首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 电力系统论文 > 基于深度学习的电力设备智能运行方式研究

基于深度学习的电力设备智能运行方式研究

2024-12-04 72 上传者：管理员

摘要：在电力系统中对用户行为数据的分析过程存在主观性强的问题，且在复杂电网环境下难以做出准确的判断。对此，文中提出一种基于改进K-means聚类算法和深度学习相结合的分析算法。在改进K-means聚类算法的基础上构造出用户行为数据分析模型，实现了对行为数据的自适应学习。通过HRF-TCN预测模型筛选出用户行为数据的关键特征，降低数据维度后利用时间卷积网络进行预测，并将预测结果传递给电力系统中的设备，使其智能化地调整运行方式。基于公开用电数据集对算法进行的可行性验证结果表明，所提算法能够对用户的行为数据进行准确分析，数据分类效果指标DBI、SC分别为0.826 4和0.440 1，预测指标Ac和F1分别为96.8%、0.967 8，与同类算法相比，其分类效果更好、精度更高。

关键词：
K-means聚类算法
时间卷积网络
深度学习
用户行为数据
随机森林
加入收藏

随着科学技术的发展，电力系统的网络拓扑结构越来越复杂。同时用户需求的提高使得电力设备的种类日益增多，且智能化程度不断提高，AI技术的应用也使传统电力系统逐步向智能电网的方向迈进[1]。在智能电网的发展过程中，也同时存储着大量的用户数据，为精准分析用户行为提供了基础。通过对用户数据的分析，可以对不同用户的用电负荷预测、用户侧需求的响应、电价的制定、综合能源系统中能源调度的优化、用户的偷电行为等进行分析[2]。由于用户的行为存在着不确定性和随机性，呈现出了多样化的态势。传统的用户数据处理方法是在预测时降低数据的维度，但这种方法存在着分析错误的风险，容易导致电力设备的智能化运行出现故障[3]。对此，文献[4]采用基于小波变换的智能化算法来筛选出关键特征，然后再降低数据维度。但小波变换神经网络的参数设置需要具备一定的先验性，对使用者有着较高的要求。文献[5]利用K均值聚类算法得到用户曲线，对不同类型的用户数据进行分类后再对其进行分析，但是所得结果的精度并不理想，难以直接用于设备的智能运行控制。文献[6]则利用改进PCA的朴素贝叶斯分类算法对数据进行分类，有效提高了数据分类效率。然而朴素贝叶斯算法也存在着缺陷，即属性条件独立性假设在实际应用中难以成立，此类问题会导致数据的分类结果出现较大误差。

在数据分析处理学习中，目前最常用的是神经网络学习算法，文献[7]利用BP神经网络对电力设备故障进行智能诊断，有效地节省了人力、物力。文献[8]利用LSTM网络对用户用电行为进行了预测，能够及时发现偷电行为，提高电网的效能。文献[9]利用GRU网络构建了电力设备监控系统，有效提高了电力系统设备安全运行的能力。但基于深度神经网络改进的LSTM和GRU网络，仍然存在着梯度消失和梯度爆炸的问题。为了提高电力设备智能化运行效率，针对上述问题，文中基于改进K-means聚类算法和深度学习技术，提出了一种分析算法来实现电力设备的智能化运行。首先，针对传统K-means聚类算法原始聚类中心选取困难的问题，利用麻雀搜索算法（Sparrow Search Algorithm,SSA）自适应地选择出最佳的聚类中心，然后再进行聚类。其次，构建出了一种HRF-TCN预测模型，利用HRF(Highest Random Forest）算法对用户行为数据关键特征进行筛选，降低输入数据的维度，再采用TCN(Temporal Convolutional Network）网络对用户行为数据进行学习预测。最后将预测结果传递给电力设备系统，为其智能化运行提供数据支持。

1、智能化电力设备模型构建

1.1改进K-means聚类算法

K-means算法是一种经典的聚类算法[10-11]，其主要原理是将数据集合分为若干簇，然后将数据集中具有较高相似度的簇互相分离。但传统的K-means聚类算法在选择原始聚类中心时是随机的，这就使得每次对于数据集的分类结果均会有所不同。对此，该研究提出了一种基于麻雀搜索算法（SSA)[12]的改进K-means聚类算法，通过该算法来自适应地选择最佳的聚类中心。算法的原理是针对不同类型数据具有集中性的特点。首先，计算出各类型数据的特征指标作为输入数据；然后，以综合指标数据构建SSA算法中的适应度函数；最后，以K个聚类中心为寻优目标进行迭代运算。具体流程如图1所示。

图1基于SSA改进K-means聚类流程

具体步骤如下：

1）计算出电力系统中采集到电力数据集各种类型的指标，确定出聚类个数K。

2）根据步骤1）计算出的各个指标构建出SSA算法的适应度函数。

3）通过SSA算法进行迭代运算，求解出最佳的K个聚类中心。

4）采用欧几里得公式计算每一个数据di与聚类中心dk的空间距离o(di,dk):

5）根据最小距离的原则将数据划分到各个簇中，并更新聚类中心。若聚类中心发生变化，则说明分类不正确，重复步骤4）-步骤5），直至聚类中心不再改变。

6）输出最佳的聚类结果。

1.2 HRF-TCN预测模型构建

在经过改进的K-means聚类算法对数据进行分类后，相应的用户数据特征仍然较多，若全部输入神经网络进行学习，不仅会加大学习的难度，同时也会影响学习的速度与结果的精度。对此，文中在数据输入前先利用随机森林（Random Forest,RF）算法的改进方法HRF对数据进行预处理，筛选出关键特征并降低数据维度。然后，利用解决梯度问题的TCN进行学习预测。

HRF算法是一种集成学习算法，由若干个决策树组成[13]。决策树是一种无监督学习方式，能够从大量的数据中总结出数据的关键特征，并用树状图来呈现结果，如图2所示。从根节点开始逐步分类，直至叶节点。HRF中的每个决策树均会根据用户数据的属性得到一个结论，最终将数量最多的相同属性数据作为结果。假设用户数据有N个特征，而HRF会筛选出n(n<N）个特征。将这些特征作为决策树的属性，把每个决策树的分类结果统计出来，即可得到HRF最终的结果。

图2决策树拓扑图

TCN是在循环神经网络和卷积神经网络基础上进行改进的一种神经网络[14]。TCN没有使用传统RNN(Recurrent Neural Network）网络的算法结构，而是采用了残差块单元（Residual Block Unit,RBU）结构，RBU主要是由膨胀因果卷积（Dilated Causal Convolution,DCC）、权重归一化层、ReLU激活函数以及Dropout随机失活函数组成。DCC可以对上一时刻的输入进行扩张采样，再对较长时间的数据信息和不连续的数据进行特征提取，从而解决了时序的问题。通过在TCN中对RBU进行串联，解决了传统神经网络在预测时存在的梯度问题。其基本结构如图3所示。

综上所述，首先利用基于SSA算法改进的K-means聚类算法对电力系统中的用户数据进行分类；然后，将分类好的数据输入到HRF-TCN预测模型进行学习预测。利用HRF对数据进行降维，采用TCN网络进行学习预测；最终，将得到的高精度数据作为输入，传递给智能化电力设备系统，用于控制电力设备对用户行为做出正确的运行决策。整体运行控制流程如图4所示。

图3 TCN结构

图4智能化电力设备运行控制流程

2、数据预处理

在电力系统中，由于包括了多次的传感器采集、数据传输等处理过程，数据通常会存在异常，而异常数据会导致神经网络学习的结果偏离实际值。因此，有必要提前对数据集中的异常数据进行清理[15-16]。

为了提高模型的收敛速度，在数据输入模型前利用如式（2）所示的归一化公式对数据进行处理，使得原始数据变换到（0,1]范围之内。

式中，xr是归一化后的数据；μ是原始数据的平均值；δ是原始数据中的标准差。

3、算例分析

文中采用的公开数据集为我国内蒙古地区的用户数据，对所设计算法的可行性进行验证。数据集中包含有用户的用电量信息、异常数据信息、影响用户行为的气象信息、工作日与节假日信息、异常事件信息等。实验硬件平台为Intel Core i7-3230M CPU/12 GB RAM GPU/NVIDIA GT740 M，采用Python语言基于Tensoflow2.2进行算法编写。

首先对改进K-means聚类算法的分类效果进行验证，采用戴维森堡丁指数（DBI）和轮廓系数（SC）对其进行评价。其中，DBI越小越好，SC越大越好。实验结果如表1所示。

表1分类效果对比

从表1中可以看出，文中所提改进K-means聚类算法与聚类（AC）、高斯混合模型（GMM）、谱聚类（SC）、K-means、小批量K均值（MK-means）相比，DBI最低且SC最高，证明了该算法的聚类效果最优。而在时间成本方面，SC聚类算法的时间成本最低，但其聚类效果最差。因此，时间成本低于其他模型也失去了应用意义。综合对比来看，所提算法的聚类效果最佳，且时间成本偏低。

为了验证模型的预测效果，以检查用户异常用电为目标进行算例分析。文中采用准确率（Accuracy,Ac）、查准率(Precision,Pr)、召回率（Recall,Re)对预测效果进行评价。为了充分考虑准确率和召回率，将两个指标重新构建为F1指标，其中F1=2×Pr×Re (Pr+Re)，实验具体结果如表2所示。

从表2可以看出，采用文中所提出的HRF-TCN预测模型与TCN、PCA-TCN、RF-TCN、HRF-LSTM、HRF-GRU进行对比，其准确率和F1指标均为最优。同样可以发现，在采用PCA和RF降低数据维度后，预测性能反而不如单一的TCN网络，从而证明了筛选关键特征的重要性。若筛选出的是非重要特征，则会严重影响神经网络的预测效果。这也从侧面证明了，研究中选择HRF进行降维是正确、合理的。对比HRF-TCN、HRF-LSTM和HRF-GRU可以发现，采用解决了梯度问题的TCN网络进行预测，能够明显提高预测的质量。对比时间成本可以发现，先经过数据降维处理再进行预测，可以提高预测效率。所提模型预测速度最快，原因在于TCN网络是残差块结构，有效节省了时间。

表2检测效果对比

综合分类效果与预测性能可看出，该文算法可以对用户数据进行高质量分析，为电力设备的智能化运行提供高精度数据，使其能够针对用户行为快速、自主地做出最优决策。

4、结束语

为了确保电力设备的智能化运行，针对目前用户数据处理分析存在的困难，提出了一种基于改进K-means聚类算法和深度学习方法相结合的数据处理算法，该算法优势在于：

1）提出了一种基于SSA算法改进的K-means聚类算法。通过SSA算法自动化选取最佳的K个聚类中心，克服了原始聚类中心选择困难的问题。该算法可以应用于电力系统规模大、设备种类多样化、用户数据复杂化的场景，且分类效果良好。

2）利用TCN能够扩大时间范围并解决传统神经网络梯度问题，将其作为预测模块并在其前端融合HRF降维模块可以提高模型的综合性能。实验结果表明，该组合预测模型能够有效提高数据的预测精度，同时节省时间成本。

然而在进行预测算例分析时，仅对常规的用户异常用电数据进行了实验，实验类型较为单一。而在后续的研究中，可以选取多样化的应用场景展开实验，例如用户的个性化用电需求等。

参考文献:

[1]梁龙基,张靖,何宇,等.基于博弈论的互联微电网多主体协同优化配置[J].电子科技,2021,34(7):43-49,78.

[2]蔡清媛.基于负荷数据预处理的用户用电行为分析方法研究[D].南京:南京邮电大学,2022.

[3]王威,王兰君.基于用电行为特征大数据的异常用户识别模型研究与应用[J].电力大数据,2021,24(12):19-26.

[6]李思奇,吕王勇,邓柙,等.基于改进PCA的朴素贝叶斯分类算法[J].统计与决策,2022,38(1):34-37.

[7]虞跃.基于深度学习的电力设备智能运行方式的研究[J].自动化与仪表,2020,35(7):20-24,67.

[8]万磊,陈成,黄文杰,等.基于BRB和LSTM网络的电力大数据用电异常检测方法[J].电力建设,2021,42(8):38-45.

[9]申晓杰,廖华,李闯,等.一种基于SVR和GRU的新型电力监控防护系统[J].计算机技术与发展,2023,33(3):215-220.

[10]刘明群,何鑫,覃日升,等.基于改进K-means聚类k值选择算法的配网电压数据异常检测[J].电力科学与技术学报,2022,37(6):91-99.

[11]闵小翠.基于K-均值聚类的多模态异构大数据检测算法研究[J].电子设计工程,2020,28(14):63-67.

[12]朱鹏,杜逆索,欧阳智.融合差分进化和混合多策略的麻雀搜索算法[J].计算机工程与设计,2022,43(6):1609-1619.

[13]文耀宽,侯慧娟,王雍.基于Apriori和C5.0算法的智能电表故障预测[J].自动化仪表,2022,43(5):90-94,101.

[14]李硕,王友国,柴允,等.基于时间卷积网络的极化码译码算法[J].计算机技术与发展,2022,32(3):54-58.

[15]曹立新,刘伟民,郭虎全.风电场功率曲线异常数据的清洗与建模[J].兰州理工大学学报,2022,48(4):64-70.

[16]高正男,杨帆,胡姝博,等.面向新能源电力系统状态估计的伪波动数据清洗[J].高电压技术,2022,48(6):2366-2377.

基金资助:国网大数据中心科技项目(529990220003);

文章来源:皮志贤,任俊达,李开阳,等.基于深度学习的电力设备智能运行方式研究[J].电子设计工程,2024,32(23):122-126.

网友评论

加载更多

我要评论

期刊名称：电子设计工程

期刊人气：3200

期刊详情

主管单位：九三学社陕西省委员会

主办单位：西安市三才科技实业有限公司

出版地方：陕西

专业分类：电子

国际刊号：1674-6236

国内刊号：61-1477/TN

邮发代号：52-142

创刊时间：1994年

发行周期：半月刊

期刊开本：大16开

见刊时间：10-12个月

论文导航

基于深度学习的电力设备智能运行方式研究

相关论文

基于LabVIEW多参数电气监测系统

关键词

基于自编码神经网络的低压台区线损异常快速识别方法

关键词