柳林溪

(貴州電網(wǎng)有限責(zé)任公司計(jì)量中心, 貴州,貴陽 550000)

0 引言

隨著信息化技術(shù)的發(fā)展，物聯(lián)網(wǎng)技術(shù)日益受到重視，諸多專家學(xué)者在監(jiān)測(cè)與預(yù)警方面進(jìn)行了研究，主要包括社會(huì)風(fēng)險(xiǎn)的監(jiān)測(cè)預(yù)警、燃?xì)夤艿赖谋O(jiān)測(cè)預(yù)警以及不同行業(yè)風(fēng)險(xiǎn)的監(jiān)測(cè)預(yù)警。大多數(shù)的風(fēng)險(xiǎn)監(jiān)測(cè)預(yù)警都是采用簡單的閾值預(yù)警方式，難以在早起階段快速做出反應(yīng)。部分專家[1-3]利用STM32采集監(jiān)測(cè)數(shù)據(jù)，實(shí)現(xiàn)簡單的數(shù)據(jù)存儲(chǔ)異常報(bào)警功能。還有部分專家[4-6]提出在監(jiān)測(cè)的過程中建立監(jiān)測(cè)點(diǎn)，通過對(duì)多個(gè)監(jiān)測(cè)點(diǎn)的實(shí)時(shí)數(shù)據(jù)的監(jiān)測(cè)，實(shí)現(xiàn)關(guān)鍵情況的判斷，建立監(jiān)測(cè)點(diǎn)監(jiān)測(cè)預(yù)警模型。也有部分專家學(xué)者[7-9]考慮了監(jiān)測(cè)對(duì)象的狀態(tài)，認(rèn)為不同的監(jiān)測(cè)對(duì)象應(yīng)考慮的情況是不同的，所以提出了實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)模型，但是對(duì)于動(dòng)態(tài)的監(jiān)測(cè)更多的是停留在理論層面上。由此可知，目前在風(fēng)險(xiǎn)的動(dòng)態(tài)監(jiān)測(cè)預(yù)警方面普遍結(jié)合物聯(lián)網(wǎng)技術(shù)，但是動(dòng)態(tài)監(jiān)測(cè)更多的是從理論層面上驗(yàn)證可行性，實(shí)際應(yīng)用性仍需要摸索。因此，本研究在物聯(lián)網(wǎng)監(jiān)測(cè)數(shù)據(jù)的基礎(chǔ)上，利用模糊控制算法優(yōu)化隨機(jī)森林方法，建立模糊隨機(jī)森林模型，實(shí)現(xiàn)風(fēng)險(xiǎn)的動(dòng)態(tài)監(jiān)測(cè)預(yù)警。

1 整體結(jié)構(gòu)

數(shù)據(jù)的動(dòng)態(tài)監(jiān)測(cè)預(yù)警結(jié)果主要是由采集終端、邊緣計(jì)算和云平臺(tái)組成。其中，采集終端主要是由傳感器感知數(shù)據(jù)，邊緣計(jì)算是由智能網(wǎng)關(guān)對(duì)感知的數(shù)據(jù)進(jìn)行處理，最后通過云平臺(tái)，利用模糊隨機(jī)森林算法建立監(jiān)測(cè)預(yù)警模型，實(shí)現(xiàn)信息的可視化。整體架構(gòu)如圖1所示。

圖1 整體架構(gòu)

2 動(dòng)態(tài)預(yù)警模型的構(gòu)建

隨機(jī)森林算法是一種集成學(xué)習(xí)的方法。隨機(jī)森林是由多顆CART樹組成的強(qiáng)學(xué)習(xí)器，通過統(tǒng)計(jì)所有弱學(xué)習(xí)器的輸出，得到預(yù)測(cè)結(jié)果，對(duì)缺失特征不敏感，與其他機(jī)器學(xué)習(xí)算法相比，隨機(jī)森林算法泛化能力更強(qiáng)，準(zhǔn)確率更高[10-12]。模糊控制算法基于模糊數(shù)學(xué)，以模糊集合理論、模糊語言和模糊邏輯為基礎(chǔ)，通過語言變量和模糊條件語句等方法，將自然語言轉(zhuǎn)換成對(duì)應(yīng)規(guī)則，基于這些規(guī)則對(duì)系統(tǒng)進(jìn)行控制[13-15]。

本研究將模糊控制算法和隨機(jī)森林算法結(jié)合，設(shè)計(jì)一種動(dòng)態(tài)監(jiān)測(cè)預(yù)警方法。該方法將隨機(jī)森林模型中特征重要度較高的數(shù)據(jù)作為模糊控制算法的輸入，通過模糊控制算法獲得基于專家經(jīng)驗(yàn)的風(fēng)險(xiǎn)斷結(jié)果，然后將獲得的結(jié)果替代隨機(jī)森林模型中特征重要度較低的數(shù)據(jù)，從而減少輸入數(shù)據(jù)中的干擾信息，提高輸入數(shù)據(jù)與風(fēng)險(xiǎn)等級(jí)的相關(guān)性。以優(yōu)化后的數(shù)據(jù)作為隨機(jī)森林模型的輸入進(jìn)行訓(xùn)練，獲得模糊-隨機(jī)森林模型，進(jìn)而得到風(fēng)險(xiǎn)預(yù)警等級(jí)。模糊-隨機(jī)森林算法的結(jié)構(gòu)如圖2所示。

圖2 算法結(jié)構(gòu)

算法整體執(zhí)行的步驟如下。

Step 1 將無線傳感器采集到的數(shù)據(jù)進(jìn)行預(yù)處理，實(shí)現(xiàn)數(shù)據(jù)格式轉(zhuǎn)換、去除冗余數(shù)據(jù)。

Step 2 實(shí)現(xiàn)數(shù)據(jù)的歸一化處理，設(shè)定xo為歸一化結(jié)果，xk為當(dāng)前數(shù)據(jù)，xmin為樣本數(shù)據(jù)的最小值，xmax為樣本數(shù)據(jù)的最大值，公式如下：

(1)

Step 3 將數(shù)據(jù)分為訓(xùn)練集和測(cè)試集兩部分，對(duì)模型進(jìn)行訓(xùn)練，得到隨機(jī)森林模型的屬性重要度和預(yù)測(cè)數(shù)值。

Step 4 根據(jù)屬性重要度實(shí)現(xiàn)數(shù)據(jù)的模糊化處理。

Step 5 將處理后的數(shù)據(jù)進(jìn)行模型的輸入，得到最終的模型預(yù)測(cè)效率和數(shù)據(jù)特征重要度。

3 實(shí)例分析

將數(shù)據(jù)集以7∶3的比例劃分為訓(xùn)練集和測(cè)試集，數(shù)據(jù)集共計(jì)400條。將數(shù)據(jù)集放入模型進(jìn)行大范圍的訓(xùn)練，利用訓(xùn)練后的模型實(shí)現(xiàn)風(fēng)險(xiǎn)的預(yù)測(cè)，并確定數(shù)據(jù)對(duì)隨機(jī)森林模型預(yù)測(cè)結(jié)果的重要度特征。將本研究提出的模糊-隨機(jī)森林模型和傳統(tǒng)的隨機(jī)森林模型進(jìn)行比對(duì)，驗(yàn)證不同模型預(yù)測(cè)的準(zhǔn)確率，模型對(duì)比效果如圖3所示。

圖3 模型的對(duì)比效果

同時(shí)，比較了模糊-隨機(jī)森林模型、MLP神經(jīng)網(wǎng)絡(luò)模型和SVM模型在測(cè)試集中的效果，將數(shù)據(jù)分為10組，如表1和圖4所示。通過比較可知，模糊-隨機(jī)森林模型相較其他模型的預(yù)測(cè)準(zhǔn)確率情況。

表1 模型準(zhǔn)確率對(duì)比數(shù)據(jù)表

圖4 比較分析

通過比較分析可知，模糊-隨機(jī)森林的準(zhǔn)確率平均為82.7%，MLP神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確率為78.3%，SVM模型的準(zhǔn)確率為76%。由此可知，模糊-隨機(jī)森林模型的準(zhǔn)確率相對(duì)較高。

4 總結(jié)

本研究利用物聯(lián)網(wǎng)技術(shù)，將無線傳感器和邊緣計(jì)算、云平臺(tái)充分結(jié)合，通過智能化的手段和方法實(shí)現(xiàn)風(fēng)險(xiǎn)的監(jiān)測(cè)預(yù)警，并在風(fēng)險(xiǎn)分析的過程中建立模糊-隨機(jī)森林模型，實(shí)現(xiàn)風(fēng)險(xiǎn)的有效識(shí)別。通過實(shí)驗(yàn)對(duì)比可知，模糊-隨機(jī)森林模型與傳統(tǒng)的隨機(jī)森林模型相比，算法的準(zhǔn)確率得到了提升，具有一定的實(shí)際應(yīng)用性。