基于時間序列的多干擾場景用電異常狀態感知方法

唐文升, 武亞光, 歐偉, 朱平飛

(1. 國家電網有限公司,營銷部, 北京 100031; 2. 國家電網有限公司客戶服務中心, 天津 300300;3. 北京中電普華信息技術有限公司, 北京 100031)

0 引言

多場景用電異常狀態感知主要用于社會網格員統一關聯特殊群體[1],如留守兒童、70歲以上空巢老人、身體高度殘疾人士等,基于特殊群體用戶電壓、電流、電量等電力數據信息,推斷目標用戶用電狀態有無異常[2]。

為有效針對用電異常用戶是否可以電話核查或者上門核查,標記核查狀態,支撐社會網格員有針對性地巡檢和用電異常預警,用電異常狀態感知必不可少。周忠強等[3]提出了樣本協方差矩陣的用電異常感知方法;陳肖璐等[4]提出了隨機矩陣理論異常判別方法。對多干擾場景下用電異常狀態的感知還存在明顯不足,需在此基礎上不斷完善與創新,提升多干擾場景的用電異常狀態感知效果。

時間序列方法的提出為用電異常狀態感知打開全新的突破口,通過對時間序列數據的趨向和散布區域進行分析,可以感知多干擾場景用電異常狀態的不同發展趨勢,實現對現有趨勢的認知以及對未來發展的構想。由于用電數據具有不穩定性以及隨時間變化而改變的特點,可通過建立時間序列預測模型詳細分析用電負荷數據[5-6],并結合負荷類型的辨識計算負荷數據,與設定的合適度閾值進行比較,準確判斷用戶用電異常狀態下電網的狀況,為電網工作人員提供便利的監測手段,才能更好地解決用戶用電異常情況。因此,本文提出基于時間序列的多干擾場景用電異常狀態感知方法,可以極大地提高工作效率,減少工作量,為特殊群體提供更好的管理,提高社會服務水平,有效降低特殊群體的意外用電風險。

1 時間序列用電異常狀態感知方法

1.1 基于時間序列的負荷預測模型

1.1.1 模型結構

應用時間序列預測模型對采集的電力數據進行分析,圖1是比較新舊數據相似性和實時預測誤差得到的新時間序列模型。

圖1中,新時間序列預測模型主要對離線和在線時間序列數據進行預測。工作原理為離線時間序列數據,通過離線模型訓練后與在線流式時間序列數據同時進行信息感知權重并在線預測,對其真實誤差進行計算。通過誤差預測模型進行預測、修正,得出時間序列預測數據。

用X=(x1,x2,…,xn)表示需要辨識負荷的時間序列,有價值負荷時間序列為Y1,Y2,…,Yt。其中,Yt=(yt1,yt2,…,ytn),可通過式(1)構建其趨勢序列X′,Y1,Y2,…,Yt:

(1)

(2)

DDTW(X′,Y′)=Ln,m

(3)

其中,L表示累計代價矩陣,D表示歐式距離矩陣,式(4)為時間序列的隸屬度函數:

(4)

其中,k表示第i個聚類中心樣本時間序列。

(5)

1.2 基于負荷數據分析的異常用電感知

線路負荷數據與其固定負荷模式存在一定的匹配關系,當電網和用戶用電狀態都能正常運行時,兩者契合度達到99%,當處于異常狀態時,負荷數據產生巨大波動,與固定負荷模式下的數據相差較大,兩者關聯度低。

在線路正常運行狀況下,選取負荷數據X1,X2,…,Xm-1,利用Xi=(xi1,xi2,…,xin)在負荷時間序列的類比下進行分析,確定聚類中心。設基礎聚類中心為B,并在X1,X2,…,Xm中隨機抽取1條負荷曲線,依次代入更新B=(b1,b2,…,bj,…,bn)中bj的值,利用式(6)計算J的差值,與中止閾值ε進行比較,當差值小于閾值時,即可停止。負荷參照值可通過代入后的B=(b1,b2,…,bj,…,bn)得出。

(6)

線路負荷數據Xm=(xm1,xm2,…,xmt)與聚類中心在t時刻的隸屬度函數umt可通過式(5)得出,同時得到在t時刻負荷值xm(t+1),并根據式(7)計算合適度指標為

(7)

對合適度閾值ε進行設定,若Ke(t)>ε,即判決該線路負荷處于異常狀態。假設其合適度閾值重新回到正常范圍內時,為t′時刻,即Ke(t′)=(umt)2|xm(t′+1)-bt′+1|<ε,則判斷該線路用電狀態恢復正常。負荷處于異常狀態時,該線路與正常負荷值的隸屬度函數um兩者之間不存在關聯,負荷值也不再變化,而是保持非異常狀態時刻的值umt。

2 實驗分析

2.1 實例測試

以某地區供電局配電線路為實驗對象,驗證本文方法多干擾場景用電異常狀態感知效果。該線路的主要用戶為工廠、公司及居民,此線路有70個節點,39個負荷節點,包括29臺公用配電變壓器。實驗選擇a線路和b線路2條線路。選取該地區2021年4月1日至2021年5月20日的實測負荷作為原始數據,選取某一天的下午3點到夜晚24點的電流變化情況作為實驗對象,進行負荷預測及用電異常狀態感知實驗。

2.1.1 不同線路下負荷性質分析

通過本文方法判斷線路的負荷性質,針對a線路和b線路客戶用電異常狀態下的負荷分析,評估不同場景用電異常狀態。該地區a線路與b線路負荷曲線如圖2所示。

(a) a線路

根據圖2負荷曲線,利用本文方法分別計算a線路、b線路負荷曲線的時間序列與工廠、公司及居民類有價值負荷趨向序列的隸屬度,如圖3所示。

從圖3可以看出:對于b線路來說,負荷時間序列隸屬度值最高的是居民類,為0.88;對于a線路來說,負荷時間序列隸屬度值最高的是公司類,為0.864。證明本文方法通過對隸屬度的計算,能清晰展示負荷的時間趨向,從多場景感知用戶用電異常情況。

2.1.2 負荷預測效果

為了證明本文方法負荷預測的有效性,從39個負荷節點中選取一個2個節點(實測節點和非實測節點)作為實驗對象。采用本文方法計算2個節點10 d的負荷預測值,統計日平均誤差,具體誤差結果如表1所示。

表1 節點負荷預測日平均誤差

從表1可以看出,非實測節點誤差在4%～9%之間,實測節點誤差在1%～8%之間,實測節點和非實測節點的誤差率都低于10%。根據計算結果可以看出,本文方法的節點負荷預測誤差率較低,為后期異常狀態感知提供良好的數據基礎。

圖4為某一天具體時刻的負荷預測數據與負荷實測數據的對比結果。

圖4 實測節點負荷預測曲線

從圖4可以看出,負荷實測與負荷預測最高誤差不超過10 kW,負荷預測準確率較高。因此,本文方法可以較準確地預測負荷數據。

2.1.3 用電異常狀態感知

通過本文方法、樣本協方差矩陣異常檢測方法(文獻[3]方法)和隨機矩陣理論異常判別方法(文獻[4]方法)對不同類別用戶用電異常狀態感知時間進行測試,測試結果如圖5所示。

圖5 各方法異常狀態感知比較圖

從圖5可以看出,本文方法對各類用戶的用電異常狀態感知時間均低于其他2種方法,并且感知時間均控制在0.5 ms內,因此本文方法對不同干擾場景下用戶類型的用電異常狀態感知效果較好,具備異常狀態感知時效性。

2.2 應用分析

為了證明本文方法在實際應用中的性能,采用本文方法對北京朝陽區某小區519戶居民在2021年5月22日24 h內的用電量進行分析,辨識用電狀態,判斷用戶用電具體的負荷類型。該小區包括商業樓和居民樓。居民的正常用電量由家庭內部的用電設備決定。北京冬季采暖期為11月到次年3月,空調制冷期為6月到8月,而應用本文方法的時間既不是采暖期也非制冷期,因此空調使用量較低。根據不同電器的使用高峰期,計算變配電室的負荷安裝總容量。參照每個變配電室供電戶數確定住宅同時使用系數,負荷安裝總容量乘以同時使用系數得到計算總容量。

通過曲線的方式對用電量進行比較,所屬不同用電負荷類別的用戶用不同線條表示,圖6為24 h內用戶日用電模式。

圖6 用戶日常用電模式

從圖6可以看出:類1白天用電量低,17:00以后至24:00用電量明顯增加,此類用戶應為居民類;類2波動幅度不大,處于平穩狀態,但用電量較大,此類用戶多為工業類,長時間處于較高用電狀態;類3日常用電量高于類1,在16:00至19:00量最大,此類用戶多為商場或者公司,有固定的時間點。以上結果證明,本文方法可依據時間序列感知用戶用電具體的負荷類型,根據負荷類型感知用電異常,具有實用價值。

3 總結

本文基于多干擾場景用電異常狀態感知需求,提出了一種基于時間序列的多干擾場景用電異常狀態感知方法。通過建立負荷預測模型、負荷類型的判斷及用電異常感知分析多個角度,在誤差、速度、隸屬度方面進行具體線路負荷數據預測,更系統地分析數據,保證對負荷的預測誤差更小,獲得的分析結果更準確。