路 潔,鄭小賢,楊 輝,賈 蕾

（1．國網寧夏電力有限公司，寧夏 銀川 750000；2．國網銀川供電公司，寧夏 銀川 750001）

1 引言

隨著科技水平的不斷發(fā)展，電力公司利用不同的檢測模型、分析模型，實時監(jiān)測電價中出現(xiàn)的電價執(zhí)行異常問題[1]。電價異常主要是由兩大類問題導致的，一是電力設備損壞導致數(shù)據(jù)異常，另一類是用戶設備損壞或短路導致用電異常，從而引發(fā)整體電價異常[2]。為了解決這一問題，相關學者設計了一些相對成熟的電價執(zhí)行異常分析過程，如基于深度學習變分自動編碼器算法的電價執(zhí)行異常模型[3]和基于準實時數(shù)據(jù)的電價異常分析模型[4]等。然而在傳統(tǒng)方法挖掘的數(shù)據(jù)中，包含大量無效數(shù)據(jù)，因此模型在分析數(shù)據(jù)動態(tài)特性的過程中，很難與異常數(shù)據(jù)的動態(tài)性保持一致。針對這一問題，本研究設計了基于時序數(shù)據(jù)挖掘的電價執(zhí)行異常分析模型，以期為電網用電安全、居民用電安全提供更可靠的支持。

2 電價執(zhí)行異常分析模型設計

2.1 動態(tài)劃分時間粒度設置時序數(shù)據(jù)挖掘規(guī)則

時間是一種既沒有源頭也沒有盡頭的指標，因此想要依靠時序數(shù)據(jù)挖掘方法設計模型，需要動態(tài)劃分時間粒度，將時序數(shù)據(jù)劃分成時間間隔不同的子序列，通過該序列設置時序數(shù)據(jù)挖掘規(guī)則。在時序數(shù)據(jù)挖掘過程中，時序數(shù)據(jù)就是具有時間維度的數(shù)據(jù)，因此采用統(tǒng)計分析法和自組織映射神經網絡法動態(tài)劃分時間粒度。

①統(tǒng)計分析法采用秩相關分析，研究數(shù)據(jù)之間的關聯(lián)性，即計算數(shù)據(jù)之間的皮爾曼系數(shù)[5]。則該系數(shù)的計算公式為：

公式(1)中：Zi表示數(shù)據(jù)xi在數(shù)據(jù)集X中的秩；Wi表示數(shù)據(jù)yi在數(shù)據(jù)集Y中的秩；P表示皮爾曼等級相關系數(shù)；n表示數(shù)量。通常情況下，P的取值范圍在(-1，1)之間，若存在-1＜P＜0，說明兩個變量存在負相關關系，也就是說兩個變量的變動方向，完全相反；若存在0＜P＜1，說明兩個變量存在正相關關系，即兩個變量的變動方向一致；若|P|=1，說明變量之間具有函數(shù)關系；若|P|=0，說明變量之間無關聯(lián)。

②自組織映射神經網絡，是一種特殊的網絡模式，可用于數(shù)據(jù)聚類和可視化，并從海量的數(shù)據(jù)中找出隱藏的數(shù)據(jù)信息。采用自組織映射，將所有電價原始數(shù)據(jù)整合到一起，按照數(shù)據(jù)類型劃分區(qū)域，找出每個區(qū)間內的最小化個體差異，同時保證每個區(qū)域的差異最大化[6]。該過程具體實現(xiàn)步驟如下：

根據(jù)輸入節(jié)點到輸出節(jié)點的所有權值，設置一個小的隨機數(shù)，同時令時間計數(shù)t=0，初始化連接權值。設置網絡輸入模式，令。計算輸入節(jié)點與輸出結點之間的歐氏距離，公式為：

公式(2)中：lj(x)表示第j組節(jié)點之間的歐氏距離；L表示樣本維數(shù)；ωji表示輸出與輸入節(jié)點之間的連接權值。根據(jù)上述計算，得到的最小歐氏距離的輸出結點獲勝。調整輸出結點的連接權值，同時調整輸出節(jié)點在鄰域內的權值。公式為：

公式(3)中：S(x)表示獲勝結點；Dj，S(x)表示更新節(jié)點距離；δ表示方差。根據(jù)上述分析，最后計算映射權重，公式為：

公式(4)中：μ(t)表示可變學習速度，該值隨著時間的增加而減小[7-8]。若還有輸入樣本數(shù)據(jù)，則重新設置網絡輸入模式進行迭代，直至收斂。上述計算過程中，統(tǒng)計分析過程就是按照數(shù)據(jù)屬性劃分數(shù)據(jù)，而自組織映射就是用簡單的網絡形式，表現(xiàn)復雜的數(shù)據(jù)分布特征。而時序關聯(lián)規(guī)則，是挖掘時序數(shù)據(jù)過程中的一項限制條件。因為時間序列本身具有波動行為，因此在動態(tài)劃分時間粒度的前提下，設置時序數(shù)據(jù)挖掘規(guī)則。

當計算結果存在F()＞1 時，認為規(guī)則為有效的強規(guī)則；當F()＜1 時，則認為規(guī)則為無效的強規(guī)則；當F()=1時，表示序列X和序列Y之間是相互獨立的，即X的出現(xiàn)沒有影響序列Y。至此在動態(tài)劃分時間粒度的基礎上，完成對時序數(shù)據(jù)挖掘規(guī)則的設置。

2.2 挖掘電價執(zhí)行異常時序數(shù)據(jù)

根據(jù)上述設置的挖掘規(guī)則，挖掘電價執(zhí)行異常時序數(shù)據(jù)。該過程采用二元正態(tài)密度核函數(shù)，計算任意電價區(qū)間內，單元格的密度估計值，公式如下：

公式(6)中：d(g)表示密度估計值；m表示時序數(shù)量；h表示動態(tài)時序數(shù)據(jù)，移動軌跡光滑參數(shù)；Ai表示動態(tài)時序數(shù)據(jù)的活動坐標；|g-Ai|表示表示單元格g和活動坐標Ai之間的距離；bx、by分別表示電網分布式價格變動區(qū)域，動態(tài)時序電價的移動軌跡中，所有位置點對應的橫坐標和縱坐標標準差[9-10]。根據(jù)上述計算，將電網價格中，出現(xiàn)電價執(zhí)行異常的區(qū)域，視為近似單元格連成的區(qū)域，該區(qū)域的判別公式為：

公式(7)中：d(g1)、d(g2)表示電網中兩個相鄰的單元格，組成的電價區(qū)間密度估計值；σ表示異常區(qū)域判斷閾值。按照上述步驟挖掘異常區(qū)域后，還要進一步挖掘異常區(qū)域內，動態(tài)時序數(shù)據(jù)的活動規(guī)律，完成對整個電網價格中，所有存在執(zhí)行異常的數(shù)據(jù)序列挖掘。因此假設任意一個動態(tài)時序數(shù)據(jù)為Ui，任意一個異常區(qū)域為Cj，則二進制序列為V=v1，v2，…vk，其中vkV，當vk=1時，說明動態(tài)時序數(shù)據(jù)在k時刻時，訪問了異常區(qū)域Cj；當vk=0 時，則時序數(shù)據(jù)沒有訪問異常區(qū)域。離散傅里葉變換上述提出的二進制序列，得到該序列的頻譜序列函數(shù)：

公式(8)中：k/M表示離散傅里葉級數(shù)的系數(shù)，捕捉到的動態(tài)變化頻率；M表示序列總數(shù)量；i表示虛數(shù)單位。根據(jù)上述計算結果，計算電價執(zhí)行異常的區(qū)域圖像：

為避免出現(xiàn)虛假預警的問題，引入自相關函數(shù)檢驗上述計算結果，確定電價異常區(qū)域中，動態(tài)時序數(shù)據(jù)的變動周期，該函數(shù)的公式為：

公式(10)中：τ表示隨機數(shù)據(jù)。通過上述計算過程，完成對電價執(zhí)行異常時序數(shù)據(jù)的挖掘。

2.3 設計電價執(zhí)行異常分析模型

已知用電數(shù)據(jù)異常的表現(xiàn)包括：線損高、售電量損失大等，其中線路及設備質量、管理漏洞、電能表質量以及異常用電，都是導致線損過高的主要原因。而無論出現(xiàn)何種情況，用電執(zhí)行異常都需要通過電表進行反饋，因此通過構建日負荷曲線，設計電價執(zhí)行異常分析模型。從用電信息采集系統(tǒng)中，選擇用戶初始用電負荷數(shù)據(jù)集的所有關鍵字段，內容如表1所示。

表1 用戶初始用電負荷的數(shù)據(jù)字段

已知電網控制系統(tǒng)使用的終端為96 版本，因此該系統(tǒng)只能采集用戶電能表，在零點時刻的電流電壓以及用電數(shù)據(jù)。為了便于設計分析模型，將96 點負荷數(shù)據(jù)，轉變?yōu)?4點，即將數(shù)據(jù)集合，由n條日負荷曲線，構成n×24階的初始負荷曲線矩陣。清洗數(shù)據(jù)挖掘得到的基本數(shù)據(jù)，該過程首先總結臟數(shù)據(jù)類型，按照其表現(xiàn)形式采用合理的清洗手段。歸納整理分類結果如表2所示。

表2 分類處理后的臟數(shù)據(jù)類型

根據(jù)表2的分類結果，首先刪除挖掘數(shù)據(jù)中的重復數(shù)據(jù)；然后根據(jù)實際情況，補充存在缺失的數(shù)據(jù)，保持數(shù)據(jù)集的完整性。若數(shù)據(jù)缺失現(xiàn)象十分嚴重，則利用下列公式修補缺失數(shù)據(jù)：

公式(11)中：c1、c2分別表示前推期數(shù)和后推期數(shù)；t表示負荷數(shù)據(jù)缺失所處的時刻。因此根據(jù)上述處理，構建(n-q)×24階有效負荷曲線矩陣。完成上述計算后，建立電價執(zhí)行異常分析模型，檢測用戶用電時，電價執(zhí)行是否存在異常問題，判斷用戶是否為異常用戶。

綜上所述，在時序數(shù)據(jù)挖掘技術的應用下，電價執(zhí)行異常分析模型設計完畢。

3 測試與分析

為驗證基于時序數(shù)據(jù)挖掘的電價執(zhí)行異常分析模型的設計應用性能，進行仿真測試。比較不同分析模型對異常電價的判別差異。為避免測試結果的單一性，將本文模型作為實驗組，將傳統(tǒng)的基于深度學習變分自動編碼器算法的電價執(zhí)行異常模型作為對照A組，將基于準實時數(shù)據(jù)的電價異常分析模型作為對照B組，共同完成性能驗證。

3.1 實驗準備

實驗測試過程應用的主要設備有臺式計算機、信號傳感器、信號接收器和信號采集器。以W地區(qū)的電價為例，搭建Matlab仿真測試環(huán)境。表3為測試地區(qū)的日常使用電價。

表3 測試地區(qū)用電價格統(tǒng)計(元/WMh)

基于此，連接各實驗設備，以表3中的數(shù)據(jù)為參照，模擬W地區(qū)的電網用電場景，然后分別利用三種模型分析電價執(zhí)行異常的現(xiàn)象。

3.2 結果與分析

為了使實驗結果更加真實、更有說服力度，將用電異常比例分別設定為30%、15%以及5%，然后仿真測試軟件共模擬三個不同的電價執(zhí)行異常的場景，對比不同模型對用電異常的分析結果，如圖1所示。

圖1 不同用電異常比例下的分析效果對比

根據(jù)圖1中的測試結果可知，當用電異常比例為30%時，實驗組模型在神經網絡的幫助下，通過映射捕捉到了微弱的異常數(shù)據(jù)。而兩個對照組中的模型在面對海量的異常數(shù)據(jù)時，模型捕捉異常數(shù)據(jù)的能力較差，導致其對微弱異常數(shù)據(jù)的捕捉精準度低于實驗組模型。隨著用電異常比例的降低，不同模型的微弱異常數(shù)據(jù)捕捉精準度逐漸減弱。當用電異常比例下降到5%時，兩種傳統(tǒng)模型由于深入分析的能力不夠，未能找出海量數(shù)據(jù)中隱藏的異常數(shù)據(jù)，因此其對微弱異常數(shù)據(jù)的捕捉精準度始終低于實驗組模型。同時可以發(fā)現(xiàn)，盡管用電異常比例在不斷下降，但實驗組模型的捕捉精準度始終處于90%以上，由此可以證明本文方法在分析電價執(zhí)行異常過程中具有更高的應用優(yōu)勢。

4 結束語

本研究設計了基于時序數(shù)據(jù)挖掘的電價執(zhí)行異常分析模型，并通過實驗測試證明了該模型的有效性。在今后的研究工作中，將考慮設計一個數(shù)據(jù)挖掘算法，在數(shù)據(jù)挖掘環(huán)節(jié)中，通過降低錯誤挖掘概率進一步提高模型的應用性能，為國家維護電價、用戶維護自身的用電權益提供更加高效的支持。