基于三维时空特性数据融合的电力物联网用户侧负荷识别方法研究

2022-07-13祁甘露池坤鹏马璐瑶姬长建

山东师范大学学报（自然科学版） 2022年2期

唐毅祁甘露池坤鹏马璐瑶姬长建

(1) 中共国网安徽省电力有限公司党校，230031，合肥； 2) 齐鲁师范学院物理与电子工程学院，250200，济南 )

1 引言

随着物联网的不断渗入以及人工智能、云—边大数据等技术的广泛应用，传统电网逐渐朝着电力物联网高速发展.电力物联网末端不断接入传感器、智能电表等电力设备，使得多源数据在传统电力数据中的比重越来越大，针对异构电力数据集的存储与分析变得越来越复杂.同时，随着电网数字化程度越来越大以及用户侧用电情况日益复杂，调度侧及时获取用户侧用电数据的难度加大，因此，针对如何及时获取与分析用户侧用电数据并识别的研究具有重要的意义.

现阶段，不少学者针对用户侧的用电数据研究主要从用户的用电负荷辨识展开研究.文献[1]提出利用分布式存储和计算集群处理能源大数据，电力公司可以在百万用户规模上进行居民用户用电负荷分析研究.文献[2]基于大数据技术对海量的居民用电数据进行分析，首先对海量用电数据进行解耦分析，然后基于大数据分析对用户用电行为进行分析及管理.文献[3]提出了一种数据驱动的概率净负荷预测方法，采用基于相关分析和网格搜索的最大信息系数对电表后的光伏容量进行估计，从而将净负荷曲线分解为三个部分(光伏输出、实际负荷和剩余负荷)，并分别进行预测.文献[4]基于用电信息采集系统的海量用电数据,开展用户用电负荷分析与用电优化策略研究,主要从对缺失的用电数据修复、行业典型负荷曲线辨识以及用电多目标优化三个方面对用户用电数据进行了分析辨识.有学者利用人工智能算法对用户侧的用电数据进行识别，文献[5]利用深度学习与边缘计算相结合，从特征提取、负荷分解等方面对采集的用电数据进行分析研究，依据神经网络构建用电数据特征框架，最后基于边缘计算对数据特征进行分解，对用电负荷进行辨识.文献[6]考虑海量电力数据的存储方式，基于云—边—端协同的用户侧数据构建了电力物联网的用户侧数据应用框架，实现了用户侧用电数据深度挖掘.

上述研究多数是假设提取的用户侧用电数据为单一用电负荷数据并且多为历史用电数据，而由于历史用电数据的时间滞后性，当现场用电负荷数据产生变化时，调度终端不能及时地获取更新后的用电负荷情况，不能及时地对用户负荷进行有效的调度，可能造成某一台区内出现过负荷情况，甚至可能造成火灾发生，比如电动车入户充电发生火灾事故，所以对多台区多负荷状况进行实时监测具有重要意义.同时，随着电力物联网建设的规模扩大，电力数据的来源往往是多渠道的，用户侧作为电网大数据的主要源头之一，是调度计算赋能电力物联网的重要一环.由于多来源用户侧数据之间的差异，使得数据的分析处理变得复杂，若要实现负荷数据的在线识别，需要对多源数据进行融合同步处理，然而现有研究尚未以电力物联网用户侧多源负荷数据为中心研究，对此，本文提出基于三维时空特性的数据融合的电力物联网用户侧负荷数据辨识方法，构建用户侧多源负荷数据应用框架，基于GIS(Geographic Information System)平台结合聚类分析算法对多用户侧负荷数据进行在线识别，为电网实现海量电力数据的分级、分布地存储和处理提供参考，为针对用户侧用电负荷辨识提供新思路.

2 电力物联网三维时空拓扑构建

三维空间数据模型是对现实世界的抽象、归纳和映射，其通过描述现实世界的各实体对象之间的相互关系为空间数据模型的构建提供理论依据.建立电力物联网的空间数据模型主要考虑的因素有：建模的目的、建模对象的特征、空间关系、三维模型的构建方法.电力物联网三维模型构建的目的，是能够对用户侧各用户的用电负荷进行在线识别.

2.1三维空间数据模型三维空间数据模型是研究现实生活中实体对象的数据架构的集合，用于表述实体对象之间的数学关系与位置关系，主要包括几何数据模型和语义数据模型[7].早期的三维模型主要从CAD(Computer Aided Design)等几何体发展而来，通过研究现实世界空间实体构建三维模型的几何特征，本文采用基于层次细节模型构建三维数据算法，当视点离物体近时，能观察到的模型细节丰富；视点远离模型时，观察到的细节逐渐模糊.层次细节模型技术(简称LOD(Levels of Detail)技术)的思想最早出现于1976年，其基本思想是构建原始模型的一系列不同程度的简化模型，并在满足观察者对分辨率要求的前提下，调用适合的简化模型替代原始模型予以显示.算法的“连续”特性包含了：1)帧更新时，地形表面保持连续性，即“时间的连续性”；2)不同分辨率的地形分块之间保持连续性，没有裂缝，即空间连续性；3)算法的实时构网能力很强，以保持较高的屏幕刷新率.

2.2基于时空序列的电力物联网拓扑构建电力物联网下的用户类型众多，为了能够迅速准确地识别出各用户之间的区别，快速分辨出电力物联网下各用户分布区域，基于空间多尺度规则拓扑搜索以电力物联网中多用户之间电气量数据为基础，同时结合序列多时间截面规则，对用户和负荷之间、负荷和台区之间构建拓扑关系.

在实际情况下，由于电力物联网的复杂性以及用户负荷的多样性，各台区配变的分布状况具有不规则性和随机性，网络内部的具体台区形状和区域地形、环境和建筑等情况有关，构建的电力物联网的台区分布形状可能为矩形、圆形、扇形或者“两点式”，例如一台变压器只对一栋办公大楼供电，一台变压器为多个电动汽车充电桩供电等.所以，定义电力物联网内的各用户为N=(n1,n2,n3…,ns)，用户用电负荷为C，台区为P，其中每一台区对应一种用电负荷，定义配变到最远用户的距离为d，定义半径r，使得针对任意形状的台区都有以配变为圆心，半径为r的圆可以将属于该台区内的用户包含在内，即

∀d∈R,∃r∈R,对于ni∈N且ni∈C,∀D(ni)∈P.

通过空间拓扑校核方法确认用户与台区之间的从属关系，但是若配电台区中出现重合的负荷区域，则需要进一步对用户和台区之间的拓扑关系进行校核.

基于时间截面序列的校核，是指在利用多个时间断面下的用户与用户、用户和配变之间的电压电气量序列信息，对用户与台区之间的拓扑关系进行校核.

假设某一用户在某一时间断面下的电压向量表示为xi，xi中的样本用s个属性A1,A2,…,As表示，则该用户的电压序列样本为xi=(A1,A2,…,As)；假设重叠区域内有m个用户，m个用户构成该区域内的电压特征序列集为X={xn|n=1,2,…,m}，则xi和xj之间的相似性可以利用其之间的距离d决定，距离越小，两者越相似；距离越大，两者差异越大.计算距离的方法通常有欧氏距离等，本文不作详细介绍.

根据上述方法计算特征相似性，利用主成分分析法PCA(Principal Component Analysis)，将相同性质的特征做主成分方向映射,最终将高维特征转化为主成分特征，从而降低特征的维数的方法.

配电网中下层节点和上层节点的联系，反映着能量之间的传递关系，下层节点的能量之和，就是对上层节点的映射.上层节点反映着下层节点能量波动变化的趋势，上层节点的方向就是下层节点主成分的方向.

定义由上层节点和下层节点的电量序列共同构成特征矩阵D=(D1,D2,…,Dq,Dq+1,…,Dn)，D1～Dq反映n维上层节点电量序列，Dq+1～Dn反映n-q维下层节点电量序列.

图1为构建电力物联网的三维拓扑框架图.基于三维拓扑关系，构建用户侧多源负荷数据应用框架，如图2所示.

图1 三维拓扑框图

3 边缘计算

边缘计算是一种采用网络云端技术对海量数据进行处理的一种计算方式，通过对靠近物体或者数据源头的一侧采用网络、计算、存储、应用等手段实现数据及相关应用的就地/就近处理，减轻云端的数据流量压力，提高数据处理的速度，高效快速地推动电力物联网的发展.

3.1边缘计算与远端数据交互在云边端协同中，云端负责处理复杂度高的数据业务，边缘侧则对海量数据进行前期的预处理，剔除无用数据或错误数据.云边协同配合数据处理的效率高，经济性高.电网用户侧作为数据源头，可以给云边端提供海量多元电力数据，用以支撑上层精确分析和精准决策，帮助电网实现智能、便捷、个性的数据分析.

1) 在云边协同过程中，用户侧上传智能电表采集的电气量数据、地理气象数据等至边缘节点，边缘节点将处理后的实时数据和已存储的相关历史数据作为输入数据，通过训练好的负荷模型得到融合后的数据，为边缘节点实现区域用户负荷辨识提供依据.边缘节点承担了个性化数据处理的训练任务，该模型可下放至相应用户端的本地控制中心完成离线处理，帮助用户端实现自治管理.

2) 在云边协同过程中，各边缘节点将处理后的相关数据传输至云中心，云中心利用已部署的多区域负荷特征模型完成对各区域负荷识别，将识别结果用于电力物联网的用户侧负荷识别结果三维可视.

3) 云端协同主要负责云中心与负荷用户之间的数据交互.

3.2数据处理在采集存储多源用户电气量数据后，将收集的数据进行预处理.采用边缘计算对数据进行处理，去除数据中附着的干扰因素，基于时间序列相似匹配算法[8]将处理后的数据进行匹配，数据匹配过程如图3所示.

图2 用户侧多源负荷数据应用框架

图3 数据匹配图

通过匹配原则，将匹配成功的数据进行重组，保证数据操作可行性.分析数据处理条件，注重对异常数据的管理，若出现数据异常情况，应将异常数据去除，保证数据系统正常运行.对处理后的电力物联网的多源数据进行存储，选取存储样本内用电负荷数量较多区域进行负荷聚类分析.

4 用户侧负荷识别

由于电力物联网的复杂性，电网内含有多种用电负荷类型，可采用聚类的方法，将多源负荷进行分类，选择层次聚类算法对电力物联网内的负荷进行聚类辨识.

4.1负荷聚类电力物联网内负荷种类复杂多样，包括居民用电、商业用电、工业用电等，由于用电负荷类型众多，数量巨大，使得构建的负荷模型具有时变性、随机性和复杂性.因此对于电力物联网的负荷建模，通过聚类分析将具有相同特性的用电负荷归为一类，每一类用电负荷归为一类构建通用负荷模型有利于电力物联网的稳定运行.

首先对用电负荷构建静态负荷模型，如式(1)所示，

(1)

不考虑电网频率变化，只计算节点电压影响，模型为式(2)，

(2)

其中，待辨识的参数有Pu、Qu、Pf、Qf，四个参数为有功和无功的电压和频率特性指数.定义电力物联网总负荷模型为

(3)

其中，P1、P2、…、Pn表示n个用电负荷.

对负荷进行聚类前需要进行特征向量的提取，由于特征向量中包含多种影响因素(如气候、时间、实际采集量测量等)，采用考虑负荷成分构成比的特征向量提取方法.若特征向量中的各分量的量纲或单位不统一，可能会使各分量的参数相差很大，会使得聚类结果偏差过大，所以聚类前需要对特征向量进行标准化处理，采用常用的最大最小标准化方法.

设x=(x1,x2,...,xm)，映射f：

(4)

4.2基于层次聚类算法的负荷识别层次聚类法是一种按照不同样本之间的距离大小将样本聚为多个簇的方法，其特点是不需要设定类的个数，并能以层次树状图的方式呈现出聚类过程及结果.对n个样本进行分层聚类的步骤为：

1)S为样本集合，将样本S={s1,s2,...,sn}划分为X={x1,x2,...,xn}，其中，

Xi={xi}且满足∀i=1:n,Xi=S.

(5)

2) 进行样本间的距离度量计算，采用欧式距离计算，有

(6)

其中x1,x2代表样本1和样本2，也代表样本1和样本2中的第i个特征向量.

3) 进行簇之间的距离度量，常用的度量标准有单链接标准、全链接标准和均链接标准，构造距离度量n阶矩阵[9].

4) 聚类完成后，距离度量矩阵的维数变为n-1，此时返回步骤3，重复以上步骤直至满足结束条件，算法结束.