【摘 要】使用智能計數器中的大量數據進行大規模的詳細模擬會導致巨大的it成本。除了大型數據問題外，隨機負荷建模還面臨復雜且高度非線性的電氣模型。為此，提出了一種新的載荷建模方法，該方法簡化了數據的復雜性，同時保持了數據的分辨率并減少了線性載荷曲線的數量。最后通過試驗驗證了該方法的有效性和優點本文主要分析了智能儀表數據在智能電網負荷分析中的應用。

　　【關鍵詞】負載建模;負載分析;智能電表

　　1、建模方法

　　1.1數據預處理

　　預處理數據是指刪除數據集中缺少的值或包含零的數據樣本。該數據集由大約6000個用戶每半個小時的m條功耗序列記錄組成。

　　1.2擴展k均值聚類算法

　　擴展k平均類算法使用k平均類將每個類(父類)按層次分為兩個類(子類)，直到類中的每個節點都滿足關閉條件。第一個關閉條件是集群中的用戶數少于閾值。低于閾值的類被認為在類中具有足夠的模式相似性。經驗表明，在智能輻射計數據聚類方案和測試中，人口少于1%的內部聚類模型的相似性足以提取模型。雖然群集內的用戶較少，但it成本卻顯著增加。因此，必須在組數量和特性相似性之間保持平衡，以減少對it成本的影響，同時簡化數據。因此，根據經驗評估，1 %的用戶被視為第一個停止條件。分組過程的第二個停止條件是子類錯誤小于父類錯誤。選擇錯誤作為停止條件的主要障礙是數據的可變性。在類別結果的每個階段，都會計算父項和子項叢集的平均絕對錯誤百分比

　　1.3曲線平滑和線性化

　　從類結果生成平均能耗曲線文件，以便使用單個函數來表示類用戶的能耗數據模式。平均功耗曲線波動很大，使得數據模型不清楚。因此，可以應用曲線平滑技術(例如多項式曲線平滑和移動平均平滑)來平滑數據。較低的多項式次數難以捕捉，而較高的多項式次數受到拉格朗日現象的影響，使得曲線難以平滑化。在大多數情況下，平均功耗曲線可減少由于意外更改功耗而導致的數據噪音。要執行此操作，請使用移動平均平滑處理類數據。平滑后，將使用電氣曲線的線性來降低數據模型的復雜性。Taylor類的線性化過程允許對非線性函數進行線性化。功耗閾值點用作線性工作點。確定閾值點后，將忽略其用于線性化的數據點。忽略出現在三個數據點或一個半小時內的閾值點，以進一步減少更改。起點僅用作將泰勒系列擴展到第一級的操作點。高級別項目將被忽略，因為它們的影響微不足道。

　　2、網絡負載均衡算法分析

　　2.1關于物元分析模型的網絡評價

　　負載平衡是提高網絡運行質量的有效手段之一。對于異構無線網絡，使用負載平衡可以緩解資源分配不均的問題，在一定程度上減少企業擁塞，并有效提高資源利用率。在無線異構網絡環境中，為了實現負載平衡效果，可以通過選擇最佳的網絡接入來實現，同時結合元數據分析和相關功能的相關特性，可以對質量水平進行全面、精細的判斷選擇適當的網絡訪問時，可以參考配電通訊服務的優先級順序，并使用相應的算法進行計算分析。物理分析是一門新興的法律和方法學科，用于解決相互矛盾的問題，更適合于多因素評估。就網絡質量而言，對網絡的評估可導致相應的定性或定量評估。在網絡評估中應用元數據分析可以有效地解決相關沖突。通過建立適當的物理模型，可以確定網絡評估指標的權重，并通過計算相應的相關性來確定網絡級別。用戶要實現負載平衡，所選網絡的訪問權限必須高。

　　2.2評定網絡的質量等級

　　距離和相關功能為了量化要評估的網絡要素的特性，本文引入了距離概念。這基本上是實際變形函數中距離的概念。對于無線異構網絡的性能指標，根據相關知識理論，該指標差異越大，信息熵越小，系統需要給予更大的權重;另一方面，隨著業績指標之間的差距縮小，信息的熵值也隨之增大，因此提供的信息較少，只需對指標給予較低的權重即可。確定適當的陣列級別，以及對象在多大程度上與標準對象級別相對應，通常由相關性大小指示。相關性值越高，對象越符合要求。因此，可以通過計算不同網絡級別之間的相關性來確定網絡級別。

　　3、智能負載的提出

　　目前，世界主要的風能國家正在積極探索將風能等可再生能源納入電網的可能性，重點是積極發展智能電網和先進的大規模儲存系統。但是，智能電網本身并不生產和消耗電力，它們只是電力的載體，而發電終端則通過電網無條件地滿足電力終端的需求。因此，歐洲和美國的一些國家和地區，在迅速發展風能的同時，根據石油、天然氣和水力的優勢，正在大力適應先進能力燃料/天然氣股和混合動力股的發展，以適應對以下方面的需求和歐洲的西班牙一樣，過去十年來風力發電發展強勁，充電能力超過2×107kW，但具有深度調節能力的機組發展達到2×107 kw，調整機組總數遠遠高于l的總數由于中國的能源以煤炭為主，發電商很難立即轉變輸出電力以滿足電力消費者不斷變化的需求，國際先進智能電網的概念也無法解決大規模利用風能的問題發電機鍋爐燃燒系統具有延遲(反應緩慢)、延遲和無法對水、電和煤氣等機組進行深度調節等特點。如果用于深度調整，會增加煤炭消耗，降低機組效率，增加機組故障概率。表1顯示了200兆瓦的煤炭消費量因超臨界燃燒裝置在各種不同條件下的貢獻減少而產生的價值。風力發電充足時，參與峰值調節的電力機組輸出功率降低，煤炭消耗量逐級快速增加;當輸出功率降至額定功率的80%時，煤炭消耗量增加6g;50%的煤電消耗量增加24克，燃煤發電廠處于虧損狀態;50%的煤電消耗量增加24克，燃煤發電廠處于虧損狀態;50%的煤電消耗量增加24克，燃煤發電廠處于虧損狀態;50%的煤電消耗量增加24克，燃煤發電廠處于虧損狀態;50%的煤電消耗量增加24克，燃煤發電廠處于虧損狀態。煤炭消費量下降到30%時，將增加約36克，燃煤發電廠將遭受嚴重損失。

　　4、仿真試驗

　　實驗數據是來自某一區域近5000個用戶的一年智能測距儀數據。數據集由六個CSV(逗號分隔值)文件組成，總大小為3 go。使用MATLAB在配備8gb ram的intelcorei 7筆記型電腦上實作此方法并執行兩項模擬。第一次試驗以每周一次的頻率收集預處理數據。一年中52周的數據每周匯總一次，共有52個分組。以30分鐘時間分辨率顯示的每周功耗分布圖的大小為d =(60x168)/30，即336。提取并線性化每個最終組的平均功耗分布，以生成加權線性分布。第二次測試的聚集過程從一周增加到一個月。一年的智能壓力表數據每月用于聚合一次。每個月的功耗數據文件大小因月份日期而異。每個測試都有幾個單獨的用戶類，在統計上稱為“陷印值”。

　　結束語

　　與常規線性近似方法相比，此方法可線性處理非線性能耗數據，而不會影響精度。測試表明，在高精度群集中提取具有相似模型的模型，并將高非線性特征轉換為線性特征級聯，可以在不降低精度的情況下提高智能安培數據建模的效率。

　　參考文獻：

　　[1]何哲楠，吳浩，程祥，等.基于變電站–用戶雙層結構的變電站負荷聚類研究[J].電網技術，2019，43(8)：2983-2991.

　　[2]金承旭，徐箭，廖思陽.基于智能電能表的居民需求響應協同策略[J].電測與儀表，2019，56(13)：136-141;147.

　　[3]劉紫熠，劉卿，王崇，等.基于智能電表運行故障數據的縱向分析模型[J].計算機科學，2019，46(增刊1)：436-438;456.

　　推薦閱讀：智能電表故障大數據分析探究