基于知识图谱与特征识别的新...源微网消纳数据分析算法研究_冯侃.pdf

电子设计工程Electronic Design Engineering第31卷Vol.31第6期No.62023年3月Mar.2023收稿日期：2021-09-07稿件编号：202109034基金项目：国网公司科技项目（JL71-15-042）作者简介：冯 侃（1974），男，甘肃静宁人，硕士，高级工程师。研究方向：电力调度，新能源电力。随着新能源发电的快速推进，其大量接入电网导致电网规模不断扩大，且电力系统中的知识量也呈现爆炸式增长1-2。新能源发电的接入，促进了微基于知识图谱与特征识别的新能源微网消纳数据分析算法研究冯 侃，边 辉，陈丽娜，张 洋，王浩强（国网甘肃省电力公司平凉供电公司，甘肃 平凉 744000）摘要：针对现有电力数据分析算法缺乏结果可视性以及准确性不理想的问题，提出一种基于知识图谱与特征识别的新能源微网消纳数据分析算法。该算法根据微网架构明确新能源的出力模型，并利用结合长短时记忆网络和条件随机场的知识图谱技术，将微网中新能源消纳数据转化成图形结构。同时通过图卷积神经网络模型识别数据的图特征，并根据识别结果制定微网能量调控措施，以提高微网新能源的消纳能力。基于某微网的真实数据集对所提算法进行实验论证，结果表明所提算法的准确率、召回率和 F1值分别为 91.53%、89.95%、90.81%，均优于其他算法，故具有良好的工程应用价值。关键词：微网；新能源消纳；知识图谱；特征识别；图卷积神经网络模型；长短时记忆网络中图分类号：TP391；TN99文献标识码：A文章编号：1674-6236（2023）06-0162-05DOI：10.14022/j.issn1674-6236.2023.06.034Research on consumption data analysis algorithm of new energy microgrid based onknowledge atlas and feature recognitionFENG Kan，BIAN Hui，CHEN Lina，ZHANG Yang，WANG Haoqiang（Pingliang Power Supply Company of State Grid Gansu Electric Power Company，Pingliang 744000，China）Abstract:In view of the lack of result visibility and poor accuracy of existing power data analysisalgorithms，a new energy microgrid consumption data analysis algorithm based on knowledge atlas andfeature recognition is proposed.The algorithm defines the output model of new energy according to themicrogrid architecture，and uses the knowledge atlas technology combining long short term memorynetwork and conditional random field to convert the new energy consumption data in microgrid intographic structure.The graph features of data are identified by graph convolution neural network model，and the microgrid energy regulation measures are formulated according to the recognition results，so as toimprove the consumption capacity of microgrid new energy.The experimental results show that theaccuracy，recall and F1 values of the proposed algorithm are 91.53%，89.95%and 90.81%respectively，which are better than other algorithms and have good engineering application value.Keywords:microgrid；new energy consumption；knowledge atlas；feature recognition；graph convolutionneural network model；long shortterm memory network-162网系统的应用。但光伏、风电的出力具有随机性、间歇性特点，导致其消纳能力受限。因此，如何高效管理利用微网中海量数据以掌握新能源消纳状况成为了研究热点3-4。目前，对于电力数据的分析已取得了一定的研究成果，如聚类算法、神经网络模型等5-6；通过不同的算法模型提取数据特征并完成数据应用，如负荷分类、新能源出力预测等。但关于新能源在微网中的消纳分析仍较少，且数据分析结果缺乏可视性，因此该文基于知识图谱与特征识别技术设计了一种新能源微网消纳数据分析算法。该算法采用知识图谱将数据转化成图形结构，并利用图卷积神经网络(Graph Convolutional Networks，GCN)模型学习图特征，进而根据图特征制定相应的微网能量调控措施。1新能源微网消纳1.1微网架构由于分布式发电具有传统大电网所不具备的可再生、分布广泛等优势，因此微网作为新能源组网的主要形式得到了迅速的发展，并使分布式电源的并网运行更加便捷7-8。将分布式发电、储能单元、负荷、电能变换装置进行整合，从而构成一个微网系统，其结构如图1所示。图1微网结构示意图微 网 中，光 伏(Photovoltaic，PV)、风 力(WindTurbine，WT)等新能源发电通过变换器等装置转换成交流电并入母线，各种类型的负荷从母线上取电。同时配备储能装置，在新能源出力较多时进行存储，从而减少弃风、弃光现象的发生；当新能源为负荷供电出力不足时，可通过负荷及储能装置的调节提升系统的新能源消纳能力9。1.2新能源出力光伏阵列的输出功率PPV是在标准实验条件下，考虑到现场实际的光照强度和环境温度，所产生的每个光伏板的功率总和。PPV的计算如下：PPV=PSTCDCDSTC1+()TC-TSTC（1）式中，PPV为光伏板的输出功率；PSTC为标准实验条件下的光伏板输出；为光伏板的转移效率；DC、DSTC分别为实际和标准实验条件下的太阳辐射强度；TC、TSTC分别是光伏板的实际温度和标准测试条件下的温度。同样，风力发电输出功率PWT的计算方法如下：PWT=(),V3wA2（2）式中，Vw为风速；为空气密度；A为风车转子的横截面；为功率系数；为叶片的俯仰角；=r/Vw为包括转子角速度的叶尖速比，r为风叶长度。综合来看，微网中新能源发电的出力PRESMGi计算为：PRESMGi=PPVMGi+PWTMGi（3）式中，MGi为第i个新能源。由于PV和WT的输出功率具有随机性而被视为不可控发电机组，因此需要明确二者的出力限制，以便进行系统内能源的协同控制并增加新能源的消纳。PV和WT应满足的功率约束为：|0PPVMGi,tP?PVMGi0PWTMGi,tP?WTMGi（4）式中，P?PVMGi与P?WTMGi分别是 PV 和 WT 功率输出的最大值。2微网消纳数据分析算法对于微网中新能源消纳数据的分析，首先采用知识图谱将数据转化成图形结构；然后利用 GCN模型学习新能源消纳的图特征；最终根据图特征制定微网能量调控措施，例如切负荷或储能充电等。基于知识图谱和特征识别的微电网数据分析系统架构，如图2所示。构建知识图谱的原始数据来源于微网资源数据集，通过抽取知识图谱实体，并结合知识融合计算形成三元组，最终保存到知识图谱库10-11。随后利用GCN 模型识别图特征，掌握当下系统的新能源消纳情况，并为之后的决策提供条件和依据。冯 侃，等基于知识图谱与特征识别的新能源微网消纳数据分析算法研究-163电子设计工程 2023年第6期2.1知识图谱的构建自 2012 年谷歌引入“知识图谱”概念并推出其第一个版本以来，知识图谱的研究引起了业界的广泛关注12。其本质上是一种图结构，使用数据中的“实体”概念作为节点，以实体之间的关系为边，进而形成间接图。这样不仅可以集成不同类型实体的特征信息，且还能获得实体之间不同类型的关系。“实 体-关 系-实 体”三 元 组 模 型 可 表 征 为G=()E,R,S，其是知识图谱常用的表示方式；其中，E、R、S分别表示知识库中的实体集合、实体间关系集合和三元组集合，即SERE。三元组主要可体现为两种形式，分别为“实体-关系-实体”以及“实体-属性-属性”。实体身份的编码值是唯一的，作为知识图谱的基本元素，其可通过“属性-属性值”形式对实体间的特征信息进行记录；而不同实体间的特征关联信息，则由实体之间的关系记录。构建知识图谱主要包含知识抽取、融合与应用三步。其中，数据库的知识提取包括实体词提取和关系词提取两部分。1）实 体 词 提 取：利 用 长 短 时 记 忆 网 络(LongShort-Term Memory，LSTM)模 型 结 合 条 件 随 机 场(Conditional Random Fields，CRF)从数据库中提取实体。给定一个单词特征Xt作为LSTM记忆单元ct在时间步长t的输入，从先前隐藏层信息Ht-1和当前输入特征Xt获得新记忆信息Ht。LSTM的输入门it、遗忘门ft以及记忆单元ct可表示如下：it=()iHt-1,Xt+bift=()fHt-1,Xt+bfct=()cHt-1,Xt+bc（5）式中，*与b*分别为各层的权重和偏置量；为激活函数。根据输入门与遗忘门，可更新记忆单元的信息为：c?t=ftc?t-1+itct（6）2）关系词提取：将数据库中实体之间的关系划分为预定义的类别，以完成关系提取。与 CRF模型结合的LSTM也可用于关系词提取，并且在最后一个Ht中添加SoFtmax分类器完成关系分类。2.2基于GCN的特征识别在微网新能源消纳知识提取中，首先将数据库中的实体词进行分割后嵌入到向量中，以提取词的功率和属性信息作为特征，即X=X1,X2,Xn。输入 LSTM模型得到序列H=H1,H2,Hn，然后将序列H输入 CRF 层，计算包含上下文信息的序列以获得实体注释序列的最终分类13；最后，手动构建并修改包含头、关系和尾的三元组集，以生成正确的三元组。为了提高微网新能源消纳数据分析的准确性，利用 GCN 模型学习微网数据知识的图谱特征14。GCN 模型的综合性能优越，能够直接从任意图形结构的输入中自动学习类型特征15-16，其架构如图 3所示。图3GCN架构GCN层通过将所有相邻节点的特征添加到节点特征来学习图形拓扑。图形中的节点集可作为特征矩阵Ulnd嵌入，其中n是节点数，d是节点特征的维数，l是 GCN的层数；邻接矩阵Bnn是 GCN层 的 输 入，其 对 角 线 元 素 设 置 为 1。节 点 特 征Ul+1nd由卷积运算函数更新生成为：Ul+1=(B?Ul?l)B?=T-12BT-12（7）图2微电网新能源数据分析系统的架构-164式中，为激活函数；B?为归一化对称邻接矩阵；?为变换权重；T为Bnn的度矩阵。3实验结果与分析为 验 证 文 中 方 法 的 有 效 性 和 可 行 性，使 用Protg本体建模工具对研究问题进行建模。同时，结合开源可视化工具、Eclipse编程工具和 MySQL数据库等组件实现算法性能的验证。3.1查询结果分析利用所提算法查询微网内新能源的消纳情况，选择时间段、风力、光伏、雷击、负荷类型、供需平衡、供大于需以及需大于供这八个搜索条件进行查询，结果如图4所示。图4微网新能源消纳情况查询结果从图 4 中可以看出，基于知识图谱查询结果的查准率和召回率大约分布在 85%95%之间，且均优于基于关键词的查询方法。由于利用知识图谱进行查询，可根据搜索条件的属性以及与其他实体的关系判定查询效果，因此较大程度上保证了查询的准确率。图 4（b）中的第 8个搜索条件为“供需平衡”，基于关键词搜索的方法无法理解，故搜索结果的召回率仅约为10%，而该文算法能够获取属性关系，得到的召回率约为 85%，展现出了知识图谱技术在语义搜索上的优越性。3.2数据分析结果对比为了验证该文算法的性能，采用准确率、召回率、F1值三个指标评价其与文献3、文献6、文献8中算法的分析结果。其中，分析测试集内2 000条新能源消纳情况记录数据在语料库中的匹配记录，并将这 2 000条测试记录的混淆矩阵取平均值进行统计，结果如表1所示。表1不同算法的分析结果对比指标准确率(%)召回率(%)F1值(%)文献380.7776.2878.06文献685.3882.3483.52文献887.1985.2786.65该文算法91.5389.9590.81从表中可以看出，相对于其他算法，该文算法的分析性能最佳，其准确率、召回率和 F1 值分别为91.53%、89.95%和 90.81%，均具有明显优势。这是由于其利用知识图谱技术，通过加入结构化数据信息可以提升分析效果，且 GCN模型能够更优地进行特征识别，便于制定决策。文献3采用改进K-means算法，文献6采用决策树算法完成数据分析，其算法性能较为单一且难以处理复杂的微网数据，故整体分析效果不佳。而文献8通过求解以新能源成本最小化为目标的优化模型，实现数据分析及能量的管控。其对于数据特征缺乏深入的分析，所以导致整体分析准确率低于90%。4结束语在当今的大数据时代，各行业知识均面临爆炸式增长。为了更为理想地获取微网数据信息，在深入研究了知识图谱与特征识别技术的基础上，该文提出了一种新能源微网消纳数据分析算法。通过对微网中的新能源消纳数据进行图形化处理以后，结合 GCN模型，最终识别出数据的图特征。实验结果表明，所提算法查准率和召回率大约分布在 85%95%，且数据分析准确率、召回率及 F1 值分别为91.53%、89.95%、90.81%，综合性能较为理想，可以为后续研究提供参考。目前知识图谱技术在电网中的应用研究尚处于初级阶段，且所提算法仅在知识图谱的知识提取阶段进行了技术融合。而在接下来的研究中，将深入分析知识图谱技术，以进一步提高所提算法的分析性能。参考文献：1 宋厚岩.基于图数据库的电力系统知识图谱研究冯 侃，等基于知识图谱与特征识别的新能源微网消纳数据分析算法研究-165电子设计工程 2023年第6期与应用D.北京:中国科学院大学,2021.2 张涛,胡娱欧,张晶,等.适应高比例新能源发展的电力市场容量保障机制分析J.电力建设,2021,42(3):117-125.3 张承畅,张华誉,罗建昌,等.基于云计算和改进K-means算法的海量用电数据分析方法J.计算机应用,2018,38(1):159-164.4 鄂志君,王桂林,李振斌,等.提升新能源电网消纳水平的混合储能系统优化控制方法J.电力系统及其自动化学报,2021,33(3):132-137.5 郝晓弘,李亚岚,顾群,等.基于DTW直方图的电力负荷数据聚类算法J.传感器与微系统,2020,39(12):140-142.6 谷云东,马冬芬,程红超.基于相似数据选取和改进梯度提升决策树的电力负荷预测J.电力系统及其自动化学报,2019,31(5):64-69.7 刘岩,吴以岷,徐荣敏,等.含智能负荷和分布式能源接入的配电网调度研究J.电力系统保护与控制,2018,46(20):116-123.8 孙碣,康赫然,韩永强,等.考虑新能源消纳的区域多能源系统网格化储能协调优化模型J.可再生能源,2020,38(11):1551-1556.9 刘华志,李永刚,王优胤,等.无功电压优化对新能源消纳的影响J.电工技术学报,2019,34(S2):646-653.10乔骥,王新迎,闵睿,等.面向电网调度故障处理的知识图谱框架与关键技术初探J.中国电机工程学报,2020,40(18):5837-5849.11吕梦平,段斌,蒋海辉,等.基于知识图谱技术的风电数据管理与应用研究J.电力系统保护与控制,2021,49(6):167-173.12Taheri S S,Seyedshenava S,Mohadesi V,et al.Imp-roving operation indices of a micro-grid by batteryenergy storage using multi objective cuckoo searchalgorithmJ.InternationalJournalonElectricalEngineering and Informatics,2021,13(1):132-151.13于翔.含新能源微电网负荷响应的二阶电力模型研究J.电测与仪表,2019,56(7):102-106.14徐冰冰,岑科廷,黄俊杰,等.图卷积神经网络综述J.计算机学报,2020,43(5):755-780.15杨萌.基于注意力和特征复用机制的图卷积神经网络的高光谱图像分类D.西安:西安电子科技大学,2020.16田江伟,李俊锋,柳青.结合属性结构的图卷积实体对齐算法J.计算机应用研究,2021,38(7):1979-1982,1992.（上接第161页）12程晋雪,许春根,徐磊,等.非安全信道下的高效可搜索加密方案J.计算机工程,2019,45(7):188-193.13刘鹏,何倩,李双富,等.基于隐藏访问策略属性基的能源互联网数据保护J.计算机工程与科学,2019,41(4):649-656.14苏铓,吴槟,付安民,等.基于代理重加密的云数据访问授权确定性更新方案J.软件学报,2020,31(5):327-336.15张文哲,赖宇阳,陈海倩,等.主动配电网终端数据联合分层加密技术研究J.电子设计工程,2020,28(7):118-121,126.16牛娅敏.基于身份加密技术的网络支付系统的研究J.电子设计工程,2020,28(5):116-120.17邢朝平.局部修复码综述J.四川师范大学学报(自然科学版),2021,44(2):13.18郑力宁,金雪松,云利军.基于粒子群优化算法的云数据均衡放置策略J.广西师范大学学报(自然科学版),2022(3):143-155,140.19李良,李娟,刘丽梅,等.特种设备物联网网关研究与应用J.工业仪表与自动化装置,2021(5):104-107.20常鹏,吴泽群,孙文仲,等.基于PMU优化部署的电网CPS线下攻击保护J.智慧电力,2021,49(6):60-66,74.-166