汪 江,溫 煒

(1.國網(wǎng)寧夏電力有限公司培訓(xùn)中心,寧夏 銀川 750001;2.華中科技大學(xué)計(jì)算機(jī)與科學(xué)技術(shù)學(xué)院,湖北 武漢 430074)

0 引 言

由復(fù)雜電網(wǎng)和交直流混聯(lián)系統(tǒng)構(gòu)成的電力系統(tǒng)[1-2],作為橫跨我國全部省會(huì)的實(shí)時(shí)在線系統(tǒng),能夠通過逐時(shí)段潮流的方式為各受端系統(tǒng)提供能源支持。電力感知數(shù)據(jù)作為能源供應(yīng)鏈中的龐大數(shù)據(jù)集,在展示電網(wǎng)調(diào)度性能方面起到重要的作用。然而,電力系統(tǒng)的傳輸特性決定了電力感知數(shù)據(jù)的冗余度。為了從海量電力感知數(shù)據(jù)中檢索可用信息,可以通過頻繁挖掘的方式,發(fā)現(xiàn)某些電力感知數(shù)據(jù)在給定時(shí)間范圍內(nèi)出現(xiàn)的頻率較高。這些數(shù)據(jù)可能具有關(guān)聯(lián)性或重要性。因此,研究電力感知數(shù)據(jù)頻繁項(xiàng)查詢方法具有重要意義。

文凱[3]等通過頻繁項(xiàng)挖掘算法創(chuàng)立候選項(xiàng)數(shù)據(jù)集,將數(shù)據(jù)分流后持續(xù)壓縮數(shù)據(jù)集內(nèi)頻繁項(xiàng)進(jìn)位時(shí)段,從而在實(shí)現(xiàn)電力感知數(shù)據(jù)頻繁項(xiàng)查詢的同時(shí)減少了時(shí)間開銷。但該算法的系統(tǒng)負(fù)載較大。劉衛(wèi)明[4]等通過計(jì)算大數(shù)據(jù)環(huán)境下負(fù)載不均衡的節(jié)點(diǎn)冗余度,確定頻繁項(xiàng)集中能夠有效避免冗余搜索的合并節(jié)點(diǎn),并在忽略合并節(jié)點(diǎn)的前提下提出超集等價(jià)剪枝策略,以實(shí)現(xiàn)電力感知數(shù)據(jù)頻繁項(xiàng)查詢。但該策略的計(jì)算過程較復(fù)雜。

為了解決上述方法存在的問題,本文提出基于時(shí)域特征的電力感知數(shù)據(jù)頻繁項(xiàng)查詢方法。該方法通過分析電力系統(tǒng)的拓?fù)浣Y(jié)構(gòu)和運(yùn)行狀態(tài),挖掘其中的電力感知數(shù)據(jù),以提高查詢效率;根據(jù)數(shù)據(jù)的頻域和時(shí)域特征,通過貝葉斯分類算法計(jì)算特征值出現(xiàn)頻次,以縮短計(jì)算過程、完成電力感知數(shù)據(jù)頻繁項(xiàng)查詢。

1 電力感知數(shù)據(jù)的挖掘方法

截至目前,評(píng)估電力系統(tǒng)狀態(tài)仍需要電力感知數(shù)據(jù)的參與。想要獲取更加精確的電網(wǎng)走勢情況,挖掘電力感知數(shù)據(jù)是必不可少的操作步驟。通常情況下,我國各省市電網(wǎng)的主要數(shù)據(jù)來源隸屬于國家電網(wǎng)安全總局的能量管理系統(tǒng)。這意味著電力系統(tǒng)供電途中產(chǎn)生的電力感知數(shù)據(jù)也會(huì)作為量測數(shù)據(jù)存儲(chǔ)于能量管理系統(tǒng)中。挖掘電力感知數(shù)據(jù),即從能量管理系統(tǒng)中采集廠站轉(zhuǎn)發(fā)的量測數(shù)據(jù)。其具體操作過程包括估計(jì)電力系統(tǒng)運(yùn)行狀態(tài)和挖掘系統(tǒng)內(nèi)部電力感知數(shù)據(jù)這2個(gè)步驟。能量管理系統(tǒng)的拓?fù)浣Y(jié)構(gòu)如圖1所示。

圖1 能量管理系統(tǒng)的拓?fù)浣Y(jié)構(gòu)

由圖1可知,能量管理系統(tǒng)主要由人機(jī)交流、數(shù)據(jù)分析、預(yù)測和決策優(yōu)化這4個(gè)部分組成。人機(jī)交流部分用于獲取能量管理系統(tǒng)的實(shí)時(shí)數(shù)據(jù)。數(shù)據(jù)分析部分用于獲取歷史數(shù)據(jù)和預(yù)測數(shù)據(jù)。預(yù)測部分用于負(fù)荷預(yù)測、發(fā)電預(yù)測和電價(jià)預(yù)測。決策優(yōu)化部分用于制定調(diào)度計(jì)劃。接口用于接收能量管理系統(tǒng)的狀態(tài),以便實(shí)時(shí)調(diào)整。

1.1 預(yù)測電力系統(tǒng)運(yùn)行狀態(tài)

在無外界因素干擾的正常情況下,電力系統(tǒng)運(yùn)行狀態(tài)滿足自適應(yīng)代理模型[5],即電網(wǎng)數(shù)據(jù)的時(shí)變特性圍繞非線性自回歸滑動(dòng)平均(autoregressive moving average,ARMA)模型回歸線展開。以電力工業(yè)生產(chǎn)環(huán)節(jié)的實(shí)際工況為例,一次電網(wǎng)運(yùn)輸過程可能受到隔離開關(guān)位置信息、電力變壓器、母線電壓等多種不良因素的影響,出現(xiàn)電力感知數(shù)據(jù)邏輯判斷失誤等問題。因此,在采集電力感知數(shù)據(jù)前粗略預(yù)測電力系統(tǒng)的大致運(yùn)行狀態(tài),能夠起到規(guī)避電力電量失衡的作用。自適應(yīng)代理模型為:

(1)

式中:d為電壓相角,(°);γ為電力系統(tǒng)供電開始時(shí)刻;θ為電力系統(tǒng)供電終止時(shí)刻;i為功率上下限值。

不良因素檢測計(jì)算式為:

(2)

式中:λ為電線傳輸功率,kW;G為斷面裕度;r為線路平均損耗;π為網(wǎng)損分布。

電力系統(tǒng)運(yùn)行狀態(tài)的估算式為:

(3)

式中:w為凈注入有功功率,kW;di為電壓幅值,V;x2為交流輸電線路阻抗;x1為交流輸電線路零序參數(shù)。

1.2 挖掘系統(tǒng)內(nèi)部電力感知數(shù)據(jù)

在成功預(yù)測電力系統(tǒng)運(yùn)行狀態(tài)的基礎(chǔ)上,本文約束交直流混聯(lián)電網(wǎng)在發(fā)電、變電、輸電、用電這4個(gè)方面的恒電流與恒電壓,使電力系統(tǒng)恒壓輸出。此時(shí),能量管理系統(tǒng)內(nèi)參與辨識(shí)和修正的電力感知數(shù)據(jù)處于鋸齒狀波動(dòng)的活躍階段。根據(jù)電網(wǎng)的縱向連續(xù)性和橫向連續(xù)性,可知相鄰日期的所有耗電元件均受日負(fù)荷與次日負(fù)荷的反饋控制,呈現(xiàn)出電量乘積與總發(fā)電量比值小于單位碳排放量的標(biāo)準(zhǔn)趨勢。因此,根據(jù)標(biāo)準(zhǔn)趨勢定向采集傳輸活躍的電力感知數(shù)據(jù),即可實(shí)現(xiàn)系統(tǒng)內(nèi)部電力感知數(shù)據(jù)的挖掘。恒電流在交直流混聯(lián)電網(wǎng)發(fā)電、變電、輸電、用電這4個(gè)方面的約束式為:

(4)

恒電壓在交直流混聯(lián)電網(wǎng)發(fā)電、變電、輸電、用電這4個(gè)方面的約束式為:

(5)

式中:Δs為線路末端電壓,V;α為用電量;b為年度負(fù)荷;q為斷面潮流限值;m1為發(fā)電機(jī)組出力上限;m2為發(fā)電機(jī)組出力下限;μ為發(fā)電量,kW·h;tR為發(fā)電頻率,Hz;v為風(fēng)電場風(fēng)速;δ為變電量;y1為變電站母線規(guī)格;c為輸電量,kW·h;y2為線路首段電壓,V。

日負(fù)荷與次日負(fù)荷的反饋控制式為:

(6)

2 查詢電力感知數(shù)據(jù)頻繁項(xiàng)

為實(shí)現(xiàn)電力感知數(shù)據(jù)頻繁項(xiàng)的查詢,需要對(duì)電力感知數(shù)據(jù)進(jìn)行貝葉斯分類算法處理,使對(duì)應(yīng)的頻繁項(xiàng)可以被聚類在一起。查詢電力感知數(shù)據(jù)頻繁項(xiàng)流程為:首先,挖掘出電力感知數(shù)據(jù)中的頻繁項(xiàng);然后,提取其時(shí)域特征,并將時(shí)域特征輸入貝葉斯分類算法中進(jìn)行處理。通過這一分類算法,可以進(jìn)一步深入了解電力系統(tǒng)運(yùn)行的狀況,并識(shí)別出異常情況。

2.1 提取電力感知數(shù)據(jù)的時(shí)域特征

從宏觀角度看,時(shí)域特征是由頻域[6]和時(shí)域共同組成的活動(dòng)性特征。由于存在加速度變化,時(shí)域特征常用于描述信號(hào)、輸入向量或?qū)崟r(shí)性統(tǒng)計(jì)信息隨級(jí)數(shù)增長而逐步劇烈的擾動(dòng)情況。在實(shí)際生活中,單獨(dú)提取時(shí)域特征能夠起到推測數(shù)據(jù)集角加速度[7]、合理分配單位采樣時(shí)間內(nèi)多組相關(guān)數(shù)據(jù)的作用。相較于邏輯疏密性優(yōu)良的其他數(shù)據(jù),電力感知數(shù)據(jù)由于存在不容忽視的電壓暫升、暫降、瞬時(shí)中斷等問題,其邏輯疏密性不僅較差,還具有明顯的波動(dòng)與閃變[8]。這種由諧波震顫效應(yīng)導(dǎo)致的邏輯疏密性下降問題屬于不可修正的負(fù)積分問題,因此無法通過更改樣本數(shù)據(jù)的輸出權(quán)值,從而達(dá)到訂正邏輯疏密性的目的。

由諧波震顫效應(yīng)導(dǎo)致的電壓暫升、暫降、瞬時(shí)中斷如圖2所示。

圖2 電壓暫升、暫降、瞬時(shí)中斷示意圖

考慮到過電壓[9]與欠電壓[10]的持續(xù)時(shí)間一般不超過電力系統(tǒng)實(shí)時(shí)活動(dòng)信息的2個(gè)滑動(dòng)周期,因此本文在提取電力感知數(shù)據(jù)的時(shí)域特征時(shí),需要將注意力集中于三軸加速度相同的2個(gè)滑動(dòng)窗口[11]。諧波震顫效應(yīng)為:

H=z(e)+gs+fst′(ls-ls+1)

(7)

式中:z為正弦交流分量;e為波動(dòng)頻率,Hz;gs為基波頻率整數(shù)倍的正弦交流分量;fs為振蕩暫態(tài);t′為單相電壓信號(hào);ls為諧波衰減常數(shù);ls+1過電壓與欠電壓持續(xù)時(shí)間為:

D=?sin(ηrm+3Ψ)+cos(hm-1)+f′

(8)

式中:?為過電壓質(zhì)量,%;η為欠電壓質(zhì)量,%;rm為低通濾波;Ψ為基波角頻率,Hz;hm為正弦電壓初相角,(°);f′為過電壓與欠電壓的出現(xiàn)時(shí)間,ms。

本文以三軸加速度相同的2個(gè)滑動(dòng)窗口為目標(biāo)區(qū)域,提取電力感知數(shù)據(jù)的時(shí)域特征。時(shí)域特征提取式如下。

(9)

式中:βb為可調(diào)參數(shù);im為波速經(jīng)驗(yàn)值;c′為回波部分具有的周期性特征。

2.2 電力感知數(shù)據(jù)頻繁項(xiàng)查詢

貝葉斯分類算法是以貝葉斯分類器[12-13]為元件的給定樣本分類算法。本文將提取成功的時(shí)域特征作為樣本數(shù)據(jù)輸入貝葉斯分類算法。算法根據(jù)單位時(shí)間內(nèi)特征出現(xiàn)頻次,將電力感知數(shù)據(jù)劃分為多組后驗(yàn)概率差異顯著的類別區(qū)間。通過鎖定頻次占比較大的類別區(qū)間,可實(shí)現(xiàn)電力感知數(shù)據(jù)頻繁項(xiàng)查詢。

根據(jù)貝葉斯分類算法實(shí)現(xiàn)的電力感知數(shù)據(jù)頻繁項(xiàng)查詢的具體步驟如下。

①設(shè)a為待分類項(xiàng)集合Z中的特征屬性,則Z={a1,a2,…,an};將待分類項(xiàng)集合Z作為訓(xùn)練樣本集。

②設(shè)C為有類別集合,則C={o1,o2,…,on}。其中,o為有類別集合中的特征屬性。

③獲取各類別特征屬性的概率估計(jì)為:P(a1|o1),P(a2|o1),…,P(an|o1);P(a1|o2),P(a2|o2),…,P(an|o2);P(a1|on),P(a2|on),…,P(an|on)。

④在各類別特征屬性獨(dú)立的前提下,根據(jù)貝葉斯定理推導(dǎo)特征屬性的概率為:

(10)

⑤步驟④中最大值即為最終查詢結(jié)果。

3 試驗(yàn)與結(jié)果

為了驗(yàn)證基于時(shí)域特征的電力感知數(shù)據(jù)頻繁項(xiàng)查詢方法的整體有效性,本文對(duì)其進(jìn)行測試。試驗(yàn)操作系統(tǒng)為Windows10,64位。系統(tǒng)內(nèi)存為16 GB。中央處理器(central processing unit,CPU)負(fù)載采樣間隔為5 ms。本文采集某市電廠中的1 000個(gè)電力感知數(shù)據(jù),以其作為試驗(yàn)數(shù)據(jù)進(jìn)行以下試驗(yàn)。

3.1 電力感知數(shù)據(jù)頻繁項(xiàng)查詢性能測試

為了測試基于時(shí)域特征的電力感知數(shù)據(jù)頻繁項(xiàng)查詢方法的性能,本文將本文方法與文獻(xiàn)[3]方法和文獻(xiàn)[4]方法進(jìn)行對(duì)比測試。

查全率可以計(jì)算電力感知數(shù)據(jù)中數(shù)據(jù)頻繁項(xiàng)的比率。查全率越高,則挖掘范圍越廣、查詢性能越好。不同方法對(duì)電力感知數(shù)據(jù)頻繁項(xiàng)的查詢性能對(duì)比如圖3所示。

圖3 不同方法對(duì)電力感知數(shù)據(jù)頻繁項(xiàng)的查詢性能對(duì)比

由圖3可知,采用本文方法對(duì)電力感知數(shù)據(jù)中頻繁項(xiàng)進(jìn)行查詢時(shí),查全率維持在97%以上;而采用文獻(xiàn)[3]方法和文獻(xiàn)[4]方法查詢電力感知數(shù)據(jù)的頻繁項(xiàng)時(shí),其查全率范圍分別為94%～97%和%89～93%,查全率較低。該結(jié)果證明,本文方法的查詢性能更好、對(duì)頻繁項(xiàng)的挖掘范圍更大,可以有效挖掘電力感知數(shù)據(jù)中的數(shù)據(jù)頻繁項(xiàng)。

3.2 電力感知數(shù)據(jù)頻繁項(xiàng)查詢能力測試

測試將電力感知數(shù)據(jù)分為5組,平均每組200個(gè)電力感知數(shù)據(jù),利用3種方法對(duì)電力感知數(shù)據(jù)的頻繁項(xiàng)進(jìn)行查詢。查詢的電力感知數(shù)據(jù)數(shù)量越多,證明所使用方法的查詢能力越好。不同方法對(duì)電力感知數(shù)據(jù)頻繁項(xiàng)的查詢能力對(duì)比如圖4所示。

圖4 不同方法對(duì)電力感知數(shù)據(jù)頻繁項(xiàng)的查詢能力對(duì)比

由圖4可知,在5組試驗(yàn)中,本文方法查詢到的電力感知數(shù)據(jù)的數(shù)量始終在180個(gè)以上,而文獻(xiàn)[3]方法和文獻(xiàn)[4]方法查詢到的電力感知數(shù)據(jù)分別在160個(gè)、130個(gè)左右。該結(jié)果證明本文方法的電力感知數(shù)據(jù)頻繁項(xiàng)查詢能力更好。

3.3 計(jì)算時(shí)間開銷和內(nèi)存開銷

為了進(jìn)一步驗(yàn)證所提方法的實(shí)用性,測試分別采用本文方法、文獻(xiàn)[3]方法和文獻(xiàn)[4]方法查詢電力感知數(shù)據(jù)的頻繁項(xiàng),并記錄不同方法的時(shí)間開銷和內(nèi)存開銷。通過對(duì)比測試,可以判斷不同方法的查詢效率和計(jì)算復(fù)雜度。不同方法的時(shí)間開銷和內(nèi)存開銷如表1所示。

表1 不同方法的時(shí)間開銷和內(nèi)存開銷

由表1可知:采用本文方法查詢?nèi)M電力感知數(shù)據(jù)的頻繁項(xiàng),其時(shí)間開銷和內(nèi)存開銷均低于采用文獻(xiàn)[3]方法和文獻(xiàn)[4]方法。這可能是由于本文方法在提取電力感知數(shù)據(jù)的時(shí)域特征時(shí),考慮了三軸加速度相同的2個(gè)滑動(dòng)窗口,在一定程度上提高了查詢效率。結(jié)果證明本文方法的查詢效率高、計(jì)算復(fù)雜度低,進(jìn)一步驗(yàn)證了本文方法的實(shí)用性。

4 結(jié)論

在電力系統(tǒng)中,電力感知數(shù)據(jù)的應(yīng)用越來越廣泛,各種電力電子設(shè)備均與電力感知數(shù)據(jù)有著密不可分的關(guān)系。為了實(shí)時(shí)監(jiān)測電力系統(tǒng)運(yùn)行狀態(tài),相關(guān)學(xué)者試圖通過提高電力感知數(shù)據(jù)頻繁項(xiàng)查詢率,以達(dá)到協(xié)調(diào)電能市場分配關(guān)系、避免電力系統(tǒng)用電損耗日益嚴(yán)重的目的。為了提高數(shù)據(jù)頻繁項(xiàng)查詢的效率,本文提出了基于時(shí)域特征的電力感知數(shù)據(jù)頻繁項(xiàng)查詢方法。該方法通過挖掘電力感知數(shù)據(jù)、提取時(shí)域特征,結(jié)合貝葉斯分類算法鎖定類別區(qū)間,從而完成數(shù)據(jù)頻繁項(xiàng)查詢。試驗(yàn)結(jié)果表明,本文方法具有較好的查詢性能,可有效提高電力系統(tǒng)的查詢效率、降低內(nèi)存開銷。