基于电力大数据的供电重点园区电容量控制模型.pdf

Microcomputer Applications Vol.39,No.9,2023文章编号：10 0 7-7 5 7 X2023)09-0181-04基于电力大数据的供电重点园区电容量控制模型陆嘉铭，奚增辉，王卫斌，姚嵘，洪祎祺（国网上海市电力公司，上海2 0 0 12 2）摘要：目前电容量控制方法存在最佳储能容量低、总收益增加量小问题。提出基于电力大数据的供电重点园区电容量控制模型构建方法。采用低秩矩阵补全方法对电力大数据进行填补处理。在经济学基本原理和最优化理论的基础上建立供电重点园区电容量控制模型，实现供电重点园区电容量的控制。实验结果表明，本文方法的最佳储能容量高、总收益增加量大。关键词：电力大数据；供电重点园区；缺失数据填补；电容量控制模型中图分类号：TM715开发应用文献标志码：A微型电脑应用2 0 2 3年第39 卷第9 期Electric Capacity Control Model of Key Power Supply ParksBased on Electric Power Big DataLU Jiaming,XI Zenghui,WANG Weibin,YAO Rong,HONG Yiqi(State Grid Shanghai Municipal Electric Power Company,Shanghai 200122,China)Abstract:The current capacity control methods have the problems of low optimal storage capacity and small increase of totalrevenue.This paper proposes a power capacity control model construction method for key power supply parks based on powerbig data.The low-rank matrix completion method is used to fill power big data.Based on the basic principles of economics andoptimization theory,the power capacity control model is established to control the power capacity of key power supply parks.Experimental results show that the proposed method has high optimal energy storage capacity and a large increase in total reve-nue.Key words:power big data;key power supply parks;missing data filling;capacity control model(1)上述方法没有对电力大数据进行预处理，电力大数据的0引言完整性较差，导致方法存在最佳储能容量低、总收益增加量能源是社会进步和经济发展的动力，同时也是物质基小的问题。础，支撑着人类社会的正常运行1。在社会发展过程中，人为了解决上述方法中存在的问题，提出基于电力大数据们过度开发和利用能源和环境会造成环境恶化和能源紧缺的供电重点园区电容量控制模型构建方法。的问题。供电区域中电容量的合理控制和配置具有削峰填1缺失数据填补谷、过剩发电、改善电能质量和抑制发电波动等作用2 ，因此对供电重点园区的电容量进行控制具有重要意义。苏康博等31将负荷需求比例最大、购电成本和维护成本最小最为控制目标，构建电容量控制模型，通过粒子群算法在极限学习机的基础上求解模型，完成园区电容量的控制。庞水等4 设计目标函数时，将能量供需平衡、功率波动平抑和系统成本作为目标，采用多目标差分进化算法对函数进行求解，实现电容量控制。NASYROV等SI以有源滤波器（A F)电容器为研究对象，提出最佳电容值控制方法。应用粒子群优化算法和模糊逻辑，选择AF电容器的最佳电容值，并给出了粒子群算法和模糊逻辑方法在PI控制器中确定这些系数的应用结果。作者简介：陆嘉铭（198 3一），男，硕士，高级工程师，研究方向为电力系统及其自动化；奚增辉（197 4一），男，硕士，高级工程师，研究方向为电力系统及自动化；王卫斌（197 5 一），男，硕士，教授级高级工程师，研究方向为电力系统及其自动化、大数据分析；姚嵘（198 5 一），男，本科，高级工程师，研究方向为电力营销数据分析；洪祎祺（198 5 一），男，本科，高级工程师，研究方向为电气工程、大数据分析及应用。基于电力大数据的供电重点园区电容量控制模型构建方法采用低秩矩阵补全方法LRMC对电力缺失数据进行填补处理。(1)LRMC模型对矩阵秩最小化问题进行求解是低秩矩阵补全方法的实质6 ，可通过下式进行描述：(min Yi=rank(Y)(s.t.ymm=m(m,n)EA式中,Y代表的是目标矩阵，rank(Y)代表的是Y对应的秩，ym描述的是第n个时刻第m个样本中存在的电力数据。可用凸的核范数最小化问题描述式（1）：.181:Microcomputer Applications Vol.39,No.9,2023式中，IIYI描述的是核范数。（2）局部低秩矩阵补全局部低秩矩阵补全算法的具体流程如图1所示。图1中，X代表的是第一次插补处理后获得的电力数据矩阵；k、K 分别代表的是供电园区电力数据划分的类别数和聚类数；C，代表的是聚类数量；X代表的是经过插补处理后第k类电力数据矩阵；X代表的是第i个聚类在第k类中经过插补处理后的电力数据矩阵；X代表的是集成学习后获得的电力数据矩阵。CiLMRC图k-2LMRCMRC图：MRCk-i向MRC图十图层次聚类：L-MRC网MRO图k-KMRC图：LMRC网图1局部低秩矩阵补全算法流程针对样本之间存在的距离d,基于电力大数据的供电重点园区电容量控制模型构建方法采用加权皮尔逊相关系数进行计算：d=1-(X,-WTX,)TDw(X,-WTX,)IXEV(X,-WX,)Dw(X,-WTX,)XV(X,-WTX,)TDw(X,-WTX,)J式中，Xp、X，均代表的是电力矩阵X中存在的样本,W描述的是权重向量,Dw描述的是对角矩阵，由权重向量W中存在的元素组成。针对样本集X，采用加权平均法进行聚类处理，将电力数据划分为k类，用Ci，C 2，C，C）表示电力数据的聚类结果。（3）通过SVT算法在所有聚类C中进行插补处理，在第i个聚类插补缺失值，获得插补结果Xi=(X,X，,X，,X;（4）令kk十1,重复上述步骤，当k=K时，获得缺失电力数据的插补值(XI，X 2，,Xk）;（5）采用最小二乘算法结合上述获取的插补结果在不同聚类数下集成学习插补结果(X1，X 2，,Xk),获得电力数据的插补结果X。用A表示电力数据集合对应的索引，分解索引A=AUA2。基于电力大数据的供电供电园区电容量控制模型构建方法通过多元线性回归组合在最小二乘准则开发应用min Y2=I/Y I l*的基础上最优拟合处理训练数据7，使其误差最小：(2)(s.t.ymm=Cm(m,n)EA最小二乘集成学习微型电脑应用2 0 2 3年第39 卷第9 期min E=|IXA,-(o+Xi+X,+.+rXk)A,I 2(4)式中,XA,代表的是训练数据，即索引Ai中存在的电力数据，I，2，Bk描述的是回归系数；o代表的是截距。上式的最优解用(o，i,2k）表示，获得电力数据的插补结果X：XA=(po+IXI+X2+.+kX)A3供电重点园区电容量控制模型供电重点园区的供电半径之间都存在差异，通过下式计算高压进线对应的长度：（1）设L代表的是供电重点园区对应的平均进线长度，其计算公式如下：L=0.66KR式中，S代表的是供电重点园区的经济容量，K描述的是线路曲折系数，S描述的是上级变电站容量，R代表的是供电重点园区的平均供电半径。（2）通过下式计算两级支接变电站对应的平均进线长度：L=KR(0.33（3）三站手拉手接线在供电重点园区中的平均进线长度可通过下式计算得到：K(2L+4R)L=3同理获得四站手拉手接线在供电重点园区中的平均进线长度：K(2L+6R)L=4结合上述计算结果，获得N站手拉手连线在供电重点园区中的平均进线长度：(3)KR1.32S+2(N-1)SL=N式中，P描述的是供电重点园区的进线参数。设N代表的是开关站在供电重点园区中的数量，可根据接线模式、进线电缆型号以及负荷分配计算得到：N=ceilSLS,cos式中，描述的是区域负荷分配比例，S描述的是供电重点园区的经济容量，代表的是利用率，S,代表的是单个开闭所在供电重点园区中的总容量。通过年费用法在基本假设条件的基础上构建静态模型，其表达式如下：F=N式中，描述的是运行费用，Z代表的是供电重点园区的总投资费用，F描述的是供电重点园区的年费用。单位容量在供电重点园区中对应的年费用函数如下：Z.+ZZ Z+e+(13)F%-S182(5)S(6)S+1)S=PKR(10)(11)Z(12)N(7)(8)(9)Microcomputer Applications Vol.39,No.9,2023式中，Z1、Z2、Z：均代表投资费用，建设供电重点园区的投资费用Z。可通过下式计算得到：(14)式中，ao、b。分别代表的是投资过程中与供电重点园区电容量无关和有关的系数。结合上述公式，获得高压进线在供电重点园区中的建设投资费用Z：Z,=L(a1+bi S)中压出线在供电重点园区中的建设投资费Z2可通过下式计算得到：Z,=L(Ma2+b2 S)式中，L代表的是电网出线在供电重点园区中的回线路长度，M代表的是电网出线在供电重点园区中的回路数。下级中压开关站在供电重点园区中的建设费用Z3可通过下式计算得到：Zs=NFk式中，F代表的是开关站在供电重点园区中的造价，N描述的是供电重点园区中开关站所需的数量。通过下式计算电网线路与高压变电站在运行过程中产生的费用M1：1=H(Zo+Z.)式中,H代表的是年提取系数。中压线路在供电重点园区中的全年损失费u2可通过下式计算得到：u2=PtC o式中，C。代表的是损耗电度对应的成本电费，t代表的是最大负荷损耗对应的平均最大小时数。变电站变电器在供电重点园区中的损失费用3表达式如下：Ms=(8760C.Kre+Cot.Km)ySAL式中，th描述的是损耗等值时间，Kre描述的是变压器在供电重点园区中的铁损系数，K代表的是变压器在供电重点园区中的铜损系数，代表的是变压器在供电重点园区中的数量，SNL描述的是变压器在重点园区中对应的额定负荷。结合上述公式，获得下式：(+）（%+）+/1F。=元ok,a1S-1/2+10-5,pJ tC.Vk,(a+bs+Pbh)+7.26UNVSiBN式中,K。代表的是容载比，o描述的是平均负荷密度，代表的是导线在供电重点园区中对应的电阻率，J描述的是电流密度。根据上述分析结果，构建供电重点园区电容量控制模型：min F。=(A S-1+S/2。1/2 +CS-1/2。-1/2)(s.t.S04实验与结果为了验证基于电力大数据的供电重点园区电容量控制开发应用模型的整体有效性，需要对基于电力大数据的供电重点园区电容量控制模型进行测试。Zo=ao+boS电力大数据的质量直接影响着电容量的控制效果，采用基于电力大数据的供电重点园区电容量控制模型对电力大数据进行处理，对比处理前后电力大数据的均方根误差RMSE,其计算公式如下：(15)式中，y:代表的是真实值，N代表的是数据量，p；代表的是预测值。(16)分析图2 中的数据可知，电力大数据处理之前的均方根误差较高，采用基于电力大数据的供电重点园区电容量控制模型对电力大数据进行处理后，数据的均方根误差显著下降，因为基于电力大数据的供电重点园区电容量控制模型采用低秩矩阵补全方法对电力大数据进行填补处理，降低了电(17)力大数据的均方根误差。0.10口处理前处理后0.080.06F(18)0.04F0.02F0(19)图2 数据处理前后的均方根误差采用基于电力大数据的供电重点园区电容量控制模型、文献3 方法和文献4 方法进行测试，对比不同方法的最佳储能容量，测试结果如图3所示。50(M0/一（2 0)40F文献3 方法。文献4 方法30F20H100图3最佳储能容量测试结果S1/2+(21)对图3中的数据进行分析可知，随着时间的增长本文方法、文献3 方法和文献4 方法的最佳储能容量均有所增长，对比3种方法的测试结果发现，所提方法的最佳储能容量增长幅度远高于文献3 方法和文献4 方法的最佳储能容量的增长幅度，且在相同时间下所提方法的最佳储能容量最高，验证了所提方法的有效性。将总收益增加量作为指标，采用所提方法、文献3 方法和文献4 方法进行测试，总收益增加量越高，表明方法的电容量控制效果越好，不同方法的测试结果如图4所示。(22)由图4可知，采用本文方法、文献3 方法和文献4 方法对园区电容量进行控制时，不同方法的总收益增加量均呈上升趋势，但对比文献3 方法和文献4 方法的测试结果，所提方法的总收益增加量较高，表明本文方法具有良好的控.183.微型电脑应用2 0 2 3年第39 卷第9 期(23)123456选代次数/次。本文方法5101520时间/天2530Microcomputer Applications Vol.39,No.9,2023制效果。25。本文方法1元20文献3 方法。文献4 方法151050图4总收益增加量测试结果5总结在供电重点园区规划和建设过程中，电容量的控制效果直接决定了供电重点园区的经济性及合理性。目前供电重点园区电容量控制方法存在最佳储能容量低、总收益增加量小的问题。提出基于电力大数据的供电重点园区电容量控制方法，首先对电力大数据进行处理，并构建电容量控制模型，可有效解决目前方法中存在的问题，为供电重点园区的规划和建设奠定了基础。1仓定帮，魏晓平，曹明。我国化石能源消费多因素分33333333333333533333333333333333333333333333533333(上接第17 7 页）8 程秀峰，范晓莹，杨金庆，一种融合了基于朴素贝叶斯参考文献算法与情境感知的协同推荐系统一以大学图书馆【1刘丽帆，朱紫阳.基于“全评价”理论的高校图书馆热实体图书推荐为例J.现代情报，2 0 19，39（2）：门TOP图书推荐模型研究J.图书情报工作，2 0 18，57-65.62(7):47-53.9陈淑英，徐剑英，刘玉魏，等.关联规则应用下的高校2 林泽鸿，周雪妍，杨静，等，基于论坛活跃用户的图书推荐研究J.图书馆理论与实践，2 0 17（2)：10 2-10 5.3张闪闪，黄鹏.高校图书馆图书推荐系统中的稀疏性问题实证探析J.大学图书馆学报，2 0 14，32（6）：47-53.4黎雪微，应时，周寅.基于用户兴趣迁移的网络图书推荐模型研究J.图书馆学研究，2 0 19（2 2）：5 6-6 5.5田磊，任国恒，王伟.基于聚类优化的协同过滤个性化图书推荐J.图书馆学研究，2 0 17（8）：7 5-8 0.6 李克潮，梁正友.基于多特征的个性化图书推荐算法J.计算机工程，2 0 12,38（11)：34-37.7 李澎林，洪之渊，李伟.基于兴趣度与类型因子的高校图书推荐算法J.浙江工业大学学报，2 0 19，47（4)：开发应用析：基于新能源替代与能源技术进步视角J.数理统计与管理，2 0 2 0,39(1)：1-11.2 赵争鸣，施博辰，朱义诚.高压大容量电力电子混杂系统控制技术综述J.高电压技术，2 0 19，45（7）：2017-2027.3苏苏康博，杨洪明，余千，等.考虑多类型水电协调的风光电站容量优化配置方法门.电力系统保护与控制，510时间/天参考文献微型电脑应用2 0 2 3年第39 卷第9 期152025302020,48(4):80-88.4庞水，杨楚平，刘如磊，等.船舶微电网锂电池储能系统容量配置多目标优化方法J.中国舰船研究，2020,15(6):22-28.5 1NASYROV R R,ALJENDY R.Selection of the Ca-pacitance of an Active Filter Capacitor and the ControlMethod for Its ControllerJJ.Russian Electrical En-gineering,2020,91(1):49-53.63乔文俞，李野，刘浩宇，等.基于曲线相似与低秩矩阵的缺失电量数据补全方法J.电力建设，2 0 2 0，41(1):32-38.7 刘晓华，高俊成，王少林，等.智能电网异常用电检测框架J.自动化技术与应用，2 0 2 0，39（12）：12 4-12 8.（收稿日期：2 0 2 1-11-2 2）425-429.图书馆图书推荐服务J.图书馆论坛，2 0 18 38（2)：97-102.10袁泉，常伟鹏.基于Hadoop平台的图书推荐服务Apriori优化算法J.现代电子技术，2 0 19，42（1）：180-182.11李庆鹏，张龙军，耿新元.I-Apriori：一种基于Spark平台的改进Apriori算法J.科学技术与工程，2 0 17,17(27):243-248.12 徐徐开勇，龚雪容，成茂才.基于改进Apriori算法的审计日志关联规则挖掘J.计算机应用，2 0 16，36（7）：1847-1851.（收稿日期：2 0 19-0 9-0 2）:184