馮興興， 郭斌， 陳俊藝， 何圣川， 趙燁

(廣東電網(wǎng)有限責任公司廣州供電局， 廣東, 廣州 510000)

0 引言

智能電能表的誤差檢定對于電能表用戶具有重要的意義，也是衡量電能表質量的重要指標。隨著電能表用戶的越來越多，電能檢測數(shù)據(jù)逐步增多，對大量的電能表進行質量評估就顯得尤為重要。常規(guī)技術中，通過用戶目測實現(xiàn)電能表的誤差檢定。這種方法不僅技術落后，工作量大，很難實現(xiàn)大量電能表的精準檢定。

文獻[1]采用熵權理論和灰色關聯(lián)度相融合的綜合評價方法，能夠從生產監(jiān)造、供貨前質量評估、貨后質量評估以及現(xiàn)場運行評估等不同的階段實現(xiàn)了電能表的全壽命周期評估，但是該方法難以實現(xiàn)數(shù)據(jù)的故障診斷。文獻[2]構建了基于兩階段聚類的電能表質量評價模型，將k-means算法與HDBSCAN (Hierarchical Density-Based Spatial Clustering of Applications with Noise)作為電能表質量的分析方法，提高了數(shù)據(jù)處理效率。但是該方法對于電能表出現(xiàn)的問題所針對的處理措施卻無能為力。

基于上述技術的不足， 采用電能表質量評價模型實現(xiàn)多種數(shù)據(jù)的處理和質量評價。下面對所提的方法以及關鍵技術進行以下說明。

1 電能表質量評價模型的構建

本研究的創(chuàng)新點在于：

(1)通過多源數(shù)據(jù)融合算法[3]實現(xiàn)多種不同類型電能表數(shù)據(jù)的計算與處理，使得不同類型的數(shù)據(jù)信息有機地融合在一起，提高數(shù)據(jù)輸入能力，便于用戶從集中的數(shù)據(jù)信息中處理電能表數(shù)據(jù)信息；

(2)采用改進型層次分析法實現(xiàn)不同電能表數(shù)據(jù)信息的故障診斷，構建出復雜電能表數(shù)據(jù)信息的決策問題分析模型，對影響電能表的因素及其內在關系進行定量分析和判斷，使得具有精確的評價、決策能力；

(3)在改進型層次分析法的應用基礎上，融入BP神經(jīng)網(wǎng)絡和思維進化(MEA)算法[4]，提出了數(shù)據(jù)判斷能力和故障數(shù)據(jù)診斷能力。

綜上所述， 的電能表質量評價模型示意圖如圖1所示。

圖1 電能表質量評價模型

在圖1中的電能表質量評價模型中，其包括融合算法模型、改進型BP神經(jīng)網(wǎng)絡算法模型和層次分析法算法模型[5-6]構成，下面通過數(shù)據(jù)模型的方式實現(xiàn)數(shù)據(jù)融合，其中融合算法模型為

(1)

為了將該融合模型[7]適應多種電能表數(shù)據(jù)檢定的需求，將該算法模型進行歸一化處理，歸一化后的模型如式(2):

(2)

在設計中，還采用改進型BP神經(jīng)網(wǎng)絡算法模型實現(xiàn)電能計量數(shù)據(jù)的處理，該算法內融合了MEA算法模型，從融合后的數(shù)據(jù)信息中獲取最優(yōu)電能檢測數(shù)據(jù)，實現(xiàn)電能計量數(shù)據(jù)的精細化處理。

2 電能表評價模型關鍵技術研究

2.1 改進型BP神經(jīng)網(wǎng)絡模型構建及應用方法

本研究使用BP神經(jīng)網(wǎng)絡模型的架構示意圖通常包括輸入層、連接層和輸出層，其邏輯架構示意圖如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡模型架構示意圖

在圖2中，BP神經(jīng)網(wǎng)絡模型中不同層與層之間通過全連接的方式進行整合，電能質量數(shù)據(jù)信息經(jīng)過BP神經(jīng)網(wǎng)絡模型訓練后，由于初始參數(shù)為不確定值[8]，容易造成局部最優(yōu)解僵化問題，為了提高訓練模型的精度和穩(wěn)定性，通常進行大量的數(shù)據(jù)訓練，比如通過訓練分類器等。這種方式不僅需要消耗大量的人力、物力，數(shù)據(jù)訓練效率極其低下。

改進型BP神經(jīng)網(wǎng)絡融合結構模型如圖3所示。

圖3 改進型BP神經(jīng)網(wǎng)絡融合結構

在圖3的算法模型中，MEA算法通過迭代進化計算的方式進行訓練和學習。該算法借助于遺傳算法中“種群”和“進化”的設計思路，應用 “趨同”和“異化”兩種不同形式的操作方法。其中的“趨同”在子種群Si(i=1,2,…,n)數(shù)據(jù)集合中，能夠快速發(fā)現(xiàn)局部最優(yōu)子種群，然后對各個子種群環(huán)境局部環(huán)境信息快速判斷和計算，通過打分進行判斷電能計量數(shù)據(jù)的局部最優(yōu)解。輸出的最優(yōu)電能表數(shù)據(jù)個體Ni,pbest打分情況為所有電能數(shù)據(jù)信息在子種群Si內的得分信息，其中輸出的“異化”信息為電能表質量數(shù)據(jù)信息在整個有解空間內能夠檢索到的最優(yōu)子種群，然后用戶可以根據(jù)打分情況進行判斷，將得分較高的子群保存，分數(shù)低的剔除。這樣就淘汰了最劣解。融合MEA算法的BP神經(jīng)網(wǎng)絡模型有效地將電能表殘余數(shù)據(jù)信息進行過濾。提高了BP神經(jīng)網(wǎng)絡模型輸入的初始權值和閾值。

在具體應用中，如圖3所示，其中的t表示為MEA算法正在迭代循環(huán)的次數(shù)，k表示為具體到某個電能表質量數(shù)據(jù)信息構成的子種群內部正迭代循環(huán)的次數(shù)。在確定BP神經(jīng)網(wǎng)絡模型時，當局部最優(yōu)個體被篩選出來之后，借助于全局公告板，將BP神經(jīng)網(wǎng)絡模型中的所有種群內部的最優(yōu)個體分別進行對比分析，在不斷迭代計算后，直到BP神經(jīng)網(wǎng)絡模型中的每個電能表質量數(shù)據(jù)信息的種子群成熟為止。假設將電能表參數(shù)數(shù)據(jù)信息形成的子種群Si內部的個體以正態(tài)分布的方式表示，則有:

Ni(μi,Ci)

(3)

式中，μi表示電能表質量數(shù)據(jù)信息子群的正態(tài)分布的中心向量值，Ci表示電能表質量信息正態(tài)分布的協(xié)方差矩陣，如式(4)：

Ci=diag(σ1,σ2,…,σd,…,σk)

(4)

式中，d表示所有電能表質量數(shù)據(jù)信息空間內的單個電能表個體的維數(shù)。

(5)

式中，Hd為電能表數(shù)據(jù)信息中不同子群內部數(shù)據(jù)信息的d維度的個體上限數(shù)值，Ld為電能表數(shù)據(jù)信息種子群內部d維的個體下限數(shù)值。通過設置迭代次數(shù)，則可以實現(xiàn)電能表數(shù)據(jù)信息檢索的預期值。

2.2 層次分析法算法模型及構建方法

判斷矩陣中，所有層之間的所有元素針對上一層某一個元素相對重要性進行比較，電能表影響程度的比較通過表1的方式進行對比。

表1 判斷矩陣的標度和參數(shù)信息示意表

改進型BP神經(jīng)網(wǎng)絡模型輸出的電能表數(shù)據(jù)信息中，通過兩兩對比，將精選出的數(shù)據(jù)信息構成準則層內的判斷矩陣，通過判斷矩陣實現(xiàn)數(shù)據(jù)信息的對比，判斷矩陣如式(6)：

A={aij}n×n

(6)

然后將不同類型的電能表數(shù)據(jù)信息通過兩兩對比后，構成新型的矩陣，則有：

(7)

式中，aij表示電能表數(shù)據(jù)類型選出來后的指標Bi和Bj相對目標A的重要性程度的標度。

然后再將對比后的電能表質量評價后的數(shù)據(jù)信息進行一致性檢驗判斷，通過以下指標CI進行評價，該指標為

(8)

式中，λmax表示式(7)中矩陣方程中輸出的最大電能表分類信息特征根，n表示為具有不同類型電能表數(shù)據(jù)信息分類后的矩陣方程維數(shù)。

在輸出數(shù)據(jù)CI=0的情況下，表示矩陣方程電能表輸出數(shù)據(jù)信息一致，當CI比較大的情況下，比如大于10，表示電能表輸出數(shù)據(jù)信息不一致，在 改進型算法模型中， CR表示為一致性比率，該比率計算公式如式(9)：

(9)

在CR<0.1的情況下，則表示為電能表輸出數(shù)據(jù)信息為用戶設置的質量允許的范圍，當數(shù)據(jù)信息不一致時，電能表數(shù)據(jù)信息特征向量歸一化后的數(shù)據(jù)信息為權向量。如果沒有通過檢驗，則需要重新構造判斷矩陣。對于1階、2階矩陣方程，數(shù)據(jù)信息為一致的，此時，CR=0。其中RI的電能表數(shù)據(jù)信息取值表通過表2來表示。則有：

表2 RI信息取值表

在判斷矩陣中，各個層次之間的元素的權重通過判斷矩陣各層之間的最大特征值以及各層對應的歸一化數(shù)據(jù)特征向量來表示，關系式可以為

AW=γmaxW

(10)

式中，γmax表示判斷矩陣具有的最大特征值，W表示判斷矩陣具有的相應特征向量。然后對這兩個值進行歸一化處理，則有：

(11)

然后輸出層次分析法算法模型中準則層內不同電能表數(shù)據(jù)信息不同元素的相對目標層和方案層各元素相對準則層的權重，則權重的公式可以為

(12)

式中，Wci表示層次分析法算法模型中方案層第i個電能表計量數(shù)據(jù)元素信息Ci相對于層次分析法算法模型中目標層具有的權重數(shù)值，WCBij為層次分析法算法模型中方案層中電能表數(shù)據(jù)信息元素Ci相對于準則層中第j個元素Bj的權重，WBj為層次分析法算法模型中準則層內的電能表數(shù)據(jù)元素Bj相對于層次分析法算法模型中目標層的權重。

最終輸出電能表質量目標數(shù)據(jù)算法模型為

(13)

式中，U表示電能表質量數(shù)據(jù)信息的最終打分情況，Yi表示為電能表層次分析方法中方案層第i個電能數(shù)據(jù)信息元素Ci的得分。通過上述方法實現(xiàn)了電能數(shù)據(jù)質量評價的高精度輸出。

3 試驗結果與仿真

為了體現(xiàn) 方法的技術優(yōu)越性，通過在實驗室環(huán)境下實現(xiàn)電能表數(shù)據(jù)信息的判斷，然后進行計算機數(shù)據(jù)仿真，其中的硬件配置為：CPU硬件模型為Inter Core i7-9700H，數(shù)據(jù)內存為3 200 MHz 8×4 GB，硬盤大小為16 TB。

首先對整體算法模型計算的準確度進行試驗，人為假設電能表故障數(shù)據(jù)信息為10 000個，新選擇的數(shù)據(jù)樣本為100*103個，數(shù)據(jù)量的基數(shù)越大，準確率越高。數(shù)據(jù)傳輸情況如圖4所示。

圖4 數(shù)據(jù)傳輸架構示意圖

然后啟動所提方法電能表質量評價模型進行數(shù)據(jù)計算，將所提的方法與k-means算法模型和隨機矩陣理論模型進行對比分析。經(jīng)過2個小時的計算，得出如表3所示的數(shù)據(jù)信息表。

從表3可以看出，所提的方法識別出的正確率較高。為了形象的表示計算效果，下面通過曲線圖的方式對計算誤差進行直觀表示(見圖5)。

表3 計算出的數(shù)據(jù)信息表

圖5 誤差對比示意圖

通過圖5可以看出，當電能表質量信息大數(shù)據(jù)訓練集為30*103時，k-means算法的電能表大數(shù)據(jù)挖掘技術的故障數(shù)據(jù)識別率為60%左右，基于隨機矩陣理論的電能表數(shù)據(jù)信息挖掘技術的故障識別率為40%左右，而 的方法誤差識別率為77%。當電能表質量信息大數(shù)據(jù)訓練集為100*103時，k-means算法的電能表大數(shù)據(jù)挖掘技術數(shù)據(jù)分類準確率約為65%，基于隨機矩陣理論的電能表大數(shù)據(jù)挖掘技術的分類準確率約為60%， 方法分類準確率高達92%以上。因此， 算法的質量評價準確率高。下面在從處理時間上進行對比分析。處理時間對比示意圖如圖6所示。

圖6 處理時間對比示意圖

從圖6可以看出，通過與k-means算法模型和隨機矩陣理論模型進行對比分析，所提的方法花費的時間最少，可見所提的方法不僅輸出的數(shù)據(jù)準確率高，而且時間消耗的最少，具有突出的技術優(yōu)勢。

4 總結

針對當前技術中對電能表質量評價技術落后的問題， 構建電能表質量評價模型，將多種不同類型的電能表數(shù)據(jù)信息有機融合在一起，實現(xiàn)了多源數(shù)據(jù)融合，提高了電能表質量的評價能力。構建出改進型BP神經(jīng)網(wǎng)絡模型，在常規(guī)BP神經(jīng)網(wǎng)絡模型中融入MEA算法模型，提高了BP神經(jīng)網(wǎng)絡模型輸入數(shù)據(jù)的精確度，構建的層次分析法模型能夠提高電能表質量評估能力，但仍舊存在一些技術不足，比如模型兼容性問題等，這需要進一步的研究。