◆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(jì)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(jí)，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(shí)期。這使得傳統(tǒng)的電力系統(tǒng)無(wú)法滿(mǎn)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(diǎn)，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(guò)對(duì)上述算法實(shí)驗(yàn)的結(jié)果進(jìn)行分析，證實(shí)了該算法對(duì)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(huì)中，大數(shù)據(jù)技術(shù)發(fā)展很快速，并且對(duì)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(duì)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(lái)進(jìn)行發(fā)展和升級(jí)。

因?yàn)殡娏ο到y(tǒng)是定時(shí)收集數(shù)據(jù)，并且隨著設(shè)備種類(lèi)越來(lái)越多，所以數(shù)據(jù)的種類(lèi)和數(shù)量也越來(lái)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(diǎn)一目了然。

1 電力大數(shù)據(jù)的分類(lèi)

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(guò)數(shù)據(jù)庫(kù)進(jìn)行存儲(chǔ)和處理，但是使用數(shù)據(jù)庫(kù)去處理非結(jié)構(gòu)化的數(shù)據(jù)會(huì)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(shí)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(cè)對(duì)象的數(shù)據(jù)集中提取出研究需要的特征狀態(tài)量。對(duì)于特征層，它的工作是對(duì)于數(shù)據(jù)層所提取的特征狀態(tài)量進(jìn)行分析，并且對(duì)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(duì)于狀態(tài)的判斷和模式具有識(shí)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(guò)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(gè)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(guān)察到一個(gè)簡(jiǎn)單的模型。通過(guò)觀(guān)察模型，隱含層的每個(gè)神經(jīng)元都會(huì)收到輸入層中所有神經(jīng)元的輸入信號(hào)，并且這些輸入信號(hào)會(huì)經(jīng)過(guò)處理后通過(guò)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(guò)“激活函數(shù)”來(lái)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(gè)神經(jīng)元的輸入值為：

利用激活函數(shù)計(jì)算第層第個(gè)神經(jīng)元的輸出：

第層第個(gè)神經(jīng)元輸出的導(dǎo)數(shù)：

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

接下來(lái)就可以計(jì)算整個(gè)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(shí)，根據(jù)計(jì)算誤差，通過(guò)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(guò)多次的調(diào)整，使得輸出值接近實(shí)際值（預(yù)期輸出值）。大部分情況下，對(duì)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(diǎn)對(duì)BP算法進(jìn)行簡(jiǎn)單的介紹，i1和i2為輸入節(jié)點(diǎn)，h1和h2為隱藏節(jié)點(diǎn)，o1和o2為輸出節(jié)點(diǎn)。引入初始權(quán)值，以及節(jié)點(diǎn)的數(shù)值，如圖2所示。

圖2 引入初始權(quán)值，以及節(jié)點(diǎn)的數(shù)值

如圖2所示，下面求解迭代過(guò)程，當(dāng)輸入樣本為0.05和0.10時(shí)（一個(gè)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(lái)計(jì)算節(jié)點(diǎn)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(guò)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(jì)算h2的輸出值：

Outh2=0.596884378

可以通過(guò)上述計(jì)算方法，計(jì)算輸出層節(jié)點(diǎn)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(jì)算o2的輸出值：

Outo2=0.772928465

得到輸出值后，計(jì)算輸出節(jié)點(diǎn)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(gè)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(gè)過(guò)程，接下來(lái)就是后向傳播。后向傳播過(guò)程就是替換迭代網(wǎng)絡(luò)的權(quán)值，利用傳播所計(jì)算的誤差得到新的權(quán)值，再一次進(jìn)行前向傳播時(shí)，通過(guò)新的權(quán)值進(jìn)行計(jì)算，得到的誤差將會(huì)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(lì)函數(shù)是正交多項(xiàng)式，可以通過(guò)一步就計(jì)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(guò)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(jì)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(gè)是“Map”，它的作用是映射，一個(gè)是“Reduce”，它的作用是歸納[7]。主要是通過(guò)所有節(jié)點(diǎn)并行處理數(shù)據(jù)，結(jié)點(diǎn)獨(dú)立執(zhí)行所分配的任務(wù)并且實(shí)時(shí)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(dú)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(gè)設(shè)備在一定時(shí)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(cè)。

5 實(shí)驗(yàn)結(jié)果

這個(gè)實(shí)驗(yàn)就是基于對(duì)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(guò)對(duì)功率預(yù)測(cè)的準(zhǔn)確度比較的仿真實(shí)驗(yàn)，利用MapReduce 與 Hermite相結(jié)合算法預(yù)測(cè)結(jié)果的曲線(xiàn)與BP算法的預(yù)測(cè)結(jié)果曲線(xiàn)及實(shí)際功率的曲線(xiàn)進(jìn)行對(duì)比。

圖5 不同算法下風(fēng)電場(chǎng)功率預(yù)測(cè)對(duì)比

從上面的三條曲線(xiàn)可以看出，MapReduce和Hermite相結(jié)合的算法所預(yù)測(cè)的結(jié)果與實(shí)際結(jié)果更接近，這是因?yàn)镠ermite算法隱含層神經(jīng)元的激勵(lì)函數(shù)是正交多項(xiàng)式，一步就可以計(jì)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(cè)得結(jié)果更接近實(shí)際值。

還可以通過(guò)計(jì)算誤差，對(duì)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(duì)比

6 結(jié)論

結(jié)合本文，可以得出新融合算法的優(yōu)勢(shì)：

（1）新融合算法在步驟上進(jìn)行了簡(jiǎn)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(shí)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(tái)結(jié)構(gòu)，總結(jié)了其功能和必要的技術(shù)支持，并監(jiān)控?cái)?shù)據(jù)，可以為各種需求提供服務(wù)。

[1]劉青松，錢(qián)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(jì)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(guó)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(xiàn)路故障定位方法[J].水電能源科學(xué)，2021，39（01）：168-170+210.

[5]萬(wàn)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(cè)與評(píng)估技術(shù)[J].上海電力大學(xué)學(xué)報(bào)，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(guó)測(cè)試，2020，46（07）：1-7+23.

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