郭 政 吳武清 劉 源 曾志武 楊 玎

(國網(wǎng)江西省電力有限公司建設(shè)分公司 江西 南昌 330000)

0 引 言

能源互聯(lián)網(wǎng)是以智能電網(wǎng)為基礎(chǔ),由眾多分布式可再生能源組成。能源互聯(lián)網(wǎng)包含眾多電力電子技術(shù)以及信息與通信技術(shù),以分布式智能能量管理系統(tǒng)為基礎(chǔ),控制分布式能源設(shè)備令水、氣、電、熱等眾多能源實(shí)現(xiàn)互補(bǔ)[1],實(shí)現(xiàn)用能效率最高的目的。能源互聯(lián)網(wǎng)包含海量設(shè)備運(yùn)行狀態(tài)、電氣參數(shù)、儲能監(jiān)控等實(shí)時監(jiān)測數(shù)據(jù),需眾多傳感器實(shí)時采集設(shè)備各項(xiàng)信息[2],為了更好地完成后期數(shù)據(jù)處理以及智慧能源系統(tǒng)動態(tài)控制,需要實(shí)時感知與高效的數(shù)據(jù)融合方法配合。能源互聯(lián)網(wǎng)相關(guān)用戶數(shù)量巨大,數(shù)據(jù)采集來源眾多,電力網(wǎng)絡(luò)覆蓋范圍固定,電力系統(tǒng)成本造價高,傳統(tǒng)的數(shù)據(jù)處理方法無法處理能源互聯(lián)網(wǎng)海量數(shù)據(jù)[3],存在較強(qiáng)冗余干擾。隨著傳感器技術(shù)快速發(fā)展,眾多高科技技術(shù)已廣泛應(yīng)用于電力系統(tǒng)中,能源系統(tǒng)內(nèi)智能電網(wǎng)發(fā)展極為迅速,能源互聯(lián)網(wǎng)數(shù)據(jù)處理問題,受到眾多研究人員重視[4-5],為保證智能電網(wǎng)穩(wěn)定運(yùn)行,能源互聯(lián)網(wǎng)數(shù)據(jù)融合的高效性、安全經(jīng)濟(jì)性以及運(yùn)行可靠性極為重要。一些學(xué)者也提出了較好的方法。

于華楠等[6]研究基于壓縮感知的綜合能源數(shù)據(jù)處理,利用壓縮感知方法處理綜合能源數(shù)據(jù),實(shí)現(xiàn)了對綜合能源數(shù)據(jù)的有效處理,但該方法對于多任務(wù)環(huán)境下的信息兼容性融合并未做深入研究;楊啟京等[7]研究大電網(wǎng)未來態(tài)一體化模型構(gòu)建和融合技術(shù),針對大電網(wǎng)未來態(tài)勢對數(shù)據(jù)實(shí)施融合,實(shí)現(xiàn)網(wǎng)省一體化的未來模型融合的高效管理,但是其信息融合粒度單位相對較大,對于多任務(wù)環(huán)境下的信息融合需求尚未能完全滿足要求。支持向量機(jī)方法是目前廣泛應(yīng)用于電力、航空等眾多領(lǐng)域中的高效方法,針對目前能源互聯(lián)網(wǎng)發(fā)展現(xiàn)狀與趨勢[8],研究基于多任務(wù)支持向量機(jī)的能源互聯(lián)網(wǎng)數(shù)據(jù)深度融合方法,利用多任務(wù)支持向量機(jī)方法深度融合能源互聯(lián)網(wǎng)海量數(shù)據(jù),提升能源互聯(lián)網(wǎng)海量數(shù)據(jù)融合的穩(wěn)健性,具有較高的抗干擾性能,為能源互聯(lián)網(wǎng)領(lǐng)域各類應(yīng)用提供數(shù)據(jù)與理論支持。

1 多任務(wù)支持向量機(jī)的能源互聯(lián)網(wǎng)數(shù)據(jù)深度融合

1.1 多任務(wù)支持向量機(jī)算法設(shè)計

支持向量機(jī)算法建立目標(biāo)函數(shù)時需滿足訓(xùn)練樣本錯分最小化要求,其公式如下:

式中:xi表示給定樣本集;yi表示類別標(biāo)簽;N表示樣本數(shù)量;w與b均表示決策函數(shù);δ(xi)表示核函數(shù)。采用支持向量機(jī)分類時,不同種類樣本容量差異較大,利用支持向量機(jī)分類面偏移數(shù)量較少樣本實(shí)現(xiàn)整體樣本低錯分率。選取不同樣本平均錯分率最低為原則[9],為避免分類面偏移,所獲取分類面不同類間距最大化時需實(shí)現(xiàn)數(shù)量較多的類至分類面距離應(yīng)大于數(shù)量較少的類至分類面距離,可得目標(biāo)函數(shù)如下:

式中:N+表示數(shù)量較少類樣本數(shù)量;N-表示數(shù)量較多類樣本數(shù)量;u+與u-均為調(diào)節(jié)不同樣本錯分比例常數(shù);λ2為令數(shù)量較多的類至分類面距離大于數(shù)量較少的類至分類面距離的常數(shù)。

眾多數(shù)據(jù)具有共性數(shù)據(jù)域但分布存在差異是多任務(wù)學(xué)習(xí)特性[10],將支持向量機(jī)內(nèi)各數(shù)據(jù)分組視為子任務(wù),建立多任務(wù)支持向量機(jī)學(xué)習(xí)模型。多任務(wù)學(xué)習(xí)時眾多子任務(wù)決策模型應(yīng)存在較大相似性,多任務(wù)支持向量機(jī)運(yùn)算過程中需保證全部學(xué)習(xí)機(jī)間全局差異最小化并實(shí)現(xiàn)子學(xué)習(xí)機(jī)的局部最優(yōu)化。用p0與pr分別表示公共決策函數(shù)以及修正函數(shù),此時各子任務(wù)決策函數(shù)fr公式如下:

fr=pr+p0

(3)

進(jìn)一步獲取決策函數(shù)公式如下:

fr(x)=w×δ(x)+b+wr×δr(x)+sr

(4)

式中:sr表示決策系數(shù)。其中p0=w×δ(x)+b表示全部樣本的決策函數(shù);pr=wr×δr(x)+sr表示相應(yīng)各子任務(wù)的修正函數(shù)?？傻枚嗳蝿?wù)支持向量機(jī)最終目標(biāo)函數(shù)如下:

(5)

為提升多任務(wù)支持向量機(jī)應(yīng)用于能源互聯(lián)網(wǎng)數(shù)據(jù)深度融合時的融合性能,給出如下說明:

(2) 修正函數(shù)與公共決策函數(shù)的核函數(shù)可完全相同或存在差異。

(3) 依據(jù)支持向量機(jī)劃分屬性特征形式生成子任務(wù),多任務(wù)支持向量機(jī)算法包含支持向量機(jī)可通過樣本結(jié)構(gòu)信息獲取最終結(jié)果特性[11],還可利用挖掘樣本異常信息提升深度融合的泛化能力。

(4) 支持向量機(jī)算法的目標(biāo)函數(shù)利用修正函數(shù)表示松弛變量,松弛變量需大于0,修正函數(shù)需同時大于0,而多任務(wù)支持向量機(jī)算法中修正函數(shù)可體現(xiàn)不同任務(wù)間差異,無須令修正函數(shù)大于0。

1.2 能源互聯(lián)網(wǎng)數(shù)據(jù)深度融合的應(yīng)用

能源互聯(lián)網(wǎng)數(shù)據(jù)的深度融合指一個或多個信息源數(shù)據(jù)通過關(guān)聯(lián)、綜合等處理方式令所獲取最終數(shù)據(jù)為精確估計,以上文算法為基礎(chǔ)的數(shù)據(jù)深度融合過程如下:

設(shè)H1、H2、…、Hn表示X的n個分塊數(shù)據(jù),將分塊數(shù)據(jù)利用H*=f(H1,H2,…,Hn)變換處理,此時X為實(shí)體且其具體數(shù)值未知,能源互聯(lián)網(wǎng)數(shù)據(jù)深度融合是指利用最優(yōu)的f令從H1、H2、…、Hn內(nèi)所獲取數(shù)據(jù)最終決策為最佳。

能源互聯(lián)網(wǎng)數(shù)據(jù)深度融合過程主要包括數(shù)據(jù)層、特征層以及決策層融合,各層數(shù)據(jù)融合具體內(nèi)容如表1所示。

表1 數(shù)據(jù)融合內(nèi)容

(1) 數(shù)據(jù)層融合。數(shù)據(jù)層融合中數(shù)據(jù)為能源互聯(lián)網(wǎng)內(nèi)原始數(shù)據(jù),包括反映能源生產(chǎn)的數(shù)據(jù)、反映能源配送轉(zhuǎn)換的數(shù)據(jù)、反映能源消費(fèi)交易和調(diào)控的數(shù)據(jù)、對能源互聯(lián)網(wǎng)有影響的社會經(jīng)濟(jì)環(huán)境數(shù)據(jù)以及表征能源互聯(lián)網(wǎng)的參與者———人的特征的數(shù)據(jù)。能源互聯(lián)網(wǎng)內(nèi)原始數(shù)據(jù)具有內(nèi)容豐富,數(shù)據(jù)精準(zhǔn)的特點(diǎn),但原始數(shù)據(jù)運(yùn)算量較大,通過數(shù)據(jù)預(yù)處理可提升數(shù)據(jù)深度融合的精度。

(2) 特征層融合。提取數(shù)據(jù)層融合所輸出數(shù)據(jù)的特征向量,令所提取特征向量可保留重要數(shù)據(jù),經(jīng)過特征層融合所處理數(shù)據(jù)可能造成數(shù)據(jù)損失,降低原始數(shù)據(jù)精確性。

(3) 決策層融合。決策層融合是將不同信息源通過決策獲取最終融合信息,選取多任務(wù)支持向量機(jī)方法應(yīng)用于能源互聯(lián)網(wǎng)數(shù)據(jù)決策層融合中,決策層融合具有所需通信帶寬小且適應(yīng)性高的特點(diǎn)。

能源互聯(lián)網(wǎng)內(nèi)存在大量電力系統(tǒng)診斷、生產(chǎn)、監(jiān)測、調(diào)度等海量數(shù)據(jù),數(shù)據(jù)具有較高的分散性,且存在眾多冗余數(shù)據(jù)[12],智能電網(wǎng)部分子系統(tǒng)數(shù)據(jù)具有隔離性且結(jié)構(gòu)存在較大差異,眾多狀態(tài)信息無法有效挖掘進(jìn)一步利用,數(shù)據(jù)中具有的潛在信息無法應(yīng)用于分析以及優(yōu)化系統(tǒng)中。將數(shù)據(jù)深度融合方法應(yīng)用于能源互聯(lián)網(wǎng)數(shù)據(jù)決策以及處理中,可從不同層面處理相關(guān)數(shù)據(jù),令融合后數(shù)據(jù)具有較高價值以及較高的信息密度,能源互聯(lián)網(wǎng)數(shù)據(jù)深度融合結(jié)構(gòu)圖如圖1所示。

圖1 數(shù)據(jù)融合總體結(jié)構(gòu)圖

數(shù)據(jù)層所采集能源互聯(lián)網(wǎng)數(shù)據(jù)決策屬性以及條件屬性互信息計算后經(jīng)過特征層融合處理后作為多任務(wù)支持向量機(jī)的輸入層[13],分塊處理輸入數(shù)據(jù)源為多個任務(wù),利用多任務(wù)支持向量機(jī)算法通過設(shè)置閾值實(shí)現(xiàn)決策階段,完成獨(dú)立任務(wù)決策計算后重啟任務(wù)階段,直至全部輸入全部處理結(jié)束,將所輸出全部決策層任務(wù)合并,合并后結(jié)果即為最終融合結(jié)果。

多任務(wù)支持向量機(jī)算法的能源互聯(lián)網(wǎng)數(shù)據(jù)深度融合具體過程如下:

(1) 數(shù)據(jù)離散化。數(shù)據(jù)層融合選取無監(jiān)督離散化方法處理所采集能源互聯(lián)網(wǎng)的無標(biāo)簽數(shù)據(jù),無監(jiān)督離散化方法利用聚類方法保持輸入數(shù)據(jù)相關(guān)性不變情況下劃分?jǐn)?shù)值值域?yàn)楸姸嚯x散區(qū)間。

利用K-means聚類算法依據(jù)鄰近性特點(diǎn)以及特征值分布特性劃分不同數(shù)據(jù)的簇[14],依據(jù)自頂向下分裂原則分裂不同數(shù)據(jù)的簇,通過自底向上原則合并所分裂各簇,直至劃分至目標(biāo)數(shù)量。

能源互聯(lián)網(wǎng)內(nèi)枚舉量、開關(guān)量等離散變量融合前無需離散化處理,其他數(shù)據(jù)均需要實(shí)時離散化處理[15]。通過離散化處理降低內(nèi)存空間,減少輸入輸出操作,提升數(shù)據(jù)深度融合效率。

(2) 矩陣化處理輸入數(shù)據(jù)。用向量H=(d1,d2,…,dm,t)表示采集時間為t時的輸入數(shù)據(jù),其中m與di分別表示維數(shù)以及第i維數(shù)據(jù)取值。設(shè)時間為t時能源互聯(lián)網(wǎng)監(jiān)測數(shù)據(jù)矩陣如下:

固定時間段k個設(shè)備監(jiān)測數(shù)據(jù)M如下:

(3) 特征層融合利用互信息變量選擇算法提取數(shù)據(jù)分類特征,明確多任務(wù)支持向量機(jī)算法輸入量。

(4) 將已確定的輸入量輸入決策層融合的多任務(wù)支持向量機(jī)內(nèi),利用支持向量機(jī)實(shí)施數(shù)據(jù)的決策級融合,并將最終融合結(jié)果輸出。

2 實(shí)例分析

為檢測本文研究基于多任務(wù)支持向量機(jī)的能源互聯(lián)網(wǎng)數(shù)據(jù)深度融合方法深度融合能源互聯(lián)網(wǎng)數(shù)據(jù)準(zhǔn)確性和精度,采用10個溫度傳感器在線監(jiān)測能源互聯(lián)網(wǎng)內(nèi)某電力系統(tǒng)變電站設(shè)備溫度,10個溫度傳感器每隔20 s采集一次能源互聯(lián)網(wǎng)數(shù)據(jù),每分鐘獲取3次設(shè)備溫度數(shù)據(jù)采集結(jié)果。

能源互聯(lián)網(wǎng)內(nèi)電力設(shè)備各部件溫度在線監(jiān)測對電力系統(tǒng)穩(wěn)定運(yùn)行具有重要意義,溫度傳感器可采集變壓器油溫、發(fā)電機(jī)定子溫度、開關(guān)柜內(nèi)部溫度等眾多溫度信息,智能電網(wǎng)內(nèi)輸配電設(shè)備長期于高電壓大電流狀態(tài)運(yùn)行時,容易造成母線壓接處老化、設(shè)備表面氧化腐蝕等眾多問題,可靠的數(shù)據(jù)處理手段可有效避免事故發(fā)生。

統(tǒng)計所采集能源互聯(lián)網(wǎng)智能電網(wǎng)運(yùn)行120分鐘數(shù)據(jù),數(shù)據(jù)樣本總數(shù)量為50 642個,其中,前60分鐘的25 321個數(shù)據(jù)樣本作為訓(xùn)練樣本,實(shí)驗(yàn)用不同傳感器不同時間窗口顯示數(shù)據(jù)如表2所示。

表2 傳感器采集信息 單位:℃

續(xù)表2

統(tǒng)計多任務(wù)支持向量機(jī)算法中參數(shù)u為不同大小時本文方法訓(xùn)練精度,統(tǒng)計結(jié)果如圖2所示。

圖2 不同參數(shù)u時訓(xùn)練精度對比

圖2測試結(jié)果可以看出,u為7.5時,本文方法訓(xùn)練精度可高達(dá)99.7%;u為1.5時,本文方法訓(xùn)練精度低至48.6%;u為15時,本文方法訓(xùn)練精度低至59.4%。依據(jù)以上統(tǒng)計結(jié)果可知,u設(shè)置為7.5時,本文方法訓(xùn)練精度最高,因此采用本文方法融合能源互聯(lián)網(wǎng)數(shù)據(jù)時,選取u為7.5。

為直觀展示本文方法融合性能,選取壓縮感知方法(參考文獻(xiàn)[6])以及未來態(tài)一體化方法(參考文獻(xiàn)[7])作為對比方法,采用不同方法融合10個傳感器融合結(jié)果如表3所示。

表3 不同方法融合結(jié)果(%)

續(xù)表3

由表3可以看出,采用本文方法融合能源互聯(lián)網(wǎng)數(shù)據(jù)的融合效果明顯優(yōu)于壓縮感知方法以及未來態(tài)一體化方法,本文方法融合能源互聯(lián)網(wǎng)數(shù)據(jù)的平均絕對誤差僅為0.51%;壓縮感知方法以及未來態(tài)一體化方法融合能源互聯(lián)網(wǎng)數(shù)據(jù)平均絕對誤差均高于2.5%,對比結(jié)果有效驗(yàn)證本文方法具有較高的深度融合效果,本文方法采用多任務(wù)支持向量機(jī)方法可高效融合所采集能源互聯(lián)網(wǎng)數(shù)據(jù),通過子學(xué)習(xí)機(jī)的局部最優(yōu)化,實(shí)現(xiàn)數(shù)據(jù)深度融合,不受誤差較大的干擾數(shù)據(jù)影響,所融合結(jié)果誤差較低。

為進(jìn)一步驗(yàn)證本文方法深度融合性能,選取融合準(zhǔn)確率、融合靈敏性、融合特效性作為本文方法融合性能的評估指標(biāo),融合準(zhǔn)確率可體現(xiàn)能源互聯(lián)網(wǎng)數(shù)據(jù)融合總體正確率,融合靈敏性可有效體現(xiàn)正確融合真正樣本的百分比,融合特效型可體現(xiàn)正確融合真負(fù)樣本的百分比。

式中:TP與TN分別表示真正、真負(fù)樣本數(shù)量;FP與FN分別表示假正和假負(fù)的樣本數(shù)量。

采用三種方法融合能源互聯(lián)網(wǎng)數(shù)據(jù)融合準(zhǔn)確率對比結(jié)果如圖3所示。

圖3 融合準(zhǔn)確率對比結(jié)果

采用三種方法融合能源互聯(lián)網(wǎng)數(shù)據(jù)的融合靈敏性對比結(jié)果如圖4所示。

圖4 融合靈敏性對比結(jié)果

采用三種方法融合能源互聯(lián)網(wǎng)數(shù)據(jù)的融合特效性對比結(jié)果如圖5所示。

圖5 融合特效性對比結(jié)果

通過圖3-圖5實(shí)驗(yàn)結(jié)果可以看出,采用本文方法融合能源互聯(lián)網(wǎng)數(shù)據(jù)的融合準(zhǔn)確率、融合靈敏性以及融合特效性均高于壓縮感知方法以及未來態(tài)一體化方法,采用本文方法融合能源互聯(lián)網(wǎng)數(shù)據(jù)的融合準(zhǔn)確率均高于99%,而采用壓縮感知方法以及未來態(tài)一體化方法融合能源互聯(lián)網(wǎng)數(shù)據(jù)的融合準(zhǔn)確率均低于99%;采用本文方法融合能源互聯(lián)網(wǎng)數(shù)據(jù)的融合靈敏性以及融合特效性均高于98%,而采用壓縮感知方法以及未來態(tài)一體化方法融合能源互聯(lián)網(wǎng)數(shù)據(jù)的融合靈敏性以及融合特效性均低于98%。對比結(jié)果說明采用本文方法融合能源互聯(lián)網(wǎng)數(shù)據(jù)具有較高的融合準(zhǔn)確率、融合靈敏性以及融合特效性,有效驗(yàn)證本文方法的深度融合有效性。這主要是因?yàn)樗岱椒ɡ没バ畔⒆兞窟x擇算法,提取數(shù)據(jù)分類特征,將所提取特征作為決策層融合多任務(wù)支持向量機(jī)輸入,實(shí)現(xiàn)了以特征為依據(jù)的信息融合,提高了融合效果。

為進(jìn)一步驗(yàn)證本文方法的抗干擾性能,在傳感器所采集數(shù)據(jù)中加入10 dB白噪聲,統(tǒng)計采用三種方法深度融合加入10 dB白噪聲能源互聯(lián)網(wǎng)數(shù)據(jù)的最小均方誤差,對比結(jié)果如圖6所示。

圖6 加入噪聲后融合結(jié)果

圖6實(shí)驗(yàn)結(jié)果可以看出,采用不同方法深度融合加入10 dB白噪聲的能源互聯(lián)網(wǎng)數(shù)據(jù)時,本文方法融合能源互聯(lián)網(wǎng)數(shù)據(jù)最小均方誤差均低于1%;采用壓縮感知方法以及采用未來態(tài)一體化方法融合能源互聯(lián)網(wǎng)數(shù)據(jù)的最小均方誤差均高于1.5%。實(shí)驗(yàn)結(jié)果說明本文方法在加入噪聲干擾時仍可以保持較高的融合性能,可有效避免白噪聲干擾,具有較高的融合穩(wěn)定性。這主要是因?yàn)樗岱椒ń⒘硕嗳蝿?wù)支持向量機(jī)學(xué)習(xí)模型,在深度學(xué)習(xí)的基礎(chǔ)上進(jìn)行信息絨復(fù)合,在很大程度上避免了噪聲干擾引起的融合不穩(wěn)定的情況。

3 結(jié) 語

利用多任務(wù)支持向量機(jī)算法實(shí)現(xiàn)能源互聯(lián)網(wǎng)電力大數(shù)據(jù)融合,提升智能電網(wǎng)管理的智能性以及科學(xué)性。通過實(shí)驗(yàn)驗(yàn)證所研究方法具有較高的融合性能以及抗干擾性能,所研究方法可有效避免能源互聯(lián)網(wǎng)內(nèi)故障干擾數(shù)據(jù)以及噪聲干擾,待融合數(shù)據(jù)波動性較大時仍可實(shí)現(xiàn)能源互聯(lián)網(wǎng)數(shù)據(jù)高效融合,復(fù)雜情況下仍具有良好的能源互聯(lián)網(wǎng)數(shù)據(jù)深度融合效果,可應(yīng)用于能源互聯(lián)網(wǎng)電力大數(shù)據(jù)高效融合中。