电网调控领域人工智能技术运用分析

施昊迪 陈凯峰 王瑞丰

（国网上海市电力公司崇明供电公司，上海 202150）

0 前言

当前，我国的人工智能技术已经得到了一定发展，在包括电力行业在内的各个行业中都有相关应用实例。同时，现代社会发展需要巨大的电能消耗，为了更好地解决当前出现的供电系统失衡现象，需要进一步增强电网调控能力，在完善管理架构的基础上，对各地区出现的电能负荷进行严格控制，提高我国各个地区的用电水平，实现强化工作水平的目标。电网负荷计算存在多种计算方法，不同方法对人工智能技术的具体应用也存在一定差异，因此要对多种算法进行探究。

1 电网负荷问题分析

1.1 计算方法

在电力调控中，根据不同生活模式、不同生产条件中个体的用电行为计算负荷数据曲线，根据不同趋势的曲线来计算需求供应，从而发现减少电耗、提高输电效率的有效措施，这也是实现人工智能支持的关键点，同时也是优化我国电力行业发展状况的重要手段之一。目前常见的计算方法包括以下2种。

马哈拉诺比斯距离是一种计算2种未知样本集之间相似度的算法，其主要体现数据之间的协方差距离，与欧氏距离的最大不同点在于它会更多地考虑数据各种特性之间的实际联系，并且在计算中有独立的测量尺度。在人工智能处理中，假设某区域内存在个用电个体，则样本={，,…,x}，在样本数据集中每个样本数据拥有个维度，基于上述信息，可以计算马哈拉诺比斯距离。

欧氏距离是采用比较常用的一种距离定义，它是指在维空间中2个点之间的真实距离，其是在简单欧式距离的基础上进一步优化的结果，在人工智能算法中具有一定的应用空间。在标准欧氏距离计算中，对传统欧式距离进行改进后获得标准欧式距离，这样定义样本数据集的平均值为，标准差为，则标准欧式距离如公式（1）所示。

式中：为标准欧式距离；为样本数据集；为样本数据集的平均值；为标准差。

1.2 电网负荷预测方法

该研究主要借助人工神经网络法进行预测，该方法的主要优势就是可以对电网负荷数据的很多单元进行非线性分析，根据分析结果打造单元数据系统。同时，该网络也可以在不断进行电网负荷预测的过程中实现自动提升预测能力的目标，其各项能力能够随工作的开展而不断发展。在早期的人工智能处理环节中，神经网络的初始设定值不确定，因此需要对样本进行定量输出，并且在输出环节可以持续对样本数据进行校正。

2 人工智能算法的改进

2.1 基本思路

改进人工智能算法在电网调控中使用的基本思路在于利用全新的计算设备、适合的计算方法，最大程度地提高人工智能算法的效果，保证人工智能算法的准确性与高效性。在改进人工智能算法的过程中，支持向量机是以统计学为基础的，通过结构风险最小化规则构建自主学习算法，该文采用的LSSVM（最小二乘支持向量机）充分地继承了支持向量机的优势，可以将需要解决的问题替换成线性求解，由此消除问题条件，不仅简化了计算条件，而且还能提高数据预测处理结果，从而满足电网调控的要求。LSSVM也能解决人工智能运行和电网管控中小样本、非线性的高维模式识别问题，能够被推广应用到机器学习问题中。

2.2 设置算法的初始值

在该计算中为了可以有效地阐述人工智能中的算法过程，该文引入空间变量，该方法可以将参数与蚁群空间化。参数空间是指由个变量所构成的空间，蚁群空间规模与实际问题参数的数据之间没有联系，因此在数据处理中能够任意定义范围。

2.3 路径选择

蚁群移动的运算如公式（2）所示。

2.4 混沌寻找最优位置

式中：（）为时混沌寻找最优位置；（-1）为之前、上一次混沌寻找最优位置；δ为混沌搜索期间通过增加任意精度范围。

按照上述的数据处理流程，则算法结构的流程如图1所示。在整个数据处理过程中利用人工智能技术，如果蚂蚁遍历每条搜索路线或者符合初始设置的迭代测绘技术要求后，即可证明蚁群搜索工作结束，算法结束，输出最理想的参数方案。如果没有达到这种情况，则需要进行第二次搜寻，直到实现目标。使用该数据处理流程可以保证数据处理工作的完整性，确保每个处理环节的质量都能得到保障，进而保证人工智能算法最终的使用质量。

图1 优化后的数据处理流程

3 基于LSSVM改进RBF网络的电网调控分析

3.1 基本设计思路

基于LSSVM的电网调控工作是建立在VC维理论（统计学理论）和结构风险最小原理的基础上，能够从有限的样本信息中达成模型复杂度与学习能力之间的协调，同时也能使用交叉验证的方法支撑参数选择工作。该研究将借助上文的研究方法对电网调控中的电力负荷进行预测，在LSSVM算法的支持下，整个设计思路架构如图2所示。

图2 整体设计思路

3.2 人工智能神经网络结构与训练

样本回归也被称为经验回归，其不是一种实际模型，而是用来拟合实际模型的一种手段。在样本回归中，算法的基本流程如下：将具有样本的数据随机制定若干个初次聚类中心，则剩余的-2的非初中心对象在数据处理中则可以通过计算相似度的方法确定其分类，根据数据计算结果将小距离的数据集对象划分为一种类型，直至所有对象都获得独特的类别。之后计算聚类后的数据对象的平均值，将其作为新聚类中心，并由此采用新的数据聚类方法。最后重复上述计算过程，直至方差函数不再收敛，统计2个数据资料后，获得具有高度相似性的数据为RBF神经网络训练样本集，而相似度较低的数据集可以按照测试样本集的方法进行处理。样本回归中算法的准确性会受到人为行为不准确、计量误差以及模型形式错误等因素的影响，因此需要准确把握精准度。

将RBF神经网络隐含层中无重复的内容保存下来，并且保存后的节点，对应节点可以划分为个等数，所对应的个中心就是径向基函数中心。

该研究以高斯函数为核函数，其具体架构如公式（4）所示。作来评估电网调控领域人工智能应用水准现状与发展前景。

式中：σ为方差；为核函数的最大中心距离；为个等数；为基本参数。

在计算宽度参数以及中心参数后，就可以通过LSSVM方法计算输出权值，当设定输入向量为X、第个隐含层的输出为m时，则输出结果，最终通过权值逼近，并利用最小化求解网络计算最终的参数。

在最终的人工智能分析训练方法中，可以按照以下4个步骤进行处理：1） 根据电网调控的负荷数据开展标准化处理，通过聚类算法进行划分后，将测试样本资料上传到LSSVM模型中，同时输出向量机。2） 假设测试样本的输入值为，输出值为，则神经网络节点维数中的节点个数应该与值保持相同，输出点的与LSSVM模型的输出节点相同。3） 在训练过程中计算每个隐含层节点与输出向量之间的关系，在将关系数值所对应的隐含层节点保留下来后，再将保留的节点划分成个数与相等的节点，并保留节点中对应的中心数值，该数据就是径向基函数中心。4） 通过测试样本训练后，可以获得最优化的RBF神经网络架构，通过该架构可以对电网调控中的电网负荷情况进行调整。

3.3 负荷数据处理

根据负荷数据的特征可知，需要在负荷数据标准化处理中对相关数据进行函数量纲处理，可以根据公式（5）验算整个处理过程。

式中：x＇为标准化后的数据；x为原始数据。

为确保数值的统一性，在统计数据过程中可以将电网负荷参数的取值控制在0~1，再通过现行计算的方法，在允许的数据偏差内获得无量纲数值，最后输出样本资料、预测数据，并执行反归一化处理，将其恢复到实际值。

4 实例分析

该文通过上述方法构建了一套基于LSSVM模型的人工智能技术架构，为评估该方法在电网调控领域的应用效果，该文结合某地区的实际情况进行仿真运算，通过高强度、高频率的测试工

4.1 仿真结果分析

该研究使用的相关数据来自上海市某地区的实时电力负荷测试结果，在数据采集中样本的时间间隔为1 h，每日共检测24次，每个数据点的负荷检测数据均采用上文提出的方法进行数据处理。将处理后的数据进行K-means分类，根据距离划分方法展开方差函数计算，由此获得数据间的相似度，并根据相似度将其划分为测试样本和训练样本。之后通过选择该地区2021年5月某日的电网数据进行为期24 h的电网负荷预测，最终的测试结果显示该文所介绍的改进人工智能算法更接近当地的实际情况。研究发现，利用该文介绍的方法进行仿真验证的结果显示，该方法在预测电网负荷中的效果具有可行性，可以用于电网调控工作。

4.2 误差分析

通过当地2021年3—6月的电网运行数据对开展连续24 h的负荷检测，提取训练样本后，根据模型的误差资料判断该预测值与实测值之间的误差情况，了解最大误差、最小误差以及平均误差，根据误差值判断该方法的合理性，误差越小，则证明该文所采用的人工智能技术的效果越好，最终的误差对比结果见表1。

表1 误差对比结果

由表1对各类误差的统计结果可以发现，在该文所记录的4个月的数据中，人工智能测试方法与实际负荷之间的平均误差波动范围为1.82%~2.51%，整体波动范围较小，而这种误差可能是其他某些不确定性因素所造成的，例如因气候异常变化而影响居民用电需求量等，但是从数据预测精准度来看，该文所采用的人工智能技术具有可行性，所测量的误差小，能满足电网调控的要求。

5 结语

该文对人工智能算法进行改进，在原有技术的基础上引入了LSSVM模型，最终结合某地区的仿真结果可以发现，该文所介绍的人工智能技术可以对城市用电负荷情况进行精准预测，作为一种科学的分析方法，其具有计算精度高、运算速度快等优点，对提升电网调控能力具有重要意义。人工智能技术在电网调控工作中的应用可以有效地提高电网调控的质量与效率，同时也能带动各个算法技术的发展，对人工智能技术的发展和电网管理水平的提高都具有重要的意义。