潘志新，翟學鋒，王成亮，官國飛，徐妍

（江蘇方天電力技術有限公司，江蘇 南京 211100）

配電網(wǎng)作為連接變電站與用戶的重要公共基礎設施，是提升智能電網(wǎng)末端供電質(zhì)量和用戶體驗的關鍵環(huán)節(jié)[1-2]。伴隨著我國配電網(wǎng)智能化發(fā)展，除傳統(tǒng)配電網(wǎng)本身運行和管理數(shù)據(jù)之外，智能化的感知終端設備產(chǎn)生的數(shù)據(jù)大量增加，且呈現(xiàn)種類繁多、多源、不確定等特性[3]。

傳統(tǒng)應用配電網(wǎng)中心采用云-邊緣的計算模式，由于海量數(shù)據(jù)的急劇增加和數(shù)據(jù)復雜度的影響，產(chǎn)生的上行終端監(jiān)測數(shù)據(jù)和配電網(wǎng)運行數(shù)據(jù)以及下行云計算處理信息為通信傳輸層帶來了巨大壓力，同時嚴重約束了智能配電網(wǎng)的推進。深入挖掘邊緣計算在配電網(wǎng)智能化中的應用潛力成為了主要研究熱點，越來越多的配電網(wǎng)數(shù)據(jù)信息終端化處理、邊緣化計算及局部化解決的方式成為一種重要方式[4-5]。但是復雜的多源異構數(shù)據(jù)的邊緣化集成為智能配電網(wǎng)的高效邊緣計算帶來新的挑戰(zhàn)，因此，亟待實現(xiàn)智能配電網(wǎng)多源數(shù)據(jù)邊緣化模式下的處理和融合，是提升和保證基于邊緣計算的配電網(wǎng)智能化發(fā)展的重要基礎[6-7]。

長期以來，國內(nèi)外專家學者關于智能配電網(wǎng)海量數(shù)據(jù)分析挖掘方法與多源數(shù)據(jù)處理與融合技術開展了眾多有意義的研究，周楊珺等[8]針對配電網(wǎng)數(shù)據(jù)源及數(shù)據(jù)特征展開分析，并設計了包含四個層次的配電網(wǎng)運行數(shù)據(jù)分析系統(tǒng)架構；孫浩洋等[9]提出了一種邊緣計算技術在配電網(wǎng)物聯(lián)網(wǎng)中的應用方法，并深入分析了邊緣計算技術在配電行業(yè)的實際應用中面臨的不足之處；Okay F Y等[10]提出了一種邊緣計算架構在智能電網(wǎng)模型中的應用方法，并結合智能終端數(shù)據(jù)與運行量測數(shù)據(jù)，具體闡述了邊緣計算在數(shù)據(jù)安全與效率分析方面的意義；馬洲俊等[11]提出了多源異構數(shù)據(jù)分析結果輔助配電網(wǎng)故障信息識別定位的策略，為有效挖掘配電網(wǎng)智能化數(shù)據(jù)應用化價值提供了研究借鑒；Barik Rabindra K等[12]提出了利用先進的計量基礎設施和霧計算融合實現(xiàn)智能電網(wǎng)增強，延伸了分布式控制、通信和計算的能力，使得智能電網(wǎng)的可靠性、彈性和可伸縮性均得到了提高；王維嘉等[13]建立了一種自適應多目標群交叉優(yōu)化算法實現(xiàn)多源數(shù)據(jù)分類融合與異構數(shù)據(jù)的準確融合。

綜上所述，智能配電網(wǎng)的發(fā)展已然成為一種必然趨勢，邊緣計算技術的應用提供了分布式服務和計算的功能，但海量多源異構配用電數(shù)據(jù)的有效清洗與聯(lián)接研究的不足，使得邊緣計算性能的巨大潛力無法發(fā)揮。文中提出一種基于邊緣計算的智能配電網(wǎng)多源數(shù)據(jù)處理與融合技術，設計充分考慮邊緣計算的數(shù)據(jù)處理與融合架構；提出基于廣義冪變換Zscore（Box-Cox transformation Zscore，BC-Zscore）的各配電網(wǎng)數(shù)據(jù)源量綱和數(shù)量級的變換統(tǒng)一處理方法；通過構建基于沖突優(yōu)化DS推理（principal components analysis-dempster shafer，PCA-DS）的多源數(shù)據(jù)融合模型，基于多維特征因素考量對多源異構數(shù)據(jù)進行分組聚合?？紤]邊緣計算的智能配電網(wǎng)多源數(shù)據(jù)的處理與融合技術研究，可有效實現(xiàn)配電運行數(shù)據(jù)、終端監(jiān)測數(shù)據(jù)、環(huán)境信息數(shù)據(jù)等基礎數(shù)據(jù)源的融合，為提升智能配用電大數(shù)據(jù)多源并行挖掘和融合計算分析奠定了良好的基礎，具有重要的研究價值和意義。

1 基于邊緣計算的智能配電網(wǎng)多源數(shù)據(jù)處理與融合架構

智能配電網(wǎng)（smart distribution grid，SDG）建設，是指通過引入現(xiàn)代電子、通信、網(wǎng)絡、計算機等領域的前沿技術，實現(xiàn)整個配電系統(tǒng)配電過程穩(wěn)定和異常運行情況下的監(jiān)視、保護與控制[14]。

結合邊緣計算定義和技術特點，可有效解決智能配電網(wǎng)建設過程中的核心環(huán)節(jié)，作用于末端電力運行設備及智能監(jiān)測設備與云主站之間，實現(xiàn)數(shù)據(jù)匯聚的基礎、數(shù)據(jù)計算、數(shù)據(jù)存儲以及更高級別的數(shù)據(jù)應用，充分發(fā)揮本地計算的邊緣化結構優(yōu)勢，達到智能配電網(wǎng)終端擴展、拓撲靈活、計控實時的配電業(yè)務功能目標[15-16]。而目標的實現(xiàn)或?qū)崿F(xiàn)程度則取決于配用電大數(shù)據(jù)下的數(shù)據(jù)匯聚操作，配用電數(shù)據(jù)的匯聚不單單是對數(shù)據(jù)的匯總與整合，應是配電管理系統(tǒng)中多源異構信息數(shù)據(jù)量綱和量級的處理變換，以及充分考慮不同數(shù)據(jù)源間特征屬性關聯(lián)的深度融合。高效的多源數(shù)據(jù)處理與融合可以促使配用電數(shù)據(jù)更好地服務于邊緣計算，提高邊緣計算在智能配電網(wǎng)中的應用能力。

考慮邊緣計算下的智能配電網(wǎng)多源數(shù)據(jù)處理與融合架構如圖1所示。

圖1 多源數(shù)據(jù)處理與融合架構Fig.1 Multi-source data processing and fusion architecture

2 基于廣義冪變換Zscore的多源數(shù)據(jù)標準化處理

配電網(wǎng)運行過程中各數(shù)據(jù)源特征屬性的格式、量綱、數(shù)據(jù)類型以及數(shù)量級均不相同，為實現(xiàn)智能配電網(wǎng)邊緣化的數(shù)據(jù)融合計算和信息挖掘，必須消除多種不一致因素產(chǎn)生的限制，實現(xiàn)對多源數(shù)據(jù)的標準化處理。根據(jù)配電大數(shù)據(jù)時序性的特征，通過在原有Zscore多源異構數(shù)據(jù)標準化處理基礎上引入Box-Cox轉(zhuǎn)換，文中提出一種基于廣義冪變換Zscore的配電網(wǎng)多源異構數(shù)據(jù)標準化處理方法。

由于Zscore數(shù)據(jù)標準化處理是假設多源異構數(shù)據(jù)因子服從正態(tài)分布規(guī)律的，否則時序數(shù)據(jù)的偏度和峰度的影響會使得數(shù)據(jù)處理過程中某一因子上的得分明顯偏大或偏小，Box-Cox轉(zhuǎn)換作為一種廣義冪變換方法，可有效地處理連續(xù)響應變量不滿足正態(tài)分布的情況，在一定程度上消除配用電數(shù)據(jù)運行或采集過程中產(chǎn)生的多源時序數(shù)據(jù)波動偏移問題，保證了多源異構數(shù)據(jù)標準化處理的準確性和穩(wěn)定性。

多源數(shù)據(jù)標準化處理流程如圖2所示。

圖2 多源數(shù)據(jù)標準化處理流程Fig.2 Multi-source data standardization process

具體方法執(zhí)行步驟如下：

步驟1：將采集的智能配電網(wǎng)多源數(shù)據(jù)根據(jù)時序特征進行分解處理，記X為標準化變換輸入，其中X能夠以多維數(shù)據(jù)的形式、矩陣形式及向量形式存在。設當X=（X1，X2，…，Xp）以矩陣形式出現(xiàn)時：

步驟2：由于配用電大數(shù)據(jù)多源異構的特點，為保證不同源數(shù)據(jù)格式均實現(xiàn)數(shù)據(jù)變換處理，分別設置應對不同格式的BC-Zscore標準化變換方案：

1）若X是以向量的形式存在時，返回變換后的結果向量

2）若X是以矩陣的形式存在時，逐一利用X的列向量的均值和標準差對相應的列進行數(shù)據(jù)標準化處理，返回變換后的結果矩陣BC_Z；

3）若X是以多維數(shù)組的形式存在時，通過沿X的多個維度求解其均值和標準差，再對X進行數(shù)據(jù)標準化處理，返回變換后的高維數(shù)組BC_Z。

步驟3：X=（X1，X2，…，Xp）經(jīng)BC-Zscore數(shù)據(jù)標準化處理后：

其中

Xj的標準差；i=1，2，…，n；j=1，2，…，p。

經(jīng)過BC-Zscore數(shù)據(jù)變換處理后X=（X1，X2，…，Xp）的每列中

步驟4：根據(jù)選定的多源數(shù)據(jù)處理方案進行數(shù)據(jù)迭代處理，循環(huán)執(zhí)行步驟2步驟3，匯聚數(shù)據(jù)變換處理結果。

步驟5：直到任務輸入的數(shù)據(jù)源均經(jīng)過量綱與量級的統(tǒng)一變換后，進行任務輸出保存，用于多源數(shù)據(jù)融合、邊緣數(shù)據(jù)計算或數(shù)據(jù)存儲，多源數(shù)據(jù)標準化變換結束。

3 構建基于沖突優(yōu)化DS推理的多源數(shù)據(jù)融合模型

基于邊緣計算模式下的智能配電網(wǎng)主要包括三個階段：信息融合、狀態(tài)評估以及關聯(lián)決策。信息融合通過對配用電大數(shù)據(jù)處理與融合實現(xiàn)，只需要涉及極少簡要的數(shù)據(jù)計算，關鍵數(shù)據(jù)計算處于信息融合后的階段之中[17-18]。因此，數(shù)據(jù)融合的性能和意義顯得極為重要，直接關系到配電網(wǎng)狀態(tài)評估和關聯(lián)決策計算結果值。文中在多源數(shù)據(jù)標準化處理的基礎上，構建基于沖突優(yōu)化DS推理的配電網(wǎng)多源數(shù)據(jù)融合模型，經(jīng)過數(shù)據(jù)融合將來自多個數(shù)據(jù)源或來自相關數(shù)據(jù)庫的異構數(shù)據(jù)結合在一起，從而相比使用單一數(shù)據(jù)源的邊緣計算獲得更高的準確性。

D-S（Dempster-Shafer）推理法，以下簡稱 DS推理法，作為一種處理不確定性問題的經(jīng)典數(shù)據(jù)融合方法，實現(xiàn)了對概率論中貝葉斯條件概率的進一步改進，避免了先驗概率的計算，能夠很好地表示“不確定”，被廣泛應用于各種領域的數(shù)據(jù)融合[19]。但由于DS推理法處理沖突子集時，因組合規(guī)則中的歸一化過程會出現(xiàn)違背不同數(shù)據(jù)源融合常理的結果，因此，應用PCA算法對DS推理法在處理沖突數(shù)據(jù)源融合時進行進一步優(yōu)化PCA可以實現(xiàn)尋找m（m＜n）個新成分的目標，使它們反映沖突信息的主要特征，實現(xiàn)沖突信息主要成分的提取利用，而不是全部分配給未知項不進行融合考慮，可利用的成分取決于所定義的成分可信度函數(shù)：

基于PCA-DS推理的多源數(shù)據(jù)融合模型具體流程如圖3所示。

圖3 多源異構數(shù)據(jù)的特征級融合Fig.3 Feature level fusion of multi-source heterogeneous data

針對配用電大數(shù)據(jù)呈現(xiàn)出的種類繁多、多源、不確定等特性，通過將各數(shù)據(jù)源或監(jiān)測終端數(shù)據(jù)信息抽象為特征屬性子集，實現(xiàn)智能配電網(wǎng)下多源異構數(shù)據(jù)的特征級融合，具體執(zhí)行步驟如下。

步驟1：多源特征屬性子集基本概率初始化，標記U為智能配電網(wǎng)多源數(shù)據(jù)融合模型框架，則函數(shù)m：2U→[0，1]滿足兩項條件：

式中：m（A）=0為多源數(shù)據(jù)融合集合A的初始值，而m（A）的大小代表對其的信任程度。

步驟2：定義信任函數(shù)（belief function）計算不同數(shù)據(jù)融合集合的信任函數(shù)值。

式中：Bel（A）為多源數(shù)據(jù)融合集合A中所有子集分配概率值之和，每項分配概率值表示了該項子集中特征屬性組成的信任程度值，表示其中包括的配電網(wǎng)多源特征屬性可實現(xiàn)最基本的數(shù)據(jù)融合。

步驟3：定義多源數(shù)據(jù)融合似然函數(shù)（plausibility function）計算融合不確定特征屬性集合的信任程度值，不確定特征屬性的可利用成分取決于所求解的成分可信度值?，計算函數(shù)如下：

式中：pl（A）為對多源數(shù)據(jù)融合集合A似乎可能融合的不確定性特征屬性的度量為集合A融合不確定性特征屬性時沖突成分可信度值。

步驟4：計算數(shù)據(jù)融合的信任空間。根據(jù)信任函數(shù)和似然函數(shù)之間的關系：pl（A）≥Bel（A），A?U，A的不確定性可以表示為

式中：pl（A）-Bel（A）為信任空間，表示多源數(shù)據(jù)融合過程中根據(jù)配電網(wǎng)計算實際應用允許變動的不確定性特征屬性。

步驟5：多源異構數(shù)據(jù)特征屬性合成。對于?A?U，智能配電網(wǎng)多源數(shù)據(jù)融合模型框架U上的有限個mass函數(shù)m1,m1,…,mn的Dempster合成規(guī)則為

根據(jù)合成規(guī)則，利用不同源中數(shù)據(jù)特征屬性索引實現(xiàn)特征級數(shù)據(jù)融合。

4 實驗結果與分析

為驗證文中所提基于邊緣計算的智能配電網(wǎng)多源數(shù)據(jù)處理與融合技術的有效性與可靠性，以某地區(qū)配電網(wǎng)為例，配電網(wǎng)IEEE14節(jié)點仿真拓撲如圖4所示。算法通過Matlab2019a實現(xiàn)，選取同一時間周期的配電網(wǎng)運行數(shù)據(jù)、終端監(jiān)測數(shù)據(jù)、環(huán)境信息數(shù)據(jù)為實驗多源數(shù)據(jù)，分為兩個實驗分別測試多源數(shù)據(jù)標準化變換處理方法，以及在數(shù)據(jù)處理的基礎上進行多源數(shù)據(jù)特征級融合的可行性。

圖4 配電網(wǎng)IEEE14節(jié)點仿真拓撲圖Fig.4 Simulation topology diagram of IEEE14 nodes in distribution network

實驗1：多源數(shù)據(jù)標準化變換處理。

配電網(wǎng)運行量測主要使用配網(wǎng)數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)（supervisory control and data acquisition，SCADA）數(shù)據(jù)；終端監(jiān)測數(shù)據(jù)主要使用配網(wǎng)故障分布式系統(tǒng)（system of malfunction distribution，SMD）數(shù)據(jù)；有關環(huán)境信息數(shù)據(jù)使用氣象網(wǎng)公開數(shù)據(jù)，主要包括時間點、經(jīng)度、緯度、溫度、風速、氣壓等對配電網(wǎng)影響顯著的特征屬性數(shù)據(jù)。各數(shù)據(jù)源分別從屬不同數(shù)據(jù)采集系統(tǒng)，數(shù)據(jù)格式復雜多樣、結構差異較大，極大地限制了配電網(wǎng)邊緣化的混合計算。經(jīng)多源數(shù)據(jù)標準化變換處理前后結果對比如圖5、圖6所示。

圖5 多源數(shù)據(jù)處理前結果Fig.5 Results before multi-source data processing

圖6 多源數(shù)據(jù)處理后結果Fig.6 Results after multi-source data processing

為了避免處理方法的偶然性，以6～11線路為例，隨機抽取10條觀測序號展示結果。在經(jīng)本文所提基于BC-Zscore的配電網(wǎng)多源異構數(shù)據(jù)標準化處理方法處理后三個不同格式、量綱、數(shù)據(jù)類型以及數(shù)量級的數(shù)據(jù)源特征屬性處理結果值如表1所示，單位均為標幺值。

實驗表明，通過對一周內(nèi)的連續(xù)原始數(shù)據(jù)進行基于BC-Zscore的多源數(shù)據(jù)標準化處理，該方法有效實現(xiàn)了對各數(shù)據(jù)源特征屬性的格式、量綱、數(shù)據(jù)類型以及數(shù)量級的統(tǒng)一變換處理，通過表1實驗結果可以看出，各數(shù)據(jù)源特征屬性變換后每個元素的絕對值取值均在0～1之間，明顯消除了多種不一致因素產(chǎn)生的限制，為后續(xù)的智能配電網(wǎng)邊緣化數(shù)據(jù)融合計算和信息挖掘奠定了基礎，保證了配電網(wǎng)的穩(wěn)定計算控制和重要信息的深度挖掘。

實驗2：多源數(shù)據(jù)融合。

智能配電網(wǎng)各種高級應用計算均建立在多源數(shù)據(jù)融合計算的基礎上，利用多源數(shù)據(jù)處理結果，圍繞配電網(wǎng)自然災害故障信息診斷與挖掘這一實際應用場景需求，進行數(shù)據(jù)的特征級融合。以運行數(shù)據(jù)源、終端監(jiān)測數(shù)據(jù)源、環(huán)境信息數(shù)據(jù)源為對象，結合應用場景需求分析多源信息構成及關鍵特征屬性，各數(shù)據(jù)源在故障信息診斷與挖掘中融合占比圖如圖7所示。

圖7 多源異構數(shù)據(jù)源融合占比Fig.7 Proportion of multi-source heterogeneous data source fusion

根據(jù)多源異構數(shù)據(jù)特征屬性合成規(guī)則，對多源數(shù)據(jù)進行分類組合與融合，數(shù)據(jù)融合過程中不同信任函數(shù)值與似然函數(shù)值下信任區(qū)間變化如圖8所示，尋找最佳數(shù)據(jù)融合點，保證穩(wěn)定度的前提下盡可能多的融合不確定特征屬性。

圖8 數(shù)據(jù)融合過程中的信任區(qū)間變化Fig.8 Change of confidence interval during data fusion

為了驗證文中提出PCA-DS推理的多源數(shù)據(jù)融合結果在后期配電網(wǎng)自然災害故障信息診斷與挖掘的高準確性。對一周內(nèi)經(jīng)BC-Zscore多源數(shù)據(jù)處理后的實驗結果值分別采用DS推理法、BP神經(jīng)網(wǎng)絡與DS推理法結合算法（BPNN-DS）及文中算法（PCA-DS），三種算法進行融合效果對比實驗，三種實驗融合結果在后期診斷分析中準確率變化如圖9所示。

圖9 三種算法結果值在后期診斷分析中的準確率對比Fig.9 Comparison of the accuracy of the results of the three algorithms in the later diagnosis analysis

由圖9實驗結果可知，基于PCA-DS推理的多源數(shù)據(jù)融合模型有效地實現(xiàn)了從數(shù)據(jù)源頭、特征屬性等不同角度出發(fā)，對多源異構數(shù)據(jù)進行分組聚合。根據(jù)融合過程中信任區(qū)間的收縮變化，提高了多源數(shù)據(jù)分布特征的擬合精度。同時，通過考慮多源數(shù)據(jù)融合的配電網(wǎng)自然災害故障信息診斷與挖掘?qū)Ρ冉Y果可以看出，文中利用定義成分可信度函數(shù)約束DS推理過程中不確定特征屬性融合，大幅提高了DS推理在多源數(shù)據(jù)融合中的穩(wěn)定性和準確性，而且有效融合方法下的多源信息合成進行配電網(wǎng)場景應用分析計算結果值明顯優(yōu)于僅考慮單一或少量因素的傳統(tǒng)方法。

5 結論

文中提出了一種基于邊緣計算的智能配電網(wǎng)多源數(shù)據(jù)處理與融合技術，該技術的提出在一定程度上加快了邊緣計算技術在智能配電網(wǎng)中的應用，同時又為配電網(wǎng)后續(xù)的高級計算和應用決策分析提供了保障。通過深入分析配電網(wǎng)智能化建設過程中海量異構數(shù)據(jù)造成的存儲混亂與融合計算性能不足的問題，設計了一種充分考慮邊緣計算模式下的配用電數(shù)據(jù)處理與融合架構，其中的廣義冪變換Zscore多源數(shù)據(jù)變換處理方法，有效地實現(xiàn)了多種配電網(wǎng)數(shù)據(jù)采集系統(tǒng)下量綱與量級的統(tǒng)一；基于沖突優(yōu)化DS推理的數(shù)據(jù)融合模型，根據(jù)智能配電網(wǎng)高級應用場景需求預先實現(xiàn)了高精度的特征級配用電數(shù)據(jù)融合，進一步為配電網(wǎng)邊緣智能化計算和高級應用奠定了基礎，滿足了智能配電網(wǎng)在運行狀態(tài)評估、故障信息診斷挖掘、突發(fā)事件數(shù)據(jù)可信度識別等高級應用中高可靠性的需求。