基于大數據降維及優化神經網絡的負荷預測研究

中圖分類號：TP391.92;TM711 文獻標志碼：A 文章編號：1001-5922（2025）05-0182-04

Abstract：In order to improve the powerload prediction ability，a setof power loaddata intelligent monitoring system was designed，and itshardwarestructureincluded information processing terminal，network communicationand monitoring model，etc.，and the system could significantlyimprove the operationcapacityof theentire transmission line.In this study，an embedded monitoring system with the main control chip as the TMS32ODM8168 was designed，and the data computing capability was improved by improving the BP neural network model. Based on the XGboost fusion model，abnormal data information monitoring was realized.Through experiments on the 35kV power load data path，it wasfound thatthe number of designed monitoring lineswas 36，the monitoring claritywas ，and the algorithm recognition accuracy was 97.3% ，which greatly improves the monitoring ability. Key words ：power load； monitoring；embedded monitoring；BP neural network model；XGboost fusion model

隨著輸電線路的增加，電力負荷數據的整體規劃和智能監控越發重要。為提高電力系統對電力負荷數據的監控能力，更為精準的判斷用戶停電事故發生原因，保障高壓輸電系統穩定運行，研究設計電力負荷數據智能監控系統，借助先進的視頻識別技術，精準傳輸負荷數據及運行狀態信息。

各高壓輸電研究所通過實際調研和數據分析，結合現代化視頻識別技術對電力負荷數據監控進行改進，極大程度上改善了電力負荷數據的輸電能力，其中文獻［1]設計建造MapX遙測監控系統，利用CMMB信號進行線路狀態圖像的傳輸，通過建立電力負荷數據路拓撲結構提高系統輸電能力。但在實際運行中難以實現多線路的統一監控，對高壓輸電產生影響；文獻[2]通過設計CDMA電力負荷數據監控模式，利用運動目標自檢測功能實現電力負荷數據路電流的檢測和運行監控，利用層級SIP視頻識別結構完成線路狀態錄影，監控精度更為準確。但此模式在環境適應性方面存在局限性。針對上述電力負荷數據智能監控技術存在的問題，研究通過分析電力負荷數據實際運行環境，在視頻圖像識別的基礎上建立智能監控系統，并設計建立McWiLL規劃模型和瞬態信息識別技術完成電力負荷數據路的監控過程，通過暗通道先驗算法計算系統識別結果的精確度，解決電力負荷數據路監控困難，故障分析結果失準的問題[3]

監控方案設計

為了提高電力負荷數據智能電網識別能力，采用了多種形式的數字監控方式，通過將數字視頻采集設備接人多種形式的數據通道，提高了電網數據信息監控能力。

主控芯片采用TMS320DM8168，主要由ARM子系統、高清視頻處理子系統、編解碼子系統和DSP子系統組成。ARM子系統負責對其他外圍電路的配置和控制；高清視頻處理子系統負責對視頻數據進行壓縮編碼、濾波和格式轉換等；DSP子系統負責視頻數據的管理。視頻采集模塊使用TVP5158芯片，負責智能設備多路視頻的采集。A/D轉換器將采集到的模擬信號轉換為數字信號。視頻采集模塊電路支持16路數字視頻的輸入，可接收ITU-RBT.656和BT.1120兩種格式的數字視頻信號。TVP5158芯片的解碼器輸入端輸入的多路視頻信號數字化后復用在一路輸出，提高主控芯片VP口的利用率，增加電力負荷數據智能監控能力。

2基于LM算法改進的BP神經網絡

LM算法結合了牛頓法、梯度下降法，當阻尼系數 μ 增大，LM算法表現類似梯度下降法，當阻尼系數 μ 減小，LM算法表現類似牛頓法。

W（k） 表示BP神經網絡第 k 次迭代時的權值向量，經過修正后得到新向量 W（k+1） ！ W（k+1）= W（k）+Δ W ，根據牛頓法可以得出公式：

式中： E（X） 為誤差函數； 是誤差函數的Hessian矩陣； ？ E（X） 是誤差函數的梯度。

由LM算法可得公式：

式中： 為阻尼系數， μgt;0；I 為單位矩陣； J（X） 為Jacobian矩陣。由此可以推出新的權值閾值修正公式：

根據式（4）對權值和閥值進行修正，即實現了對BP神經網絡的改進。

3基于XGboost融合模型的異常數據信息監控

在數據監控信息中，采集到的數據信息容易受到外部多種數據信息的影響，如何提高異常數據信息監控能力，研究采用了XGboost融合模型，其目的在于能夠檢測電力負荷數據運行中的不同數據信息，系統中視頻監控到的數據受到各種因素的影響，數據集出現數據缺失、噪聲數據和數據冗余等情況，因此需要對數據集進行預處理，提高數據質量和可利用率。

假設采集到的電力負荷數據監測數據信息預測函數記作為：

式中： K 為預測函數中具有的 K 個決策分類模型，決策分類模型函數可以表示為：

式中" f（x） 表示評價電力負荷數據信息擁堵時采集數據信息所占的決策分類模型空間； 為采集到的電力負荷數據信息樣本 x 映射到引用函數的葉子節點； 為所應用決策分類模型的葉子節點。評價電力負荷數據信息擁堵的正則化目標函數為：

其中

式中： T 為決策分類模型中的葉子節點個數； w 為所構建的決策樹模型中葉節點的權重； γ 和 λ 為決策分類模型內的調節參數。

經過t步迭代計算后，電力負荷數據視頻監控輸出目標函數記作為：

為了提高數據計算精度，通過二階泰勒展開后，輸出函數為：

其中：

則葉子節點迭代次數輸出數據信息可以為：

當 函數介于[0，1]時，電力負荷數據監控數據問題為一般問題，當 函數介于[1，2]時，電力負荷數據監控數據為特殊問題，當 函數介于[3，5]時，電力負荷數據監控數據為嚴重問題，或者設置漏電風險、電壓電流超載等其他異常數據信息。

4試驗結果與分析

實驗室計算機配置采用Inteli79600KF計算機， 16+64 GB內存容量?，F場實驗環境設置：圖形采集精度為 98% ，信息處理速度超過8MB/s，識別精度超過 90% ，算法驗證誤差不超過 2.5% 。在此環境下進行實驗，參數配置如表1所示。

設計試驗對電力負荷數據路傳輸過程的監控方案進行研究，對實驗得到的監控圖像清晰度和信息識別精度進行分析。數據采集系統是電力負荷預測試驗的重要組成部分，負責采集電力系統歷史負荷數據及其相關變量，為整體試驗提供數據支持；電力負荷仿真系統能夠模擬多種狀態下的電力系統運行狀況，為整體試驗提供多種驗證環境；神經網絡訓練平臺用于訓練研究所涉及的BP神經網絡；實時負荷預測系統是電力負荷預測試驗的主要部分，能夠實現對電力負荷的預測和實時監測；硬件實驗平臺用于驗證電力負荷預測試驗的效果和準確度。為了驗證LM-BP神經網絡的良好性能，采用標準BP神經網絡和LM-BP神經網絡對同一函數進行擬合，擬合結果如圖1所示。

由圖1可以看出，研究采用LM算法改進的BP神經網絡具有明顯的優越性，能夠提高訓練速度，提高擬合精度，改善BP神經網絡性能。為了驗證改進后的LM-BP神經網絡能否實現電力負荷預測，分別采用標準BP神經網絡和改進后的LM-BP神經網絡對某地 24h 的電力負荷進行預測，預測結果如表2所示。

為了更直觀展現出試驗結果，將表2中預測結果繪制圖像，具體如圖2所示。

將實驗結果匯總數據表，最終顯示監控系統實驗數據表，如表3所示。

由表3可知，相同線路電壓下，本設計監控數量與清晰度均高于對比系統且算法識別精度為97.3% ；文獻[3]采用的MapX遙測監控方式算法識別精度為 94.7% ；文獻［4]設計的CDMA監控方式線路運行算法識別精度為 93.1% 。由此看出電力負荷數據監控設計具有較高可行性。

設定預測模型預測時間為1h，使用3種預測模型得到的預測功率如圖3所示。

將圖3預測功率的數值與實際功率數值進行對比，得出預測模型的誤差評價指標，如表4所示。

由表4可知，根據誤差評價指標，研究融合預測模型的預測精度更高，預測誤差最小。說明研究模型優選和融合提高了預測精度。其中平均絕對百分比誤差反映了預測值與實際值之間的平均偏離程度，研究平均絕對百分比誤差低至 3.22% 。標準誤差反映預測模型的離散程度，標準誤差越小說明預測誤差與平均值之間的差異越小，研究標準誤差為5.426% ，明顯低于對比模型。

XGBoost模型在不同的最大深度下預測評價指標變化如圖4所示。

由圖4可知，隨著最大深度值的增加，模型出現過擬合的情況，當最大深度為4時，預測評價指標最??；最大深度再增加時預測評價指標開始增加，可以確定參數最大深度的值為4。實驗結果表明研究設計的監控圖像更為清晰，信息識別精度最高，波動范圍裕度最小，體現出設計轉型方案的優越性。

5 結語

設計嵌入式系統提高數據信息控制能力，使用LM算法改進標準BP神經網絡，提高了電力負荷預測精度，考慮了天氣因素對電力負荷預測的影響，有較好的穩定性。通過設計微控制器以提高風電場電力信息采集能力。根據融合預測功率模型、當前風電機組運行情況和功率歷史數據，建立多目標優化控制模型，維持風電場集群的電壓穩定運行，該研究在進行風電預測具有一定的意義，但研究僅考慮到了影響電力負荷的平穩因素，對于其他不平穩因素還需進一步研究。

【參考文獻】

[1] 何瑛，肖軍.基于ARM和無線通信技術的煤礦智能視頻監控系統的研究[J].工業儀表與自動化裝置，2019（5）：30-32.

[2] 林雄鋒，李新海，凌霞，等.基于智能視頻識別技術的變電站安全監控系統研究[J].廣西電力，2020，43（5）：51-57.

[3] 馮雅.基于圖像識別的視頻監控專利技術研究[J].中國新通信，2019，21（16）：43-44.

[4] 李艷紅.錳礦智能視頻監控的運動目標檢測技術探討[J].微型電腦應用，2019，35（7）：38-40.

[5] LIU CQ.Research on fault diagnosis technology of intelligenthigh voltage switchgear in coal mine[J].Machinery Manage-ment development，2019，34（1） ：116-117.

[6] 王凱，王小軍，馬娜，等.基于人工智能的圖像識別技術在抽水蓄能電站中的應用研究［J].水電自動化與大壩監測，2019，5（4）：18-20.

[7] 馬文學，單亞飛.智能視頻監控系統中視頻圖像分析的關鍵技術研究[J].通信電源技術，2019，36（9）：128-129.

[8] 吳松偉.基于人臉識別技術的智能視頻監控系統設計與實現[J].計算機時代，2019，（11）：62-66.

[9] 蔣正虎.基于圖像識別的高壓電力線異物接近預警系統研究[J].中國標準化，2019，（4）：239-240.

[10] IVANOVNG，NAUMOVVA，ANTONOVVI，etal.Fun-damentalsof Intelligent Automatic Reclosing of Long-Dis-tance Transmission Lineswith Shunt Reactors[J].RussianElectrical Engineering，2019，90（8） ：558-564.

[11] 周慶東.基于智能視頻識別技術的作業告警系統[J].電子設計工程，2020，28（5）：31-35.

[12] 張瑞芳，苗勇，楊紅運，等.基于智能視頻識別技術的機車司機行為辨識系統的設計與實現[J].鐵道機車車輛，2019，39（3）：13-15.

[13] 黃曉璐.基于計算機智能圖像識別的算法與技術研究[J].電子制作，2020（22）：67-68.

[14]] 冀燕麗，段海濤.智能視頻監控系統中視頻圖像分析的關鍵技術研究[J].中國信息化，2019（2）：46-49.