基于大數(shù)據(jù)的信息融合技術(shù)在電力系統(tǒng)中的應(yīng)用

◆王璐 程曉榮

基于大數(shù)據(jù)的信息融合技術(shù)在電力系統(tǒng)中的應(yīng)用

◆王璐 程曉榮

（華北電力大學(xué)（保定） 控制與計算機(jī)工程學(xué)院 河北 071000）

伴隨著電力行業(yè)中系統(tǒng)和設(shè)備的不斷升級，出現(xiàn)了大量需要處理的數(shù)據(jù)集，電力行業(yè)進(jìn)入大數(shù)據(jù)時期。這使得傳統(tǒng)的電力系統(tǒng)無法滿足新的需求，所以引進(jìn)新的算法和框架。本文首先分析了傳統(tǒng)數(shù)據(jù)融合算法的缺點，然后分析了新的Hermite正交基前神經(jīng)網(wǎng)絡(luò)的算法，并且電力系統(tǒng)要處理大規(guī)模的數(shù)據(jù)集，因此加入MapReduce框架，將其與該算法相結(jié)合。通過對上述算法實驗的結(jié)果進(jìn)行分析，證實了該算法對于電力行業(yè)的大數(shù)據(jù)處理非常高效。

電力行業(yè)；大數(shù)據(jù)；神經(jīng)網(wǎng)絡(luò)

當(dāng)前的社會中，大數(shù)據(jù)技術(shù)發(fā)展很快速，并且對于大數(shù)據(jù)的技術(shù)應(yīng)用也非常的廣泛。在電力行業(yè)中，幾乎所有設(shè)備都趨于智能化，所以對于電力行業(yè)的系統(tǒng)和設(shè)備可能利用大數(shù)據(jù)技術(shù)的支持來進(jìn)行發(fā)展和升級。

因為電力系統(tǒng)是定時收集數(shù)據(jù)，并且隨著設(shè)備種類越來越多，所以數(shù)據(jù)的種類和數(shù)量也越來越多。在大數(shù)據(jù)技術(shù)的基礎(chǔ)上進(jìn)行數(shù)據(jù)的分析和處理就很有必要，也就是數(shù)據(jù)融合[1]。數(shù)據(jù)融合在研究電力大數(shù)據(jù)中起著重要作用，它可以整合許多方面的數(shù)據(jù)信息，讓數(shù)據(jù)的特點一目了然。

1 電力大數(shù)據(jù)的分類

電力系統(tǒng)中的數(shù)據(jù)有兩種：結(jié)構(gòu)化的數(shù)據(jù)和非結(jié)構(gòu)化的數(shù)據(jù)。結(jié)構(gòu)化數(shù)據(jù)可以通過數(shù)據(jù)庫進(jìn)行存儲和處理，但是使用數(shù)據(jù)庫去處理非結(jié)構(gòu)化的數(shù)據(jù)會比較難[2]。

2 數(shù)據(jù)融合技術(shù)

數(shù)據(jù)融合的本質(zhì)是轉(zhuǎn)換和合并X的n塊信息，其中 X 是具有未知含義的實體。根據(jù)融合程度，它分為數(shù)據(jù)層、特征層、決策層。數(shù)據(jù)層的功能是從所有的監(jiān)測對象的數(shù)據(jù)集中提取出研究需要的特征狀態(tài)量。對于特征層，它的工作是對于數(shù)據(jù)層所提取的特征狀態(tài)量進(jìn)行分析，并且對于相同特征的狀態(tài)量進(jìn)行融合，就可以得到具有決定性的對于狀態(tài)的判斷和模式具有識別作用的特征向量。最后一部分，也就是決策層的作用是通過前兩部分所得到的決策向量與規(guī)定的算法結(jié)合，然后做出決策[3]。

2.1 傳統(tǒng)數(shù)據(jù)融合技術(shù)

傳統(tǒng)的數(shù)據(jù)融合算法主要利用反向傳播（Back Propagation， BP）網(wǎng)絡(luò)。它的網(wǎng)絡(luò)模型主要分為三個部分，如圖1的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)所示，分別是輸入層、隱含層和輸出層。

圖1 BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

根據(jù)圖1的BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，可以觀察到一個簡單的模型。通過觀察模型，隱含層的每個神經(jīng)元都會收到輸入層中所有神經(jīng)元的輸入信號，并且這些輸入信號會經(jīng)過處理后通過連接傳遞到隱含層，這些連接都帶有權(quán)重。神經(jīng)元將接收到的總輸入值與設(shè)置的閾值進(jìn)行比較，只有大于閾值，才能通過“激活函數(shù)”來產(chǎn)生輸出，也是輸出層的輸入[4]。

這里使用的激活函數(shù)為如下公式：

第層第i個神經(jīng)元的輸入值為：

利用激活函數(shù)計算第層第個神經(jīng)元的輸出：

第層第個神經(jīng)元輸出的導(dǎo)數(shù)：

在誤差逆向回傳時，設(shè)預(yù)期輸出是d，第層第個神經(jīng)元所得誤差為，其中∈[1，]。誤差為：

接下來就可以計算整個BP網(wǎng)絡(luò)的均方誤差：

由此可以得到權(quán)值調(diào)整式：

如果輸出值與預(yù)期輸出值不相符時，根據(jù)計算誤差，通過網(wǎng)絡(luò)的各層次將所得到的誤差值進(jìn)行反向傳遞[5]。經(jīng)過多次的調(diào)整，使得輸出值接近實際值（預(yù)期輸出值）。大部分情況下，對數(shù)據(jù)集進(jìn)行融合歸納都使用這種學(xué)習(xí)和訓(xùn)練的方法。

利用以下節(jié)點對BP算法進(jìn)行簡單的介紹，i1和i2為輸入節(jié)點，h1和h2為隱藏節(jié)點，o1和o2為輸出節(jié)點。引入初始權(quán)值，以及節(jié)點的數(shù)值，如圖2所示。

圖2 引入初始權(quán)值，以及節(jié)點的數(shù)值

如圖2所示，下面求解迭代過程，當(dāng)輸入樣本為0.05和0.10時（一個2維樣本數(shù)據(jù)），神經(jīng)網(wǎng)絡(luò)的期望輸出是與0.01和0.99接近。

首先來計算節(jié)點h1的輸入值，激活函數(shù)就是之前的Sigmoid函數(shù)。

Inh1=0.15*0.05+0.10*0.20+0.35*1=0.3775

根據(jù)上式得到h1的輸入值后，通過激活函數(shù)得到h1的輸出值：

Outh1=f（0.3775）=0.593269992

按照上述方法，計算h2的輸出值：

Outh2=0.596884378

可以通過上述計算方法，計算輸出層節(jié)點o1的輸出值：

Ino1=W5*Outh1+W6*Outh2+b2*1=1.105905967

Outo1=f（1.105905967）=0.75136507

同樣的方法計算o2的輸出值：

Outo2=0.772928465

得到輸出值后，計算輸出節(jié)點的誤差：

Eo1=（0.01-0.75136507）2/2=0.274811083

Eo2=（0.99-0.772928465）2/2=0.023560026

所以這個神經(jīng)網(wǎng)絡(luò)的總誤差為：

E=Eo1+Eo2=0.274811083+0.023560026=0.298371109

這就是前向傳播的整個過程，接下來就是后向傳播。后向傳播過程就是替換迭代網(wǎng)絡(luò)的權(quán)值，利用傳播所計算的誤差得到新的權(quán)值，再一次進(jìn)行前向傳播時，通過新的權(quán)值進(jìn)行計算，得到的誤差將會縮小，直到誤差接受范圍內(nèi)。

2.2 Hermite 正交基前向神經(jīng)網(wǎng)絡(luò)算法

Hermite正交基前向神經(jīng)網(wǎng)絡(luò)算法，它的特殊之處為激勵函數(shù)是正交多項式，可以通過一步就計算出神經(jīng)網(wǎng)絡(luò)的最優(yōu)的權(quán)值[6]。

該神經(jīng)網(wǎng)絡(luò)模型如圖3所示。

圖3 Hermite 正交基前向神經(jīng)網(wǎng)絡(luò)模型

通過偽逆矩陣就可以一步得出其權(quán)值w（= 0，1，2，...，-1）。網(wǎng)絡(luò)的最優(yōu)權(quán)值計算公式如下：

3 結(jié)合MapReduce模型算法的并行化

MapReduce（分布式處理框架）由兩部分組成，一個是“Map”，它的作用是映射，一個是“Reduce”，它的作用是歸納[7]。主要是通過所有節(jié)點并行處理數(shù)據(jù)，結(jié)點獨立執(zhí)行所分配的任務(wù)并且實時反饋其狀態(tài)。

圖4 結(jié)合 MapReduce模型的 Hermite 正交基前向神經(jīng)網(wǎng)絡(luò)算法的并行化處理流程圖

MapReduce框架可以將算法并行處理，而Hermite算法中的數(shù)據(jù)塊可以單獨處理并且執(zhí)行其工作。所以可以將兩者結(jié)合。

4 結(jié)合 MapReduce 并行化模式下融合算法的步驟

（1）離散數(shù)據(jù)。首先收集大量的相關(guān)數(shù)據(jù)。如果收集的數(shù)據(jù)為連續(xù)數(shù)據(jù)，則先將數(shù)據(jù)離散化；如果收集的數(shù)據(jù)為離散數(shù)據(jù)，則不用做處理。

利用多個設(shè)備在一定時間內(nèi)的收集的數(shù)據(jù)為矩陣：

（3）根據(jù)MapReduce與 Hermite 正交基前向神經(jīng)網(wǎng)絡(luò)算法相結(jié)合的網(wǎng)絡(luò)并行化算法進(jìn)行訓(xùn)練預(yù)測。

5 實驗結(jié)果

這個實驗就是基于對比上述MapReduce 與 Hermite相結(jié)合算法和BP算法神經(jīng)網(wǎng)絡(luò)算法產(chǎn)生的結(jié)果，通過對功率預(yù)測的準(zhǔn)確度比較的仿真實驗，利用MapReduce 與 Hermite相結(jié)合算法預(yù)測結(jié)果的曲線與BP算法的預(yù)測結(jié)果曲線及實際功率的曲線進(jìn)行對比。

圖5 不同算法下風(fēng)電場功率預(yù)測對比

從上面的三條曲線可以看出，MapReduce和Hermite相結(jié)合的算法所預(yù)測的結(jié)果與實際結(jié)果更接近，這是因為Hermite算法隱含層神經(jīng)元的激勵函數(shù)是正交多項式，一步就可以計算出神經(jīng)網(wǎng)絡(luò)連接最優(yōu)的權(quán)值，這保留了初始數(shù)據(jù)的信息特征，使算法預(yù)測得結(jié)果更接近實際值。

還可以通過計算誤差，對兩種算法進(jìn)行比較，表1為兩種算法的誤差。

表1 兩種算法標(biāo)準(zhǔn)誤差對比

6 結(jié)論

結(jié)合本文，可以得出新融合算法的優(yōu)勢：

（1）新融合算法在步驟上進(jìn)行了簡化，提高了算法的工作效率，并且將誤差縮小，更易于在硬件上實現(xiàn)。

（2）根據(jù) MapReduce 模型，將算法并行，改進(jìn)后的算法比傳統(tǒng)方法更易于處理大數(shù)據(jù)[8]。

本文介紹了一種處理電力系統(tǒng)大數(shù)據(jù)的平臺結(jié)構(gòu)，總結(jié)了其功能和必要的技術(shù)支持，并監(jiān)控數(shù)據(jù)，可以為各種需求提供服務(wù)。

[1]劉青松，錢蘇翔，嚴(yán)拱標(biāo).基于多傳感器的信息數(shù)據(jù)融合技術(shù)在電力系統(tǒng)中的應(yīng)用[J].微計算機(jī)信息，2006（31）：191-193.

[2]朱付保，徐顯景，霍曉齊，等.多源數(shù)據(jù)融合技術(shù)在后備干部管理系統(tǒng)中的應(yīng)用[J].微型電腦應(yīng)用，2014，30（01）：10-12.

[3]肖慧靈.基于信息融合的港機(jī)健康診斷研究[J].中國設(shè)備工程，2021（10）：162-163.

[4]李翀，劉林青，陶鵬，等.基于多源數(shù)據(jù)融合技術(shù)的輸電線路故障定位方法[J].水電能源科學(xué)，2021，39（01）：168-170+210.

[5]萬磊，陳洪勝，王曉婷，等.面向電力大數(shù)據(jù)的多源異構(gòu)數(shù)據(jù)融合技術(shù)研究[J].電子技術(shù)與軟件工程，2021（02）：172-173.

[6]江友華，易罡，黃榮昌，等.基于多源信息融合的變壓器檢測與評估技術(shù)[J].上海電力大學(xué)學(xué)報，2020，36（05）：481-485.

[7]林瑀，陳日成，金濤.面向復(fù)雜信息系統(tǒng)的多源異構(gòu)數(shù)據(jù)融合技術(shù)[J].中國測試，2020，46（07）：1-7+23.

[8]Jitendra R. Raol Data Fusion Mathematics：Theory and Practice[B].CRC Press，2015.