白凌
国网喀什供电公司? 新疆? 喀什 844000
摘要：经济的发展，社会的进步推动了我国综合国力的提升，也给电力行业的发展提供了充足的定力。为解决电网的安全稳定问题，各国都在大力发展智能电网。我国提出建立包含发电、输电、配电、用电等环节的信息化、自动化、现代化智能电网。当前，我国已经基本实现智能电网的硬件建设，后续智能电网的建设将主要集中在电力数据的管理分析和终端智能交互方面。
关键词：电力数据管理分析；负荷预测；异常检测
引言
电力负荷预测与电力异常数据检测是智能电网电力数据分析的核心问题。目前已经建立了神经网络、支持向量机、灰关联分析等电力负荷预测模型，主要缺陷是模型泛化性不强和影响因素考虑不全的问题。
1电力大数据应用现状及意义
智能电表是供电企业与用电客户的产权分界点，负责实时采集客户用电信息。用电信息采集系统是国家电网公司自建的后台系统，用于存储、展示、分析客户的用电信息。供电公司虽然掌握着大量客户用电信息数据，但对于历史数据的分析挖潜工作并不深入。目前可为用户提供电费余额预警、用电能耗分析、负荷预测预警等基础服务，还可为电力工作者进行台区异常监测预警、现场稽查、线损治理、设备运维等辅助管理工作。如何更有效地利用电网大数据，是需要关注的热点问题之一。
2用于电力数据管理分析的负荷预测与异常检测
2.1BP神经网络
BP神经网络包括输入层、输出层和隐含层，一般输入层与输出层为单层，而隐含层为多层，且隐含层的个数直接影响了神经网络解决复杂问题的能力和训练效率。通常情况下，单隐含层的BP神经网络即可实现对复杂非线性问题的拟合，且具备实现简单、训练效率高的优点；而多隐含层BP神经网络虽然能够显著提升网络的泛化能力与拟合精度，但训练效率过低直接影响了其在工程中的可用性。针对电力负荷预测问题，BP神经网络负荷预测模型，模型中包含输入层、输出层和隐含层各1个。输入层为前三天同一时刻的电力负荷以及温度、湿度等特征参数，隐含层节点数根据实验试探选择为12个，输出层输出为用电负荷预测结果。该网络的隐含层激活函数为logsigmoid函数，输出层激活函数为具有线性特点的purelin函数，训练算法采用自适应梯度下降算法。采用电力数据管理系统中的相关数据进行电力数据管理与分析架构力负荷预测实验结果表明，BP神经网络的初始权值和阈值对负荷预测精度的影响很大，但目前缺乏相关的初始值选择依据，为此，文中借助粒子群算法对BP神经网络的初始权值和阈值进行优化。
2.2高维电力数据的聚类优化算法
随着智能电网构建的推进，近年来智能量测终端大量投入使用，智能电能表支持双向计量、自动采集、阶梯电价、分时电价、控制、监测等功能，可以为实现分布式电源计量、双向互动服务等奠定基础。利用安装到用户侧的智能测量终端及负荷管理网络系统，可提供用于实时分析负荷特性、负荷构成的庞大的实时数据信息，这为整合变电站及用户数据奠定基础，充分利用这些数据有望进一步完善负荷特性分类，实现精确分类，有效挖掘对电网企业和社会有价值的信息。模糊C均值(fuzzyc-means，FCM)聚类方法，该算法是隶属于通过目标函数的牧户聚类的方式来实现数据聚类的一种算法范畴。
该算法的主要功能是通过构建目标函数来进一步求解数据的聚类分类方式的一种求解算法，我们应用优化的思想借助目标函数来将每个样本点取其所有类的中心点的隶属度，通过聚类的结果来实现将样本点的归类进而将目标样本点进行分类的目的。
2.3基于深度卷积生成对抗网络的电力负荷数据生成
随着分布式发电技术与电力物联网的发展，电力系统的组成更加多样化，用电调度和电力市场的平稳运行面临新的挑战。为满足电网安全运行的需求，提高电力系统的可靠性与稳定性，电力负荷数据的重要性不言而喻。然而，电力负荷具有随机性和不确定性，并且传统负荷数据的预测与生成受到很多因素影响，如天气、季节、社会活动等，这些因素对于电网的稳定性构成威胁。运用对抗神经网络模型生成新的电力负荷数据，该方法不会受到特殊因素影响，使新生成的数据更具有普遍性，并且具有网络结构简单、训练时间短等优点。对抗神经网络是一种无监督学习神经网络，伴随着监督式学习性能瓶颈的到来，针对非监督学习的研究越来越多。运用DCGAN网络进行电力负荷场景建模，分析验证其在保留电力负荷数据原始序列时间、空间相关特性方面的能力。该模型通过生成器与判别器两者之间的相互博弈，从中学习历史负荷数据时空分布规律，并使用DCGAN网络生成电力数据，可防止出现原始GAN在训练过程中梯度下降、训练不稳定以及无法进行单纯的数据生成等问题。将电力数据通过坐标系转化为曲线图，将这些曲线图作为数据样本、深度卷积生成对抗网络结构作为模型进行训练，得到的新的电力负荷数据。通过将训练得到的新数据与原始数据进行相关性分析，并与传统支持向量法与均值生成函数法进行对比，结果证明本模型能够生成大量符合要求的新数据。
2.4配电网信息物理系统异常检测
经济全球化与我国经济的飞速发展，促使能源行业朝着多元化、清洁化的优化结构发展。根据《国家中长期科学和技术发展纲要（2006-2020年）》、《可再生能源发展“十二五”规划》等纲领性文件的指示，构建包含分布式能源的新型供用电模式成为了当下电力行业的研究重点之一。随着电力系统信息化、数字化程度的日益提升，现有电网结构已经发展成为基于信息网络、电力网络、计算机网络的三元复合网络，形成“电力生产—电力传输—电力用户”的完备三元耦合体系。在此基础上，随着诸如风电、光伏发电、超级电容等可再生能源以及储能系统大量涌入现有电力网络，使得配电网由传统电力供应转向为以电力供应、分布式能源、各类通信设备以及各类用电负荷为主的配电网信息物理系统（CyberPhysicalSystem，CPS）。CPS本质是二元异构复合网络，深度融合了信息系统与物理统，具有多源异构、交互频繁、分层调度等特点，网络结构复杂，极易受到攻击且防护工作难度较大。因此，相较于传统配电网，CPS安全风险点主要在于物理网络实体安全、信息网络虚拟安全以及二者结合产生的耦合性风险。以CPS电力数据异常检测为研究对象，选取时间序列算法对庞大的电力数据进行特征提取，选取维诺图对提取后的电力数据进行异常检测，以此实现电力通信异常数据的准确检测。
3结语
总而言之，基于粒子群优化BP神经网络的电力负荷预测算法和基于改进谱聚类的电力异常数据检测算法，通过实验验证了所提算法提升了负荷预测的准确性与运行效率。
参考文献
[1]谢宏伟，郑涛.智能电网数据保护框架的建构[J].信息技术，2020，44（4）：149-154.
[2]李俊楠，李伟，李会君，等.基于大数据云平台的电力能源大数据采集与应用研究[J].电测与仪表，2019，56（12）：104-109.
[3]王浩淼.用于智能电网大数据分析Lambda架构[J].信息技术，2020，44（2）：161-166.
[4]王克杰，张瑞.基于改进BP神经网络的短期电力负荷预测方法研究[J].电测与仪表，2019，56（24）：115-121.
[5]郭艳飞，程林，李洪涛，等.基于支持向量机和互联网信息修正的空间负荷预测方法[J].中国电力，2019，52（4）：80-88.