可预测性，使动力系统的安全无法获得有效保证。在电力系统负荷预测实际工作中，负荷数据的记录、转换、传输等环节的故障均可能导致观测数据出现反常态势，导致负荷历史数据中出现一些坏数据。且由于电力系统多数是相互关联相互依存的状态，及电网是一个整体系统，一旦有局部故障，整个电网都会受到影响，甚至会出现大范围停电，严重影响了社会的生活和生产，甚至造成严重的经济损失。

针对于此方面的课题研究也日益增多，文献[1]提出了基于云计算的电力负荷内部损坏数据自动检测方法。但是由于云计算采用的数据量庞大，在数据采集的步骤尤为困难，数据采集的数量和耦合性都对结果有着严重影响；文献[2]应用基于数据流挖掘的算法，通过计算时间来完成对电力负荷的坏数据进行检测，但是由于应用到的模型和算法较多，算法复杂，实用性较低。

针对以上问题，该文提出了基于最大流算法的电力负荷坏数据辨识系统，以优化电力负荷坏数据的监控和检测效果。

1 系统硬件设计

该文基于最大流算法的电力负荷坏数据辨识系统的硬件方面主要包含三部分：采集器、处理器、信号识别器。电力负荷坏数据辨识系统硬件结构如图1 所示。

图1 电力负荷坏数据辨识系统硬件结构

1.1 采集器

系统算法正常的运行，需要数据的支撑，因此对数据进行准确、有效采集非常重要。基于最大流算法的电力负荷坏数据辨识系统硬件方面的采集器，需要具备实时采集、可自动化存储、及时显示并反馈的特性。结构方面需要对外接口为可隔离的NC 通信，在高压电池侧边需要放置微控制单元，微控制单元的供电是从高压电池侧取电，提高检测的准确性[3-4]。

1.2 处理器

处理器作为系统的控制处理核心，对其功率及内核容量要求较大，且需要具有自动化数据处理、自动化数据传输的特性[5-6]。该系统采用的处理器以波形发生功能来实现控制核心，同时加入其他的IP 核，包括调试用核、用来和中央控制端实现交流的通用异步数据传输模块、数字显示屏、按键控制模块等，从而达到了控制系统的高度集成化。处理器硬件系统由数据系统产生数字量，将波形数据转换为数字信息或模拟波形信号[7]。

1.3 信号识别器

文中采用最大流算法的电力负荷坏数据识别系统硬件方面的信息识别器，需要包括感应器、电力归合器、读写芯片、独立点机、通信状态显示器、载波发生器、调制器。信号识别器结构如图2 所示。

图2 信号识别器结构

感应器主要负责将采集器接收到的输入信息进行转换，转化为无线射频输入信息，并使用电力归合器和读写芯片把转换后的无线射频输入信息作为输入输出信号，实现信息的传递；读写芯片负责对无线射频信号进行转换和调制；载波发生器负责将无线射频信号转化为信号波形式并传输到调制器进行信号波数字化调制[8-10]。

2 软件设计

在电力系统中，由于电力网络所处位置的不同、各网路性能的不同或者是承载负荷的不同，其中一些节点和边很关键，节点上的细小故障和变化也会导致整个电力系统变得敏感。电力负荷坏数据辨识就是为了找到这些脆弱敏感的故障节点从而进行预防和保护，以防止灾难性事件的发生。通过建立拓扑模型，基于最大流算法对坏数据进行评估，从而完成对电力负荷坏数据的辨识[11-12]。基于最大流算法的电力负荷坏数据辨识系统软件流程如图3 所示。

图3 辨识系统软件流程

2.1 拓扑模型建立

该文基于最大流算法，建立拓扑模型。将电力系统的总源头到最终分布端看作一个整体网络流，则中途电流经过的变电站、变压器，及分布终端每个作用点都可以看作一个单独的节点，则单独节点处的切割流量可表示为式（1）：

其中，x(a,b)表示两个相交边界的共同节点；Vx表示将相交节点看作一个整体的单独节点处切割流量。通过公式求得最小切割流量处节点，则此节点处为最小切割点，为最大流节点处[13-14]。

将传输电能的高压线看作是边，这样就得到一个复杂的网络流。其中最大流需要根据每一条单独的预流的函数公式求值，选取其中最大值作为最大流。通过超额流来确定预流，将预流超额流定义为函数f(u)，则可以表示为式（2）：

其中，f(u)表示进入节点u的超额流，一个节点的超额流是流入该节点的流超出流出该节点的流的部分；ϑ表示节点流量常数值，数值大小和所处地点、性能、负荷的影响变化相关。经过公式计算，最终所有可能到达汇点的流都到达汇点，统计所有预流函数值的大小，以搭建拓扑模型。

2.2 基于最大流算法的电力负荷坏数据评估

综合上文两个公式可以求得最大流，最大流数值可表示如式（3）所示：

其中，Vmax表示最大流数值。结合最大流数值，根据复杂网络理论，对电力系统进行拓扑模型的搭建，生成一个有向有权流网络，将复杂流电力网络转化为简单流电力网络，将多源点多汇点转化为单源点单汇点，以简化的方式计算复杂度，计算网络中的最大可行流[15]。

中心性指标可以用式（4）表示：

式中，m、n分别表示e、d各自对应的汇点[16]；M、N分别表示e、d各自对应汇点的最大值。

根据上文搭建的模型以及函数数值的计算，基于最大流算法完成对电力负荷坏数据评估。评估逻辑的执行可以分为两个阶段。首先，对数据进行预处理，将最大可能的预流压入源点和汇点，并推送到相邻的节点，当数值储存后将源点删除。将每个节点都推送一次，在容量超出限制时进行反推并重新推送，直到网络中的所有网络流汇聚到汇点为止。最后，将满足条件的数值进行存储，不满足条件的数值作为电力负荷坏数据进行反馈和传达，以完成对坏数据的辨识筛选。

3 实验研究

为了验证该文提出的基于最大流算法的电力负荷坏数据辨识系统的可行性，设定实验。同时采用目标性攻击和随机性攻击两种方式对电网进行攻击，实验过程的攻击次数共有10 次，分析在不同攻击状态下网络剩余流量，得到的实验结果如表1-2所示。

表1 随机攻击剩余流量

根据表1 和表2 可知，在电网遭受攻击后，引入提出的辨识系统可以很好地提高网络剩余流量，确保电网在经过攻击后，剩余流量高于95%。由此可以证明，该文提出的辨识系统对随机攻击和目标攻击都有很强的鲁棒性，能够很好地分析电力负荷坏数据，防止由于坏数据出现而导致的系统过负荷，进而出现的电网崩溃，提出的辨识系统能够更早发现电网内部问题，从而保护关键运行路径，防止灾难发生。

表2 目标攻击剩余流量

为进一步验证提出的基于最大流算法的电力负荷坏数据辨识系统的实际应用效果，选用该文辨识系统和传统的基于云计算的电力负荷坏数据检测方法和基于数据挖掘的电力负荷坏数据辨识方法进行实验对比，得到的辨识准确率实验结果如表3 所示。

表3 不同系统的准确率测试结果

根据表3 可知，该文设计的辨识系统辨识准确率明显高于传统系统，说明该文提出的辨识系统具有很好的网络连通性，通过最大流进行数据沟通，在分析信息数据后，实现数据连通。而传统方法的连通性较差，在连通过程中，会出现很强的损失率，电网在受到网络攻击时，无法正常运行。

保证电力网络系统的安全和稳定对生活生产尤为重要，只有通过更深入的认识与把握供电的实际工作状况，及时预测可能发生的故障与问题，对可能发生的问题深刻把握，才可以避免故障的出现或是在故障发生时准确迅速地进行解决。提出的基于最大流算法的电力负荷坏数据辨识系统能够很好地确定网络中的电力负荷坏数据，根据数据信息，实现关键保护，为电网安全运行提供有力依据。

4 结束语

该文从硬件和软件两个方面完成了电力负荷坏数据辨识系统的设计。首先，选用符合条件的采集器、处理器、信号识别器三部分硬件设施，然后，通过数据搭建拓扑模型，通过多源多汇网络修正，基于最大流算法根据中心性指标对边排序，对电力系统坏数据进行筛选和评估，从而完成对电力负荷坏数据的辨识，该方法不受限于数据采集数量，也不被数据的耦合性所限制，能够很好地应用在电网辨识工作中。