基于MESCM 算法的電網(wǎng)用電行為智能識別

練琳，盧萬平，黃家寶

（廣西電網(wǎng)有限責(zé)任公司河池供電局，廣西河池 547000）

電網(wǎng)用電行為分析是電力市場的一個重要環(huán)節(jié)，已經(jīng)成為電力行業(yè)的熱點。隨著智能電網(wǎng)的快速發(fā)展，對智能電網(wǎng)用電負荷分析也提出了更高的要求。與此同時，為進一步實現(xiàn)節(jié)能降耗，必須從電網(wǎng)端進行有效的經(jīng)濟運行管理，同時要做好用戶端的資源配置，鼓勵用戶利用電能或激勵信息來調(diào)整用電行為，從而最大限度地發(fā)揮節(jié)電潛能，從而達到供需雙方良性互動和均衡。

當(dāng)前已有相關(guān)領(lǐng)域研究學(xué)者對電網(wǎng)用電行為智能識別方法做出了研究。文獻[1]提出了基于近鄰相似度圖聚類的識別方法，該方法通過改進近鄰相似度圖聚類方法，計算時間與空間復(fù)雜度，結(jié)合K-means 方法快速聚類用電行為數(shù)據(jù)，由此實現(xiàn)電網(wǎng)用電行為智能識別；文獻[2]提出了基于廣義回歸神經(jīng)網(wǎng)絡(luò)的識別方法，該方法通過分析暫態(tài)特征，將其作為網(wǎng)絡(luò)結(jié)構(gòu)輸入數(shù)據(jù)，使用模擬退火算法對電網(wǎng)用電行為進行全局搜索，由此識別電網(wǎng)用電行為。

已有的研究方法大多針對負荷特性，只是簡單進行日負荷數(shù)據(jù)預(yù)處理，并沒有對負荷縱向特性進行研究，導(dǎo)致用電行為智能識別結(jié)果不精準(zhǔn)。為此，文中提出了基于MESCM 算法的電網(wǎng)用電行為智能識別方法。

1 MESCM算法用電負荷縱向隨機性分析

除了分析電網(wǎng)用電行為橫向負荷之外，還需對縱向負荷展開研究。負荷縱向隨機特性指的是在用電周期內(nèi)負荷縱向變化特性。對于某些用電行為，其用電量的日變動不大，且具有很高的穩(wěn)定性[3]；而對于另一些用電行為，其用電量日變動較大，說明容易受到外部因素影響[4]。此外，在不同時段，相同用電行為也會出現(xiàn)不同的波動。針對傳統(tǒng)方法僅對日負荷曲線進行預(yù)處理，缺乏對負荷縱向特性分析的問題，以M-P 律為基礎(chǔ)，結(jié)合MESCM 算法對用電負荷縱向隨機性展開詳細分析。

基于M-P 律，結(jié)合MESCM 算法在高信噪比環(huán)境下，設(shè)定標(biāo)準(zhǔn)M-P 律上限值，該值作為樣本協(xié)方差矩陣特征閾值λ；然后引入維度為τ的零矩陣Z，對于超出該閾值的矩陣特征值進行求和處理，可得到零矩陣Z的元素為0[5-7]。對于零矩陣Z內(nèi)部元素按照由大到小的順序排序處理，選擇前n個非零元素形成一個新的矩陣Z'[8]。充分考慮裕度，獲取動態(tài)電網(wǎng)用電異常行為檢測閾值，可表示為：

式中，i表示檢測次數(shù)。在電網(wǎng)狀態(tài)不正常的情況下，樣本協(xié)方差矩陣MESCM 的頻譜分布會出現(xiàn)一定的改變，并且在一定程度上會出現(xiàn)比該矩陣更大的特征值[9-10]。文中僅用最大特征值和閾值的對比來判定電網(wǎng)的運行狀況。同時，當(dāng)信號噪聲比增大時，某些特征值也會在一定程度上大于靜態(tài)閾值。在高信噪比的情況下，采用靜態(tài)閾值作為故障檢測門限，會導(dǎo)致電網(wǎng)的狀態(tài)判斷錯誤，且應(yīng)用范圍比較窄[11-12]。為此，引入動態(tài)閾值，使用該閾值能有效地判斷電網(wǎng)在高、低信噪比情況下的用電行為，該方法具有較大的應(yīng)用范圍和較好的抗干擾性。

在確定檢測閾值后，對電網(wǎng)用電負荷進行歸一化處理，并將其歸一化[0，1]區(qū)間內(nèi)，將該區(qū)間精準(zhǔn)劃分為15 個大小區(qū)間一致的子區(qū)間[13]。在無干擾環(huán)境中對負荷縱向隨機分布特性展開詳細分析，并依次將負荷值分配到該區(qū)間內(nèi)，由此獲得日電網(wǎng)負荷分布集合，可表示為：

式中，si表示負荷區(qū)間中心位置；hi表示負荷區(qū)間的高度。從定量角度出發(fā)，電網(wǎng)不同用電行為橫向負荷具有相似特性，均呈現(xiàn)出雙峰型負荷。但是縱向差異較明顯，在早高峰時段和晚高峰時段，負荷的隨機性比較大。

2 電網(wǎng)用電行為智能識別

MESCM 是一種以樣本協(xié)方差為基礎(chǔ)的最大特征值，可在較低的信噪比條件下對電網(wǎng)用電行為進行分析，并對其進行抗噪處理。結(jié)合分析的電網(wǎng)用電負荷縱向隨機性，設(shè)計電網(wǎng)用電行為智能識別流程。

2.1 電網(wǎng)靜態(tài)與動態(tài)用電特征提取

針對靜態(tài)用電特征提取，必須進行降維處理[14]。由于電網(wǎng)采集到的數(shù)據(jù)為累計數(shù)據(jù)，具有較高的維度和較大的數(shù)據(jù)量。因此，采用MESCM 算法對日總用電量進行歸一化處理，對特征矢量中的元素標(biāo)準(zhǔn)化，將數(shù)值量化到[0,1]區(qū)間內(nèi)，并設(shè)置采樣時間間隔為1 h，使得電網(wǎng)不同用電行為具備24 維用電數(shù)據(jù)[15]。可表示為：

式中，qab、分別表示第b個日用電量歸一化前、后的數(shù)值；qa表示a個用電行為數(shù)據(jù)集合。

針對動態(tài)用電特征提取，將用電行為的日負載數(shù)據(jù)作為時間序列，采用基于模型的時間序列聚類方法來描述用電行為的動態(tài)特性，并將其劃分成多個狀態(tài)轉(zhuǎn)換矩陣，大大減少了用電數(shù)據(jù)維度[16]。將用電量量化到經(jīng)過MESCM 算法劃分的固定負荷區(qū)間內(nèi)，用字符表示各負荷等級，使得一天中所有時間段負荷值構(gòu)成電網(wǎng)一天用電的用電量序列，可表示為：

式中，qt、qt-1分別表示第t個時間段的分割點；表示第t個時間段的平均用電量。將用電量構(gòu)成的數(shù)據(jù)集進行歸一化處理后，將高維度數(shù)據(jù)轉(zhuǎn)換為短小連續(xù)字符串，達到數(shù)據(jù)降維的目的。

2.2 MESCM算法用電行為智能識別

選取電網(wǎng)靜態(tài)與動態(tài)用電特征樣本節(jié)點，構(gòu)造數(shù)據(jù)源矩陣，在采樣周期內(nèi)，使用滑動時間窗采集電網(wǎng)用電異常行為數(shù)據(jù)，獲取窗口矩陣，詳細步驟如下：選取一組時間序列，將長為L的滑動窗口置于數(shù)據(jù)點的中心位置，并求出滑動窗口與數(shù)據(jù)點間的距離：

式中，d(yt)表示t時刻數(shù)據(jù)點到空間中心的距離。

設(shè)定一個閾值μ，如果avg(y(L)t)≤μ，那么滑動窗口將沿著時間序列向下一個單元移動，并同時標(biāo)記數(shù)據(jù)點，集合全部數(shù)據(jù)點加入用電行為數(shù)據(jù)集。

由于電網(wǎng)用電時不會頻繁打開用電設(shè)備，一旦開啟某一個設(shè)備會保持一段時間。因此，可通過控制滑動窗口來縮短識別時間。滑動窗口結(jié)構(gòu)如圖1所示。

圖1 滑動窗口結(jié)構(gòu)

從圖1 中可以看出，當(dāng)滑動窗口接收到電力性能數(shù)據(jù)之后，將該窗口滑動至應(yīng)答中的序號位置。

基于此，構(gòu)建的智能識別函數(shù)可表示為：

式中，E(q)表示用電負荷特征矩陣；G表示用電特征數(shù)據(jù)庫；R表示用電設(shè)備開關(guān)狀態(tài)矩陣。根據(jù)上述公式預(yù)處理相關(guān)數(shù)據(jù)后，獲取標(biāo)準(zhǔn)矩陣，并得到MESCM 樣本協(xié)方差矩陣特征值。對比分析用電負荷特征值與樣本協(xié)方差矩陣特征閾值，對超過閾值的特征歸一到一個數(shù)據(jù)集合中，并計入零矩陣Z中；按照元素屬性由大到小的順序依次排列矩陣中元素，組成新的矩陣。充分考慮裕度，獲取動態(tài)電網(wǎng)用電行為檢測閾值，當(dāng)檢測到新的矩陣中出現(xiàn)元素大于檢測閾值的情況時，可判定用電行為類別。

3 實 驗

3.1 實驗數(shù)據(jù)分析

選擇用戶日常用電較多的四類電器，分別是筆記本電腦、電冰箱、空調(diào)、電視，四類用電行為月累計用電量范圍，如表1 所示。

表1 用電行為月累計用電量范圍

用電行為月累計用電量范圍中，用電量大于月平均用電量的時間屬于用電峰值時間。因此，峰值閾值計算公式為：

式中，T表示采樣總時間；qt表示第t個時間點所對應(yīng)的用電量。根據(jù)該閾值為電網(wǎng)每個用電行為構(gòu)建峰時頻數(shù)向量，可表示為：

式中，mε24t表示在24 小時內(nèi)不同時間段的峰值用電量天數(shù)。為了分析用電行為不同特征量，統(tǒng)計用電行為規(guī)律電網(wǎng)負荷峰值平均分布情況，曲線如圖2 所示。

圖2 用電行為電網(wǎng)負荷峰值平均分布曲線

由圖2 可知，第一類用電行為持續(xù)一天，但在8～12 h 出現(xiàn)用電高峰；第二類用電行為從凌晨開始出現(xiàn)了三次用電高峰，分別是0～4、12～16、22～24 h；第三類用電行為較為特殊，維持時間較短，在0～4、12～16 h 出現(xiàn)了用電高峰；第四類用電行為具有一定規(guī)律性，始終存在用電高峰期。

3.2 實驗結(jié)果與分析

為了驗證基于MESCM 算法的電網(wǎng)用電行為智能識別方法，將其與基于近鄰相似度圖聚類識別方法、基于廣義回歸神經(jīng)網(wǎng)絡(luò)識別方法的用電行為識別結(jié)果進行對比分析，如圖3 所示。

圖3 三種方法用電行為識別結(jié)果對比分析

由圖3 可知，使用基于近鄰相似度圖聚類識別方法、基于廣義回歸神經(jīng)網(wǎng)絡(luò)識別方法獲取的電網(wǎng)負荷均與圖2 所示數(shù)據(jù)不一致。而使用基于MESCM算法的電網(wǎng)用電行為智能識別方法獲取的電網(wǎng)負荷均與圖2 所示平均分布曲線一致，識別的用電行為分別是筆記本電腦、電冰箱、空調(diào)、電視，其中筆記本電腦與圖2 所示數(shù)據(jù)存在5 kW 的最大誤差。

4 結(jié)束語

該文提出了基于MESCM 算法的電網(wǎng)用電行為智能識別方法，基于M-P 律引入動態(tài)監(jiān)測閾值，在保證計算精度的基礎(chǔ)上，使用MESCM 算法智能識別電網(wǎng)用電行為。通過提取用電行為負荷特征，實現(xiàn)數(shù)據(jù)降維，結(jié)合滑動窗口實現(xiàn)電網(wǎng)用電行為智能識別。通過實驗驗證可知，該方法能夠有效識別用電行為類別，避免在高信噪比下出現(xiàn)適用性差的問題出現(xiàn)。