基于數據融合算法的電網用電量數據分析方法

王 彥，陸 海，楊 洋，張旭東，蘇 適

(1.云南電網有限責任公司西雙版納勐臘供電局,云南 西雙版納 666300;2.云南電網有限責任公司電力科學研究院,云南 昆明 650217)

0 引言

新能源及智能電網的大規模發展使電力系統數據朝著多樣化與復雜化方向發展，目前針對電力數據的研究主要集中在電力設備故障的分析和用電量分析兩個方面。電網用電量的分析關系著整個電力系統的調節和規劃，對用電量數據的精準分析影響電網運行安全和經濟安全[1]。因此對用電數據的分析引起了國內外學者的關注，有些國外電力企業采用智慧能源云平臺的方式，來覆蓋整片區域的發電、輸電以及配電用電等一系列環節，分析電網運行的電力數據，從而降低電網系統各環節運行的成本[2]。國內對于電網用電量數據的分析工作也展開了全面的研究，針對國內現有的技術水準，研究電力數據在輸配電設備負載的狀態評估、電力設備故障檢查等方面的應用，保證了國家電網的安全穩定運行[3]。

基于數據挖掘的用電數據分析方法是采用數據挖掘技術，對樸素貝葉斯算法進行優化，實現對電力系統中不同用戶的分類，并仿真驗證了該方法的準確性[4]。基于云計算的用電數據分析方法是采用分布式原理，設計了電力數據的多維索引，針對電力數據的特點，實現對電力數據的分析預測，并實驗證明了該方法的實用性[5]。Wu等[6]提出了基于多變量灰色模型的山東省用電量預測，用灰色凸關系分析法描述了用電量及其相關因素之間的關系。建立了一種考慮總人口的新型多變量灰色預測模型，以預測山東省的用電量。以上兩種方法雖然在實用性和準確性方面具有一定優勢，但是在數據分析效率方面還存在一些不足。

由于數據融合算法具有運算量大、通用性較好、處理速度快等優點，因此本文將數據融合算法應用到了電網用電量數據分析方法設計中，有效解決了數據分析用時較長、運算性能較差的問題。

1 電網用電量數據分析方法設計

1.1 電網用電數據挖掘

在分析電網用電量數據時，首先要對電力數據進行挖掘，對存儲在電力系統數據庫中的用電數據信息進行相應的采集、特征轉換和數據處理[6]。信息化時代下各行業用電的急劇增長，電力數據呈爆發式增長，我國智能電網系統的數據采集量以每年90TB的數據量增加[7]。且電力數據來源廣泛，且實時分析性較強，數據挖掘相對較難，所以提出了一種與用電數據分析模型相對應的數據挖掘方法，將有價值的用電量數據挖掘到電力數據庫中，利用大數據技術分析電力數據的潛在價值。

因用電量數據量較大，采用大數據技術對其進行挖掘[8]，目前完整的數據挖掘包括電力系統數據庫、數據挖掘服務器、數據檢索引擎、智能分析等過程。數據挖掘體系結構如圖1所示。

圖1 電網用電量數據挖掘體系結構

用電量數據挖掘體系數據庫主要用于存儲電力系統元數據，電力數據倉庫屬于一個群體，同時為上一層挖掘服務器提供數據接口。用電量數據模式評估是對采集到的電力數據進行分析，獲得用戶所需的用電數據，經過挖掘體系處理后，得到用電量數據[9]。在電網數據庫中挖掘用電量數據的具體實現步驟為：

(1)確定待挖掘的數據對象

用大數據技術對電力數據進行分析，在確定需要挖掘的用電數據對象之前，應先明確該挖掘的數據為數據分析過程中的哪一步服務。傳統挖掘技術所獲得的用電資料信息格式無法預測，但大數據技術可以對用電資料進行有效挖掘。

(2)電力數據準備階段

通過對電力系統中影響電網異常的數據因素進行預處理[10]，去除不相關的數據信息。從而為電力系統的正常運行提供可靠的數據支持，保證電力系統用電數據的完整性。

(3)建立評估用電量數據模型

選擇大數據技術計算用電數據庫的隸屬度，并調整相應參數，選擇適當的求解過程，實現高效的模型預測。用大數據技術對數據模型各方面的性能進行評價[11]，在確定使用前，當所有的性能指標都達到了預期值之后，開始進行用電量數據挖掘。

(4)挖掘用電量數據

利用大數據技術中的目標數據挖掘算法[12]，獲得用電數據信息。

根據大數據技術中數據挖掘的特點，確定了合適的數據挖掘方法，通過引入電力數據挖掘體系結構，設計了用電量數據挖掘流程，以此提高數據分析的速度。結合電力數據挖掘的實現步驟，完成了用電量數據的挖掘；接下來通過數據融合算法分析用電量數據。

1.2 基于數據融合算法的指標權重調整與用電量數據分析

一般情況下，電力系統數據分析算法是將電力系統源域和目標域的電力數據混合起來進行分析，并利用大數據技術建立一種數據融合算法的指標權重調整機制[13]。如果對訓練樣本進行了錯誤分類，可以認為該訓練樣本與目標區域中的用電量數據相似度幾乎為零，從而降低了下一次訓練時數據的權重[14]。經過多次迭代后，電力系統源領域的用電量數據將直接比先前的權重更高，因為它是目標域數據訓練的一個有利部分。但是，在極端情況下，由于用電量數據價值的變化，傳統的數據分析算法放棄了對該部分用電量數據的分析[15]。圖2顯示了傳統數據分析的算法流程。

圖2 傳統用電量數據分析算法流程

傳統用電量數據分析算法在實際應用時，隨著迭代次數的不斷增加，電力系統源領域內的用電量數據樣本權值不斷降低，目標領域內的數據樣本權值不斷升高，這種權值波動現象容易導致兩個領域之間的差距變大，從而嚴重影響了用電量數據分析的準確性[16]。因此對傳統用電量數據分析算法進行改進，設計一種數據融合算法，篩選并融合兩個領域的用電數據。

在電力系統源領域內的用電量數據篩選過程中，初步過濾掉與目標領域電力數據不同的源領域用電數據，用電量數據訓練算法的流程為：

(1)輸入：電力系統源領域內的用電量數據集，及目標領域內的數據集

(2)用電量數據初始化

將兩個領域內的用電量數據進行融合，并將融合后的數據集分類。

(3)用電量數據分析迭代

(4)輸出：篩選后的源領域用電量數據集和目標領域用電量數據集。采用大數據技術的計算優勢，計算電力系統兩個領域之間的距離；根據兩個領域的距離計算結果，將用電數據聚類；剔除不在目標領域內的用電量數據，以此提高數據融合算法的運算效率。

針對數據融合算法在應用過程中可能會出現擬合超標問題，算法在損失量計算時需要增加一個校正系數[17]，改進后的算法流程如下：

(1)輸入:電力系統源領域電力數據集Ta和目標領域電力數據集Tb，測試數據集S，訓練數據集T，分類算法L以及迭代次數n。

(2)初始化分類參數

初始化用電量數據訓練數據集中的權重向量w，計算公式為

(1)

設置分類參數β為

(2)

公式(2)中，M表示用電量數據訓練集樣本數量，p表示用電需求系數。

(3)分析算法的迭代

(4)輸出:電力數據融合器。調用用電量數據融合器，根據數據訓練數據集以及分析系數，得到一個在測試數據集上的融合器[18]；計算不同數據集在目標領域用電量數據集上的錯誤率；設置改進后的數據權重向量。

電力系統在極端運行的條件下，由于用電量數據極易丟失，設計數據分析算法保留了原始用電量數據集[19]，針對傳統數據分析算法的不足，利用大數據技術的計算優勢[20]，完成了用電量數據分析算法的改進設計；最后結合數據的分析流程，來實現用電量數據的分析。

電力系統中處于監測狀態的電力設備會隨著時間的延長，產生大量的歷史數據，分析用電量數據可以促進電力設備的狀態評估[21]。傳統的用電量數據分析方法計算過程較為復雜，在規定的時間內無法達到用電量數據的分析要求。管理者根據對電力數據的需求將用電量數據導入到電力系統數據庫中，數據的計算和分析由系統統一完成[22-23]。用電量數據分析流程如圖3所示。

圖3 用電量數據分析程序

綜上所述，為了適應電力系統的運轉，將電力系統中的用電量數據進行了狀態評估，結合數據融合算法調整指標權重，數據的分析流程，實現了電網用電量數據的分析。

2 實驗分析

為驗證此次研究提出方法在用電量數據分析耗時及運算方面的優勢，通過Matlab 2015b對其進行測試。測試平臺搭建環境為Windows 7操作系統，Core i5-9400F CPU，8GB運行內存。本節對比的方法有基于數據挖掘的分析、基于云計算的分析這兩種用電量數據分析方法。此次實驗數據來源于某電網企業變電站，其中包括不同時段的輸電量、用戶用電量、用電負荷、售電量等數據。具體數據采樣裝置參數如表1所示。

表1 采樣裝置參數設定

2.1 用電量數據分析耗時對比實驗

2.1.1 實驗過程

由于電力系統中的數據比較復雜，且隨時變化，用電量數據的不穩定性導致其在分析過程中的耗時變長，實驗的具體操作步驟如下：

步驟1：在電力系統數據庫中采集十組不同數量用電量數據，分別采用數據挖掘技術、云計算技術以及大數據技術對采集的用電量數據進行清洗；

步驟2：將清洗后的用電量數據轉換成數據分析服務器可以識別的數據格式，以便服務器對數據進行處理；

步驟3：先對用電量數據進行預處理，根據預處理的結果再做進一步分析；

步驟4：分別采用基于數據挖掘的分析方法、基于云計算的分析方法以及基于數據融合算法的分析方法，對處理后的用電量數據進行分析；

步驟5：統計不同方法在用電量數據分析過程中的耗時情況，得到實驗結果。

2.1.2 實驗結果分析

利用用電量數據分析耗時實驗步驟，利用模擬平臺統計不同分析方法的耗時情況，如表2所示。

表2 用電量數據分析耗時對比結果

從表2的實驗結果可以看出，采用基于數據挖掘的分析方法來分析電力數據時，由于用電量數據的數量大，當用電量數據數量超過8 000 MB時，導致內存不足的現象發生，得不到具體的分析耗時結果。經計算，數據數量小于7 000 MB時的分析耗時均值為9.24 s；基于云計算的分析方法在用電量數據分析耗時方面要優于基于數據挖掘的分析方法，只有當數據數量為10 000 MB時，才會出現內存不足的現象，一定程度上優化了數據分析方法受到數據量大的影響。

經計算，除去無用數據的分析耗時實驗結果，用電量數據的分析耗時均值為7.1 s。相比于以上兩種分析方法，基于數據融合算法的分析方法在電力數據分析過程中，受其他干擾電力數據數量的影響較小，且整體數據分析耗時比較低。本文研究的方法在分析用電量數據時的平均耗時為2.194 s。因此可以得到該方法可以縮短用電量數據的分析耗時，可以及時為電力規劃提供有利依據。

2.2 用電量數據分析收斂次數對比實驗

2.2.1 采集用電量數據

在保證用電量數據分析耗時較短的情況下，進一步驗證該方法在數據分析運算上的優勢。以在不同任務量情況的收斂次數作為實驗指標，收斂次數越少，說明數據采集過程中資源占用率越少，運算性能越好，準確率越高。方法收斂次數對比實驗對用電量數據的要求比較嚴格，在實驗前必須先從電力系統中采集實時用電數據信息，確保實驗結果可靠。用電量數據采集結果如表3所示。

表3 用電量數據采集結果

2.2.2 實驗結果分析

根據用電量數據的采集結果，采用基于數據挖掘的分析方法、基于云計算的分析方法以及基于數據融合算法的分析方法，得到了用電量數據分析收斂次數對比結果，如圖4所示。

圖4 用電量數據分析收斂次數對比結果

從圖5的實驗結果可以得到，在用電量數據分析收斂次數方面，基于數據挖掘的分析方法與基于云計算的分析方法不能達到良好的數據分析效果，基于數據挖掘的分析方法在分析用電量數據時的最大收斂次數都高于58次；基于云計算的分析方法在分析收斂次數雖然略低于基于數據挖掘的分析方法，但是用電量數據分析的平均收斂次數高于41次；然而基于數據融合算法的分析方法在數據分析收斂次數遠遠低于其他兩種分析方法，用電量數據分析的收斂次數均低于20次，說明其運算性能較好，準確率較高，更適用于電力數據的分析工作。

基于以上實驗結果，無論是用電量數據分析時效還是分析運算性能方面，基于數據融合算法的用電量數據分析方法優于其他兩種分析方法，有效提高了數據的分析效率。

3 結束語

為完善現有用電量數據分析方法，解決分析耗時長及精度的問題，本文提出了基于數據融合算法的電網用電量數據分析方法。

(1)從電力系統數據庫中挖掘出有價值的用電量數據信息；

(2)通過數據融合算法調整指標權重，根據設計的用電量數據的分析過程實現了數據的分析；

(3)實驗結果表明，該方法具有較低的分析耗時，平均耗時為2.194 s，以及較高的運算性能，提高了分析的準確性；

(4)為進一步完善用電量數據分析方法，在后續研究中將以用電量數據預測方面為主，進一步完善此次課題。