數字化電力運營監控平臺設計模型

摘 要：為有效提升電力企業的工作效率和市場競爭力，提出了數字化電力運營監控平臺的設計方案。基于K均值聚類算法對電力異常數據進行檢測，并通過圖形展示異常數據檢測結果，紅色的深淺表示預警的等級。提出了基于灰色神經網絡的用戶需求預測模型，并將灰色神經網絡模型和灰色模型、BP神經網絡模型對比，驗證了灰色神經網絡預測模型具有更高的預測精度。采用灰色神經網絡模型預測了某地區用戶電量需求，為電力系統的高效調度提供了數據支撐。所設計的數字化電力運營監控平臺對提升電力企業市場競爭力具有一定的實用價值。

關鍵詞：數字化；電力；運營監控平臺設計；K均值聚類；灰色神經網絡

中圖分類號：TM743；TP277.2 文獻標志碼：A 文章編號：1001-5922（2024）11-0190-03

Digital power marketing operation monitoringplatform design model

WANG Liunai，ZENG Zhixiang，CHEN Shi

（Information and Communication Branch of Hainan Power Grid Co.，Ltd.，Haikou 570100，China）

Abstract：In order to effectively improve the work efficiency and market competitiveness of power enterprises，thedesign scheme of digital power operation monitoring platform was proposed. Based on the K-means clustering algo?rithm，the abnormal power data was detected，and the abnormal data detection results were displayed graphically，and the shade of red indicates the level of early warning. A user demand prediction model based on grey neural net?work was proposed，and the grey neural network model was compared with grey model and BP neural network mod?el，which verified that the grey neural network prediction model had higher prediction accuracy. The grey neural net?work model was used to predict the power demand of users in a certain region，which provided data support for theefficient dispatching of power system. The designed digital power operation monitoring platform had certain practi?cal value to enhance the market competitiveness of power enterprises.

Key words：digitization；electric power marketing；operation monitoring platform design；K-means clustering；greyneural network

數字化電力運營監控平臺可以有效整合并優化電力企業運營管理流程，增強企業的市場競爭力，是當前學術界關注的焦點問題 [1] 。如結合大數據技術、人工智能技術將各種數據轉化為數學模型，有效提升了船舶行業的設計與運維服務能力 [2] 。對高速公路資產管理存在的信息孤島、資源離散問題，構建了面向公路資產管理的基礎設施數字化平臺 [3] 。以并聯機器人為例，構建了數字化軟件系統，并通過精密定位平臺研發實例驗證了數字化平臺軟件系統的有效性 [4] 。

結合煤礦井下智能鉆探的實際需求，設計了井下定向鉆探數字化平臺總體架構，同時在烏海礦區開展了試驗驗證 [5] 。采用該數字化平臺對三軸線連桿轉向系統進行設計，有效降低了轉角誤差，提高了轉向精度和設計效率 [6] 。目前，數字化平臺已經在各行各業得到了廣泛的應用。設計數字化電力運營監控平臺，期待對提升電力企業市場競爭力提供數據支撐。

1 平臺架構設計

平臺架構采用模塊化設計，有效確保電力數據可以在前端、數據庫以及后端之間的有序傳輸，使得用戶能夠及時獲取實時數據。數字化電力運營平臺架構如圖1所示。

前端是用戶與平臺交互的界面，展示關鍵的運營數據、分析結果和圖表，使用戶能夠迅速了解電力企業的運營狀況。數據可視化將海量的運營數據通過圖表、表格等方式清晰呈現，幫助用戶直觀理解數據。用戶交互提供用戶友好的交互方式，包括篩選、搜索、定制化等功能，滿足不同用戶的需求。報表展示為設計定制化的報表，為用戶提供詳細的運營分析和趨勢展望。

數據庫是平臺的數據存儲中心，負責持久化存儲運營數據、用戶信息和平臺配置等。數據存儲是儲存來自電力企業各個方面的運營數據，確保數據的完整性和可靠性。數據檢索是提供高效的數據檢索機制，支持后端的數據處理和前端的數據展示。數據備份和恢復是定期進行數據備份，應對潛在的數據丟失風險，并提供數據恢復功能。

后端是整個平臺的大腦，負責邏輯運算、業務處理和數據計算。邏輯運算是執行各種業務邏輯，確保平臺各功能的正常運行。數據處理是從前端接收用戶請求，處理并返回相應的數據，保障系統的高效響應速度。業務邏輯層是管理用戶身份驗證、權限控制，確保系統的安全性和合規性。

2 用戶界面設計

用戶界面設計是數字化電力運營監控平臺的重要組成部分，通過直觀、易用的界面確保用戶能夠迅速獲取關鍵運營信息。考慮用戶角色差異，設計個性化的功能模塊。設置了管理人員登錄、銷售人員登錄以及其他人員登錄的按鈕，不同身份的人員通過點擊對應的按鈕，輸入賬號和密碼來完成登錄操作。對平臺的所有人員，其通過區域選擇來選擇相應的區域，了解區域內的電力銷售量、市場份額以及收益信息。通過點擊電力銷售量按鈕，會以動態曲線圖的形式展示。通過點擊市場份額，會以餅狀圖的形式展示。通過點擊收益，會以動態曲線圖的形式展示。

3 數據異常檢測

3. 1 異常檢測模型

3. 2 異常檢測結果

銷售人員登錄系統之后，點擊異常檢測按鈕，系統給出異常檢測的結果，同時對存在的異常數據發出預警。圖2為異常檢測的結果。

由圖2可知，7、12月份以及第2年的1月份出現了預警，同時顏色的深淺反映了預警的等級。數字化電力運營監控平臺數據異常檢測每次對一年的數據進行檢測，用戶可以更好地結合數據異常預警檢測結果來做好電力調度，確保電網的正?；\行。

4 用戶需求預測

4. 1 用戶需求預測模型

用戶需求采用灰色神經網絡模型，其將灰色模型和神經網絡相結合，從而了解用戶的用電需求?；疑Ｐ褪且环N建立系統動態模型的方法，其以灰色系統理論為基礎，可以有效對系統進行分析和預測 [11] 。由 m 個變量所構成的 n 階微分方程模型為 GM （ ） n，m 灰色模型，在實際中應用最廣泛的為 GM （ ） 1，1 和 GM （ ） 2，1 。GM （ ） n，m 數據預測流程如圖3所示 [12] 。

考慮到采用灰色系統建模對用戶需求預測時受到非平穩、數據趨勢不明顯等因素的影響，提出灰色神經網絡來預測用戶需求。在灰色神經網絡中采用神經網絡擬合用戶需求系統的非線性成分，采用灰色系統理論處理用戶需求系統的不確定信息和不完整信息，從而達到提高模型穩定性與魯棒性的目的。

灰色神經網絡是灰色系統與神經網絡系統的有機結合，對用戶需求預測的流程如圖4所示。

由圖4可知，灰色神經網絡有效融合了灰色系統理論對不完全信息的良好適應性和神經網絡的強大非線性擬合能力，可以提高用戶需求預測的穩定性和魯棒性[13] 。

4. 2 用戶需求預測結果

用戶需求預測的準確性直接影響到電力供應決策的科學性，通過對用戶需求的精準預測可以采取更加科學、有效的措施來確保電力供應。為驗證灰色神經網絡模型對用戶需求預測的準確性，將其和灰色模型、BP神經網絡模型進行對比 [14] ，預測精度對比結果如圖5所示。

由圖5可知，采用灰色神經網絡模型對用戶需求預測的精度明顯高于灰色模型和BP神經網絡模型。

在用戶界面點擊管理人員登錄按鈕，選擇區域，點擊用戶需求預測，可以輸出在所選擇區域用戶的電量需求預測結果，如圖6所示。

由圖6可知，所選擇的區域2月份用電量最大，用電量最小的是10月份。通過對每個月份的預測，從而為電力系統的高效調度提供數據支撐。

5 結語

數字化電力運營監控平臺對確保電力企業的運營效率，提高企業市場競爭力發揮著至關重要的作用。構建了包含前端、數據庫、后端的數字化電力運營平臺架構，設計了用戶界面。采用K均值聚類算法對存在的數據異常進行檢測，同時進行報警，通過顏色的深淺反映預警的等級。采用灰色神經網絡模型對用戶需求進行預測，同時將灰色神經網絡預測模型和灰色模型、BP神經網絡模型進行對比，驗證了灰色神經網絡模型對用戶需求預測具有更高的預測精度，同時給出了某地區一年的用戶電量需求預測結果。所設計的數字化電力運營監控平臺對提升電力企業的運營效率和市場競爭力具有一定的參考價值。

【參考文獻】

[1] 林璐. 加快電力渠道數智化運營服務體系建設的構想與思考 — —基于對北京市電力數智化運營服務體系構建分析[J]. 價格理論與實踐，2022（11）：205-208.

[2] 王真. 智能船廠數字化平臺的總體架構設計[J]. 船舶工程，2021，43（S1）：411-414.

[3] 黃燁然，李宏海，李茜瑤，等.面向公路資產管理的基礎設施數字化平臺構建[J].公路交通科技，2022，39 （S1）：123-129.

[4] 曹楊，楊建濤，石萍，等. 面向并聯機器人研發的數字化平臺軟件系統[J]. 機械設計與研究，2022，38（4）：26-31.

[5] 范強，張幼振，陳龍，等. 煤礦井下定向鉆探數字化平臺技術研究[J]. 煤礦安全，2023，54（10）：212-218.

[6] 陳俊，蘭希，康紹鵬，等. 基于Python的多軸線連桿轉向系統數字化平臺設計[J]. 制造技術與機床，2022（9）：82-89.

[7] 高云梅，張淑慧. 基于信息檢索與K均值聚類的化工產品精準推薦算法研究[J]. 粘接，2023，50（3）：132-135.

[8] 董天寶，唐健，曾芳玲. 基于K均值聚類的新型選星算法[J]. 計算機仿真，2022，39（11）：22-26.

[9] 蔣華，武堯，王鑫，等. 改進K均值聚類的海洋數據異常檢測算法研究[J]. 計算機科學，2019，46（7）：211-216.

[10] 楊金，陳林，周強，等. 基于數據的K均值理論及其應用[J]. 南京師大學報（自然科學版），2021，44（2）：10-17.

[11] 年剛偉，季北，張安俊. 基于粒子群改進的高鐵隧道沉降預測研究[J]. 粘接，2021，46（6）：165-168.

[12] 汪從敏，李明磊，張平，等. 基于灰色模型GM（1，N）的運行復合絕緣子硅橡膠材料剩余壽命研究[J]. 電瓷避雷器，2023（5）：137-144.

[13] 耿文莉，高夢瑜. 基于灰色神經網絡的云平臺大數據安全風險評估[J]. 科學技術與工程，2021，21（28）：11932-11937.

[14] 柴寶堂，雷洪，徐猛，等. 基于BP神經網絡的RH精煉終點鋼液溫度預測[J]. 煉鋼，2023，39（5）：33-40.