周忠冉，顧亞林，張俊杰

(南京南瑞信息通信科技有限公司,江蘇,南京 210003)

0 引言

現(xiàn)有的基于云計(jì)算架構(gòu)的電力物聯(lián)網(wǎng)會(huì)將這些數(shù)據(jù)全部傳入云端進(jìn)行數(shù)據(jù)分析和處理，這不但會(huì)使云端背負(fù)較大的計(jì)算壓力，也會(huì)給數(shù)據(jù)傳輸路線造成巨大的寬帶負(fù)擔(dān)，因而這種模式已經(jīng)無法滿足行業(yè)日益増長的數(shù)據(jù)處理需求[1-2]。本文基于邊緣計(jì)算架構(gòu)設(shè)計(jì)了一種基于云邊協(xié)同架構(gòu)的電力物聯(lián)網(wǎng)數(shù)據(jù)分類處理方法。本方法把在邊緣層匯總收集的原始數(shù)據(jù)利用隨機(jī)森林算法進(jìn)行分類和處理，并反饋處理結(jié)果，相比較于傳統(tǒng)的云中心架構(gòu)的電網(wǎng)數(shù)據(jù)處理方法，本方法提升了數(shù)據(jù)處理的速度，同時(shí)又避免了將數(shù)據(jù)上傳和等待數(shù)據(jù)返回的延遲，達(dá)到了對數(shù)據(jù)的快速響應(yīng)。

1 相關(guān)技術(shù)

1.1 隨機(jī)森林

(1)

其中，函數(shù)f(dj)為統(tǒng)計(jì)dj出現(xiàn)次數(shù)[3-5]。

數(shù)據(jù)集X依據(jù)第j個(gè)屬性劃分的對應(yīng)基尼系數(shù)公式為

(2)

其中，|X|是集合X中元素的個(gè)數(shù)。

選擇對應(yīng)基尼系數(shù)最小的第j個(gè)屬性作為其數(shù)據(jù)集分裂的依據(jù)進(jìn)行分割數(shù)據(jù)集。

1.2 優(yōu)化隨機(jī)森林

結(jié)合粒子群算法思想，選取CART樹的數(shù)量T以及數(shù)據(jù)子集大小k的最優(yōu)解，縮短模型訓(xùn)練時(shí)間，提升模型檢測準(zhǔn)確率[6]，每個(gè)粒子包含兩個(gè)屬性，分別為速度v和位置p。

假設(shè)對T和k進(jìn)行初始化的次數(shù)為A，粒子空間維度為B，在該粒子空間中，每個(gè)粒子在解空間中單獨(dú)搜尋最優(yōu)解，將其作為個(gè)體極值，則第a個(gè)粒子的個(gè)體極值表示為Pa={vab,pab}，其中a=1,2,…,A,b=1,2,…,B。Pa通過學(xué)習(xí)自身歷史經(jīng)驗(yàn)和種群全體歷史經(jīng)驗(yàn)，更新速度v和位置p數(shù)值，第a個(gè)粒子更新的va和pa[7]表示為

βrandom(vab)(Pab-pab)

(3)

Pab=pab+vab

(4)

引入袋外數(shù)據(jù)誤差εodb來找到最優(yōu)解，記為Pbest，對應(yīng)的εodb表達(dá)式為

(5)

其中，εi表示第i棵CART樹的袋外誤差。由于隨機(jī)森林構(gòu)建每一棵CART樹都是在數(shù)據(jù)集中選取一個(gè)子集進(jìn)行構(gòu)建，因此余下的數(shù)據(jù)集可以作為驗(yàn)證數(shù)據(jù)集去評估該棵CART樹[8]。袋外誤差率在一定程度上可以體現(xiàn)隨機(jī)森林的分類準(zhǔn)確率。

參數(shù)優(yōu)化流程如下所示。

第一步 初始化次數(shù)為A，粒子空間維度為B，每個(gè)粒子初始速度和位置分別為va和pa。

第二步 將每個(gè)粒子帶入隨機(jī)森林模型，計(jì)算εodb。

第三步 對于粒子Pa，如果其對應(yīng)的εodb

第四步 返回第二步，直到滿足最大迭代次數(shù)。

當(dāng)獲取最佳CART樹的數(shù)量T以及數(shù)據(jù)子集大小k后，可以根據(jù)該參數(shù)構(gòu)建隨機(jī)森林模型。

1.3 LSTM-FCN

LSTM在RNN的基礎(chǔ)之上增加了一個(gè)長期狀態(tài)c來保存長期狀態(tài)，解決了梯度消失問題，非常適合處理時(shí)間序列的分類問題[9]。

LSTM神經(jīng)單元的計(jì)算公式如下：

ct=sigmod(ft)×ct-1+sigmod(it)×tanh(ct)

(6)

ht=sigmod(ot)×tanh(ct)

(7)

FCN將傳統(tǒng)CNN中的連接層全轉(zhuǎn)化成多個(gè)卷積層，故稱為全卷積網(wǎng)絡(luò)。當(dāng)卷積層的層數(shù)為L，X為長度為F0且時(shí)間步長為t的特征輸入向量時(shí)，每層的濾波公式為

(8)

其中，l為當(dāng)前的層數(shù)，Wl∈RFl×d×Fl-1為張量，bl∈RFl為偏置值，d為過濾持續(xù)時(shí)間，f(·)為校正線性單元。

LSTM-FCN通過在LSTM中加入注意機(jī)制，實(shí)現(xiàn)了LSTM-RNN中很難學(xué)習(xí)到的長時(shí)間依賴項(xiàng)，其架構(gòu)如圖1所示。

圖1 LSTM-FCN 結(jié)構(gòu)

2 模型構(gòu)建

2.1 模型架構(gòu)

本文提出的方法架構(gòu)如圖2所示，分為設(shè)備層、邊緣層和云端層。設(shè)備層包含各個(gè)產(chǎn)生數(shù)據(jù)的設(shè)備終端，負(fù)責(zé)收集數(shù)據(jù)，進(jìn)行數(shù)據(jù)預(yù)處理并將其發(fā)送到邊緣層；邊緣層為部署在設(shè)備層附近的數(shù)據(jù)處理器，其靠近設(shè)備終端，實(shí)時(shí)匯總預(yù)處理數(shù)據(jù)，就近提供數(shù)據(jù)處理等服務(wù)。通過改進(jìn)的隨機(jī)森林模型將其分為正常上載數(shù)據(jù)和待處理數(shù)據(jù)，之后將正常上載數(shù)據(jù)和待處理數(shù)據(jù)的結(jié)果反饋給設(shè)備，實(shí)現(xiàn)設(shè)備的實(shí)時(shí)檢測。同時(shí)，將待處理數(shù)據(jù)上傳到云端層。在云端利用Bi-LSTM數(shù)據(jù)分類模型對這些數(shù)據(jù)進(jìn)行分類存儲(chǔ)，利用大數(shù)據(jù)和專家系統(tǒng)進(jìn)行全網(wǎng)的設(shè)備分析和用戶用量等的分析，再將分析結(jié)果下傳到對應(yīng)的邊緣層，對涉及到的設(shè)備進(jìn)行優(yōu)化處理。

圖2 基于云邊協(xié)同架構(gòu)的電力物聯(lián)網(wǎng)數(shù)據(jù)分類處理方法架構(gòu)

2.2 邊緣層數(shù)據(jù)分類

在電力物聯(lián)網(wǎng)中，需要在邊緣層對數(shù)據(jù)進(jìn)行處理，快速判斷設(shè)備的運(yùn)行狀態(tài)并對其進(jìn)行故障檢測，完成對異常情況的及時(shí)處理，防止更大的故障出現(xiàn)。而電表中的數(shù)據(jù)通常用于進(jìn)行用量分析和需求分析，必須結(jié)合全網(wǎng)的數(shù)據(jù)進(jìn)行分析，需要傳輸?shù)皆贫藢雍筮M(jìn)行處理[10]。

因此，設(shè)備層實(shí)時(shí)采集和匯總原始數(shù)據(jù)D后，對其進(jìn)行數(shù)據(jù)預(yù)處理得到D′。根據(jù)數(shù)據(jù)的來源，邊緣層首先將數(shù)據(jù)進(jìn)行初步分類，判斷數(shù)據(jù)是否為異常數(shù)據(jù)，將其分為正常上載數(shù)據(jù)UpD和待處理數(shù)據(jù)PeD。邊緣層直接將上載數(shù)據(jù)上傳到云端層進(jìn)行進(jìn)一步分類分析，同時(shí)將異常結(jié)果反饋給設(shè)備層，實(shí)現(xiàn)實(shí)時(shí)檢測。

2.3 邊緣層故障檢測

對于獲得的預(yù)處理數(shù)據(jù)D′，在邊緣層使用優(yōu)化的隨機(jī)森林進(jìn)行故障檢測，偽代碼如圖2 所示。對數(shù)據(jù)D′采用滑動(dòng)窗口方式進(jìn)行特征提取，利用Bagging方法從原始數(shù)據(jù)集中隨機(jī)抽取訓(xùn)練數(shù)據(jù)子集訓(xùn)練T棵CART樹，利用測試數(shù)據(jù)集進(jìn)行測試，輸出結(jié)果為綜合T棵CART樹的分類結(jié)果。完成后將故障檢測結(jié)果下傳到設(shè)備層，并將待處理數(shù)據(jù)PeD={Time，Type，Data}，打包發(fā)送到云端層。

算法1 隨機(jī)森林故障檢測模型

圖2 故障檢測模型

2.4 云端數(shù)據(jù)分類

在云端層，接收到來自邊緣層處理數(shù)據(jù)PeD，需要對這些數(shù)據(jù)進(jìn)行分類存儲(chǔ)以便于之后的大數(shù)據(jù)分析。本文采用LSTM-FCN對數(shù)據(jù)進(jìn)行分類，分類過程如下。

(1) 輸入數(shù)據(jù)傳入時(shí)間卷積塊，數(shù)據(jù)在塊中先通過時(shí)間卷積層，再使用批量歸一化，之后通過ReLU激活函數(shù)得到該塊的輸出，輸出再作為輸入傳送到下一個(gè)卷積塊，重復(fù)2次上述過程。

(2) 經(jīng)過3個(gè)堆疊的時(shí)間卷積塊的數(shù)據(jù)進(jìn)入全局平均池化層。

(3) 輸入數(shù)據(jù)同時(shí)被送入維度混洗層(dimension shuffle layer)，之后將變幻后的數(shù)據(jù)輸入到由BasicLSTM和Attention LSTM組成的LSTM塊中，之后經(jīng)過Dropout。

(4) 將全局平均池化層和LSTM塊的輸出進(jìn)行串聯(lián)，發(fā)送到softmax分類層進(jìn)行分類，得到分類結(jié)果。

3 實(shí)驗(yàn)驗(yàn)證

實(shí)驗(yàn)數(shù)據(jù)選取江蘇某市變電站2019年的數(shù)據(jù)作為樣本數(shù)據(jù)集，其中70%的數(shù)據(jù)作為訓(xùn)練集，剩下30%作為測試集。為了驗(yàn)證算法的性能，選取變電站1—6月的數(shù)據(jù)，選用SVM 方法、貝葉斯和本文的隨機(jī)森林模型算法進(jìn)行比較，比較結(jié)果如圖3所示。

圖3 算法性能比較測試

從圖3可以看出，本文的隨機(jī)森林算法在準(zhǔn)確率上基本優(yōu)于其他2個(gè)算法，平均準(zhǔn)確率在93%左右。

為驗(yàn)證云端數(shù)據(jù)分類模型的性能，選取變電站2019年7月的數(shù)據(jù)，分成數(shù)量大小為50、100、150、200、250的數(shù)據(jù)集，使用本文的LSTM-FCN和傳統(tǒng)的LSTM、FCN進(jìn)行比較，如圖4所示。從圖4可以看出，本文的LSTM-FCN算法在準(zhǔn)確率上基本優(yōu)于其他2個(gè)算法，平均準(zhǔn)確率在94%左右。

圖4 算法準(zhǔn)確率比較測試

選取變電站2019年1—5月的數(shù)據(jù)，分別分成5個(gè)數(shù)據(jù)集，使用本文的LSTM-FCN和傳統(tǒng)的LSTM、FCN進(jìn)行比較，如圖5所示。從圖5可以看出，本文的LSTM-FCN算法在準(zhǔn)確率上基本優(yōu)于其他2個(gè)算法，平均準(zhǔn)確率在94%左右。

圖5 算法準(zhǔn)確率對比測試

4 總結(jié)

現(xiàn)有的電力物聯(lián)網(wǎng)技術(shù)無法滿足行業(yè)日益増長的數(shù)據(jù)處理需求，本文基于電力物聯(lián)網(wǎng)架構(gòu)云邊架構(gòu)，設(shè)計(jì)了一種基于云邊協(xié)同架構(gòu)的電力物聯(lián)網(wǎng)數(shù)據(jù)分類處理模型方法，利用隨機(jī)森林算法對感知層數(shù)據(jù)進(jìn)行實(shí)時(shí)分類和處理，在云端層利用LSTM-FCN數(shù)據(jù)分類模型對這些數(shù)據(jù)進(jìn)行分類存儲(chǔ)，測試結(jié)果證明了該模型方法具有較好的實(shí)用價(jià)值。下一步將針對低帶寬、長時(shí)延場景下的云邊協(xié)同數(shù)據(jù)處理技術(shù)進(jìn)行研究，完善云邊協(xié)同模型，更好地支撐電力智慧物聯(lián)體系建設(shè)。