江疆，彭澤武，蘇華權(quán)

(廣東電網(wǎng)有限責(zé)任公司， 廣東， 廣州 510000)

0 引言

電網(wǎng)智能化的發(fā)展，使得行業(yè)動態(tài)、氣象信息、工商用戶等跨行業(yè)數(shù)據(jù)大量融合，并呈現(xiàn)高容量、快速性、多樣性等大數(shù)據(jù)特征[1]。同時，跨行業(yè)數(shù)據(jù)為HMSD，存在大量非結(jié)構(gòu)化數(shù)據(jù)，無法用傳統(tǒng)數(shù)據(jù)分析方法進(jìn)行準(zhǔn)確的不良數(shù)據(jù)分析，影響電網(wǎng)穩(wěn)定運行和規(guī)劃，也降低了數(shù)據(jù)的安全性[2]，限制電網(wǎng)智能化的發(fā)展。有學(xué)者認(rèn)為，電網(wǎng)智能化發(fā)展的目的是滿足應(yīng)用場景需求，所以從負(fù)荷預(yù)測、運行狀態(tài)、電能質(zhì)量檢測角度出發(fā)[3]，分析大數(shù)據(jù)下HMSD，可以提高不良數(shù)據(jù)的識別準(zhǔn)確性。也有學(xué)者認(rèn)為，大數(shù)據(jù)中的HMSD價值較低，且非結(jié)構(gòu)化數(shù)據(jù)比例較高[4]，可以通過提取特征值的方式，提高HMSD的價值，并減少數(shù)據(jù)的處理量?；谏鲜霰尘?，本文利用Metropolis接受準(zhǔn)則進(jìn)行特征值的分析，從應(yīng)用場景的角度分析HMSD，以提高不良數(shù)據(jù)的辨識準(zhǔn)確度。

1 電網(wǎng)大數(shù)據(jù)跨行業(yè)數(shù)據(jù)融合的數(shù)學(xué)分析

1.1 HMSD描述

電網(wǎng)大數(shù)據(jù)HMSD有兩方面特點，一方面是海量、低價值和多樣性數(shù)據(jù)，且非結(jié)構(gòu)化數(shù)據(jù)比例>50%；另一方面，數(shù)據(jù)多源性，且為動態(tài)獲取方式，數(shù)據(jù)結(jié)構(gòu)如圖1所示。

圖1 HMSD數(shù)據(jù)描述

由圖1可知，HMSD數(shù)據(jù)的來源多樣，是跨行業(yè)數(shù)據(jù)的綜合，需要通過計算、觀察和測量等方式獲得[5]。HMSD數(shù)據(jù)的結(jié)構(gòu)以非結(jié)構(gòu)化、結(jié)構(gòu)化形式為主，且與EMS、PMS和GIS等數(shù)據(jù)源聯(lián)合，形成海量的大數(shù)據(jù)。HMSD要從應(yīng)用場景出發(fā)，結(jié)合配電網(wǎng)負(fù)荷、電網(wǎng)運行、電能質(zhì)量等角度分析，實現(xiàn)不良數(shù)據(jù)的高效檢出。

1.2 應(yīng)用場景參數(shù)的描述

電網(wǎng)信息化、電力需求影響因素多樣化，使得大數(shù)據(jù)特征日益凸顯，傳統(tǒng)用電分析方法無法完全適用各種場景需求。遺傳算法、粒子群算法、支持向量等智能預(yù)測算法可以滿足體量大、類型多的電網(wǎng)大數(shù)據(jù)需求，實現(xiàn)電網(wǎng)負(fù)荷、電網(wǎng)運行、電能質(zhì)量的預(yù)測分析。下面對電網(wǎng)應(yīng)用場景的參數(shù)進(jìn)行設(shè)定[6]。

(2) 假設(shè)N為HMSD中的任意數(shù)據(jù)，i為數(shù)據(jù)來源的行業(yè)，j為數(shù)據(jù)的結(jié)構(gòu)類型(結(jié)構(gòu)化數(shù)據(jù)=1，否則=0)，k為數(shù)據(jù)的獲取方式(定性方法獲取=1，定量方法獲取=2，綜合獲取方式=0)，l為數(shù)據(jù)安全監(jiān)測裝置(注：1～5等級，數(shù)值越高等級越高)，m為場景中智能信息采集裝置，那么信息采集項可以描述為Ni，j，k，l，m，i，j，k，l，m=(1，2，…,n)，n為自然數(shù)。

(3) 適用場景為單位，將類似的行業(yè)來源、結(jié)構(gòu)類型、獲取方法、安全監(jiān)測等級和采集裝置的數(shù)據(jù)劃分到同一應(yīng)用場景中。

(4) 所有場景的信息均由電網(wǎng)智慧中心集中分析，在預(yù)測準(zhǔn)確性、預(yù)測時間和安全等級的條件約束下，對獲得的數(shù)據(jù)按照相關(guān)權(quán)重、閾值進(jìn)行排列。

(5) 任何場景中的數(shù)據(jù)采集時間、數(shù)據(jù)安全等級相同或類似[7]。

(6) 場景分析的穩(wěn)定性，要采用傅里葉級數(shù)的方法，減少設(shè)備、人員和其他非抗拒因素的干擾。

(1)

其中，P為場景分析描述的抗干擾能力，t為抗干擾測量時間，y為數(shù)據(jù)加密程度，z為傳輸距離，z為傳輸安全等級，ξ為干擾系數(shù)。

1.3 場景數(shù)據(jù)的簡化處理

不同場景采集的數(shù)據(jù)資料需要先進(jìn)行k-means處理，處理公式如式(2)

(2)

其中，S為聚類的范圍，即數(shù)據(jù)聚類的程度，其值越小說明聚類效果越好，I為場景采集的數(shù)據(jù)信息，i為信息的編號。另外，S可以用相似度J代替，以此提高計算的效率。為了簡化流程，可以利用某一數(shù)據(jù)出現(xiàn)的頻率進(jìn)行權(quán)重判斷，即依據(jù)以往歷史數(shù)據(jù)，或者電網(wǎng)數(shù)據(jù)庫中的數(shù)據(jù)頻率，判斷場景設(shè)備采集到的數(shù)據(jù)閾值，其計算公式如式(3)

(3)

其中，Gij為j設(shè)備采集i信息的次數(shù)，Gi為i信息在電網(wǎng)數(shù)據(jù)庫中出現(xiàn)的次數(shù)，Gj為j設(shè)備發(fā)送信息的頻率，wi為i信息的閾值。

2 電網(wǎng)大數(shù)據(jù)跨行業(yè)融合應(yīng)用場景模型構(gòu)建

2.1 數(shù)據(jù)接受條件判斷

電網(wǎng)進(jìn)行大數(shù)據(jù)跨行業(yè)融合場景分析前，要對各場景依據(jù)相關(guān)標(biāo)準(zhǔn)進(jìn)行歸類與判斷。本文采用退火模擬算法的Metropolis接受準(zhǔn)則[8]，如果應(yīng)用場景符合電網(wǎng)實際需要，則采集相關(guān)數(shù)據(jù)，否則將不接受該場景數(shù)據(jù)，并將所有設(shè)備處于“休眠”狀態(tài)。Metropolis接受準(zhǔn)則判斷節(jié)約了電網(wǎng)硬件資源，也減少了跨行業(yè)數(shù)據(jù)量[9]。

假設(shè)應(yīng)用場景所處狀態(tài)為Ti，則對其進(jìn)行Metropolis接受準(zhǔn)則分析，判斷該狀態(tài)是否需要改變，即由i狀態(tài)向i+1狀態(tài)改變，其計算公式如式(4)

(4)

其中，exp()為期望函數(shù)，判斷是否要進(jìn)行狀態(tài)改變，R(T)為應(yīng)用場景狀態(tài)改變的結(jié)果函數(shù)。如果R(T)的結(jié)果處于0～0.5，說明狀態(tài)的改變程度較低，可以維持原有狀態(tài)。如果結(jié)果處于0.5～1之間，說明應(yīng)用場景需要改變，或者被“激活”、處于“休眠”。

2.2 不同應(yīng)用場景與跨行業(yè)數(shù)據(jù)的擬合

應(yīng)用場景與跨行業(yè)數(shù)據(jù)的擬合分為[10]：局部擬合Pc、整體擬合Pm，從不同方面反映兩者的擬合情況，也是不良數(shù)據(jù)計算的前提。Pc、Pm值越大，代表數(shù)據(jù)擬合度越好。由于2.1中的Metropolis接受準(zhǔn)則限制，要求兩個數(shù)據(jù)均為最優(yōu)，才能成為計算數(shù)據(jù)，所以其計算公式如式(5)、式(6)

(5)

(6)

其中，N1,1,0,1為Pc的初始值，N1,1,1,0為Pm的初始值，Rmin為整個融合數(shù)據(jù)的最小值，Rc為局部最小值，Rm為整體最小值,φc為局部擬合系數(shù)，φm為整體擬合系數(shù)。

2.3 不良數(shù)據(jù)準(zhǔn)確度設(shè)計

不良數(shù)據(jù)計算前要構(gòu)建相應(yīng)的數(shù)據(jù)序列，本文采用適度函數(shù)來明確跨行業(yè)大數(shù)據(jù)與應(yīng)用場景之間的關(guān)系[11]。適度函數(shù)在預(yù)設(shè)精度、閾值約束的條件下，進(jìn)行多次迭代分析，引導(dǎo)算子向正方向計算，降低局部極值，“假特征值”的出現(xiàn)率[12]，提高不良數(shù)據(jù)計算的準(zhǔn)確性，具體公式如下。

(7)

2.4 電網(wǎng)大數(shù)據(jù)跨行業(yè)數(shù)據(jù)融合應(yīng)用場景的計算步驟

基于上述的數(shù)學(xué)描述，需要進(jìn)行以下幾方面的計算：

(1) 設(shè)置初始應(yīng)用場景C={c1，c2，…，ci}值，數(shù)據(jù)擬合(局部擬合Pc、整體擬合Pm)和計算精準(zhǔn)度的閾值，HMSD的數(shù)據(jù)Ni，j，k，l，m值，以及初始的Metropolis接受準(zhǔn)則；

(2) 對擬合后的數(shù)據(jù)進(jìn)行梯度200次迭代測試[13]；

(3) 依據(jù)Metropolis接受準(zhǔn)則、約束條件，驗證計算結(jié)果，并將符合要求的結(jié)果納入到Total方案中，并計算整體方案的不良數(shù)據(jù)識別準(zhǔn)確度和計算時間[14]；

(4) 判斷所有的數(shù)據(jù)i是否均被遍歷，則如果是則終止計算，否則轉(zhuǎn)入步驟(3)；

(5) 最后輸出Total方案中的最小值，退出計算過程。

3 電網(wǎng)大數(shù)據(jù)跨行業(yè)數(shù)據(jù)融合應(yīng)用場景仿真

3.1 案例介紹

以2020年跨氣象、交通、電力行業(yè)、工商的大數(shù)據(jù)為例[15]，分析風(fēng)力、太陽能、水利等應(yīng)用場景下電網(wǎng)負(fù)荷、電網(wǎng)運行、電能質(zhì)量數(shù)據(jù)，確定其中不良數(shù)據(jù)的判別準(zhǔn)確率和時間。數(shù)據(jù)擬合(局部擬合Pc、整體擬合Pm)精度和計算精準(zhǔn)度設(shè)置為0.1，迭代次數(shù)200次，其中，數(shù)據(jù)采集裝置為電能表102，3個，電壓表209，2個，變壓器102個，服務(wù)器6臺，通信協(xié)議為TCP/IP、HTTP等，SQL數(shù)據(jù)庫4個，拓普瑞電網(wǎng)檢測系統(tǒng)6.0，數(shù)據(jù)傳輸密碼為64 Bit，光纖、Wi-Fi、GPS通信，信息安全等級3級，遵循2015年版《電網(wǎng)運行準(zhǔn)則》(GB/T 31464)，IP地址為192.168.1.102～192.168.1.202。

3.2 應(yīng)用場景與跨行業(yè)數(shù)據(jù)的擬合

通過k-means聚類和Metropolis接受準(zhǔn)則，對跨行業(yè)數(shù)據(jù)、應(yīng)用場景數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，并進(jìn)行150次迭代分析，得到數(shù)據(jù)擬合結(jié)果，如圖2所示。

圖2 應(yīng)用場景與跨行業(yè)數(shù)據(jù)的擬合結(jié)果

由上圖可知，大數(shù)據(jù)局部擬合、應(yīng)用場景局部擬合較高，均>95%，而整體擬合較低，但是也>90%，說明整體擬合較高，也符合k-means聚類和Metropolis接受準(zhǔn)則設(shè)置的閾值10%的要求。

3.3 不良數(shù)據(jù)的辨識精準(zhǔn)度

電網(wǎng)大數(shù)據(jù)跨行業(yè)數(shù)據(jù)融合應(yīng)用場景分析的關(guān)鍵指標(biāo)是電網(wǎng)負(fù)荷判斷xi，電網(wǎng)運行狀態(tài)判斷xj，電能質(zhì)量判斷xk，3個指標(biāo)中不良數(shù)據(jù)的辨識精準(zhǔn)度，直接決定整個模型有效性。通過MATLAB仿真分析可知，上述3項指標(biāo)中不良數(shù)據(jù)的識別精準(zhǔn)度均>95%，而初設(shè)閾值和《電網(wǎng)運行準(zhǔn)則》中的要求為0.1，所以仿真結(jié)果較佳，結(jié)果如圖3所示。

圖3 不良數(shù)據(jù)的辨識精準(zhǔn)度

3.4 不良數(shù)據(jù)的辨識時間

跨行業(yè)數(shù)據(jù)融合的特點是數(shù)據(jù)具有大數(shù)據(jù)特征，數(shù)據(jù)處理量大，處理復(fù)雜度高，所以不良數(shù)據(jù)的辨識時間是另一個驗證指標(biāo)。結(jié)果顯示，電網(wǎng)負(fù)荷判斷xi，電網(wǎng)運行狀態(tài)判斷xj，電能質(zhì)量判斷xk中不良數(shù)據(jù)的辨識時間均<7 s，電能質(zhì)量、負(fù)荷判斷中不良數(shù)據(jù)的辨識時間<4 s，主要是由于運行的計算過程相對復(fù)雜。但是，整體的不良數(shù)據(jù)的辨識時間，均符合《電網(wǎng)運行準(zhǔn)則》中的要求，結(jié)果如圖4所示。

圖4 不良數(shù)據(jù)的辨識時間

4 總結(jié)

電網(wǎng)智能化的快速發(fā)展，使得跨行業(yè)數(shù)據(jù)融合越來越多，諸如，氣象、交通、電力行業(yè)、工商等[16]，且數(shù)據(jù)量、復(fù)雜度等方面呈現(xiàn)大數(shù)據(jù)特征[17]，使得傳統(tǒng)的分析方法無法滿足相關(guān)場景分析的要求，致使不良數(shù)據(jù)辨識準(zhǔn)確率大幅下降[18]。本文提出的一種基于k-means聚類和Metropolis接受準(zhǔn)則的分析方法，通過對跨行業(yè)數(shù)據(jù)、應(yīng)用場景數(shù)據(jù)標(biāo)準(zhǔn)化處理，得到精度為0.1的擬合數(shù)據(jù)。然后，利用遺傳算法和迭代計算，得到電網(wǎng)負(fù)荷判斷xi，電網(wǎng)運行狀態(tài)判斷xj，電能質(zhì)量判斷xk等指標(biāo)的不良數(shù)據(jù)辨識率。MATLAB仿真結(jié)果顯示：3項指標(biāo)中不良數(shù)據(jù)的識別精準(zhǔn)度均>95%，而初設(shè)閾值和《電網(wǎng)運行準(zhǔn)則》中的要求為0.1。同時，3項指標(biāo)中不良數(shù)據(jù)的辨識時間均<7 s，且電能質(zhì)量、負(fù)荷判斷中不良數(shù)據(jù)的辨識時間<4 s，整體判斷結(jié)果較佳。