發(fā)布時(shí)間：2022-01-23所屬分類：經(jīng)濟(jì)論文瀏覽：1次
摘 要： 摘要：針對經(jīng)濟(jì)活躍程度和復(fù)工復(fù)產(chǎn)重要評估依據(jù)中負(fù)荷主要生產(chǎn)時(shí)段提取偏差大的問題，文章提出了基于動(dòng)態(tài)時(shí)間規(guī)整(DTW)的負(fù)荷主要生產(chǎn)時(shí)段特征提取方法，通過構(gòu)建參考負(fù)荷曲線，將測試負(fù)荷曲線與參考負(fù)荷曲線進(jìn)行時(shí)間維度的伸縮變換，達(dá)到測試與參考負(fù)荷曲線間的最佳映
摘要：針對經(jīng)濟(jì)活躍程度和復(fù)工復(fù)產(chǎn)重要評估依據(jù)中負(fù)荷主要生產(chǎn)時(shí)段提取偏差大的問題，文章提出了基于動(dòng)態(tài)時(shí)間規(guī)整(DTW)的負(fù)荷主要生產(chǎn)時(shí)段特征提取方法，通過構(gòu)建參考負(fù)荷曲線，將測試負(fù)荷曲線與參考負(fù)荷曲線進(jìn)行時(shí)間維度的伸縮變換，達(dá)到測試與參考負(fù)荷曲線間的最佳映射，進(jìn)而實(shí)現(xiàn)了測試負(fù)荷主要生產(chǎn)時(shí)段的測算。文章以西南某區(qū)域典型商業(yè)負(fù)荷功率數(shù)據(jù)為案例進(jìn)行負(fù)荷主要生產(chǎn)時(shí)間段提取，分析了異常測量數(shù)據(jù)對動(dòng)態(tài)時(shí)間規(guī)整算法辨識(shí)主要生產(chǎn)時(shí)段的影響，實(shí)驗(yàn)結(jié)果證明了文章所提方法在辨識(shí)主要生產(chǎn)時(shí)段方面的有效性和準(zhǔn)確性。
關(guān)鍵詞：生產(chǎn)時(shí)段;動(dòng)態(tài)時(shí)間規(guī)整;負(fù)荷特征;辨識(shí)
0 引 言
2019年底新型冠狀病毒引發(fā)的肺炎疫情發(fā)生以來，各地經(jīng)濟(jì)受到嚴(yán)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(yè)綜合體縮短營業(yè)時(shí)長。自 2月中旬以來，各級(jí)政府一邊抓防疫，一邊采集措施推動(dòng)經(jīng)濟(jì)有序恢復(fù)。在開展商業(yè)體恢復(fù)情況監(jiān)測和評價(jià)中，商業(yè)用戶有效營業(yè)時(shí)長是評價(jià)指標(biāo)之一。商戶有效營業(yè)時(shí)長是否達(dá)到疫情前的正常水平，代表商業(yè)經(jīng)營者的信心是否恢復(fù)。
隨著電網(wǎng)智能化進(jìn)程的加快，智能電表的覆蓋率不斷提升，采集數(shù)據(jù)的廣度和頻度不斷增加，電力數(shù)據(jù)也呈海量增長趨勢[2]。在此背景下，基于電力數(shù)據(jù)的負(fù)荷特征分析由于可以更加精準(zhǔn)直觀的反映電力負(fù)荷、客戶的特點(diǎn)，受到越來越多的關(guān)注[3-4]。同時(shí)，面向電力用戶的畫像技術(shù)[5]，融合了負(fù)荷模式，可在多種維度反映用戶特征。負(fù)荷主要生產(chǎn)時(shí)段即是多種特征維度之一。利用主要生產(chǎn)時(shí)段特征，電網(wǎng)運(yùn)行者可以制定針對性的刺激策略、合理安排運(yùn)行方式，達(dá)到提升客戶服務(wù)水平、錯(cuò)峰用電、經(jīng)濟(jì)運(yùn)行[6-7]等目標(biāo)。因此，利用電力數(shù)據(jù)開展商業(yè)用戶營業(yè)時(shí)長特征的測算，具有顯著意義和良好基礎(chǔ)。
在電力用戶主要生產(chǎn)時(shí)段的應(yīng)用方面，文獻(xiàn)[8]通過識(shí)別電器啟停時(shí)刻，綜合判斷電力用戶作息時(shí)間，在對用戶負(fù)荷出現(xiàn)的主要時(shí)段方面，采用的是早峰、中峰、晚峰的三種劃分;文獻(xiàn)[9]研究了客戶標(biāo)簽和畫像技術(shù)，論文對負(fù)荷用電時(shí)段按照峰偏好、谷偏好、峰谷均衡三個(gè)時(shí)段進(jìn)行標(biāo)簽劃分。
從文獻(xiàn)分析可知，已有文獻(xiàn)中對主要生產(chǎn)時(shí)段提取方法的研究相對較少，且對于生產(chǎn)時(shí)段的描述和刻畫較為粗糙，在精準(zhǔn)刻畫用戶用電時(shí)段特征方面存在不足。對負(fù)荷主要生產(chǎn)時(shí)段進(jìn)行識(shí)別，顯而易見的方法是通過功率曲線的上升下降點(diǎn)辨識(shí)來實(shí)現(xiàn)，即是通過對負(fù)荷功率進(jìn)行差分計(jì)算，然后查找功率差分中正的最大值和負(fù)的最大值，分別代表主要生產(chǎn)時(shí)段的起始點(diǎn)和終止點(diǎn)。但該方法受功率波動(dòng)、數(shù)據(jù)異常等的影響較大。
動(dòng)態(tài)時(shí)間規(guī)整(Dynamic Time Warping， DTW)是由日本學(xué)者Itakura提出，早期用于語音識(shí)別領(lǐng)域，通過對測試時(shí)間序列信號(hào)和參考時(shí)間序列信號(hào)的規(guī)整變換，實(shí)現(xiàn)最佳匹配，具有較好處理動(dòng)態(tài)過程、計(jì)算速度快、結(jié)論直觀的優(yōu)點(diǎn)，現(xiàn)已廣泛應(yīng)用于工業(yè)設(shè)備故障診斷、手勢信號(hào)識(shí)別、信息檢索等領(lǐng)域 [10-12]。
文章提出利用動(dòng)態(tài)時(shí)間規(guī)整方法，對負(fù)荷日功率曲線數(shù)據(jù)與參考曲線數(shù)據(jù)進(jìn)行規(guī)整變換，得到最優(yōu)規(guī)整路徑，進(jìn)而計(jì)算測試負(fù)荷的主要生產(chǎn)時(shí)段和時(shí)長。
1 動(dòng)態(tài)時(shí)間規(guī)整算法原理
動(dòng)態(tài)時(shí)間規(guī)整是一種衡量兩個(gè)時(shí)間序列信號(hào)相似度的方法，適用于兩時(shí)間序列長度不一致的情況。該方法以規(guī)整后的信號(hào)相似度最大為目標(biāo)函數(shù)，對兩個(gè)時(shí)間序列信號(hào)的測量點(diǎn)在時(shí)間維度上進(jìn)行拉伸或壓縮，不改變信號(hào)序列的時(shí)間先后順序，僅對信號(hào)點(diǎn)的持續(xù)時(shí)長進(jìn)行變換[13]。在語音識(shí)別領(lǐng)域，由于不同說話者的語速、停頓等發(fā)音習(xí)慣不一致，通過時(shí)間維度的信號(hào)規(guī)整，可以實(shí)現(xiàn)不同說話者對同一信息的相似匹配。動(dòng)態(tài)時(shí)間規(guī)整示意圖如圖1所示。
動(dòng)態(tài)時(shí)間規(guī)整需滿足三個(gè)原則：
(1)邊界條件原則。規(guī)整路徑的起始點(diǎn)和終止點(diǎn)，必須分別為兩時(shí)間序列信號(hào)的起始點(diǎn)和終止點(diǎn);
(2)單調(diào)性原則。規(guī)整后的時(shí)間序列信號(hào)各信號(hào)點(diǎn)的先后順序必須與規(guī)整前信號(hào)點(diǎn)的先后順序保持一致，即圖 1 中虛線表示的規(guī)整映射路徑不能交叉;
(3)連續(xù)性原則。其中一個(gè)時(shí)間序列當(dāng)前規(guī)整的信號(hào)點(diǎn)，必須與前一信號(hào)測量點(diǎn)對應(yīng)另一時(shí)間序列上的信號(hào)點(diǎn)或其之后緊接的信號(hào)點(diǎn)進(jìn)行規(guī)整對應(yīng)，不能跳過原始時(shí)間序列上的信號(hào)點(diǎn)。
3 算例分析
為驗(yàn)證文章提出的基于 DTW 算法提取負(fù)荷主要生產(chǎn)時(shí)段方法的有效性，文章選取西南某區(qū)域 41 個(gè)典型商業(yè)負(fù)荷樣本功率曲線數(shù)據(jù)進(jìn)行了測試。
樣本曲線 TestData 均為 96 點(diǎn)日功率曲線，代表采樣間隔為 15 分鐘。為不降低辨識(shí)精度，構(gòu)造參考功率曲線 RefData 也為 96 點(diǎn)曲線，假設(shè)功率曲線起始時(shí)刻𝑡_start為 8 點(diǎn)，終點(diǎn)時(shí)刻 t_end 為 20 點(diǎn)，則起始、終點(diǎn)時(shí)刻點(diǎn)的數(shù)據(jù)編號(hào) rt_start 和 rt_end 分別為 32 和 80。
歸一化后的 41 個(gè)典型商業(yè)負(fù)荷樣本曲線如圖 4 所示。
3.1 典型負(fù)荷的動(dòng)態(tài)規(guī)整變換
選取其中某一樣本負(fù)荷曲線進(jìn)行動(dòng)態(tài)規(guī)整變化。其原始?xì)w一化負(fù)荷曲線與參考功率曲線如圖 5 所示。
對負(fù)荷曲線1與參考功率曲線進(jìn)行動(dòng)態(tài)時(shí)間規(guī)整變換，得到累計(jì)距離熱圖和最佳規(guī)整路徑，如圖 6 所示。
繪制動(dòng)態(tài)時(shí)間規(guī)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(guān)系數(shù)，分別計(jì)算規(guī)整前后兩條功率曲線的相似度。計(jì)算結(jié)果如表 1 所示。
可見，經(jīng)過動(dòng)態(tài)規(guī)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(guān)系數(shù)從 0.803 3 顯著提高到 0.975 5，且測試負(fù)荷功率曲線與參考功率曲線的起始、終止時(shí)刻重合。表明，通過 DTW 可以實(shí)現(xiàn)測試負(fù)荷與參考負(fù)荷的主要生產(chǎn)時(shí)段起始、終止點(diǎn)對應(yīng)，進(jìn)而實(shí)現(xiàn)測試負(fù)荷主要生產(chǎn)時(shí)段的測算。
3.2 數(shù)據(jù)異常對主要生產(chǎn)時(shí)段提取的影響
由于數(shù)據(jù)測量異常或傳輸異常[14]，電網(wǎng)智能采集系統(tǒng)獲取的數(shù)據(jù)不可避免的存在誤差、缺失或異常等問題 [15]，現(xiàn)有的異常數(shù)據(jù)修復(fù)方法僅能對噪聲數(shù)據(jù)進(jìn)行識(shí)別和填充[16]，而對于處于主要生產(chǎn)時(shí)段、位于正常功率范圍的用電數(shù)據(jù)修復(fù)方法并不完善。同時(shí)，基于數(shù)據(jù)挖掘的異常檢測方法計(jì)算復(fù)雜[17]，在工程應(yīng)用中并不能滿足實(shí)時(shí)計(jì)算需求。因此，文章開展了異常數(shù)據(jù)對 DTW 算法識(shí)別主要生產(chǎn)時(shí)段的影響分析，測試其在工程應(yīng)用中的潛力。
下面，文章在正常功率數(shù)據(jù)中人為引入異常數(shù)據(jù)，隨機(jī)生成位于 0-1 之間的數(shù)據(jù)，模擬測量異常數(shù)據(jù)，并隨機(jī)插入原始信號(hào)中。對于原始功率信號(hào)和插入異常數(shù)據(jù)的功率信號(hào)，分別利用 DTW 辨識(shí)算法計(jì)算主要生產(chǎn)時(shí)段，測試 DTW 算法在異常功率數(shù)據(jù)影響下的主要生產(chǎn)時(shí)段辨識(shí)性能。測試結(jié)果如圖 8 所示。
從圖 8(a)可以看出，在原始功率信號(hào)中，DTW 辨識(shí)得到的主要生產(chǎn)時(shí)段起于數(shù)據(jù)點(diǎn) 36(對應(yīng) 9 點(diǎn))，終止于數(shù)據(jù)點(diǎn) 86(對應(yīng) 21 點(diǎn) 30 分)。從圖 8(b)看出，在隨機(jī)加入 10 個(gè)隨機(jī)異常數(shù)據(jù)后，DTW 辨識(shí)得到的主要生產(chǎn)時(shí)段同樣起于數(shù)據(jù)點(diǎn) 36(對應(yīng) 9 點(diǎn))，終止于數(shù)據(jù)點(diǎn) 86(對應(yīng) 21 點(diǎn) 30 分)。表明，在異常測量數(shù)據(jù)的背景下，DTW 算法辨識(shí)得到的主要生產(chǎn)時(shí)段與沒有異常數(shù)據(jù)時(shí)的結(jié)果沒有差異，驗(yàn)證了 DTW 算法在開展負(fù)荷主要生產(chǎn)時(shí)段辨識(shí)時(shí)，可有效克服異常測量數(shù)據(jù)的影響。
3.3 負(fù)荷波動(dòng)對生產(chǎn)時(shí)段提取的影響
選取在生產(chǎn)時(shí)段內(nèi)波動(dòng)較大的負(fù)荷曲線，分別采用搜尋最大上升下降點(diǎn)算法和 DTW 算法辨識(shí)負(fù)荷主要生產(chǎn)時(shí)段，測試負(fù)荷大幅波動(dòng)對生產(chǎn)時(shí)段辨識(shí)的影響。結(jié)果如圖 9 所示。
從圖 9 可以看出，負(fù)荷開始生產(chǎn)和終止生產(chǎn)時(shí)刻點(diǎn)分別約為 8 點(diǎn) 30 分與 21 點(diǎn) 45 分，對應(yīng)圖中的數(shù)據(jù)點(diǎn) 34 和數(shù)據(jù)點(diǎn) 87。在生產(chǎn)時(shí)段內(nèi)，負(fù)荷波動(dòng)幅度較大，其均值為 0.607 2，標(biāo)準(zhǔn)差為 0.194 0。
利用最大上升下降沿識(shí)別方法得到的開始生產(chǎn)時(shí)刻和終止生產(chǎn)時(shí)刻數(shù)據(jù)點(diǎn)分別為 40 和 57，分別對應(yīng) 10 點(diǎn)和 14 點(diǎn) 15 分;而利用 DTW 算法測算得到的開始生產(chǎn)時(shí)刻和終止生產(chǎn)時(shí)刻數(shù)據(jù)點(diǎn)分別為 35 和 87，分別對應(yīng) 8 點(diǎn) 45 分和 21 點(diǎn) 45 分。可見，利用上升下降沿算法識(shí)別負(fù)荷主要生產(chǎn)起始和終止時(shí)刻點(diǎn)，容易受到負(fù)荷波動(dòng)的影響;而 DTW 算法受負(fù)荷波動(dòng)的影響相對較小，能夠更加準(zhǔn)確的識(shí)別到負(fù)荷的主要生產(chǎn)時(shí)段。
3.4 負(fù)荷主要生產(chǎn)時(shí)段的測算與對比
利用 DTW 算法對 41 個(gè)測試樣本負(fù)荷的起始、終止時(shí)刻點(diǎn)、主要生產(chǎn)時(shí)段時(shí)長進(jìn)行計(jì)算。同時(shí)，與搜尋最大上升下降點(diǎn)辨識(shí)主要生產(chǎn)時(shí)段的方法進(jìn)行對比。辨識(shí)結(jié)果及兩種方法的測算誤差如表 2 所示。
對誤差 5.97%，標(biāo)準(zhǔn)差為 36 分鐘。而利用最大上升下降點(diǎn)辨識(shí)得到時(shí)長誤差均值和標(biāo)準(zhǔn)差明顯高于 DTW 方法，分別為 3 小時(shí) 55 分鐘和 4 小時(shí) 45 分鐘，時(shí)長相對誤差 30.52%，較 DTW 算法計(jì)算的時(shí)長相對誤差高 24.55個(gè)百分點(diǎn)，標(biāo)準(zhǔn)差大 4小時(shí)9 分鐘。
從具體樣本來看，基于 DTW 方法計(jì)算得到的時(shí)長誤差最大的為 9 號(hào)樣本，測算誤差為 3 小時(shí)，而該樣本在利用上升下降點(diǎn)辨識(shí)的時(shí)長誤差為 13 小時(shí) 30 分鐘。
因此，整體來看，基于 DTW 方法計(jì)算的時(shí)長誤差相對上升下降點(diǎn)辨識(shí)方法計(jì)算的誤差更小，計(jì)算結(jié)果更加準(zhǔn)確。
4 結(jié)束語
文章提出了一種利用動(dòng)態(tài)時(shí)間規(guī)整實(shí)現(xiàn)重要商業(yè)主要生產(chǎn)時(shí)段提取的方法，為商業(yè)體發(fā)展情況評估、重要用戶畫像提供了重要的參考指標(biāo)。有如下研究結(jié)論：
(1)受商業(yè)用戶負(fù)荷波動(dòng)影響，傳統(tǒng)的利用用電功率上升下降點(diǎn)辨識(shí)的方法誤差較大，難以準(zhǔn)確提取生產(chǎn)時(shí)段的起始和終止時(shí)間。實(shí)際算例表明，利用該方法辨識(shí)的時(shí)長相對誤差達(dá)到 30.52%;
(2)利用動(dòng)態(tài)時(shí)間規(guī)整方法進(jìn)行營業(yè)時(shí)間辨識(shí)可以極大減少負(fù)荷波動(dòng)對分析結(jié)果的影響，算法魯棒性更強(qiáng)。同時(shí)，利用 DTW 算法，可以利用標(biāo)準(zhǔn)曲線伸縮的思路去適應(yīng)不同營業(yè)時(shí)間的企業(yè)，計(jì)算簡便;
(3)西南某區(qū)域典型商業(yè)負(fù)荷功率數(shù)據(jù)測算結(jié)果表明，利用本文提出的方法可以準(zhǔn)確的得到商業(yè)用戶的主要生產(chǎn)時(shí)段，時(shí)長相對誤差約為 5.97%，較基于負(fù)荷上升下降的方法減少 24.55 個(gè)百分點(diǎn)。——論文作者：唐偉 1，羅曉伊 2，滕予非 1，李堅(jiān) 3，靳旦 1
參 考 文 獻(xiàn)
[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(wǎng)大數(shù)據(jù)處理技術(shù)現(xiàn)狀與挑戰(zhàn)[J]. 電網(wǎng)技術(shù), 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(fù)荷模式分析[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào), 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(qiáng), 等. 基于負(fù)荷特性的大用戶業(yè)擴(kuò)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(fèi)鵬, 林鴻飛, 楊亮, 等. 一種用于構(gòu)建用戶畫像的多視角融合框架[J]. 計(jì)算機(jī)科學(xué), 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(shù)據(jù)平臺(tái)的居民負(fù)荷變尺度畫像技術(shù)實(shí)現(xiàn)與應(yīng)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(yè)樓宇空調(diào)負(fù)荷調(diào)控技術(shù)[J]. 電力系統(tǒng)自動(dòng)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(xì)粒度行為數(shù)據(jù)的居民用戶畫像方法研究[J]. 電力需求側(cè)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.
