基于末端數據融合的供電網風險預警模型研究

王宏剛， 劉識, 馬寒梅, 王倩, 劉化龍

(1.國網電網有限公司大數據中心， 北京 100052；2.國網信通億力科技有限責任公司， 福建， 福州 350003)

0 引言

電能是日常生產生活中不可或缺的基礎能源，隨著電力規模的不斷擴大，對電力管理提出了更高的要求，為有效提高電力服務質量，國家電網公司提出了一種新的供電服務模式，以此實現各類生產、營銷數據的全方位融合以及信息共享，營配數據和相關業務通過集成與圖形化展現方式的綜合運用實現了有效貫通，有效提高了具體業務(包括停電范圍確定、故障定位、業擴報裝等)的實施質量和效率。隨著此種供電服務模式的深入應用與發展，對供電風險預警能力提出了更高的要求。

1 設計分析

現有供電風險預警模型的構建大多通過運用包括層次分析法、模糊評價算法等在內的智能算法完成，但新的營配調一體化融合模式更注重實施，導致相關電力數據量快速增加，因此，基于上述算法的風險預警模型的風險預警效果難以滿足現代電力營配調工作需求，模型的預警精確度有待進一步提高。不斷發展完善的電網技術為電網的發展提供了技術支持，為了從整體上提升技術可靠性，設計與實施涵蓋應急方案的綜合風險預警模型逐漸成為了重要的研究方向，通過風險預警系統實現對運行電網的配電設備、電壓及電流狀態的實時監測，并對風險故障發出預警。其中，電網可靠運行的基礎是電壓的穩定，這一方面的預警難度較大，受到末端間較低的關聯性限制，導致傳統電壓風險預警技術的預警精度及穩定性較低，關于此方面的優化和完善研究已取得了一定的成果，例如暫態電壓失穩風險預警是以失穩風險和靈敏度指標為依據完成對關鍵故障集合與相關候選節點(具有動態無功補償的特點)的確定，利用煙花優化算法進行求解，將補償裝置的容量設置為變量，但是這種方法的預警誤差較高；一種方法是輸電風險評估，設計了輸電系統狀態概率模型及風險評估指標體系，但因穩定性不佳而限制了其廣泛應用；還有一種基于輸電網風險評估技術的風險評估系統，結合歷史數據通過引入故障相關性因子實現了事故鏈概率合理性的有效提高，使用打分法選擇和確定風險指標，但該方法存在復雜度及使用成本較高的不足。本文在現有研究成果的基礎上，通過營配調末端融合使電壓風險預警的精確度得到有效提升，設計了一種供電綜合風險預警模型。首先確定供電風險預警指標，然后通過標準化處理實現指標量綱的有效去除，然后使用灰度關聯分析方法完成指標關聯度的計算與排序，并將不重要的指標去除后，在訓練后的 BP 神經網絡中輸入指標，在此基礎上實現風險預警功能[1-2]。

2 供電電壓輸出末端設計與融合

2.1 單片機設計

針對電網供電電壓的電信號使用單片機完成采集過程，作為電壓風險預警管控技術的關鍵部分，單片機電路設計時需兼顧計算能力和風險預警性能，本文選用了具有能耗低、計算能力強、性價比高等優勢的 STC89C52 單片機，其電路圖如圖1所示，STC89C52 芯片屬于一種 8 bit 微處理器，并選用 TLC2543作為A/D轉換器(12 bit )，包含 11 路模擬輸入通道，精度高且誤差較小，同時可有效節約轉換時間，10 μs即可完成。最終風險預警結果顯示于 RT12864顯示屏上，其中DB5-DB12 接口與單片機的 P5-P12 接口對應，P13 與RS連接，P14與RW相連，以此實時展示預警結果[3-4]。

圖1 單片機的電路分布圖

2.2 傳感器電路設計

電壓傳感器一共包括 5 個接線端子，主要用于采集輸出電壓。其中，信號輸出端對應B 端，將串聯電阻Ra的被測電壓連接到傳感器原邊端子上，假設，傳感器原邊內阻和串聯電阻分別由R0和Ra表示，被測電壓由Uc表示，額定輸入電流由Iin表示，串聯電阻Ra的計算表達式如下[5]:

(1)

串接電阻功率Pc的計算表達式如下:

Pc=Uc×Iin

(2)

設計電壓測量電路時，將傳感器輸出端與IN+相連，采集到的電壓信號通過A/D轉換后向單片機傳送。

2.3 風險預警過程分析

上述設計均以電信號作為末端輸入和輸出信號，需使用 A/D 轉換器完成到數字信號的轉換后再繼續后續處理，屬于末端融合。轉換為數字信號后的輸出電壓電信號通過單片機完成輸出電壓電信號的持續轉換，單片機再根據電壓值完成對電壓的調整，形成電壓控制反饋回路，在此基礎上實現對輸出電壓的有效控制，確保電壓穩定在給定區間值內，單片機能夠及時判斷出輸出電壓是否存在超過給定值的情況，并在高于給定值時停止電壓輸出(關閉驅動信號)。假設，Rb和Rc均表示采樣分壓電阻，采樣電壓由VU表示，輸出電壓VO值的計算表達式如下:

VO=VU×(Rb+Rc)/Rc

(3)

3 供電綜合風險預警模型

3.1 BP神經網絡原理

BP神經網絡實際上是一種多層前饋神經網絡，該神經網絡具有誤差反向、信號前向傳遞的特點。BP神經網絡進行信號的前向傳遞時，可通過輸入層實現信號的直接輸入，信號經過隱含層的處理后，最終到達輸出層，通過輸出層可給定輸出結果。信號在前向傳遞過程中，下一層神經元狀態僅能感受上一層神經元的實際狀態，并受上一層神經元狀態的影響。若輸出結果與實際結果存在差異，輸出層可對結果進行反向傳播，并不斷對BP神經網絡的閾值和權值進行適當地調整，最終減小輸出結果與期望結果之間存在的誤差。BP神經網絡拓撲結構如圖2所示。

圖2 BP神經網絡拓撲結構圖

圖中X1,X2,…,Xn代表的含義為BP神經網絡的輸入值，Y1,…,Ym代表的含義為BP神經網絡的預測值，ωij和ωjk代表的含義為BP神經網絡的權值。可將BP神經網絡比作非線性函數，BP神經網絡中的預測值與輸入值即為非線性函數中的因變量與自變量。若BP神經網絡輸出層的節點數目為m、輸出層的節點數目為n，則BP神經網絡可表示因變量與自變量之間的關系[6]。

3.2 綜合風險預警模型構建流程

作為一種概率事件，風險的大小需以偏離預期的程度為依據進行確定，在營配調一體且末端數據融合模式下，實現電力供應涉及多個領域，通過這些領域中工作間相互密切的聯系實現了供電服務質量的有效提高。但同時也增加了綜合風險，為有效預測風險以減少損失，本文在灰度關聯分析理論的基礎上，結合BP神經網絡算法來設計綜合風險預警模型。營配調末端融合下的供電業務風險的影響因素較多，本文結合實際需要及相關文獻研究，確定了相關指標并進行等級劃分。

3.3 指標標準化

由于預警指標為不同的量綱以及數量級，若是直接使用會影響綜合分析結果的準確性。因此，為消除量綱及數量級差別，達到風險評估的目的，需要將指標標準化，轉化成標準指標以便分析與計算。可根據實際情況采用如下兩種非線性指標標準化計算方法，本文選用比重法完成指標的標準化處理。

(1) 偏差法(不適用包括熵值法在內的評價法)。假設，j表示具體的指標，j的平均值和標準差分別由pj和kj表示，xij表示指標系數，小于均值的xij經處理后，yij<0。

(4)

(2) 比重法。將指標進行標準化處理后，根據比重反映出與原始指標的關系，考慮指標差異僅需xij≥0即可。

(5)

3.3 灰度關聯分析

考慮到部分指標的權重較低，如果指標之間存在關聯性，則會出現性能重疊的問題，進而增加計算過程的復雜程度。因此，需先計算預警指標的關聯度，剔除影響程度不大的指標，選出其中的關鍵指標，提升綜合風險模型的計算效率，圖3為灰度關聯分析流程，先構建比較數列(以選取的指標為依據構建序列)和參考數列(參考數據列由各指標的最優/劣值構成，或以具體評價目的為依據進行選擇)，通過標準化處理參考數據列實現量綱差別的有效消除，求取數列中各相對應指標間的絕對差值并選出最大值和最小值，在此基礎上完成數列中指標的關聯系數及灰度關聯度的計算，由于數列中的指標同關聯系數一一對應，導致信息過于分散，因此計算灰度關聯度即整個數列間的關聯系數，具體通過求平均值的方法完成，然后按照從大到小的順序排列數列間的灰度關聯度，再結合具體情況選取適當數量的關聯度最大的指標作為預警基礎輸入數據[7]。

圖3 灰度關聯分析流程

3.4 供電預警模型構建

構建預警模型時，首先，要根據過往經驗對供電的風險特征進行編碼量化，假設x(t)表示風險事件的標量時間序列，則可利用以下公式計算最大梯度差：

(6)

其中，m、n為相關系數。然后，利用統計算法進行指數評估，風險特征之間的關聯性表達式為

(7)

由此，得出如下綜合風險預警評估的判決式。

(8)

假設，τ表示半定量化延遲，pi表示綜合等級信息量、pj表示發生頻率的評估系數，通過使用風險矩陣方法完成風險預警模型的構建，具體表達式如下。

(9)

4 預警性能仿真測試

4.1 綜合風險預警模型測試

為了驗證本文設計的綜合預警模型的準確性，以某營配調一體末端數據融合模式下的供電公司的數據進行驗證與測試，分析預測供電綜合風險需基于一定的歷史數據完成，選擇2017-2019年時間范圍內的用電總量、欠費總量兩個指標，通過數據分析顯示最高的用電量和欠費分別出現在第 10 個月和第 16 個月，存在較大風險。因此，將這兩份數據作為實驗樣本，制定預警指標并進行標準化處理，根據各指標的灰度關聯度的計算結果選出 15 項指標，作為輸入層的輸入值，輸出層節點數量為 1 個，假設，n和m分別表示輸入和輸出的節點個數，a表示常數、取值范圍在1～10間，輸入層與輸出層間隱含層個數的計算表達式如下[8]：

(10)

據此得出隱含層節點數量為 20 個，最終構建 15-20-1的模型結構。首先，初始化權值以及閾值，其次，選擇 20 組數據完成神經網絡的訓練。得到模型最終的訓練結果與實際評估值進行比較，最大誤差為1%，說明可使用該模型進行預測，基于訓練好的模型完成測試檢驗，對比基于層次分析法的預警模型的預警效果，以上述最高的用電量和欠費月份的數據作為實驗數據，分別對供電風險和欠費風險進行預測，并匯總評價結果，風險預警按照警告程度從高到底分為綠色(1級)、藍色(2級)、橙色(3級)和紅色(4級)4 個預警等級；欠費風險值包括欠費(表示用戶欠費)和不欠費(用綠色預警表示) 2 種，具體實驗結果分別如表1、表2所示，實驗結果表明本文灰度關聯與BP神經網絡綜合預警模型的預測結果同實際結果較為吻合，預警準確率及預警效果較好，具有一定的實際應用價值。

表1 供電風險預警結果

表2 欠費風險預警結果

5 總結

深入實施的營配調末端融合模式在帶來業務管理便利的同時，也增加了供電風險，構建實用的供電風險預警系統成為有效降低風險的有效手段，為有效彌補傳統供電風險預警模型的不足，本文基于末端數據融合設計了一種綜合風險預警模型，將預警指標標準化處理以統一量綱及數據級，然后利用灰度關聯分析法完成指標之間關聯度的計算，并根據風險指標標量的時間序列計算得出預警的最大梯度差，在此基礎上得到最終的綜合風險預警判決式，經測試表明本文模型的預警結果的準確率較高，具有較好的供電風險預警效果，為確保供電穩定性、提升供電管理水平提供了技術保障。