引言
智能电网是其主要发展方向，但是在开展各个环节的信息化建设过程中，电力数据得到关注。大数据时代的到来让人们认识到数据价值，而电力数据信息能够有效解决电网安全稳定问题，为电网运行状态的把控提供支持。因此，研究用于电力数据管理分析的负荷预测与异常检测算法是必要的。
1基于需求响应的电力数据采集
为实现电力负荷的自动调度，首先引入需求响应概念，充分满足用电用户的需求响应，针对各个用电用户的电力数据进行采集。针对大规模数据采集系统中采集速率低、服务器负载过重以及数据节点网络地址不稳定等问题，提出基于多线程机制的电力数据采集系统设计方案。通过合理配置多个数据采集线程并发工作完成从多个数据节点采集实时数据，通过建立监听线程来保障系统与数据节点间通信连接的可靠性。选用TSDA687-2160型号电力数据采集装置，该型号装置内包含电力数据接口、信息过滤装置等结构，在应用中效率较高且能耗较低。使用该型号电力数据采集装置当中的球阀、遥控调节器、电力信息传输接口、信息过滤装置和信息采集芯片对不同用电用户的电力数据进行采集。该装置在获取电力数据时，主要通过控制多种辅助模块实现分时采集用电用户电力数据，以此可以最大化地实现对电力数据的利用。同时在该装置采集过程中，引入数据交互装置，当电力数据量超过上限时，可以通过交互器实现自动存储电力数据。当电力数据能够继续进行处理时，可自动开启数据采集装置，以此实现对后续电力负荷的自动化处理功能。
2用电负荷预测
2.1 BP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，本节首先建立了如图1所示的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。
图1 BP神经网络电力负荷预测模型
2.2用电负荷预测算法
电负荷预测是指以历史用电数据为基础，结合历史用电影响特征估计未来的用电负荷，在电力数据管理系统的运作下，相关工作人员可以从中获得准确且全面的电力数据。就目前用电负荷特征来看，其主要分为五种类型，分别为最低温蒂、降雨量、最高温度、相对湿度以及具体日期。但是用电符合数据具有一定随机性与周期性，因此，在选择用电负荷预测算法时，主要以BP神经网络和粒子群为基础，以此保证预测结果的科学性与准确性。
3电力数据异常检测算法
由于在电力系统运行过程中，因为设备因素、环境因素等方面的影响，电力数据可能会出现异常，为更好检测电力数据管理中的异常数据，主要采用以改进谱聚类为基础的异常数据检测方法。
3.1谱聚类算法改进
谱聚类算法主要是以谱图理论为基础能够聚类并收敛于全局最优解的算法，该算法对样本空间的适应性极高，可以在任意形状的样本空间进行最优解的聚类与收敛。该算法是对聚类问题进行处理，将其转变为图，之后进行最优化划分问题的处理，在数据聚类方面具有良好发展前景。随着智能电网的不断发展，电力数据产生量不断增加，异常数据检测工作往往面向海量的电力数据，为更好实现目标数据的采集与分析，在对谱聚类算法进行改进时主要采用小批量k均值聚类进行，不再使用以往的原始谱聚类的k均聚类。通过使用小批量k均值聚类，能够实现对部分数据的聚类操作，一方面提高电力数据中异常数据检测的整体效率，另一方面还能够减少样本数据。
3.2异常数据检测实验
为了测试系统设计的电力异常数据检测算法性能，选取了智能电网中存储的某电厂收集的真实电力数据集进行实验。该数据采集时间间隔为1分钟，数据属性包括平均温度、相对湿度、净电能输出和排气真空度等。首先将分钟级数据处理为小时级别数据，并经过人工分析后，标记出31条异常电厂数据。然后对数据进行Z值归一化处理，应用文中提出的改进谱聚类算法分析电力数据，分析结果如图2所示。图中横坐标展示的是排气真空度数据，纵坐标展示的是每小时的净电能数据，图中用符号“⋄”表示改进谱聚类算法检测出的候选异常数据点，符号“×”和“+”表示改进谱聚类算法处理得出的正常类簇。实验结果表明，改进谱聚类算法能够有效检测出处于类簇边缘的数据，这些数据很有可能就是电力系统中的异常数据，因此将其标记为后续异常数据是合理的，实验结果验证了算法的有效性。
图2电力数据异常检测结果
经过统计，改进谱聚类算法共检测出33个候选异常数据点。按照杰卡德相似系数处理后，最终获得异常数据点个数为30个。处理结果表明，候选异常数据点并不是最终的异常数据点，杰卡德相似系数能够有效降低直接采用改进谱聚类算法得出异常数据点的虚警概率。为了进一步验证文中提出的电力数据异常检测算法性能，将其在相同条件下与K均值聚类算法、小批量聚类算法、谱聚类算法进行对比，实验结果如表1所示。实验结果表明，本文提出的改进谱聚类算法对电力异常数据的检测正确率高于其它三种检测方法。图3给出了四种算法的运行时间随着数据量的变化曲线，图中横坐标为系统输入的相同结构的数据量，纵坐标表示异常数据检测算法的运行时间。实验结果表明，随着数据量的增加，4种算法的运行时间均呈现出增加的趋势，但本文提出的改进谱聚类异常数据检测算法的运行效率更高。
图3异常数据检测算法运行效率
结语
电力数据已成为电网发展与优化的重要基础，尤其是电力负荷预测以及电力数据异常检测。为更好解决电网运行问题，应对预测与检测算法进行优化与拓展，充分发挥数据在可持续发展中的应用。
参考文献
[1]郭成,王宵,王波,王加富.基于多层融合神经网络模型的短期电力负荷预测方法[J].计算机与现代化,2021(10):94-99+106.
[2]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.
