吳浩瀚,蔣剛
?
基于量子濾波器的電能數據檢測與分析
吳浩瀚,蔣剛
(國網廣安供電公司信息通信分公司,四川廣安638099)
隨著以智能電表為核心的智能電網快速發(fā)展,電力大數據吸引了用戶、用電企業(yè)、政府的注意力。用電數據容易受到各種未知的隨機干擾。探索了將自適應濾波技術引入電網信息監(jiān)測。而由于用電負荷曲線復雜、不能給出一個具體的模型,利用量子遞歸神經網絡構造了一個與模型無關的智能濾波器。最后提出了利用量子濾波器進行電力負荷預測以及利用測量誤差的概率密度函數進行用戶異常用電檢測的設想。
智能電網;用電信息檢測;現代濾波;量子計算
經濟全球化、化石能源的消耗以及生態(tài)日益嚴峻等必然需要能源的全球化配置。電能由于其清潔、高效、易于傳輸等特點是一種很好的能源配置介質。智能電網技術是電能優(yōu)化配置的保障;智能電表是智能電網的重要組成部分,具有用戶用電信息采集、原始處理、用電信息存儲、雙向多費率計算、用戶端控制以及雙向通信等功能。供電方可以每隔15 min讀取一次用戶用電數據,如此高頻率的數據采集產生了用電大數據,通過對這些用電數據進行數據挖掘,可使客戶、供電公司、政府以及社會受益[1]。數據質量是數據挖掘的基礎,又由于可用于數據挖掘的電力數據容易受到各種隨機干擾,使得原始采集數據不能真實反映客觀規(guī)律,這就需要對數據進行過濾。由于用戶用電負荷曲線復雜,不能給出一個特定的模式進行統(tǒng)一描述;測量噪聲雖然大部分是高斯噪聲,但也可能伴有其他隨機噪聲。所以需要一個既與觀測數據模型無關,又與噪聲統(tǒng)計特性無關的實時智能隨機濾波器對用電數據進行實時過濾。目前只有量子濾波器滿足智能濾波的要求。
量子濾波器是在量子神經動力學的基礎上由Dawes R L[2]于1990年提出的,他給出了利用薛定諤方程進行任意觀測信息動態(tài)建模的理論解釋以及量子隨機濾波器的運算框架,但他沒有給出薛定諤方程勢函數的構造方法,同時由于當時運算能力的限制,量子濾波器沒有引起人們的重視。Behera L等人[3]分別采用線性神經網絡和RBF神經網絡構造勢函數,第一次實現了量子濾波算法,并用一些簡單信號對濾波器性能進行了比較測試。Ghandi V等人[4,5]對量子濾波器進行了若干改進,并將它們應用于肌電信號增強、腦電信號增強等領域,再進行特征提取并分類。參考文獻[6]將量子濾波器應用于通信信號處理。參考文獻[7]將量子濾波器應用于語音信號增強。
最后本文再給出兩種基于量子濾波器對用電數據分析的新思維:通過將外影響因素加到薛定諤方程的勢函數上進行電力負荷預測;通過對測量噪聲概率密度函數進行估計實現對用戶用電狀態(tài)的估計。
用戶用電信息通過安裝在用戶側的采集系統(tǒng)(如智能電表)進行采集,并通過無線、電力線通信、電力光纖等方式回傳至供電公司,如圖1所示。
目前主要使用GSM無線設備進行用電信息回傳。由于智能電表自身的誤差、采集過程的測量誤差、量化誤差、傳輸過程中容易受到噪聲干擾、信道衰落的干擾以及用電客戶本身的負荷波動,使得供電公司收到的用電信息具有一定的隨機性;同時由于用戶用電過程中一些異?,F象、雷電影響等使得用電信息本身出現一些突發(fā)性變化。這些都對后續(xù)數據挖掘造成一定的干擾,不能真實地反映客觀規(guī)律。這時就需要采用隨機濾波器對采集信號進行實時過濾。最好的隨機濾波器是卡爾曼濾波器,然而由于卡爾曼濾波器要求觀測信號的模型是線性的且噪聲為高斯噪聲。由于用電用戶的用電規(guī)律極其復雜,不能用某一個具體的模型歸納,其受到的干擾也不一定全是高斯噪聲(如量化噪聲就是均勻噪聲),這些都限制了以卡爾曼濾波器為代表的傳統(tǒng)隨機濾波器的使用。近些年開始進入人們視線的量子濾波器能夠完成該任務。
3.1 隨機濾波問題
隨機濾波就是從被隨機噪聲干擾的觀測信號中實時提取感興趣的量,考慮維觀測隨機過程:
(2)
其中,()為測量噪聲(濾波主要過濾的目標)。要達到轉化目標,需要預先假設一個狀態(tài)變量隨時間的演化模型:
(4)
對觀測變量進行估算。其中,()為測量噪聲(濾波主要過濾的目標)。注意這里假設的式(3)不一定是真實的狀態(tài)式(2),所以存在狀態(tài)噪聲,當假設的模型與真實模型一致時,()=0。只有當假設的模型與真實模型相同或很接近時,這樣的轉換才有意義。當完全不知道真實模型時,傳統(tǒng)隨機濾波方法(包括所謂的粒子濾波)不能實現。
3.2 量子神經動力學與量子濾波
當客觀系統(tǒng)狀態(tài)模型未知時,將客觀系統(tǒng)的狀態(tài)變量抽象為生物觀測者的意識流,并假設意識具有量子現象,其狀態(tài)演化滿足薛定諤方程[9]:
(6)
這樣就不需要知道觀測信號的模型和測量噪聲的統(tǒng)計類型,實現了智能濾波。
量子濾波器實現的關鍵是將輸入觀測信號如何映射為薛定諤方程中的勢函數,目前都是采用神經網絡方法,采用參考文獻[10]設計的濾波器結構,其濾波結構如圖2所示。
薛定諤方程的勢函數結構為:
其中:
(8)
(10)
上述各式中的參數可以通過遺傳算法搜索得到。
3.3 濾波效果測試
假設原始信號受到非平穩(wěn)加性高斯白噪聲干擾,原始信號是正弦信號。分別用量子濾波器和遞歸最小二乘濾波(recursive least square,RLS)器對觀測信號進行過濾,其效果如圖3、圖4所示。
對比圖3和圖4可以發(fā)現,量子濾波器濾波結果更加接近真實信號、更加光滑但是時延比RLS(特殊的卡爾曼濾波器)結果更大。這是由于RLS強制采用線性模型描述觀測信號,這就使得狀態(tài)噪聲比較大,導致濾波不準確;而量子濾波器與觀測信號模型無關,沒有狀態(tài)噪聲。由于量子濾波器是一個基于量子神經網絡的自適應濾波器,它實質是模擬生物智能的認知方式,使得它的處理速度相對較慢,這也是量子濾波器的缺點。
通過量子濾波器采集得到的用電數據可進行如電力負荷預測、異常用電檢測等分析。如果采用傳統(tǒng)方法,如回歸分析、指數平滑以及加權迭代最小二乘法等,進行負荷預測需要對數據進行二次處理,使得量子濾波器速度慢的缺點被放大,且這樣并沒有完全發(fā)揮量子濾波器的性能。由于量子濾波器不含有狀態(tài)噪聲、濾波結果較為準確,可以較為準確地提取出測量噪聲,可以利用測量噪聲概率密度函數來探究異常用電現象。
4.1 用電負荷預測
量子濾波器可以抽象為圖5所示。
稍加改進就可以構成任意預測器如圖6所示。
即步前向預測中,每一步觀測輸入都是前一次預測輸出,誤差輸入為本次預測輸出與初始輸入之差。由于存在一些可預見性外部事件,如國民經濟增長水平、可替代能源增長水平、區(qū)域經濟發(fā)展、用戶自身特性變化等,所以需要根據這些外部條件對誤差進行重調整,其調整模型有待于進一步研究與探索。圖7為某水泥廠2015年負荷曲線,可以看到受到的隨機干擾比較大;虛線為量子濾波器過濾后的負荷曲線,除了2月份負荷曲線近似具有周期性且7、8月份平均用電量略低。虛線的末端是利用圖6所示算法進行的負荷預測。
4.2 基于測量噪聲概率密度函數估計的分析
當前檢測用戶異常用電的方法已經很多,但是對于如擴差竊電等異常用電信息檢測,通過對檢測的“真實信號”進行挖掘較難發(fā)現[11]。由于量子濾波器狀態(tài)方程不含有狀態(tài)誤差,所以測得的測量誤差是檢測設備、傳輸設備等的固有誤差的總和,可以將其看作設備的固有屬性,若其概率密度函數發(fā)生改變,則可以推斷檢測、傳輸信道發(fā)生了改變或用戶用電習慣發(fā)生的變化。測量噪聲概率密度函數估計可將觀測信號與估計信號作差然后利用Pasen窗核估計法進行計算[12]。圖8為某水泥廠上、下半年負荷測量噪聲對比曲線,可以發(fā)現其概率密度函數都是高斯函數——符合大數定理,上下半年概率密度函數相當且方差都相對較大。
圖9為某天然氣廠2015年上、下半年負荷測量噪聲概率密度函數,相對圖8中所示水泥廠的負荷噪聲方差小很多。
對比圖8和圖9還可以發(fā)現,測量噪聲更多的是客戶自身的負荷噪聲,即:由測量儀器和傳輸設備及通道引起的噪聲其實很小。如生產和管理都相對粗狂的水泥廠的噪聲方差較生產和管理都相對精細的天然氣廠更大。所以不同行業(yè)之間的概率密度函數具有差異性,同行業(yè)之間生產和管理精細化水平也會反映在噪聲概率密度函數上。注意,這里的測量噪聲是廣義的測量噪聲,它是相對于可用于數據挖掘的信號,而不是由測量設備和傳輸設備引起的狹義測量噪聲。
智能電網時代,以智能電表為代表的數據采集系統(tǒng)為電力大數據分析奠定了基礎,準確采集數據是進行數據挖掘的前提。本文提出了利用實時隨機濾波器對用電數據進行在線檢測與過濾。利用量子隨機濾波器以適應用戶負荷曲線模式不定、干擾噪聲統(tǒng)計特性未知難題并通過仿真驗證了量子濾波器對于傳統(tǒng)隨機濾波器的優(yōu)越性。最后本文還利用量子濾波器天然的遞推性設計了一種新的負荷預測機;利用量子濾波器不含模式噪聲的特點,提出了利用測量噪聲概率密度函數進行異常用電檢測的方法。
下一步工作要研究各種測量噪聲的特征概率密度函數與用戶用電方式的對應關系,建立它們之間的模型;另一方面是:利用量子濾波器進行負荷預測中確定宏觀預測與預測誤差之間的關系。
[1] 王亞東,高巖,金峰. 智能電表數據分析及應用綜述研究[J].信息技術, 2015, 18(2):64-68.
WANG Y D, GAO Y, JIN F. Review of smart watthour meter data analysis and applications[J]. Information Technology, 2015, 18(2):64-68.
[2] Dawes R L. Quantum neurodynamics: neural stochastic filtering with the schroedinger equation[C]//1992 International Joint Conference on Neural Networks, June 7-11, 1992, Baltimore, USA. New Jersey: IEEE Press, 1992:133-140.
[3] Behera L, Kar I. Quantum stochastic filtering[C]//2005 IEEE International Conference on System, Man and Cybernetics, October 10-12, 2005, Hawaii, USA. New Jersey: IEEE Press, 2005.
[4] Gandhi V, McGinnity T M. Quantum neural network based surface EMG signal filtering for control of robotic hand[C]//2013 International Joint Conference on Neural Networks, August 4-9, 2013, Dallas, USA. New Jersey: IEEE Press, 2013:1-7.
[5] Gandhi V, Prasad F, Coyle D H, et al. Quantum neural network-based EEG filtering for a brain-computer interface[J]. IEEE Transactions on Neural Networks and Learning System, 2014, 25(2):278~288.
[6] 朱仁祥, 吳樂南. 用于通信信號非線性時域濾波的量子隨機濾波器(英文)[J]. 東南大學學報(英文版), 2007,23(1):22-25.
ZHU R X, WU L N. Quantum stochastic filters for nonlinear time-domain filtering of communication signals[J]. Journal of Southeast University(English Edition), 2007,23(1):22-25.
[7] 賴聯有,金福江,吳浩瀚.語音信號的量子隨機濾波降噪方法[J]. 信息與控制, 2015, 44(5):598-603.
LAI L Y, JIN F J, WU H H. Speech de-noising method using quantum stochastic filter[J]. Information and Control, 2015, 44(5):598-603.
[8] Busy R S. Linear and nonlinear filtering [J]. Proceedings of the IEEE, 1970,58(6):854-864.
[9] COHEN-TANNOUDJI C, DIU B, LALOE F. 量子力學[M]. . 劉家謨,陳星奎,譯. 北京:高等教育出版社, 2014.
COHEN-TANNOUDJI C, DIU B, LALOE F. Mecanique quantique[M]. Translated by LIU J M, CHEN X K. Beijing: Higher Education Press, 2014.
[10] 吳浩瀚,金福江,賴聯有,等.基于薛定諤方程的隨機濾波算法(英文)[J]. 自動化學報, 2014,40(10):2370-2376.
WU H H, JIN F J, LAI L Y, et al. A stochastic filtering algorithm using Schr?odinger equation[J]. Acta Automatica Sinica, 2014, 40(10):2370-2376.
[11] 程梅花,李曉明,黃軍高,等. 電能量計量計費系統(tǒng)的竊電檢測[J]. 電力自動化設備,2002, 22(6): 64-67.
CHENG M H, LI X M, HUANG J G. Filching detection in electric energy measuring and billing system [J]. Electric Power Automation Equipment, 2002, 22(6): 64-67.
[12] Parzen E. On estimation of a probability density function and mode[J]. The Annals of Mathematical Statistics, 1962, 33(3): 1065-1076.
Detection and analysis of energy data by using quantum filter
WU Haohan, JIANG Gang
Communication Company of State Grid Guang’an Electric Power Supply Company, Guang’an 638099, China
With the rapid development of smart power grid as the core of smart meters, power big data has attracted the attention of users, power companies and the government. The introduction of adaptive filtering into the power grid information monitoring was explored. Due to the complexity of the power load curve, specific model cannot be described. A model-independent intelligent filter was constructed by using the recurrent quantum neural network. The quantum filter was tried to use in the power load forecasting and abnormal electrical testing.
smart grid, power information detection, modern filter, quantum computation
O455
A
10.11959/j.issn.1000?0801.2017070
2016?01?25;
2016?03?06
吳浩瀚(1988?),男,現就職于國網廣安供電公司信息通信分公司,主要研究方向為現代濾波理論尤其是量子濾波。
蔣剛(1970?),男,國網廣安供電公司信息通信分公司高級工程師、經理,長期從事電力系統(tǒng)自動化、信息、通信應用研究與管理方面的工作。