基于知識圖譜與特征識別的新能源微網消納數據分析算法研究

馮 侃，邊 輝，陳麗娜，張 洋，王浩強

（國網甘肅省電力公司平涼供電公司，甘肅平涼 744000）

隨著新能源發電的快速推進，其大量接入電網導致電網規模不斷擴大，且電力系統中的知識量也呈現爆炸式增長[1-2]。新能源發電的接入，促進了微網系統的應用。但光伏、風電的出力具有隨機性、間歇性特點，導致其消納能力受限。因此，如何高效管理利用微網中海量數據以掌握新能源消納狀況成為了研究熱點[3-4]。

目前，對于電力數據的分析已取得了一定的研究成果，如聚類算法、神經網絡模型等[5-6]；通過不同的算法模型提取數據特征并完成數據應用，如負荷分類、新能源出力預測等。但關于新能源在微網中的消納分析仍較少，且數據分析結果缺乏可視性，因此該文基于知識圖譜與特征識別技術設計了一種新能源微網消納數據分析算法。該算法采用知識圖譜將數據轉化成圖形結構，并利用圖卷積神經網絡(Graph Convolutional Networks，GCN)模型學習圖特征，進而根據圖特征制定相應的微網能量調控措施。

1 新能源微網消納

1.1 微網架構

由于分布式發電具有傳統大電網所不具備的可再生、分布廣泛等優勢，因此微網作為新能源組網的主要形式得到了迅速的發展，并使分布式電源的并網運行更加便捷[7-8]。將分布式發電、儲能單元、負荷、電能變換裝置進行整合，從而構成一個微網系統，其結構如圖1 所示。

圖1 微網結構示意圖

微網中，光伏(Photovoltaic，PV)、風力(Wind Turbine，WT)等新能源發電通過變換器等裝置轉換成交流電并入母線，各種類型的負荷從母線上取電。同時配備儲能裝置，在新能源出力較多時進行存儲，從而減少棄風、棄光現象的發生；當新能源為負荷供電出力不足時，可通過負荷及儲能裝置的調節提升系統的新能源消納能力[9]。

1.2 新能源出力

光伏陣列的輸出功率PPV是在標準實驗條件下，考慮到現場實際的光照強度和環境溫度，所產生的每個光伏板的功率總和。PPV的計算如下：

式中，PPV為光伏板的輸出功率；PSTC為標準實驗條件下的光伏板輸出；η為光伏板的轉移效率；DC、DSTC分別為實際和標準實驗條件下的太陽輻射強度；TC、TSTC分別是光伏板的實際溫度和標準測試條件下的溫度。

同樣，風力發電輸出功率PWT的計算方法如下：

式中，Vw為風速；ρ為空氣密度；A為風車轉子的橫截面；γ為功率系數；α為葉片的俯仰角；λ=rω/Vw為包括轉子角速度ω的葉尖速比，r為風葉長度。

綜合來看，微網中新能源發電的出力計算為：

式中，MGi為第i個新能源。

由于PV 和WT 的輸出功率具有隨機性而被視為不可控發電機組，因此需要明確二者的出力限制，以便進行系統內能源的協同控制并增加新能源的消納。PV 和WT 應滿足的功率約束為：

2 微網消納數據分析算法

對于微網中新能源消納數據的分析，首先采用知識圖譜將數據轉化成圖形結構；然后利用GCN 模型學習新能源消納的圖特征；最終根據圖特征制定微網能量調控措施，例如切負荷或儲能充電等。基于知識圖譜和特征識別的微電網數據分析系統架構，如圖2 所示。

圖2 微電網新能源數據分析系統的架構

構建知識圖譜的原始數據來源于微網資源數據集，通過抽取知識圖譜實體，并結合知識融合計算形成三元組，最終保存到知識圖譜庫[10-11]。隨后利用GCN 模型識別圖特征，掌握當下系統的新能源消納情況，并為之后的決策提供條件和依據。

2.1 知識圖譜的構建

自2012 年谷歌引入“知識圖譜”概念并推出其第一個版本以來，知識圖譜的研究引起了業界的廣泛關注[12]。其本質上是一種圖結構，使用數據中的“實體”概念作為節點，以實體之間的關系為邊，進而形成間接圖。這樣不僅可以集成不同類型實體的特征信息，且還能獲得實體之間不同類型的關系。

“實體-關系-實體”三元組模型可表征為G=(E,R,S)，其是知識圖譜常用的表示方式；其中，E、R、S分別表示知識庫中的實體集合、實體間關系集合和三元組集合，即S?E×R×E。三元組主要可體現為兩種形式，分別為“實體-關系-實體”以及“實體-屬性-屬性”。實體身份的編碼值是唯一的，作為知識圖譜的基本元素，其可通過“屬性-屬性值”形式對實體間的特征信息進行記錄；而不同實體間的特征關聯信息，則由實體之間的關系記錄。

構建知識圖譜主要包含知識抽取、融合與應用三步。其中，數據庫的知識提取包括實體詞提取和關系詞提取兩部分。

1）實體詞提取：利用長短時記憶網絡(Long Short-Term Memory，LSTM)模型結合條件隨機場(Conditional Random Fields，CRF)從數據庫中提取實體。給定一個單詞特征Xt作為LSTM 記憶單元ct在時間步長t的輸入，從先前隱藏層信息Ht-1和當前輸入特征Xt獲得新記憶信息Ht。

LSTM 的輸入門it、遺忘門ft以及記憶單元ct可表示如下：

式中，ω*與b*分別為各層的權重和偏置量；δ為激活函數。

根據輸入門與遺忘門，可更新記憶單元的信息為：

2）關系詞提取：將數據庫中實體之間的關系劃分為預定義的類別，以完成關系提取。與CRF 模型結合的LSTM 也可用于關系詞提取，并且在最后一個Ht中添加SoFtmax 分類器完成關系分類。

2.2 基于GCN的特征識別

在微網新能源消納知識提取中，首先將數據庫中的實體詞進行分割后嵌入到向量中，以提取詞的功率和屬性信息作為特征，即X={X1,X2,…,Xn} 。輸入LSTM 模型得到序列H={H1,H2,…,Hn}，然后將序列H輸入CRF 層，計算包含上下文信息的序列以獲得實體注釋序列的最終分類[13]；最后，手動構建并修改包含頭、關系和尾的三元組集，以生成正確的三元組。

為了提高微網新能源消納數據分析的準確性，利用GCN 模型學習微網數據知識的圖譜特征[14]。GCN 模型的綜合性能優越，能夠直接從任意圖形結構的輸入中自動學習類型特征[15-16]，其架構如圖3所示。

圖3 GCN架構

GCN 層通過將所有相鄰節點的特征添加到節點特征來學習圖形拓撲。圖形中的節點集可作為特征矩陣Ul∈?n×d嵌入，其中n是節點數，d是節點特征的維數，l是GCN 的層數；鄰接矩陣B∈?n×n是GCN層的輸入，其對角線元素設置為1。節點特征Ul+1∈?n×d＇由卷積運算函數更新生成為：

式中，σ為激活函數；為歸一化對稱鄰接矩陣；為變換權重；T為B∈?n×n的度矩陣。

3 實驗結果與分析

為驗證文中方法的有效性和可行性，使用Protégé本體建模工具對研究問題進行建模。同時，結合開源可視化工具、Eclipse 編程工具和MySQL 數據庫等組件實現算法性能的驗證。

3.1 查詢結果分析

利用所提算法查詢微網內新能源的消納情況，選擇時間段、風力、光伏、雷擊、負荷類型、供需平衡、供大于需以及需大于供這八個搜索條件進行查詢，結果如圖4 所示。

圖4 微網新能源消納情況查詢結果

從圖4 中可以看出，基于知識圖譜查詢結果的查準率和召回率大約分布在85%～95%之間，且均優于基于關鍵詞的查詢方法。由于利用知識圖譜進行查詢，可根據搜索條件的屬性以及與其他實體的關系判定查詢效果，因此較大程度上保證了查詢的準確率。圖4（b）中的第8 個搜索條件為“供需平衡”，基于關鍵詞搜索的方法無法理解，故搜索結果的召回率僅約為10%，而該文算法能夠獲取屬性關系，得到的召回率約為85%，展現出了知識圖譜技術在語義搜索上的優越性。

3.2 數據分析結果對比

為了驗證該文算法的性能，采用準確率、召回率、F1 值三個指標評價其與文獻[3]、文獻[6]、文獻[8]中算法的分析結果。其中，分析測試集內2 000 條新能源消納情況記錄數據在語料庫中的匹配記錄，并將這2 000 條測試記錄的混淆矩陣取平均值進行統計，結果如表1 所示。

表1 不同算法的分析結果對比

從表中可以看出，相對于其他算法，該文算法的分析性能最佳，其準確率、召回率和F1 值分別為91.53%、89.95%和90.81%，均具有明顯優勢。這是由于其利用知識圖譜技術，通過加入結構化數據信息可以提升分析效果，且GCN 模型能夠更優地進行特征識別，便于制定決策。文獻[3]采用改進K-means算法，文獻[6]采用決策樹算法完成數據分析，其算法性能較為單一且難以處理復雜的微網數據，故整體分析效果不佳。而文獻[8]通過求解以新能源成本最小化為目標的優化模型，實現數據分析及能量的管控。其對于數據特征缺乏深入的分析，所以導致整體分析準確率低于90%。

4 結束語

在當今的大數據時代，各行業知識均面臨爆炸式增長。為了更為理想地獲取微網數據信息，在深入研究了知識圖譜與特征識別技術的基礎上，該文提出了一種新能源微網消納數據分析算法。通過對微網中的新能源消納數據進行圖形化處理以后，結合GCN 模型，最終識別出數據的圖特征。實驗結果表明，所提算法查準率和召回率大約分布在85%～95%，且數據分析準確率、召回率及F1 值分別為91.53%、89.95%、90.81%，綜合性能較為理想，可以為后續研究提供參考。

目前知識圖譜技術在電網中的應用研究尚處于初級階段，且所提算法僅在知識圖譜的知識提取階段進行了技術融合。而在接下來的研究中，將深入分析知識圖譜技術，以進一步提高所提算法的分析性能。