基于三維時空特性數據融合的電力物聯網用戶側負荷識別方法研究

唐 毅 祁甘露 池坤鵬 馬璐瑤 姬長建

(1) 中共國網安徽省電力有限公司黨校，230031，合肥； 2) 齊魯師范學院物理與電子工程學院，250200，濟南 )

1 引 言

隨著物聯網的不斷滲入以及人工智能、云—邊大數據等技術的廣泛應用，傳統電網逐漸朝著電力物聯網高速發展.電力物聯網末端不斷接入傳感器、智能電表等電力設備，使得多源數據在傳統電力數據中的比重越來越大，針對異構電力數據集的存儲與分析變得越來越復雜.同時，隨著電網數字化程度越來越大以及用戶側用電情況日益復雜，調度側及時獲取用戶側用電數據的難度加大，因此，針對如何及時獲取與分析用戶側用電數據并識別的研究具有重要的意義.

現階段，不少學者針對用戶側的用電數據研究主要從用戶的用電負荷辨識展開研究.文獻[1]提出利用分布式存儲和計算集群處理能源大數據，電力公司可以在百萬用戶規模上進行居民用戶用電負荷分析研究.文獻[2]基于大數據技術對海量的居民用電數據進行分析，首先對海量用電數據進行解耦分析，然后基于大數據分析對用戶用電行為進行分析及管理.文獻[3]提出了一種數據驅動的概率凈負荷預測方法，采用基于相關分析和網格搜索的最大信息系數對電表后的光伏容量進行估計，從而將凈負荷曲線分解為三個部分(光伏輸出、實際負荷和剩余負荷)，并分別進行預測.文獻[4]基于用電信息采集系統的海量用電數據,開展用戶用電負荷分析與用電優化策略研究,主要從對缺失的用電數據修復、行業典型負荷曲線辨識以及用電多目標優化三個方面對用戶用電數據進行了分析辨識.有學者利用人工智能算法對用戶側的用電數據進行識別，文獻[5]利用深度學習與邊緣計算相結合，從特征提取、負荷分解等方面對采集的用電數據進行分析研究，依據神經網絡構建用電數據特征框架，最后基于邊緣計算對數據特征進行分解，對用電負荷進行辨識.文獻[6]考慮海量電力數據的存儲方式，基于云—邊—端協同的用戶側數據構建了電力物聯網的用戶側數據應用框架，實現了用戶側用電數據深度挖掘.

上述研究多數是假設提取的用戶側用電數據為單一用電負荷數據并且多為歷史用電數據，而由于歷史用電數據的時間滯后性，當現場用電負荷數據產生變化時，調度終端不能及時地獲取更新后的用電負荷情況，不能及時地對用戶負荷進行有效的調度，可能造成某一臺區內出現過負荷情況，甚至可能造成火災發生，比如電動車入戶充電發生火災事故，所以對多臺區多負荷狀況進行實時監測具有重要意義.同時，隨著電力物聯網建設的規模擴大，電力數據的來源往往是多渠道的，用戶側作為電網大數據的主要源頭之一，是調度計算賦能電力物聯網的重要一環.由于多來源用戶側數據之間的差異，使得數據的分析處理變得復雜，若要實現負荷數據的在線識別，需要對多源數據進行融合同步處理，然而現有研究尚未以電力物聯網用戶側多源負荷數據為中心研究，對此，本文提出基于三維時空特性的數據融合的電力物聯網用戶側負荷數據辨識方法，構建用戶側多源負荷數據應用框架，基于GIS(Geographic Information System)平臺結合聚類分析算法對多用戶側負荷數據進行在線識別，為電網實現海量電力數據的分級、分布地存儲和處理提供參考，為針對用戶側用電負荷辨識提供新思路.

2 電力物聯網三維時空拓撲構建

三維空間數據模型是對現實世界的抽象、歸納和映射，其通過描述現實世界的各實體對象之間的相互關系為空間數據模型的構建提供理論依據.建立電力物聯網的空間數據模型主要考慮的因素有：建模的目的、建模對象的特征、空間關系、三維模型的構建方法.電力物聯網三維模型構建的目的，是能夠對用戶側各用戶的用電負荷進行在線識別.

2.1三維空間數據模型三維空間數據模型是研究現實生活中實體對象的數據架構的集合，用于表述實體對象之間的數學關系與位置關系，主要包括幾何數據模型和語義數據模型[7].早期的三維模型主要從CAD(Computer Aided Design)等幾何體發展而來，通過研究現實世界空間實體構建三維模型的幾何特征，本文采用基于層次細節模型構建三維數據算法，當視點離物體近時，能觀察到的模型細節豐富；視點遠離模型時，觀察到的細節逐漸模糊.層次細節模型技術(簡稱LOD(Levels of Detail)技術)的思想最早出現于1976年，其基本思想是構建原始模型的一系列不同程度的簡化模型，并在滿足觀察者對分辨率要求的前提下，調用適合的簡化模型替代原始模型予以顯示.算法的“連續”特性包含了：1)幀更新時，地形表面保持連續性，即“時間的連續性”；2)不同分辨率的地形分塊之間保持連續性，沒有裂縫，即空間連續性；3)算法的實時構網能力很強，以保持較高的屏幕刷新率.

2.2基于時空序列的電力物聯網拓撲構建電力物聯網下的用戶類型眾多，為了能夠迅速準確地識別出各用戶之間的區別，快速分辨出電力物聯網下各用戶分布區域，基于空間多尺度規則拓撲搜索以電力物聯網中多用戶之間電氣量數據為基礎，同時結合序列多時間截面規則，對用戶和負荷之間、負荷和臺區之間構建拓撲關系.

在實際情況下，由于電力物聯網的復雜性以及用戶負荷的多樣性，各臺區配變的分布狀況具有不規則性和隨機性，網絡內部的具體臺區形狀和區域地形、環境和建筑等情況有關，構建的電力物聯網的臺區分布形狀可能為矩形、圓形、扇形或者“兩點式”，例如一臺變壓器只對一棟辦公大樓供電，一臺變壓器為多個電動汽車充電樁供電等.所以，定義電力物聯網內的各用戶為N=(n1,n2,n3…,ns)，用戶用電負荷為C，臺區為P，其中每一臺區對應一種用電負荷，定義配變到最遠用戶的距離為d，定義半徑r，使得針對任意形狀的臺區都有以配變為圓心，半徑為r的圓可以將屬于該臺區內的用戶包含在內，即

?d∈R,?r∈R,對于ni∈N且ni∈C,?D(ni)∈P.

通過空間拓撲校核方法確認用戶與臺區之間的從屬關系，但是若配電臺區中出現重合的負荷區域，則需要進一步對用戶和臺區之間的拓撲關系進行校核.

基于時間截面序列的校核，是指在利用多個時間斷面下的用戶與用戶、用戶和配變之間的電壓電氣量序列信息，對用戶與臺區之間的拓撲關系進行校核.

假設某一用戶在某一時間斷面下的電壓向量表示為xi，xi中的樣本用s個屬性A1,A2,…,As表示，則該用戶的電壓序列樣本為xi=(A1,A2,…,As)；假設重疊區域內有m個用戶，m個用戶構成該區域內的電壓特征序列集為X={xn|n=1,2,…,m}，則xi和xj之間的相似性可以利用其之間的距離d決定，距離越小，兩者越相似；距離越大，兩者差異越大.計算距離的方法通常有歐氏距離等，本文不作詳細介紹.

根據上述方法計算特征相似性，利用主成分分析法PCA(Principal Component Analysis)，將相同性質的特征做主成分方向映射,最終將高維特征轉化為主成分特征，從而降低特征的維數的方法.

配電網中下層節點和上層節點的聯系，反映著能量之間的傳遞關系，下層節點的能量之和，就是對上層節點的映射.上層節點反映著下層節點能量波動變化的趨勢，上層節點的方向就是下層節點主成分的方向.

定義由上層節點和下層節點的電量序列共同構成特征矩陣D=(D1,D2,…,Dq,Dq+1,…,Dn)，D1～Dq反映n維上層節點電量序列，Dq+1～Dn反映n-q維下層節點電量序列.

圖1為構建電力物聯網的三維拓撲框架圖.基于三維拓撲關系，構建用戶側多源負荷數據應用框架，如圖2所示.

圖1 三維拓撲框圖

3 邊緣計算

邊緣計算是一種采用網絡云端技術對海量數據進行處理的一種計算方式，通過對靠近物體或者數據源頭的一側采用網絡、計算、存儲、應用等手段實現數據及相關應用的就地/就近處理，減輕云端的數據流量壓力，提高數據處理的速度，高效快速地推動電力物聯網的發展.

3.1邊緣計算與遠端數據交互在云邊端協同中，云端負責處理復雜度高的數據業務，邊緣側則對海量數據進行前期的預處理，剔除無用數據或錯誤數據.云邊協同配合數據處理的效率高，經濟性高.電網用戶側作為數據源頭，可以給云邊端提供海量多元電力數據，用以支撐上層精確分析和精準決策，幫助電網實現智能、便捷、個性的數據分析.

1) 在云邊協同過程中，用戶側上傳智能電表采集的電氣量數據、地理氣象數據等至邊緣節點，邊緣節點將處理后的實時數據和已存儲的相關歷史數據作為輸入數據，通過訓練好的負荷模型得到融合后的數據，為邊緣節點實現區域用戶負荷辨識提供依據.邊緣節點承擔了個性化數據處理的訓練任務，該模型可下放至相應用戶端的本地控制中心完成離線處理，幫助用戶端實現自治管理.

2) 在云邊協同過程中，各邊緣節點將處理后的相關數據傳輸至云中心，云中心利用已部署的多區域負荷特征模型完成對各區域負荷識別，將識別結果用于電力物聯網的用戶側負荷識別結果三維可視.

3) 云端協同主要負責云中心與負荷用戶之間的數據交互.

3.2數據處理在采集存儲多源用戶電氣量數據后，將收集的數據進行預處理.采用邊緣計算對數據進行處理，去除數據中附著的干擾因素，基于時間序列相似匹配算法[8]將處理后的數據進行匹配，數據匹配過程如圖3所示.

圖2 用戶側多源負荷數據應用框架

圖3 數據匹配圖

通過匹配原則，將匹配成功的數據進行重組，保證數據操作可行性.分析數據處理條件，注重對異常數據的管理，若出現數據異常情況，應將異常數據去除，保證數據系統正常運行.對處理后的電力物聯網的多源數據進行存儲，選取存儲樣本內用電負荷數量較多區域進行負荷聚類分析.

4 用戶側負荷識別

由于電力物聯網的復雜性，電網內含有多種用電負荷類型，可采用聚類的方法，將多源負荷進行分類，選擇層次聚類算法對電力物聯網內的負荷進行聚類辨識.

4.1負荷聚類電力物聯網內負荷種類復雜多樣，包括居民用電、商業用電、工業用電等，由于用電負荷類型眾多，數量巨大，使得構建的負荷模型具有時變性、隨機性和復雜性.因此對于電力物聯網的負荷建模，通過聚類分析將具有相同特性的用電負荷歸為一類，每一類用電負荷歸為一類構建通用負荷模型有利于電力物聯網的穩定運行.

首先對用電負荷構建靜態負荷模型，如式(1)所示，

(1)

不考慮電網頻率變化，只計算節點電壓影響，模型為式(2)，

(2)

其中，待辨識的參數有Pu、Qu、Pf、Qf，四個參數為有功和無功的電壓和頻率特性指數.定義電力物聯網總負荷模型為

(3)

其中，P1、P2、…、Pn表示n個用電負荷.

對負荷進行聚類前需要進行特征向量的提取，由于特征向量中包含多種影響因素(如氣候、時間、實際采集量測量等)，采用考慮負荷成分構成比的特征向量提取方法.若特征向量中的各分量的量綱或單位不統一，可能會使各分量的參數相差很大，會使得聚類結果偏差過大，所以聚類前需要對特征向量進行標準化處理，采用常用的最大最小標準化方法.

設x=(x1,x2,...,xm)，映射f：

(4)

4.2基于層次聚類算法的負荷識別層次聚類法是一種按照不同樣本之間的距離大小將樣本聚為多個簇的方法，其特點是不需要設定類的個數，并能以層次樹狀圖的方式呈現出聚類過程及結果.對n個樣本進行分層聚類的步驟為：

1)S為樣本集合，將樣本S={s1,s2,...,sn}劃分為X={x1,x2,...,xn}，其中，

Xi={xi}且滿足?i=1:n,Xi=S.

(5)

2) 進行樣本間的距離度量計算，采用歐式距離計算，有

(6)

其中x1,x2代表樣本1和樣本2，也代表樣本1和樣本2中的第i個特征向量.

3) 進行簇之間的距離度量，常用的度量標準有單鏈接標準、全鏈接標準和均鏈接標準，構造距離度量n階矩陣[9].

4) 聚類完成后，距離度量矩陣的維數變為n-1，此時返回步驟3，重復以上步驟直至滿足結束條件，算法結束.

圖4 層次聚類法流程圖

5 算例分析

對電力物聯網內的多種用戶負荷數據進行層次聚類分析，考慮到電力網內負荷類型的復雜性，為了方便說明聚類結果，本文選取居民用電負荷、商業用電負荷和工業用電負荷三種負荷類型進行層次聚類分析.

1) 基于前述的三維時空序列特性算法對采集到的電量數據進行處理融合，經過數據融合后的三類樣本數據如表1所示.

表1 數據融合后的三類樣本數據

2) 計算樣本間的歐氏距離，如圖5所示.

36個元素分別代表樣本數據的第1點與2-6點、第2點與3-6點,......這樣的距離.那么對于M個點的數據集，歐氏距離之后的將具有M*(M-1)/2個元素.

圖5 樣本數據的歐氏距離

3) 使用層次聚類算法進行聚類分析，結果如圖6所示.

圖6 層次聚類樹

層次分析結果如圖6所示，可知數據點2、7、5、3、4為工業用電類，數據點1、9為商業用電類，數據點6、8為居民用電類.

6 結 語

基于三維時空特性的電力物聯網用戶側識別方法能夠克服單維度識別過程之中的局限性，可以較大程度地融合各維度校核中的優勢.本文同時融合邊緣計算和云計算，能夠實現自下而上的多級數據融合挖掘數據特征，為后期的電力物聯網用戶側數據分級、分布地存儲和處理識別提供新思路.