發布時間：2022-01-23所屬分類：經濟論文瀏覽：1次
摘 要： 摘要：針對經濟活躍程度和復工復產重要評估依據中負荷主要生產時段提取偏差大的問題，文章提出了基于動態時間規整(DTW)的負荷主要生產時段特征提取方法，通過構建參考負荷曲線，將測試負荷曲線與參考負荷曲線進行時間維度的伸縮變換，達到測試與參考負荷曲線間的最佳映
摘要：針對經濟活躍程度和復工復產重要評估依據中負荷主要生產時段提取偏差大的問題，文章提出了基于動態時間規整(DTW)的負荷主要生產時段特征提取方法，通過構建參考負荷曲線，將測試負荷曲線與參考負荷曲線進行時間維度的伸縮變換，達到測試與參考負荷曲線間的最佳映射，進而實現了測試負荷主要生產時段的測算。文章以西南某區域典型商業負荷功率數據為案例進行負荷主要生產時間段提取，分析了異常測量數據對動態時間規整算法辨識主要生產時段的影響，實驗結果證明了文章所提方法在辨識主要生產時段方面的有效性和準確性。
關鍵詞：生產時段;動態時間規整;負荷特征;辨識
0 引 言
2019年底新型冠狀病毒引發的肺炎疫情發生以來，各地經濟受到嚴重影響[1]。為兼顧疫情防控要求和有效保障市民基本生活需求，大量商業綜合體縮短營業時長。自 2月中旬以來，各級政府一邊抓防疫，一邊采集措施推動經濟有序恢復。在開展商業體恢復情況監測和評價中，商業用戶有效營業時長是評價指標之一。商戶有效營業時長是否達到疫情前的正常水平，代表商業經營者的信心是否恢復。
隨著電網智能化進程的加快，智能電表的覆蓋率不斷提升，采集數據的廣度和頻度不斷增加，電力數據也呈海量增長趨勢[2]。在此背景下，基于電力數據的負荷特征分析由于可以更加精準直觀的反映電力負荷、客戶的特點，受到越來越多的關注[3-4]。同時，面向電力用戶的畫像技術[5]，融合了負荷模式，可在多種維度反映用戶特征。負荷主要生產時段即是多種特征維度之一。利用主要生產時段特征，電網運行者可以制定針對性的刺激策略、合理安排運行方式，達到提升客戶服務水平、錯峰用電、經濟運行[6-7]等目標。因此，利用電力數據開展商業用戶營業時長特征的測算，具有顯著意義和良好基礎。
在電力用戶主要生產時段的應用方面，文獻[8]通過識別電器啟停時刻，綜合判斷電力用戶作息時間，在對用戶負荷出現的主要時段方面，采用的是早峰、中峰、晚峰的三種劃分;文獻[9]研究了客戶標簽和畫像技術，論文對負荷用電時段按照峰偏好、谷偏好、峰谷均衡三個時段進行標簽劃分。
從文獻分析可知，已有文獻中對主要生產時段提取方法的研究相對較少，且對于生產時段的描述和刻畫較為粗糙，在精準刻畫用戶用電時段特征方面存在不足。對負荷主要生產時段進行識別，顯而易見的方法是通過功率曲線的上升下降點辨識來實現，即是通過對負荷功率進行差分計算，然后查找功率差分中正的最大值和負的最大值，分別代表主要生產時段的起始點和終止點。但該方法受功率波動、數據異常等的影響較大。
動態時間規整(Dynamic Time Warping， DTW)是由日本學者Itakura提出，早期用于語音識別領域，通過對測試時間序列信號和參考時間序列信號的規整變換，實現最佳匹配，具有較好處理動態過程、計算速度快、結論直觀的優點，現已廣泛應用于工業設備故障診斷、手勢信號識別、信息檢索等領域 [10-12]。
文章提出利用動態時間規整方法，對負荷日功率曲線數據與參考曲線數據進行規整變換，得到最優規整路徑，進而計算測試負荷的主要生產時段和時長。
1 動態時間規整算法原理
動態時間規整是一種衡量兩個時間序列信號相似度的方法，適用于兩時間序列長度不一致的情況。該方法以規整后的信號相似度最大為目標函數，對兩個時間序列信號的測量點在時間維度上進行拉伸或壓縮，不改變信號序列的時間先后順序，僅對信號點的持續時長進行變換[13]。在語音識別領域，由于不同說話者的語速、停頓等發音習慣不一致，通過時間維度的信號規整，可以實現不同說話者對同一信息的相似匹配。動態時間規整示意圖如圖1所示。
動態時間規整需滿足三個原則：
(1)邊界條件原則。規整路徑的起始點和終止點，必須分別為兩時間序列信號的起始點和終止點;
(2)單調性原則。規整后的時間序列信號各信號點的先后順序必須與規整前信號點的先后順序保持一致，即圖 1 中虛線表示的規整映射路徑不能交叉;
(3)連續性原則。其中一個時間序列當前規整的信號點，必須與前一信號測量點對應另一時間序列上的信號點或其之后緊接的信號點進行規整對應，不能跳過原始時間序列上的信號點。
3 算例分析
為驗證文章提出的基于 DTW 算法提取負荷主要生產時段方法的有效性，文章選取西南某區域 41 個典型商業負荷樣本功率曲線數據進行了測試。
樣本曲線 TestData 均為 96 點日功率曲線，代表采樣間隔為 15 分鐘。為不降低辨識精度，構造參考功率曲線 RefData 也為 96 點曲線，假設功率曲線起始時刻𝑡_start為 8 點，終點時刻 t_end 為 20 點，則起始、終點時刻點的數據編號 rt_start 和 rt_end 分別為 32 和 80。
歸一化后的 41 個典型商業負荷樣本曲線如圖 4 所示。
3.1 典型負荷的動態規整變換
選取其中某一樣本負荷曲線進行動態規整變化。其原始歸一化負荷曲線與參考功率曲線如圖 5 所示。
對負荷曲線1與參考功率曲線進行動態時間規整變換，得到累計距離熱圖和最佳規整路徑，如圖 6 所示。
繪制動態時間規整后的兩條功率曲線，如圖 7 所示。
利用歐式距離及皮爾遜相關系數，分別計算規整前后兩條功率曲線的相似度。計算結果如表 1 所示。
可見，經過動態規整，測試曲線和參考曲線的歐氏距離從 3.075 9 減少至 1.703 6，兩曲線的皮爾遜相關系數從 0.803 3 顯著提高到 0.975 5，且測試負荷功率曲線與參考功率曲線的起始、終止時刻重合。表明，通過 DTW 可以實現測試負荷與參考負荷的主要生產時段起始、終止點對應，進而實現測試負荷主要生產時段的測算。
3.2 數據異常對主要生產時段提取的影響
由于數據測量異常或傳輸異常[14]，電網智能采集系統獲取的數據不可避免的存在誤差、缺失或異常等問題 [15]，現有的異常數據修復方法僅能對噪聲數據進行識別和填充[16]，而對于處于主要生產時段、位于正常功率范圍的用電數據修復方法并不完善。同時，基于數據挖掘的異常檢測方法計算復雜[17]，在工程應用中并不能滿足實時計算需求。因此，文章開展了異常數據對 DTW 算法識別主要生產時段的影響分析，測試其在工程應用中的潛力。
下面，文章在正常功率數據中人為引入異常數據，隨機生成位于 0-1 之間的數據，模擬測量異常數據，并隨機插入原始信號中。對于原始功率信號和插入異常數據的功率信號，分別利用 DTW 辨識算法計算主要生產時段，測試 DTW 算法在異常功率數據影響下的主要生產時段辨識性能。測試結果如圖 8 所示。
從圖 8(a)可以看出，在原始功率信號中，DTW 辨識得到的主要生產時段起于數據點 36(對應 9 點)，終止于數據點 86(對應 21 點 30 分)。從圖 8(b)看出，在隨機加入 10 個隨機異常數據后，DTW 辨識得到的主要生產時段同樣起于數據點 36(對應 9 點)，終止于數據點 86(對應 21 點 30 分)。表明，在異常測量數據的背景下，DTW 算法辨識得到的主要生產時段與沒有異常數據時的結果沒有差異，驗證了 DTW 算法在開展負荷主要生產時段辨識時，可有效克服異常測量數據的影響。
3.3 負荷波動對生產時段提取的影響
選取在生產時段內波動較大的負荷曲線，分別采用搜尋最大上升下降點算法和 DTW 算法辨識負荷主要生產時段，測試負荷大幅波動對生產時段辨識的影響。結果如圖 9 所示。
從圖 9 可以看出，負荷開始生產和終止生產時刻點分別約為 8 點 30 分與 21 點 45 分，對應圖中的數據點 34 和數據點 87。在生產時段內，負荷波動幅度較大，其均值為 0.607 2，標準差為 0.194 0。
利用最大上升下降沿識別方法得到的開始生產時刻和終止生產時刻數據點分別為 40 和 57，分別對應 10 點和 14 點 15 分;而利用 DTW 算法測算得到的開始生產時刻和終止生產時刻數據點分別為 35 和 87，分別對應 8 點 45 分和 21 點 45 分�？梢�，利用上升下降沿算法識別負荷主要生產起始和終止時刻點，容易受到負荷波動的影響;而 DTW 算法受負荷波動的影響相對較小，能夠更加準確的識別到負荷的主要生產時段。
3.4 負荷主要生產時段的測算與對比
利用 DTW 算法對 41 個測試樣本負荷的起始、終止時刻點、主要生產時段時長進行計算。同時，與搜尋最大上升下降點辨識主要生產時段的方法進行對比。辨識結果及兩種方法的測算誤差如表 2 所示。
對誤差 5.97%，標準差為 36 分鐘。而利用最大上升下降點辨識得到時長誤差均值和標準差明顯高于 DTW 方法，分別為 3 小時 55 分鐘和 4 小時 45 分鐘，時長相對誤差 30.52%，較 DTW 算法計算的時長相對誤差高 24.55個百分點，標準差大 4小時9 分鐘。
從具體樣本來看，基于 DTW 方法計算得到的時長誤差最大的為 9 號樣本，測算誤差為 3 小時，而該樣本在利用上升下降點辨識的時長誤差為 13 小時 30 分鐘。
因此，整體來看，基于 DTW 方法計算的時長誤差相對上升下降點辨識方法計算的誤差更小，計算結果更加準確。
4 結束語
文章提出了一種利用動態時間規整實現重要商業主要生產時段提取的方法，為商業體發展情況評估、重要用戶畫像提供了重要的參考指標。有如下研究結論：
(1)受商業用戶負荷波動影響，傳統的利用用電功率上升下降點辨識的方法誤差較大，難以準確提取生產時段的起始和終止時間。實際算例表明，利用該方法辨識的時長相對誤差達到 30.52%;
(2)利用動態時間規整方法進行營業時間辨識可以極大減少負荷波動對分析結果的影響，算法魯棒性更強。同時，利用 DTW 算法，可以利用標準曲線伸縮的思路去適應不同營業時間的企業，計算簡便;
(3)西南某區域典型商業負荷功率數據測算結果表明，利用本文提出的方法可以準確的得到商業用戶的主要生產時段，時長相對誤差約為 5.97%，較基于負荷上升下降的方法減少 24.55 個百分點。——論文作者：唐偉 1，羅曉伊 2，滕予非 1，李堅 3，靳旦 1
參 考 文 獻
[1] Lu R, Zhao X, Li J, et al. Genomic characterization and epidemiology of 2019 novel coronavirus: implications for virus origins and receptor binding[J]. Lancet, 2020, 395(10224): 565-574.
[2] 宋亞奇, 周國亮, 朱永利. 智能電網大數據處理技術現狀與挑戰[J]. 電網技術, 2013, 37(4): 927-935. Song Yaqi, Zhou Guoliang, Zhu Yongli. Present status and challenges of big data processing in smart grid[J]. Power System Technology, 2013, 37(4): 927-935.
[3] 王志勇, 曹一家. 電力客戶負荷模式分析[J]. 電力系統及其自動化學報, 2007, (3): 62-65. Wang Zhiyong, Cao Yijia. Electric power system load profiles analysis[J]. Proceedings of the Chinese Society of Universities for Electric Power System and Automation, 2007, (3): 62-65.
[4] 張小斐, 魏玲, 王自強, 等. 基于負荷特性的大用戶業擴輔助分析方法[J]. 電測與儀表, 2019, 56(12): 44-48, 84. Zhang Xiaofei, Wei Ling, Wang Ziqiang, et al. Auxiliary analysis method of power supply access for large consumers based on load characteristics[J]. Electrical Measurement & Instrumentation, 2019, 56(12): 44-48, 84.
[5]費鵬, 林鴻飛, 楊亮, 等. 一種用于構建用戶畫像的多視角融合框架[J]. 計算機科學, 2018, 45(1): 179-182, 204. Fei Peng, Lin Hongfei, Yang Liang, et al. Multi-view ensemble framework for constructing user profile[J]. Computer Science, 2018, 45(1): 179-182, 204.
[6] 孫煜華, 吳永歡, 林志波, 等. 基于大數據平臺的居民負荷變尺度畫像技術實現與應用[J]. 供用電, 2019, 36(8): 41-48. Sun Yuhua, Wu Yonghuan, Lin Zhibo, et al. Research on the technique of variable scale refined user portrait of load based on big data platform[J]. Distribution & Utilization, 2019, 36(8): 41-48.
[7] 李天陽, 趙興旺, 肖文舉. 面向峰谷平衡的商業樓宇空調負荷調控技術[J]. 電力系統自動化, 2015, 39(17): 96-102. Li Tianyang, Zhao Xingwang, Xiao Wenju. Regulation technology of air-conditioning load in commercial buildings for balance of power grid peak and valley[J]. Automation of Electric Power Systems, 2015, 39(17): 96-102.
[8] 徐濤, 黃莉, 李敏蕾, 等. 基于多維細粒度行為數據的居民用戶畫像方法研究[J]. 電力需求側管理, 2019, 21(3): 47-52, 58. Xu Tao, Huang Li, Li Minlei, et al. Research on portrait method of residential users based on multi-dimensional fine-grained behavior data[J]. Power Demand Side Management, 2019, 21(3): 47-52, 58.
[9] 王成亮, 鄭海雁. 基于模糊聚類的電力客戶用電行為模式畫像[J]. 電測與儀表, 2018, 55(18): 77-81. Wang Chengliang, Zhen Haiyan. A portrait of electricity consumption behavior mode of power users based on fuzzy clustering[J]. Electrical Measurement & Instrumentation, 2018, 55(18): 77-81.
SCISSCIAHCI
