基于大数据分析的煤矿供电系统负荷优化策略探讨

秦 越

（兖矿能源赵楼煤矿）

0 引言

煤矿行业是国家能源行业的重要组成部分，对于保障国家能源安全和促进经济发展起着至关重要的作用［1］。煤矿供电系统作为煤矿生产的基础设施，它能否高效稳定地为煤矿提供电力直接关系到煤矿的生产效益和安全生产。因此，研究煤矿供电系统的负荷优化策略具有重要的理论和实践意义。传统的煤矿供电系统负荷优化策略主要基于经验和统计方法，无法适应复杂多变的实际情况［2］。然而，随着大数据和信息技术的发展，广泛应用大数据分析在煤矿供电系统中可以为负荷优化策略的制定提供有力的支持。

以大数据分析为基础，深入研究了煤矿供电系统的负荷优化问题。首先，通过对煤矿供电系统中的主要负荷特征进行分析和统计，建立了基于大数据分析的负荷模型。然后，利用大数据分析的方法和技术，从负荷预测、负荷调度和负荷控制三个方面对负荷优化策略进行了研究。通过实验和数据分析，验证了基于大数据分析的负荷优化策略的有效性和可行性。结果表明，这种策略在提高煤矿供电系统的效率和稳定性方面发挥着重要作用，为煤矿行业实现安全高效生产提供了有效的手段。这对于提高煤矿的生产效益、保障煤矿安全生产具有重要意义。因此，建议在今后的研究中进一步完善和应用这一研究成果，推动煤矿供电系统的负荷优化策略的实际应用。

1 煤矿供电系统负荷优化策略概述

煤矿供电系统的负荷优化是提高煤矿生产效益和保障安全生产的重要手段［3］。目前，传统的负荷优化方法主要基于经验和统计方法，无法应对复杂多变的实际情况。因此，煤矿供电系统需要采用新的方法和技术来进行负荷优化。

1.1 负荷预测策略

电力负荷预测从上世纪70年代起，才逐渐引起国内外学者的重视。计算机技术的不断发展使得大量的预测算法开始涌现，奠定了负荷预测的研究基础［4］。之后，人工神经网络、支持向量、机随机森林等学习方法逐渐诞生，并运用在了负荷预测领域，对预测精度都有不同程度的提高，机器学习在如今迅速发展阶段。苏学能建立负荷预测模型时采用了多重分布式BP神经网络，预测精度相比传统BP神经网络更高。吴潇雨采用随机森林算法建立了具有较高的预测精度和鲁棒性的负荷预测模型。在传统随机森林算法的基础上，王德文提出并行负荷预测方法，对多种历史数据进行并行化分析，算法的求解效率得到提高。霍娟对比分析了支持向量机和随机森林算法的预测效果，最优预测结果在分别调整参数后，整体上未出现差异。鲁棒性低是单一预测模型的主要缺陷，组合模型预测是未来的发展方向。预测模型的结构参数没有固定的选定标准，利用混合优化算法寻找最优的超参数是有效的解决方式。

1.2 负荷调度策略

现有的综合调度研究有以下缺陷：一是没有充分考虑分布式电源出力的随机性，缺乏对分布式电源随机出力模型的深入研究［5］。其中基于区间数进行调度求解所得结果过于保守，不能体现系统运行的经济性；而基于蒙特卡洛模拟生成随机场景的调度过程中，由于场景生成数量过于庞大，含有大量重复和无效的场景，影响计算的效率。二是现有的配电网调度多为对分布式电源、电动汽车、用户侧需求响应、无功补偿设备以及储能单元的优化调度，在调度过程中缺乏对配电网络自身的灵活调度。三是现有的优化方法无法确保所得结果全局最优或近似最优。

当系统中并入的规模不大时，所产生的不确定问题主要是由用户负荷预测误差导致的，可以通过提高系统热备用容量来抵消分布式电源出力波动带来的不利影响，这个时候，对系统进行调度求解的重点是合理安排各机组的热备用容量。但是随着分布式电源渗透率的逐渐提高，不仅其出力的波动范围很大，而且不确定性也将随之提高，如果还采用提高系统的备用容量来应对风光出力的不确定性，所得调度方案的经济性将越来越差，甚至将不能得到合理的调度方案。因此有必要研究考虑不确定条件下的优化调度方法［6］。

1.3 负荷优化策略

传统的电网形态随着大规模储能技术的应用而发生了改变，电力系统因此在各个环节具备了一定弹性。大幅提升的社会用电量、不断增加的符合需求峰谷差、新能源设备的比例扩大都加大了电力系统调节峰谷的难度。储能电站则能够有效的解决这个问题，通过自身充电、放电来平衡电力负荷，有效降低火电机组频繁启停机。国内外专家从储能参与的不同角度出发，通过优化储能单元的充放电功率、次数、状态来对整个系统进行协调控制，来接纳不断增加的风光等新能源。陈美福等通过分析电源、电网、储能和柔性负荷，提出源网荷储互动多元协调控制，策略能够有效减少风力发电和光伏发电的弃风弃光率，提高可再生能源的利用效率，实现负荷的移峰填谷，但其研究只停在理论阶段，没有深入实践，但是提供了指导意见。

2 面向煤矿供电系统负荷的BP神经网络模型

2.1 大数据分析下的供电系统负荷研究影响因素

（1）历史数据集的不确定性

人工智能算法是通过分析学习系统的历史数据集来获得每个权重的指标，然后用来预测系统的安全等级。因此历史数据的准确性直接影响到权重指标的准确性。在统计大量历史故障集时会存在故障记录不全面、设备信息记录错误等，这都会造成系统安全等级识别精度降低；另外，对于井上系统还要考虑天气等因素对于电网的影响，对于这些影响因素无法利用精确的评估指标来衡量，导致数据会与实际运行方式存在偏差。

（2）获取过程的客观性

获取权重的过程中，在历史数据集的基础上，通过计算输出值与期望值之间的误差来调整网络参数，从而使得误差变小。不同于层次分析法，在整个寻优过程中，没有通过主观判断来影响指标权重的获取，因此指标权重的获取完全来自于历史故障集，具有很强的客观性，避免了因为人为主观因素造成的评估精度偏低。

（3）算法的局限性

对于人工智能算法存在局限性，学习时间是否符合煤矿企业的需求，是否陷入局部最小值的问题造成准确率变差（算法的可靠性），历史数据是否满足深度学习的要求。

2.2 BP神经网络模型原理分析

BP神经网络主要包含两部分，既Bаck Proраgаtion和神经网络。该算法能够自适应、自主学习，通过调整神经网络参数可以得到符合精度要求的输出值。另外，BP神经网络还能够处理多维输入问题，拥有较强的非线性映射能力，在处理负荷优化中有较高的可靠性。

如图1为神经网络的基本单位神经元，每个神经元由若干个箭头来连接，连接箭头所指的方向为数据传输方向。x1，x2，…，xn表示流向神经元的输入数据，w1，w2，…，wn表示输入数据的权重。来自输入侧的数据在输送到神经元节点前乘以各自的权重，相加后输入到神经元节点与偏置q相加，计算公式如下：

图1 神经网络结构

通过分析式（1），当权重w1=1，权重w2=5，相当于输入参数x2的重要程度是x1的5倍。如果权重w1=0，表示输入参数无法传递到下一神经元，输入参数x1与神经元发生断路。这表明，在输入参数传递的过程中，权重wi控制着神经元的连接方式。对于公式（1）可以用矩阵的形式表达：

式中，y表示神经元输出值。

2.3 负荷模型的建立

BP网络是一种基于反向传播算法的人工神经网络模型，它能够学习和存储大量的输入-输出模式映射关系，而无需事先揭示描述这种映射关系的数学方程。BP网络由输入层、隐藏层和输出层组成，在训练过程中使用最速下降法，通过反向传播不断调整网络的权值和阈值，使网络的误差平方和最小化。神经网络模型如图2所示。

图2 面向供电系统负荷的BP神经网络模型

输出层为在煤矿供电系统负荷中表示输入的评价指标。隐藏层为主要用于信息处理，其不能从神经网络外部访问。输出层为最终的输出结果，在煤矿供电系统负荷中表示系统的安全等级。最终输出结果并不是直接等于输入参数与权重的乘积之和，还要经过一个传递函数。在BP神经网络训练学习过程中主要包含两个过程，正向传播与反向传播。正向传播获得输出值，反向传播通过导数的链式法则计算输出值与真实值之间的误差来更新权重和偏置，使得输出结果向实际结果拟合。反向传播算法的基本思想：

（1）通过式（2）计算每一层的状态和输出值，直到输出层；

（2）从输出开始，由后向前依次计算每一层的误差；

（3）计算每个神经元连接权重的梯度；

（4）根据梯度下降法更新参数。

3 实验验证和分析

煤矿供电系统模型见部分历史数据集见表1。共选择360个历史数据集用于BP神经网络学习，其中244个作为训练集，116个作为测试集。将表1中的参数输入到运算程序中，然后开始训练。

表1 历史数据集

如图3所示，数据每正向和反向传播一次，数据完成一次更新，将每次正向传播的预测值与实际值带入式（2），记录每迭代一次的损失函数。观察图3可以得到：随着迭代次数的增加，损失函数的值在不断减小，这表示学习结果在不断向着好的方向发展，更新后的权重指标使得输出结果向着测试集数据拟合。

图3 BP神经网络的损失函数

损失函数只能反映学习在朝着良好的方向发展，不能评价学习的准确率，在引入了识别精度指标，用来反映学习结果的优劣。神经网络每进行一次正向和反向传播，权重与偏置完成一次更新，并且记录参数更新后的识别精度，如图4所示。从图中可以看到，学习一共迭代了170次，测试集的训练精度最终稳定在0.8附近。

图4 BP神经网络的识别精度

图4为学习完成后的最终输出值与实际值的比较。分析图4可知，预测值曲线与实际值权限大体重合。

4 结束语

煤矿供电系统具有复杂的结构和大量的负荷需求，因此需要优化负荷管理策略来满足日益增长的能源需求和提高能源利用效率。根据负荷预测结果，采用动态负荷调整和优化算法，以优化供电系统中各个节点的负荷分配，从而达到提高系统效率和可靠性的目的。结果表明，采用提出的负荷优化策略可以显著提高煤矿供电系统的负荷管理效果。与传统方法相比，能够更好地应对负荷波动和峰值需求，并能够及时调整负荷分配，保证供电系统的稳定运行。主要创新点是将大数据分析方法应用于煤矿供电系统的负荷优化问题，为煤矿供电系统的高效管理提供了一种新的思路和方法。同时，基于大数据分析的负荷优化策略也为其他能源供电领域的研究提供了参考和借鉴。希望成果能够为煤矿供电系统的优化和安全生产做出积极贡献。未来可以进一步探索该方法在其他能源系统中的应用。