馮 侃，邊 輝，陳麗娜，張 洋，王浩強

（國網(wǎng)甘肅省電力公司平?jīng)龉╇姽荆拭C平?jīng)?744000）

隨著新能源發(fā)電的快速推進，其大量接入電網(wǎng)導(dǎo)致電網(wǎng)規(guī)模不斷擴大，且電力系統(tǒng)中的知識量也呈現(xiàn)爆炸式增長[1-2]。新能源發(fā)電的接入，促進了微網(wǎng)系統(tǒng)的應(yīng)用。但光伏、風(fēng)電的出力具有隨機性、間歇性特點，導(dǎo)致其消納能力受限。因此，如何高效管理利用微網(wǎng)中海量數(shù)據(jù)以掌握新能源消納狀況成為了研究熱點[3-4]。

目前，對于電力數(shù)據(jù)的分析已取得了一定的研究成果，如聚類算法、神經(jīng)網(wǎng)絡(luò)模型等[5-6]；通過不同的算法模型提取數(shù)據(jù)特征并完成數(shù)據(jù)應(yīng)用，如負荷分類、新能源出力預(yù)測等。但關(guān)于新能源在微網(wǎng)中的消納分析仍較少，且數(shù)據(jù)分析結(jié)果缺乏可視性，因此該文基于知識圖譜與特征識別技術(shù)設(shè)計了一種新能源微網(wǎng)消納數(shù)據(jù)分析算法。該算法采用知識圖譜將數(shù)據(jù)轉(zhuǎn)化成圖形結(jié)構(gòu)，并利用圖卷積神經(jīng)網(wǎng)絡(luò)(Graph Convolutional Networks，GCN)模型學(xué)習(xí)圖特征，進而根據(jù)圖特征制定相應(yīng)的微網(wǎng)能量調(diào)控措施。

1 新能源微網(wǎng)消納

1.1 微網(wǎng)架構(gòu)

由于分布式發(fā)電具有傳統(tǒng)大電網(wǎng)所不具備的可再生、分布廣泛等優(yōu)勢，因此微網(wǎng)作為新能源組網(wǎng)的主要形式得到了迅速的發(fā)展，并使分布式電源的并網(wǎng)運行更加便捷[7-8]。將分布式發(fā)電、儲能單元、負荷、電能變換裝置進行整合，從而構(gòu)成一個微網(wǎng)系統(tǒng)，其結(jié)構(gòu)如圖1 所示。

圖1 微網(wǎng)結(jié)構(gòu)示意圖

微網(wǎng)中，光伏(Photovoltaic，PV)、風(fēng)力(Wind Turbine，WT)等新能源發(fā)電通過變換器等裝置轉(zhuǎn)換成交流電并入母線，各種類型的負荷從母線上取電。同時配備儲能裝置，在新能源出力較多時進行存儲，從而減少棄風(fēng)、棄光現(xiàn)象的發(fā)生；當新能源為負荷供電出力不足時，可通過負荷及儲能裝置的調(diào)節(jié)提升系統(tǒng)的新能源消納能力[9]。

1.2 新能源出力

光伏陣列的輸出功率PPV是在標準實驗條件下，考慮到現(xiàn)場實際的光照強度和環(huán)境溫度，所產(chǎn)生的每個光伏板的功率總和。PPV的計算如下：

式中，PPV為光伏板的輸出功率；PSTC為標準實驗條件下的光伏板輸出；η為光伏板的轉(zhuǎn)移效率；DC、DSTC分別為實際和標準實驗條件下的太陽輻射強度；TC、TSTC分別是光伏板的實際溫度和標準測試條件下的溫度。

同樣，風(fēng)力發(fā)電輸出功率PWT的計算方法如下：

式中，Vw為風(fēng)速；ρ為空氣密度；A為風(fēng)車轉(zhuǎn)子的橫截面；γ為功率系數(shù)；α為葉片的俯仰角；λ=rω/Vw為包括轉(zhuǎn)子角速度ω的葉尖速比，r為風(fēng)葉長度。

綜合來看，微網(wǎng)中新能源發(fā)電的出力計算為：

式中，MGi為第i個新能源。

由于PV 和WT 的輸出功率具有隨機性而被視為不可控發(fā)電機組，因此需要明確二者的出力限制，以便進行系統(tǒng)內(nèi)能源的協(xié)同控制并增加新能源的消納。PV 和WT 應(yīng)滿足的功率約束為：

2 微網(wǎng)消納數(shù)據(jù)分析算法

對于微網(wǎng)中新能源消納數(shù)據(jù)的分析，首先采用知識圖譜將數(shù)據(jù)轉(zhuǎn)化成圖形結(jié)構(gòu)；然后利用GCN 模型學(xué)習(xí)新能源消納的圖特征；最終根據(jù)圖特征制定微網(wǎng)能量調(diào)控措施，例如切負荷或儲能充電等?；谥R圖譜和特征識別的微電網(wǎng)數(shù)據(jù)分析系統(tǒng)架構(gòu)，如圖2 所示。

圖2 微電網(wǎng)新能源數(shù)據(jù)分析系統(tǒng)的架構(gòu)

構(gòu)建知識圖譜的原始數(shù)據(jù)來源于微網(wǎng)資源數(shù)據(jù)集，通過抽取知識圖譜實體，并結(jié)合知識融合計算形成三元組，最終保存到知識圖譜庫[10-11]。隨后利用GCN 模型識別圖特征，掌握當下系統(tǒng)的新能源消納情況，并為之后的決策提供條件和依據(jù)。

2.1 知識圖譜的構(gòu)建

自2012 年谷歌引入“知識圖譜”概念并推出其第一個版本以來，知識圖譜的研究引起了業(yè)界的廣泛關(guān)注[12]。其本質(zhì)上是一種圖結(jié)構(gòu)，使用數(shù)據(jù)中的“實體”概念作為節(jié)點，以實體之間的關(guān)系為邊，進而形成間接圖。這樣不僅可以集成不同類型實體的特征信息，且還能獲得實體之間不同類型的關(guān)系。

“實體-關(guān)系-實體”三元組模型可表征為G=(E,R,S)，其是知識圖譜常用的表示方式；其中，E、R、S分別表示知識庫中的實體集合、實體間關(guān)系集合和三元組集合，即S?E×R×E。三元組主要可體現(xiàn)為兩種形式，分別為“實體-關(guān)系-實體”以及“實體-屬性-屬性”。實體身份的編碼值是唯一的，作為知識圖譜的基本元素，其可通過“屬性-屬性值”形式對實體間的特征信息進行記錄；而不同實體間的特征關(guān)聯(lián)信息，則由實體之間的關(guān)系記錄。

構(gòu)建知識圖譜主要包含知識抽取、融合與應(yīng)用三步。其中，數(shù)據(jù)庫的知識提取包括實體詞提取和關(guān)系詞提取兩部分。

1）實體詞提?。豪瞄L短時記憶網(wǎng)絡(luò)(Long Short-Term Memory，LSTM)模型結(jié)合條件隨機場(Conditional Random Fields，CRF)從數(shù)據(jù)庫中提取實體。給定一個單詞特征Xt作為LSTM 記憶單元ct在時間步長t的輸入，從先前隱藏層信息Ht-1和當前輸入特征Xt獲得新記憶信息Ht。

LSTM 的輸入門it、遺忘門ft以及記憶單元ct可表示如下：

式中，ω*與b*分別為各層的權(quán)重和偏置量；δ為激活函數(shù)。

根據(jù)輸入門與遺忘門，可更新記憶單元的信息為：

2）關(guān)系詞提取：將數(shù)據(jù)庫中實體之間的關(guān)系劃分為預(yù)定義的類別，以完成關(guān)系提取。與CRF 模型結(jié)合的LSTM 也可用于關(guān)系詞提取，并且在最后一個Ht中添加SoFtmax 分類器完成關(guān)系分類。

2.2 基于GCN的特征識別

在微網(wǎng)新能源消納知識提取中，首先將數(shù)據(jù)庫中的實體詞進行分割后嵌入到向量中，以提取詞的功率和屬性信息作為特征，即X={X1,X2,…,Xn} 。輸入LSTM 模型得到序列H={H1,H2,…,Hn}，然后將序列H輸入CRF 層，計算包含上下文信息的序列以獲得實體注釋序列的最終分類[13]；最后，手動構(gòu)建并修改包含頭、關(guān)系和尾的三元組集，以生成正確的三元組。

為了提高微網(wǎng)新能源消納數(shù)據(jù)分析的準確性，利用GCN 模型學(xué)習(xí)微網(wǎng)數(shù)據(jù)知識的圖譜特征[14]。GCN 模型的綜合性能優(yōu)越，能夠直接從任意圖形結(jié)構(gòu)的輸入中自動學(xué)習(xí)類型特征[15-16]，其架構(gòu)如圖3所示。

圖3 GCN架構(gòu)

GCN 層通過將所有相鄰節(jié)點的特征添加到節(jié)點特征來學(xué)習(xí)圖形拓撲。圖形中的節(jié)點集可作為特征矩陣Ul∈?n×d嵌入，其中n是節(jié)點數(shù)，d是節(jié)點特征的維數(shù)，l是GCN 的層數(shù)；鄰接矩陣B∈?n×n是GCN層的輸入，其對角線元素設(shè)置為1。節(jié)點特征Ul+1∈?n×d＇由卷積運算函數(shù)更新生成為：

式中，σ為激活函數(shù)；為歸一化對稱鄰接矩陣；為變換權(quán)重；T為B∈?n×n的度矩陣。

3 實驗結(jié)果與分析

為驗證文中方法的有效性和可行性，使用Protégé本體建模工具對研究問題進行建模。同時，結(jié)合開源可視化工具、Eclipse 編程工具和MySQL 數(shù)據(jù)庫等組件實現(xiàn)算法性能的驗證。

3.1 查詢結(jié)果分析

利用所提算法查詢微網(wǎng)內(nèi)新能源的消納情況，選擇時間段、風(fēng)力、光伏、雷擊、負荷類型、供需平衡、供大于需以及需大于供這八個搜索條件進行查詢，結(jié)果如圖4 所示。

圖4 微網(wǎng)新能源消納情況查詢結(jié)果

從圖4 中可以看出，基于知識圖譜查詢結(jié)果的查準率和召回率大約分布在85%～95%之間，且均優(yōu)于基于關(guān)鍵詞的查詢方法。由于利用知識圖譜進行查詢，可根據(jù)搜索條件的屬性以及與其他實體的關(guān)系判定查詢效果，因此較大程度上保證了查詢的準確率。圖4（b）中的第8 個搜索條件為“供需平衡”，基于關(guān)鍵詞搜索的方法無法理解，故搜索結(jié)果的召回率僅約為10%，而該文算法能夠獲取屬性關(guān)系，得到的召回率約為85%，展現(xiàn)出了知識圖譜技術(shù)在語義搜索上的優(yōu)越性。

3.2 數(shù)據(jù)分析結(jié)果對比

為了驗證該文算法的性能，采用準確率、召回率、F1 值三個指標評價其與文獻[3]、文獻[6]、文獻[8]中算法的分析結(jié)果。其中，分析測試集內(nèi)2 000 條新能源消納情況記錄數(shù)據(jù)在語料庫中的匹配記錄，并將這2 000 條測試記錄的混淆矩陣取平均值進行統(tǒng)計，結(jié)果如表1 所示。

表1 不同算法的分析結(jié)果對比

從表中可以看出，相對于其他算法，該文算法的分析性能最佳，其準確率、召回率和F1 值分別為91.53%、89.95%和90.81%，均具有明顯優(yōu)勢。這是由于其利用知識圖譜技術(shù)，通過加入結(jié)構(gòu)化數(shù)據(jù)信息可以提升分析效果，且GCN 模型能夠更優(yōu)地進行特征識別，便于制定決策。文獻[3]采用改進K-means算法，文獻[6]采用決策樹算法完成數(shù)據(jù)分析，其算法性能較為單一且難以處理復(fù)雜的微網(wǎng)數(shù)據(jù)，故整體分析效果不佳。而文獻[8]通過求解以新能源成本最小化為目標的優(yōu)化模型，實現(xiàn)數(shù)據(jù)分析及能量的管控。其對于數(shù)據(jù)特征缺乏深入的分析，所以導(dǎo)致整體分析準確率低于90%。

4 結(jié)束語

在當今的大數(shù)據(jù)時代，各行業(yè)知識均面臨爆炸式增長。為了更為理想地獲取微網(wǎng)數(shù)據(jù)信息，在深入研究了知識圖譜與特征識別技術(shù)的基礎(chǔ)上，該文提出了一種新能源微網(wǎng)消納數(shù)據(jù)分析算法。通過對微網(wǎng)中的新能源消納數(shù)據(jù)進行圖形化處理以后，結(jié)合GCN 模型，最終識別出數(shù)據(jù)的圖特征。實驗結(jié)果表明，所提算法查準率和召回率大約分布在85%～95%，且數(shù)據(jù)分析準確率、召回率及F1 值分別為91.53%、89.95%、90.81%，綜合性能較為理想，可以為后續(xù)研究提供參考。

目前知識圖譜技術(shù)在電網(wǎng)中的應(yīng)用研究尚處于初級階段，且所提算法僅在知識圖譜的知識提取階段進行了技術(shù)融合。而在接下來的研究中，將深入分析知識圖譜技術(shù)，以進一步提高所提算法的分析性能。