基于FCM-BP算法的電網(wǎng)運行多源信息融合方法研究

趙俊煒 張 銳

（廣東電網(wǎng)有限責任公司東莞供電局，廣東 東莞 523000）

0 引言

隨著電網(wǎng)規(guī)模日益擴大，加上白皮書的發(fā)布，調(diào)控一體化得到全面推廣，由此我國的電網(wǎng)調(diào)度與監(jiān)控領域翻開了大數(shù)據(jù)時代的新篇章。在新形勢下，故障錄波器、智能保護開關、PMU等裝置大量裝設于電網(wǎng)中，由此構(gòu)成了多種不同類型的信息源。

當電網(wǎng)發(fā)生故障時，大量一/二次設備告警、運行等信息涌現(xiàn)，需要監(jiān)控人員及時處理、研判、傳遞給電網(wǎng)生產(chǎn)業(yè)務的各個環(huán)節(jié)。電網(wǎng)監(jiān)控專業(yè)作為電網(wǎng)運行信息的第一感知人，在協(xié)同各專業(yè)參與監(jiān)控電網(wǎng)安全運行與生產(chǎn)方面擔負著重要的責任，但監(jiān)控人員單兵協(xié)同任務日益復雜繁重，導致電網(wǎng)安全生產(chǎn)面臨嚴峻挑戰(zhàn)。

為了改變以往電網(wǎng)運行及業(yè)務信息低效率協(xié)同的模式[1]，滿足相關專業(yè)對電網(wǎng)運行態(tài)勢的實時乃至提前感知與交互需求，需要對電網(wǎng)運行事件的關聯(lián)信息進行信息融合處理，再從應用場景、專業(yè)、權限等角度對融合后的數(shù)據(jù)進行劃分，提供按需、定向信息服務。因此，本文提出了一種基于FCM-BP算法的多源信息融合方法，用以保證電網(wǎng)運行事件的實時感知與快速分發(fā)，提升多專業(yè)處置電網(wǎng)事件的協(xié)作效率，保障地區(qū)電網(wǎng)的安全穩(wěn)定運行。

1 信息融合

1.1 信息融合發(fā)展現(xiàn)狀

信息融合技術是信息科學中的一種新技術。20世紀70年代，隨著科學技術的持續(xù)進步，特別是微電子技術、信號檢測與處理技術、計算機和網(wǎng)絡通信等技術的迅速發(fā)展，許多傳感器系統(tǒng)涌現(xiàn)出來[2]。在此背景下，文獻[3]提出了分布式融合方法，文獻[4]采用Bayes方法提高信息融合的計算效率，文獻[5]最早提出了語義信息融合方法。

信息融合是一種多源信息處理技術[6]，它通過對來自不同傳感器的數(shù)據(jù)進行分析和綜合，獲得被測對象及其性質(zhì)的最佳一致估計。多傳感器數(shù)據(jù)融合是一種多層次、多方面的處理過程，每個層次代表了信息的不同抽象程度；數(shù)據(jù)融合過程包括對多源數(shù)據(jù)進行檢測、互聯(lián)、估計和組合；數(shù)據(jù)融合的輸出包括低層次上的狀態(tài)身份估計和高層次上的總戰(zhàn)術態(tài)勢評估。

張友等人[7]提出了一種基于多源信息融合和自適應深度卷積神經(jīng)網(wǎng)絡（ADCNN）的離心鼓風機故障診斷方法，通過運用ADCNN自適應地提取信息的特征，再把各異類信息的特征融合，該方法比傳統(tǒng)的融合模式以及CNN、反向傳播神經(jīng)網(wǎng)絡（BPNN）、支持向量機（SVM）方法具有更高的診斷精度與魯棒性。文獻[8]提出了一種基于深度卷積神經(jīng)網(wǎng)絡（Deep CNN，DCNN）的自適應多傳感數(shù)據(jù)融合方法，該方法將多種傳感器信號融合成單路信號，利用深度卷積神經(jīng)網(wǎng)絡挖掘原始數(shù)據(jù)的特征，并通過實驗驗證了所提方法的準確性。王虹等人[9]提出了多源直覺模糊決策信息系統(tǒng)中信息融合的加權多粒度方法，來解決現(xiàn)有多源決策信息系統(tǒng)中選擇更多可靠的信息，最后形成單源決策信息系統(tǒng)而產(chǎn)生信息損失的問題。文獻[6]通過變分模態(tài)分解（VMD）和希爾伯特變換（HT）方法將振動信號處理成與紅外圖像同維的時頻圖像，然后將得到的時頻圖像與紅外圖像進行數(shù)據(jù)級融合，最后將融合后的信號傳入到多通道卷積神經(jīng)網(wǎng)絡中進行訓練診斷。文獻[10]融合了BP-ANN（BackPropagation-ArtificialNeuralNetwork）神經(jīng)網(wǎng)絡和CNN（Convolutional Neural Network）神經(jīng)網(wǎng)絡，分別提取融合數(shù)值類型、類別類型和圖像類型數(shù)據(jù)的特征向量，再通過多層BP-ANN神經(jīng)網(wǎng)絡進行超短期母線負荷的預測。文獻[11-14]主要是因為存在一些不確定信息，因此皆使用D-S證據(jù)理論對多源信息進行融合來診斷故障。

除上述研究外，還有諸如小麥品種分類、直覺模糊決策和基于步態(tài)的再識別等信息融合，在本文中，使用FCM-BP算法研究電網(wǎng)運行及業(yè)務信息融合問題。

1.2 神經(jīng)網(wǎng)絡

人工神經(jīng)網(wǎng)絡[15]是模擬生物神經(jīng)網(wǎng)絡進行信息處理的一種數(shù)學模型，人工神經(jīng)元是人工神經(jīng)網(wǎng)絡操作的基本信息處理單位。處理模型如圖1所示。

圖1 人工神經(jīng)元的處理模型

人工神經(jīng)網(wǎng)絡具有強大的分布式信息存儲、并行處理和自適應學習能力。BP神經(jīng)網(wǎng)絡[16]是人工神經(jīng)網(wǎng)絡中一種特殊的多層前饋神經(jīng)網(wǎng)絡，它是基于神經(jīng)網(wǎng)絡理論來設計的，主要由信號的正向傳播與誤差的反向傳播兩個過程組成，具有較強的非線性映射能力，因而多用于函數(shù)擬合、模式識別、智能控制和狀態(tài)預測等場景，在工業(yè)界具有較廣泛的應用。

BP神經(jīng)網(wǎng)絡包括三個部分，即輸入層、隱藏層和輸出層。在正向傳播時，數(shù)據(jù)從輸入層傳入，經(jīng)過多層隱藏層處理后傳向輸出層。若輸出結(jié)果與實際結(jié)果不同，則進入反向傳播階段。在反向傳播時，網(wǎng)絡將輸出結(jié)果以某種形式通過隱藏層向輸入層逐層傳遞，并將誤差分攤到各隱藏層神經(jīng)元，從而獲得各隱藏層神經(jīng)元的誤差信號，以此來修正各隱藏層神經(jīng)元權值。

2 基于FCM-BP算法的多源信息融合方法

為充分利用BP神經(jīng)網(wǎng)絡的自學習能力，本文的主要思想是在特征級利用神經(jīng)網(wǎng)絡信息融合方法來整合從多個數(shù)據(jù)源獲得的信息。文獻[17]就是將神經(jīng)網(wǎng)絡用于目標識別系統(tǒng)的多傳感器數(shù)據(jù)的融合?；诖耍疚奶岢龌谏窠?jīng)網(wǎng)絡的多源信息融合技術，具體流程如圖2所示。

圖2 基于FCM-BP算法的多源信息融合模型

系統(tǒng)將獲取到的電網(wǎng)中的多源信息進行預處理，使用FCM對經(jīng)過預處理的多源信息進行分析，將相似性較高的信息歸為一類，再采用加權平均法對同一類信息進行數(shù)據(jù)級融合；其次，對經(jīng)過數(shù)據(jù)級融合的信息進行特征提取，將提取的特征送入BP神經(jīng)網(wǎng)絡中進行特征級信息融合；最后，將融合后的信息分發(fā)至各專業(yè)。

2.1 信息預處理

電網(wǎng)中的信息來源廣泛，包括SOE信息、錄波數(shù)據(jù)、保信信息、電力系統(tǒng)廣域測量信息（WAMS）等，因此在進行特征提取之前，需要對這些信息進行簡單的信息預處理，主要包括異常數(shù)據(jù)的處理和數(shù)據(jù)歸一化處理。

電網(wǎng)中的各類數(shù)據(jù)在采集、傳輸和存儲的過程中，可能會由于設備異常或者網(wǎng)絡堵塞等原因發(fā)生缺失或者偏差等異常情況，這些都會影響模型對數(shù)據(jù)的分析能力，降低模型的準確率。為了防止異常數(shù)據(jù)對模型造成不利影響，本文利用插值法、回歸或者貝葉斯方法來推斷可能的取值，解決數(shù)據(jù)缺失的問題。對于數(shù)據(jù)偏差問題，本文采用分箱法進行處理，常見的分箱法包括卡方分箱法、最小熵法分箱及決策樹分箱法。

不同數(shù)據(jù)具有不同的量綱，會造成不同數(shù)據(jù)間具有較大的數(shù)值差異，從而干擾模型的訓練結(jié)果。為了防止數(shù)值差異對模型的影響，本文對不同數(shù)據(jù)進行了歸一化處理，將各類數(shù)據(jù)縮放到統(tǒng)一的合理范圍內(nèi)，提高了模型數(shù)據(jù)分析的準確性。

2.2 基于FCM算法和加權平均法的數(shù)據(jù)級信息融合

數(shù)據(jù)級融合是直接融合同類信息，可以提供很多細微信息。但電網(wǎng)信息來源廣泛且具有異構(gòu)性，同時多源異構(gòu)數(shù)據(jù)具有難以進行數(shù)據(jù)級融合的特性。因此，本文使用模糊C均值聚類（FCM）算法對預處理后的電網(wǎng)運行及業(yè)務信息進行聚類分析，即將相似度最大的劃分為一簇，而不同簇之間相似度最小。然后對被劃分為一簇的信息使用加權平均法進行數(shù)據(jù)級融合。

收集到的多源信息矩陣為：

X的每一行為一個信息，每一列為一個信息的n個值。

FCM就是把n個信息xi（i=1，2，…，n）分為c類，并求c個類的聚類中心V={V1，V2，…，Vc}。其中，Vi={Vi1，Vi2，…，Vip}，i=1，2，…，c。

uik表示第k個樣品xk屬于第i類的隸屬度，0≤uik≤1，根據(jù)歸一化規(guī)定，數(shù)據(jù)集的隸屬度總和為1。因此，目標函數(shù)可定義為：

其中，U=（uik）c×n為隸屬度矩陣，dik=||xk-vi||。

FCM得到U、V的值使得J（U，V）取得最小值。

本文中，基于改進的FCM算法，數(shù)據(jù)級融合的處理步驟如下：

（1）確定類個數(shù)c，冪指數(shù)m＞1，初始隸屬度矩陣U（0）=（uik（0）），通常取[0，1]上的均勻分布隨機數(shù)來確定初始隸屬度矩陣U（0）。xk表示第一步迭代。

（2）計算第l步的聚類中心V（l）：

（3）修正隸屬度矩陣U（l），計算目標函數(shù)值J（l）。

（4）當給定的隸屬度終止容限ε＞0，滿足條件時，停止迭代，否則l=l+1，繼續(xù)進行第二步。

（5）經(jīng)過上述迭代計算，可以求得最終的隸屬度矩陣U和聚類中心V，使得J（U，V）的值達到最小。通過最終得到的隸屬度矩陣U確定信息的歸類情況，當ujk=時，可將信息xk歸為第j類。

（6）對經(jīng)過FCM聚類分析之后被劃分為同一類的信息，使用加權平均法進行數(shù)據(jù)級融合，融合規(guī)則如下：

本文使用FCM將預處理過的多源信息相似度較高的分為一類，然后采用加權平均法對同一類信息進行數(shù)據(jù)級融合。

2.3 基于BP神經(jīng)網(wǎng)絡的特征級信息融合

對經(jīng)過數(shù)據(jù)級融合的各類信息提取數(shù)據(jù)特征，將提取的特征送入BP神經(jīng)網(wǎng)絡中進行特征級信息融合。

使用BP神經(jīng)網(wǎng)絡進行特征級信息融合的過程如下：

（1）定義BP神經(jīng)網(wǎng)絡中的連續(xù)非線性激活函數(shù)：

其中，netjk由以下方程式計算：

（2）輸出層中的參數(shù)ωkj可以估計如下：

（3）與輸出層不同，隱藏層的參數(shù)計算如下：

在BP神經(jīng)網(wǎng)絡中，每一層的輸出被傳輸?shù)较乱粚拥纳窠?jīng)元。也就是說，BP神經(jīng)網(wǎng)絡能夠保持一個偏置神經(jīng)元，從而在沒有任何輸入的情況下產(chǎn)生恒定的輸出。3 基于FCM-BP 算法的多源信息融合技術在電網(wǎng)業(yè)務及運行信息中的應用

當電網(wǎng)發(fā)生故障時，產(chǎn)生大量運行、告警等信號，電網(wǎng)監(jiān)控系統(tǒng)會對這些信息進行采集。首先，對采集到的多源信息進行預處理；其次，使用FCM算法對預處理過的信息進行聚類分析，將相似度最高的劃分為一類，再采用加權平均法對同一類信息進行數(shù)據(jù)級融合；然后將經(jīng)過數(shù)據(jù)級融合后的信息送入BP神經(jīng)網(wǎng)絡中進行特征級信息融合；最后將融合后的信息從應用場景、專業(yè)、權限等角度進行劃分，提供按需、定向的信息服務，滿足相關專業(yè)對電網(wǎng)運行態(tài)勢的實時乃至提前感知與交互需求。

電網(wǎng)運行事件和告警信號是在電網(wǎng)發(fā)生故障時發(fā)出的信息，通過協(xié)同平臺收集與故障相關的多源異構(gòu)信息，即設備信息、運行信息和處置信息等。將這些多源信息進行信息融合，信息融合模塊將收集的信息進行預處理，經(jīng)過數(shù)據(jù)級融合和特征級融合得到最終的融合信息。融合后的信息更具有專業(yè)性，可以根據(jù)場景、專業(yè)和權限等進行劃分，將劃分好的信息分發(fā)至相關專業(yè)，能夠提高信息分發(fā)速度，減少信息堵塞的可能性，提高相關專業(yè)對事故處理的工作效率。

4 結(jié)語

本文著重于電網(wǎng)運行及業(yè)務中多源異構(gòu)信息的融合問題，并從不同的數(shù)據(jù)源中最大化獲得數(shù)據(jù)。在該方法中，獲得的電網(wǎng)運行及業(yè)務信息通過三個步驟進行處理：第一，對收集到的多源數(shù)據(jù)進行預處理；第二，使用FCM對經(jīng)過預處理的多源信息進行分析，將相似性較高的信息歸為一類，再采用加權平均法對同一類信息進行數(shù)據(jù)級融合；第三，對經(jīng)過數(shù)據(jù)級融合的信息進行特征提取，將提取的特征送入BP神經(jīng)網(wǎng)絡中進行特征級信息融合。相較于傳統(tǒng)的單一層信息融合技術，F(xiàn)CM-BP神經(jīng)網(wǎng)絡算法同時實現(xiàn)了電網(wǎng)多源異構(gòu)信息在數(shù)據(jù)級和特征級的融合。改進后的算法顯著提高了信息融合的質(zhì)量，在后續(xù)的電網(wǎng)運行信息分發(fā)時更具有專業(yè)性，提高了信息分發(fā)速度，大幅降低了信息堵塞的可能性。