摘要：目前我国配电网自动化应用系统主要为电力生产前台服务，电网后台的有关调度生成管理技术一直没有开发和更新。长期以来，有关单位对电力系统配电网电力负荷的调度经历了从控制电网到安全预警系统的发展历程，能够有效做到对当前电网配电网长期电力负荷的有效分析预测，辅助电力生产决策，确保电力系统安全可靠。
关键词：电力系统; 电力负荷; 自动调度
1中长期负荷预测方法分类
中长期负荷预测的方法可分为经验预测法和数学模型计算法。 经验预测法是指依靠专家或专家组的判断进行负荷预测，不包括数量模型。根据使用数据不同， 数学模型法主要分为自身规律外推法和相关分析法。 两种方法的差别在于，自身规律外推法仅以负荷自身的历史数据为预测基础， 而相关分析法将负荷与各种社会经济因素联合起来考虑。按数学模型是否需要进行参数计算， 数学模型法主要可分为参数模型和非参数模型。 参数模型方法能反映负荷变化的规律性， 但缺乏对负荷中随机变化分量部分的处理。 近年来，非参数模型逐渐得到应用，但其物理意义不清晰，较难对模型本身进行分析和调整。 表 1 为负荷预测方法的简单分类。
.png)
2 配电网长期电力负荷自动调度方法设计
2.1 配电负荷聚类
电力负荷可以单纯理解为使用用户所操作的用电设备，在某一固定时刻向当前电力系统获取电能总功率之和。设计应用配电网典型负荷模式，进行数据聚类。该聚类方法属于单隐藏层的神经网络学习算法，以最小化的学习样本标签与隐藏输出层的差值作为优化目标，通过将数据进行高维空间映射，提高样本分离度，完成数据聚类。在当前目标函数表达式，设计的聚类算法在目标函数和输出权值规划上具有一定改变性，算法通过对低维数据的输出，保留数据隐含规律，其目标函数如下:
.png)
在上述公式中: L 表示当前配电网络电能拉普达拉斯矩阵，该矩阵需要通过电网的原始数据样本，构建相似矩阵获取; 对 β 的求值需要引入( Hβ)THβ = I 的应用条件，防止当前 β 值在实际求解过程中出现原始 0 值的需求解。根据当前电网负荷特征值的广益值分解，可以求取 β 值。
.png)
通过对公式特征值的计算，并保留最小特征值后的第 c 个特征向量以及标准化向量 vi，可以获取如下解:
.png)
γ 表示一个多维的数据矩阵，H 可以看做是当前聚类神经网络隐藏层数据矩阵。在矩阵 γ 中，每一行数据均表示一个数据样本，每一列数据均是当前样本数据的低维度映射值［5－6］。在实际计算过程中，需要对当前脑神经元数据进行真实对比，如果神经元总量过少，则表示矩阵保留的样本信息过少。反之虽然可以提高样本规律性，但是容易出现拟合，导致计算量激增，降低数据样本的算法有效性。样本数据确定后，将欧几里得距离作为样本数据相似度的度量值，遵循当前聚类最近原则，确定当前数据聚类的数量 k 值，利用迭代中心聚类的方法，确保当前样本 xi和聚类数据中心 μk的平方和距离，获取最小值，其聚类表达公式为:
.png)
经过实际验证，在当前电荷样本数据汇总，应用该聚类方法可以对当前配电网负荷的历史数据，包括工作日、非工作日等情况进行聚类和区分［8］。其中 k 值的值域一般为 2 或 3。
2.2电气联络线结构重组
聚类后的负荷样本值可以直接作为后续负荷调度的真实值进行使用。因为传统电气联络线结构为区域联络结构，无法与当前聚类负荷兼容，需要对其重新设计。电气联络线重组以 n－1 可靠性为核心原则，其核心参考目标为: 如果当前电力系统配网电线线路出现负荷问题需要退出或暂缓使用，则需要将该线路的电力负荷直接转移到周围配电线上。此时该线路的实际连理负荷值，不能超过当前最短时间内所能允许的配电线路负荷在容量。该参考目标主要是为了解决聚类后的配电负荷，单位区域过高的问题。在 Attinzer 下辖的区值程序中，构建当前电网的馈线树路径矩阵，每条路径上的负荷利用随机编码串联为［1，2，2，3，1，1，2，2，3，2，3，3］。根据当前配网联络线结构和配电走向，利用聚类后电网负荷，检验各联络线馈线树的实际电压状况。如果发现在当前负荷下，区域电压无法满足线路要求，则需要对此进行重新规划。原始联络线的电压线路，需要通过计算所有路径距获取，图 1为部分原始路径的示意图。
.png)
图 1 中的 A 和 B 分别为不同负荷点下链接的联络线节点，一共包括 A1、A2、A3 和 B1、B2、B3、B4 等共 7种。根据节点可以设立路径矩阵为:
.png)
矩阵中的每个元素均对应了 A 或者 B 的联络节点。根据节点中每条路径的对角线元素，均可以提取到一个最大值。通过实际的区域区间可以确定，该路径矩阵属于对线性平行矩阵，可以直接提取三角阵。相关路径的排列，可以采用链式联络线存储结构，这样可以剔除掉无效联络线。建立联络线矩阵后，需要根据实际情况，选择联络线最终标定位置。其选择原则如下:有限选择路径矩阵中，核心供电区域内，负荷传输路径最优的正向联络线。不同联络线之间需要保证负荷通畅，实际点选的对应元素以及元素位置的相反数需要具有对应性; 如果发现供电区域没有负荷调度联络线的实际联络路径，则需要对当前对应元素的绝对值取最小值，也就是选择当前联络路径的最小径。
2.3实现电力负荷自动调度
电力负荷自动调度的实现需要依靠设计的一种改进决策树预测模型。模型样本数据通过 SQLServer2016数据库提取，样本最终值为当前聚类后获取的样本负荷值。除了使用聚类后的电力负荷值以外，还需要提取当前配电网周围气温、干湿度等相关数据。设计利用SQLServer2016 数据库中的数据转换服务( Data Transfor-mation serDTS) 对其进行转换，并加设温度数据。由此引入如下定义: 当前电力系统配网区内，第 i 天的实际电力负荷值为 Pi，电力负荷调度变换规律 Vn 为:
.png)
根据配电网络相似性，对当前网络温度变化率 Tn和配电网当前湿度 Hn。因为电网负荷率的真实值和湿度值都属于波动计算性数据，可以使用当前数据库中的存储程序进行计算。因为公式( 5) 的规律算法，只能应用于离散类型的数据样本值，因此在进行负荷调度相关计算钱，需要当前聚类后的电网负荷值和温度变化值进行理算处理。常见的离散方法主要包括以下几类: 直方图法、分项法、聚类分析法和自然划分法等等。考虑到样本数据已经为聚类数据且数据量较大，可以使用分项法进行离散处理［15］。分项法可以将数据样本划分为数据簇，每个数据簇正好对应上述联络线的路径节点，同级别的节点划分为一个概念层。每个数据簇可以进一步划分为一个子簇，子簇下同样具有概念层。反方向上，数据簇同样可以向上划分，形成更高级别的概念层。数据簇划分后，可以通过决策树的形式进行下一步分析，对于样本的每一次划分，都需要样本数据的下一层相关聚类数据。不同划分路径需要对照当前电气联络线，形成不同的聚类。图 2 为具有 5 个样本数据的决策树划分图。
.png)
图 2 中对样本进行了多次分项计算，形成了一个从叶子节点到根的深度为 5 的决策树模型。将聚类数据引入决策树后开始处理，从分散样本开始合并。通过聚类样本处理后，可以有效降低比较数。分项计算按照从下向上的方向进行，将初始聚类样本看做是原始数据簇，不断进行合并其算法步骤如下:setp1: 将聚类样本初始化，设定 n 个原始样本并各自划分为一组，编号从 1 到 n。利用欧几里得距离，选择距离相近的数据簇，进行样本合并，然后更新数据矩阵。不同的两个聚类簇可以用同一行替换，并将当前电力负荷数据统一分类，边界输出函数为 Bounery( ) 。setp2: 保存当前电力负荷的边界数据组 Bounery( ) 。setp3: 利用分项法获取当前电力负荷最优边界后，根据调度理论和电气联络线信息，确定最优边界。通过上述步骤，既减少的当前负荷样本数量，又考虑了当前数据的关联性，可以有效提高调度的有效性。根据最优边界，即可确定当前各联络线节点的实际电力负荷输出值，完成负荷的自动调度。
结束语
电能是我国国民生产不可或缺的能源之一，电力生产和电力负载的调度，为了有效解决电能负荷问题，设计配网长期负荷自动调度方法，用于保持负荷平衡，提高配网负载承载能力。实验数据证明该方法具有绝对有效性。
参考文献
［1］ 杨帅，邹智慧．电网供电负荷均衡自动调度监测仿真研究［J］．计算机仿真，2018，35( 1) : 113－116．
［2］ 刘雅铭．解析电力调度自动化系统中数据挖掘技术应用［J］．低碳世界，2017，2( 33) : 72－73．
［3］ 林麒麟，包广清．基于 MEA－Elman 神经网络的电力日负荷预测［J］．工业仪表与自动化装置，2017，7( 3) : 7－10．