電力營銷實時費控系統運行狀態異常預警方法

羅世剛

(國網甘肅省電力公司, 甘肅 蘭州 730030)

0 引言

電力營銷是指電力企業在變化的市場環境中，以滿足電力消費需求為目的，提供個性化的電力產品和服務，最終達到獲利的目的[1]。從本質上來講，電力營銷可以調整電力市場的需求與供給之間的關系，保證電力服務質量，實現電力供求平衡[2]。遠程費控系統主要是由電力主站系統、集中器采集器以及安裝在居民樓中的智能電表構成。電力主站系統含有多個終端接口，以連接多個智能電表，主站與智能電表通過無線傳輸通道進行數據傳輸，并連接到營銷業務應用接口，實現主站與智能電表之間的數據共享[3]。

研究電力實時費控系統預警方法，可以依照系統的運行狀態，得到系統負荷的大小及變化，幫助電力工作人員對系統開展維修與保養工作[4]。國內對實時費控系統運行狀態異常預警方法研究的起步較晚，理論與實踐方面并不成熟，例如基于模糊理論的預警方法[5]以及基于功能測試的預警方法[6]等，但是經過研究發現，當前方法易將正常數據誤標記為異常數據，導致預警時間過長，為解決該問題，提出一種新的電力營銷實時費控系統運行狀態異常預警方法。

1 電力營銷實時費控系統運行狀態異常預警方法設計

1.1 系統異常運行狀態診斷

在診斷實時費控系統運行狀態時，首先需要挖掘系統運行異常狀態的數據，挖掘過程的流程圖如圖1所示。

由圖1所示的挖掘過程，以費控系統歷史運行狀態參數作為原始數據，并選擇目標樣本數據。在此基礎上對所獲得的數據進行預處理(融合與清洗)，刪除冗余、不一致的數據，統一運行狀態數據挖掘的標準[7]。將預處理后的數據轉換為適合數據挖掘的模式，針對不同的異常運行情況選取貝葉斯算法作為異常診斷的依據，最終將所有異常運行狀態轉換為可理解、可使用的數據模式。

圖1 挖掘過程

智能電表本身就含有一個電能運行系統，定義其輸出功率與相關物理量之間的關系，如式(1)。

(1)

其中，P表示智能電表的輸出功率;Lp表示電能利用系數;I表示流經智能電表的電流;R表示電表內的電阻值。系統主要通過主站內管理系統輸出的信號實現對智能電表控制，首先將控制信號轉換為能夠讓智能電表運行的電能，依照智能電表的不同控制區域，控制式(1)中的各個變量[8]。將控制電表運行的各部分篩選出來，定義異常運行狀態的類型，并進行編號，如表1所示。

表1 電表主要故障類型

由表1所示的電表主要故障類型，對不同的故障進行編號，選取電表異常運行狀態特征參數，依照不同的異常運行狀態的參數，制定電力實時費控系統不同的監測策略[9]。

1.2 異常狀態判斷

假設圖1挖掘到的數據集為X，選取不同的尺度劃分該數據集[10]，利用奇異值標記不同的故障編號，計算均值，如式(2)。

(2)

(3)

所以此時異常點標記過程，就可表示為式(4)。

(4)

其中，μ表示異常點標記系數。當μ系數處于正態分布時，表示費控系統處于正常運行狀態，而數據在3倍標準差(-3σc,3σc)區域內的概率為99.7%，所以此時μ值為3，異常點標記超過正常范圍的數據[11]。為了防止誤標記正常數據，計算誤標記比率，計算式如式(5)。

(5)

其中，ε表示運行狀態劃分后的誤標記比率；Th表示誤標記數據數量；N表示數據總量。參照計算出的誤標記比率，以誤標記比率為判斷依據，判斷條件如式(6)。

(6)

根據上述定義設定：0.5≥ε>0區間內，全為費控系統異常運行數據；1≥ε>0.5區間內含有部分正常運行狀態數據；ε>1表示全為正常運行狀態數據。采用滑動窗口方法進一步解決上述異常點誤標記情況，使用的滑動窗口如圖2所示。

圖2 所使用的滑動窗口

(7)

依照均值的大小，調整樣本累計之和以及初始值，根據調整數值的不同設置費控系統監測策略[12]。使用控制策略下滑動窗口，計算置信區間，判斷異常區間參數，實現費控系統運行狀態異常判斷[13]。

1.3 實現異常預警

實現費控系統運行狀態異常預警前，整理上述結果，設置異常預警過程如圖3所示。

圖3 異常預警實現過程

根據圖3所示的異常預警過程，設定累積和的初始值為0，計算每一個異常狀態數據的累積和S如式(8)。

(8)

根據式(8)，計算得到異常數據樣本數據的極值為式(9)。

(9)

計算出每個異常數據樣本中的極值后，統計異常樣本數據中處于2個極值之間的數據數量，定義為M，此時異常數據置信度λ的計算式如式(10)。

(10)

其中，T表示滑動窗口的時間序列。將置信度限值設定為預警指標，當超過置信度限值時，則表明預警費控系統處于異常運行狀態[14]。為了防止上述選取的狀態數據之間的相關性不強，導致得到的置信度限值存在誤差，造成虛假預警，因而需要計算狀態數據的相關性，如式(11)。

(11)

(12)

依照式(12)定義ri的數量關系：當|ri|=0時，各個狀態數據樣本之間不存在相關性；當0<|ri|≤0.3時，則表示基本不存在相關性；當0.3<|ri|≤0.6時，則呈現低度相關性。當0.6<|ri|≤0.8時，則表示運行狀態數據呈現顯著性的相關關系；當0.8<|ri|<1時，呈現高度相關性；當|ri|=1時，各個運行數據呈現完全相關性。依照上述定義，獲取費控系統運行狀態異常值，如圖4所示。

圖4 費控系統運行狀態異常值

在圖4所示運行狀態異常值處，設定一個殘差閾值[15]，當實時費控系統出現運行異常時，根據殘差閾值，電力營銷實時費控系統會向主站發出預警，提示電力營銷工作人員。綜合上述處理過程，最終完成電力營銷實時費控系統運行狀態異常預警方法的研究。

2 仿真實驗

為了驗證本文所設計的電力營銷實時費控系統運行狀態異常預警方法的實際應用效果，進行了仿真實驗，選擇文獻[5]方法與文獻[6]方法作為實驗對比方法，具體的實驗過程如下。

2.1 實驗準備

此次實驗中需要模擬費控系統運行過程，利用開發工具及運行環境如表2所示。

表2 開發與運行環境配置

使用表2所示的開發與運行環境，模擬出的電力營銷實時費控系統的工作流程，如圖5所示。

圖5 實時費控系統工作流程

分別令圖5中7個部分運行出現異常，得到7個部分2種傳輸頻率下的數據集合，如表3所示。

表3 異常運行狀態的數據集

利用表3所示的數據集進行實驗，分別使用2種文獻方法與本文所設計的電力營銷實時費控系統運行狀態異常預警方法進行實驗，對比3種預警方法的綜合性能。

2.2 實驗結果分析

基于以上實驗準備，比較3種方法對于電力營銷實時費控運行狀態異常判斷的準確率，結果如圖6所示。

圖6 判斷準確率比較

分析圖6可知，文獻[5]方法的電力營銷實時費控運行狀態異常判斷準確率在71%—94%之間變化，判斷準確性高，但是不穩定。文獻[6]方法對于電力營銷實時費控運行狀態異常判斷的準確率在73%—82%之間，而本文方法的判斷準確率始終高于95%，說明該方法能夠實現電力營銷實時費控運行狀態異常精準判定。

在上述實驗的基礎上，比較不同方法應用后的系統負載，系統負載越低，說明系統運行速度越快，故障預警效果與維護效果越好，比較結果如圖7所示。

圖7 負載比較

電力營銷實時費控系統在文獻[5]方法控制下，系統的負載值最大。而在文獻[6]方法控制下費控系統負載值相對于文獻[5]方法的負載值要小很多，而本文方法控制下的費控系統負載數值最小，可以減輕費控系統在實際預警時的負載，提升故障預警效果與維護效果。

比較在3.6 GHz的系統傳輸頻率下，不同方法的預警時間，結果如表4所示。

表4 3種預警方法預警時間

根據表4所示的預警時間測試結果，3種方法對于電力營銷實時費控運行狀態異常預警都表現出了良好的時效性，但依舊存在一定的差別，在3.6 GHz的系統傳輸頻率下，文獻[5]方法的平均預警時間在0.13 s左右，文獻[6]方法的平均預警時間在0.08 s左右，而研究方法的平均預警時間在0.03左右。比較3種方法的預警時間，本文方法的預警時間更短，性能更優。綜合上述所有實驗結果可知，與文獻方法相比，無論是在費控系統負載指標上，還是預警時間指標上，本文方法更加適合在實際電力營銷實時費控系統中使用。

3 總結

為縮短電力營銷實時費控系統異常運行狀態預警時間，提升系統安全性，本文提出一種新的電力營銷實時費控系統異常運行狀態預警方法。以不同管轄范圍內的費控系統歷史數據為研究對象，通過數據挖掘得到異常運行數據，采用滑動窗口方法連續標記異常運行狀態數據，以計算得到的置信度數值為預警限值，實現對費控系統運行狀態異常預警。實驗結果表明，該方法對于電力營銷實時費控系統異常判斷的準確率高，降低了系統負載，縮短了異常預警時間。但本文所設計的預警方法在診斷異常運行狀態時，側重于智能電表，存在診斷誤差的可能性較大，還需后續的研究繼續完善。