摘 要：本文旨在針對(duì)智慧電網(wǎng)資產(chǎn)管理狀態(tài)評(píng)估，利用誤差反向傳播神經(jīng)網(wǎng)絡(luò)構(gòu)建狀態(tài)預(yù)警分析機(jī)制，并通過(guò)性能測(cè)試探討神經(jīng)元數(shù)量與網(wǎng)絡(luò)結(jié)構(gòu)對(duì)預(yù)警準(zhǔn)確率的影響，以期為數(shù)字化資產(chǎn)管理提供有效支持。通過(guò)試驗(yàn)結(jié)果發(fā)現(xiàn)，在不同隱藏層數(shù)和樣本規(guī)模下神經(jīng)網(wǎng)絡(luò)模型存在相應(yīng)變化，在較小樣本規(guī)模和較少隱藏層數(shù)條件下，增加神經(jīng)元數(shù)量可以降低誤差率；而在較大樣本規(guī)模和隱藏層數(shù)條件下，可能導(dǎo)致過(guò)擬合效應(yīng)。這一結(jié)果說(shuō)明在智慧電網(wǎng)資產(chǎn)管理狀態(tài)評(píng)估中需要謹(jǐn)慎考慮選擇合適大小及結(jié)構(gòu)深度，以獲取最佳預(yù)測(cè)精度。

關(guān)鍵詞：大數(shù)據(jù)；資產(chǎn)管理；狀態(tài)預(yù)警；多層前饋算法

中圖分類號(hào)：F 407 文獻(xiàn)標(biāo)志碼：A

對(duì)企業(yè)和組織來(lái)說(shuō)，如何有效地評(píng)估資產(chǎn)狀態(tài)并提供及時(shí)、準(zhǔn)確的預(yù)警信息至關(guān)重要，本文面向大數(shù)據(jù)的計(jì)量資產(chǎn)管理分析，運(yùn)用誤差反向傳播神經(jīng)網(wǎng)絡(luò)構(gòu)建狀態(tài)預(yù)警分析機(jī)制，此方面已有一定規(guī)模先行研究提供參考與支持。黃璐等[1]探索與實(shí)踐基于數(shù)智技術(shù)的新商科試驗(yàn)數(shù)據(jù)資產(chǎn)管理體系，推動(dòng)數(shù)字教育生態(tài)發(fā)展。徐京平等[2]構(gòu)建國(guó)家審計(jì)與公共數(shù)據(jù)資產(chǎn)管理邏輯體系，提出驅(qū)動(dòng)路徑，以促進(jìn)我國(guó)數(shù)字治理現(xiàn)代化。孫圣雄等[3]研究了技術(shù)與信任融合的數(shù)字藝術(shù)產(chǎn)業(yè)數(shù)據(jù)資產(chǎn)管理體系，促進(jìn)數(shù)字藝術(shù)健康發(fā)展并保護(hù)主體權(quán)利。侯修群等[4]通過(guò)DPMM方法解決核主泵狀態(tài)預(yù)警問(wèn)題，并開發(fā)振動(dòng)異常數(shù)據(jù)定位方法提高預(yù)警準(zhǔn)確率。王曉蓉[5]提出基于大數(shù)據(jù)挖掘的電力變壓器健康狀態(tài)差異預(yù)警規(guī)則策略，并成功應(yīng)用于現(xiàn)場(chǎng)運(yùn)行中，準(zhǔn)確率為98.21%。徐堯宇等[6]引入信息決策理論和屬性依賴度理論解決信息缺失下變壓器狀態(tài)預(yù)警問(wèn)題，驗(yàn)證其有效性，為變壓器智能化運(yùn)維和風(fēng)險(xiǎn)管控提供了指導(dǎo)。馬新娜等[7]提出了高速列車監(jiān)測(cè)大數(shù)據(jù)可視化分析模型。

1 模型構(gòu)建

1.1 數(shù)據(jù)獲取

在針對(duì)智慧電網(wǎng)資產(chǎn)管理狀態(tài)評(píng)估的研究中，數(shù)據(jù)的準(zhǔn)備階段至關(guān)重要。智慧電網(wǎng)涉及大量復(fù)雜的資產(chǎn)，例如變壓器、電表、傳感器等，這些資產(chǎn)產(chǎn)生的數(shù)據(jù)對(duì)分析和預(yù)測(cè)電網(wǎng)運(yùn)行狀態(tài)至關(guān)重要。面向預(yù)警需要，收集與智慧電網(wǎng)相關(guān)的大規(guī)模結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，包括實(shí)時(shí)負(fù)荷情況、設(shè)備運(yùn)行狀態(tài)、天氣條件等信息。在數(shù)據(jù)準(zhǔn)備階段，需要收集各種相關(guān)的數(shù)據(jù)源，例如電壓 V（t）、電流I（t） 、溫度 T（t）等各種傳感器測(cè)量的實(shí)時(shí)數(shù)據(jù)。這些數(shù)據(jù)在時(shí)間上可能是連續(xù)的或者不連續(xù)的。為了進(jìn)行模型處理和分析，需要為所有的連續(xù)或不連續(xù)時(shí)間流中的數(shù)據(jù)分配時(shí)間戳t ，以確保數(shù)據(jù)的時(shí)序性和連續(xù)性。

設(shè)ti為第i個(gè)時(shí)間點(diǎn)，構(gòu)成事件流 t1，t2，…，tn，其中n為數(shù)據(jù)點(diǎn)的總數(shù)，也即采樣的總體時(shí)間跨度。每個(gè)時(shí)間點(diǎn)ti對(duì)應(yīng)1組測(cè)量數(shù)據(jù)，例如電壓V（ti） 、電流I（ti） 、溫度 T（ti）以及與之相關(guān)的其他信息。

立足這一時(shí)間流，模型還需要基于時(shí)間戳增加設(shè)備的維修歷史、維護(hù)時(shí)間、更換部件等信息，以捕捉系統(tǒng)環(huán)境的故障和異常。為了考慮長(zhǎng)期穩(wěn)定的外部環(huán)境變化，模型也需要收集例如天氣條件、季節(jié)變化等可能影響電網(wǎng)運(yùn)行的外部因素，為時(shí)間戳增加其周期性波動(dòng)材料，從而更好地處理電網(wǎng)資產(chǎn)管理的各類環(huán)境時(shí)間因素，豐富其時(shí)間戳信息，為后續(xù)分析奠定良好基礎(chǔ)。

為了兼顧多樣化的數(shù)據(jù)支持，其數(shù)據(jù)收集與整合工作復(fù)雜，這些數(shù)據(jù)來(lái)源于不同的系統(tǒng)和平臺(tái)，需要通過(guò)API、數(shù)據(jù)庫(kù)查詢或直接采集來(lái)獲取，通過(guò)電網(wǎng)內(nèi)部信息渠道進(jìn)行采集，包括設(shè)備中的環(huán)境監(jiān)測(cè)傳感器與業(yè)務(wù)活動(dòng)通信流進(jìn)行數(shù)據(jù)捕捉、分類，并存儲(chǔ)在數(shù)據(jù)庫(kù)中。確保數(shù)據(jù)的完整性、實(shí)時(shí)性和準(zhǔn)確性是數(shù)據(jù)準(zhǔn)備階段的首要任務(wù)，因?yàn)楹罄m(xù)的分析和預(yù)測(cè)結(jié)果直接依賴這些數(shù)據(jù)。

1.2 數(shù)據(jù)整理

基于復(fù)雜的數(shù)據(jù)來(lái)源整理、歸集，其還需要進(jìn)行下一步數(shù)據(jù)清洗和特征工程的處理以及數(shù)據(jù)的有效劃分，確保在建模和評(píng)估過(guò)程中能夠充分利用數(shù)據(jù)的潛力。一旦數(shù)據(jù)收集完成，接下來(lái)是數(shù)據(jù)清洗和特征工程的處理。數(shù)據(jù)清洗旨在處理數(shù)據(jù)中的錯(cuò)誤值、缺失值和異常值，以確保數(shù)據(jù)質(zhì)量和一致性。其需要將不同尺度和單位的數(shù)據(jù)轉(zhuǎn)換為統(tǒng)一的標(biāo)準(zhǔn)，以便模型在訓(xùn)練過(guò)程中能夠更好地收斂和表現(xiàn)?；诖?，需要利用特征工程技術(shù)從原始數(shù)據(jù)中提取關(guān)鍵特征，例如負(fù)荷曲線形狀、設(shè)備溫度變化趨勢(shì)等。同時(shí)，也需要識(shí)別并處理與正常數(shù)據(jù)分布不一致的異常值，可以通過(guò)統(tǒng)計(jì)方法或機(jī)器學(xué)習(xí)算法來(lái)實(shí)現(xiàn)。這些特征將成為神經(jīng)網(wǎng)絡(luò)訓(xùn)練和預(yù)測(cè)過(guò)程中使用的輸入，其輸入樣本如公式（1）所示。

X={p1，p2，…，pn} （1）

式中：X為輸入樣本；p1，p2，…，pn為傳感器或其他來(lái)源數(shù)據(jù)的時(shí)間序列。

確定適當(dāng)類型和層數(shù)的模型與算法，并設(shè)置每個(gè)隱藏層節(jié)點(diǎn)數(shù)以及輸出層節(jié)點(diǎn)數(shù)來(lái)適應(yīng)所需任務(wù)。具體來(lái)說(shuō)，本文相應(yīng)選擇泛化性能良好的多層前饋算法，其在圖像處理、語(yǔ)音識(shí)別、自然語(yǔ)言處理、金融風(fēng)控、醫(yī)療影像輔助等許多領(lǐng)域都有成功案例，相關(guān)系統(tǒng)均運(yùn)作良好。在智能電網(wǎng)資產(chǎn)管理中，可以使用神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)模型來(lái)構(gòu)建狀態(tài)評(píng)估模型，假設(shè)的神經(jīng)網(wǎng)絡(luò)包括L層，l包括權(quán)重矩陣W（l）、偏置向量b（l）以及激活函數(shù)σ（）。在前向傳播過(guò)程中，輸入樣本X在權(quán)重矩陣W（l）和偏置項(xiàng)b（l）的作用下，通過(guò)激活函數(shù)σ（），逐層計(jì)算得到輸出結(jié)果Y，其過(guò)程如公式（2）所示。

z（l）=W（l）a（l-1）+b（l） （2）

式中：l為神經(jīng)網(wǎng)絡(luò)中的每一層，從輸入層開始遞增直到輸出層，其中輸入層為1，輸出層為L(zhǎng)；W（l）為第l層與第l+1層之間連接權(quán)重矩陣，它用來(lái)調(diào)整不同層之間節(jié)點(diǎn)（或者稱為神經(jīng)元）之間傳遞信息時(shí)所使用的權(quán)重；b（l）為偏置向量，在計(jì)算每個(gè)節(jié)點(diǎn)激活函數(shù)前都會(huì)加上一個(gè)偏置項(xiàng)；a（l+1）為對(duì)上一層的繼承，又涉及激活函數(shù)的參與。

1.3 參數(shù)調(diào)整

由此，這個(gè)輸出也會(huì)成為下一層節(jié)點(diǎn)的輸入信號(hào)，其逐層遞進(jìn)中的a（l）如公式（3）所示。

a（l）=σ（z（l）） （3）

式中：σ（）為激活函數(shù)，在每個(gè)節(jié)點(diǎn)上引入非線性特性并捕獲更復(fù)雜的模式和關(guān)系，通常包括Sigmoid、ReLU、tanh等函數(shù)。

因此，針對(duì)輸入層有公式（4）。

z（1）=σ（W（1）X（1）+b（1）） （4）

針對(duì)輸出層有公式（5）。

Y=σ（W（L）a（L）+b（L）） （5）

神經(jīng)網(wǎng)絡(luò)訓(xùn)練中，損失函數(shù)的計(jì)算和反向傳播算法的應(yīng)用都是為了優(yōu)化模型的性能，以更好地預(yù)測(cè)電網(wǎng)資產(chǎn)的狀態(tài)和性能。通過(guò)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，可以建立一個(gè)復(fù)雜的數(shù)學(xué)模型，用于狀態(tài)評(píng)估系統(tǒng)的開發(fā)。這個(gè)模型可以利用歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)來(lái)預(yù)測(cè)電網(wǎng)資產(chǎn)的狀態(tài)和性能，并提供預(yù)警機(jī)制，以便及時(shí)采取措施來(lái)維護(hù)電網(wǎng)的運(yùn)行和穩(wěn)定性。

當(dāng)訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)，需要計(jì)算損失函數(shù)來(lái)衡量模型預(yù)測(cè)值與真實(shí)標(biāo)簽之間的差異，損失函數(shù)的計(jì)算和反向傳播算法的應(yīng)用都是為了優(yōu)化模型的性能，以更好地預(yù)測(cè)電網(wǎng)資產(chǎn)的狀態(tài)和性能。通過(guò)訓(xùn)練神經(jīng)網(wǎng)絡(luò)和比較差異，可以評(píng)估模型在當(dāng)前參數(shù)下的表現(xiàn)，利用歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)來(lái)預(yù)測(cè)電網(wǎng)資產(chǎn)的狀態(tài)和性能，并提供預(yù)警機(jī)制，以便及時(shí)采取措施來(lái)保證電網(wǎng)的運(yùn)行和穩(wěn)定性，并利用這一信息來(lái)調(diào)整參數(shù)，以減少損失函數(shù)，使模型更好地?cái)M合訓(xùn)練數(shù)據(jù)。

其損失計(jì)算如公式（6）所示。

（6）

式中：L為損失函數(shù)（Loss）；Y為神經(jīng)網(wǎng)絡(luò)輸出的預(yù)測(cè)值；Yture為真實(shí)標(biāo)簽。

反向傳播算法用于計(jì)算損失函數(shù)對(duì)網(wǎng)絡(luò)參數(shù)的梯度，進(jìn)而更新網(wǎng)絡(luò)參數(shù)，以最小化損失函數(shù)。反向傳播主要分為2個(gè)部分，包括求解各參數(shù)對(duì)應(yīng)導(dǎo)數(shù)和利用這些導(dǎo)數(shù)來(lái)更新相應(yīng)參數(shù)（使整體損失減?。；诖耍瑓R聚從最后一層開始逐漸往回更新，需要根據(jù)當(dāng)前預(yù)測(cè)與真實(shí)目標(biāo)之間誤差量L，計(jì)算最后一次迭代產(chǎn)生錯(cuò)誤所影響到每個(gè)節(jié)點(diǎn)上面需要調(diào)整多少才能減小總體誤差。接著根據(jù)鏈?zhǔn)椒▌t、矩陣轉(zhuǎn)置等原理依次推斷其他隱藏、隱含結(jié)點(diǎn)所需調(diào)整量，利用這些參數(shù)來(lái)更新相應(yīng)參數(shù)，使整體損失減小，最終使用如下方式來(lái)完成模型內(nèi)部變量修正。

其中，更新連接權(quán)重矩陣如公式（7）所示。

（7）

式中：α為學(xué)習(xí)率，這一超參數(shù)用于控制步長(zhǎng)大小，從而影響單次迭代的波動(dòng)水平。

更新偏置項(xiàng)如公式（8）所示。

（8）

以上兩者構(gòu)成一個(gè)不斷交替迭代優(yōu)化的過(guò)程，直至達(dá)到許可精度或者盡可能接近全局最佳狀態(tài)，包括對(duì)各種資產(chǎn)狀態(tài)和性能的實(shí)時(shí)監(jiān)測(cè)和預(yù)測(cè)以及對(duì)潛在問(wèn)題的及時(shí)發(fā)現(xiàn)和解決。

2 性能測(cè)試

本研究中，利用智慧電網(wǎng)數(shù)據(jù)庫(kù)獲取了大規(guī)模數(shù)據(jù)集。這些數(shù)據(jù)包括了各種計(jì)量資產(chǎn)的運(yùn)行狀態(tài)、能源消耗情況以及設(shè)備健康狀況等信息。在獲得原始數(shù)據(jù)后，去除重復(fù)記錄、缺失值以及異常值，并對(duì)噪聲進(jìn)行平滑處理，提取與資產(chǎn)管理狀態(tài)評(píng)估相關(guān)的特征變量，并對(duì)其進(jìn)行歸一化處理?；诓煌[藏層數(shù)和樣本規(guī)模要求，在經(jīng)過(guò)清洗和提取后，按照設(shè)定條件隨機(jī)抽取相應(yīng)數(shù)量的樣本作為訓(xùn)練集和測(cè)試集?；诖藬?shù)據(jù)集展開多輪測(cè)試試驗(yàn)，以評(píng)估不同隱藏層數(shù)下神經(jīng)網(wǎng)絡(luò)模型在計(jì)算耗時(shí)及預(yù)警準(zhǔn)確率水平上的表現(xiàn)。

2.1 計(jì)算耗時(shí)分析

針對(duì)不同隱藏層數(shù)和樣本規(guī)模，隨著神經(jīng)元數(shù)量增加，計(jì)算耗時(shí)也隨之上升。針對(duì)不同水平隱藏層數(shù)，不同樣本規(guī)模條件下其計(jì)算耗時(shí)隨神經(jīng)元數(shù)量增長(zhǎng)而迅速增長(zhǎng)，在100神經(jīng)元水平下略高于300s。當(dāng)隱藏層數(shù)增多時(shí)，這一消耗時(shí)間會(huì)出現(xiàn)波動(dòng)幅度逐漸擴(kuò)大的趨勢(shì)。盡管如此，在神經(jīng)元數(shù)量較少且合理控制范圍內(nèi)仍能有效地控制計(jì)算時(shí)間。這一結(jié)果表明了隱藏層數(shù)量對(duì)計(jì)算效率具有重要影響，增加隱藏層可以提高預(yù)測(cè)準(zhǔn)確度，但可能導(dǎo)致更長(zhǎng)的訓(xùn)練時(shí)間；同時(shí)，需要注意在選擇合適范圍內(nèi)調(diào)節(jié)神經(jīng)元數(shù)量，以平衡預(yù)測(cè)準(zhǔn)確度和運(yùn)行效率之間的關(guān)系。在相同隱藏層數(shù)和樣本規(guī)模條件下，在神經(jīng)元數(shù)量變化下獲得計(jì)算時(shí)間曲線如圖1所示。

2.2 預(yù)警準(zhǔn)確率分析

當(dāng)對(duì)不同隱藏層和樣本規(guī)模的數(shù)據(jù)集進(jìn)行分析時(shí)，著重關(guān)注了預(yù)警準(zhǔn)確率。根據(jù)研究結(jié)果顯示，誤差率與神經(jīng)元數(shù)量呈負(fù)相關(guān)：隨著神經(jīng)元數(shù)量增加，誤差率呈下降的趨勢(shì)。特別是在較小樣本規(guī)模和較少隱藏層數(shù)條件下，表現(xiàn)出相對(duì)較低的誤差率水平（隨著神經(jīng)元數(shù)量上升從13%降至4%）。總體來(lái)說(shuō)，在整個(gè)試驗(yàn)范圍內(nèi)，總體誤差率從15%逐步降至略高于3%的水平。在較大樣本規(guī)模和隱藏層數(shù)條件下，觀察到一個(gè)截然相反的情況：隨著神經(jīng)元數(shù)量上升，這些情況存在更低的錯(cuò)誤估計(jì)水平（誤差率由14%降至2%）。這一結(jié)果顯示，當(dāng)復(fù)雜度稍微簡(jiǎn)單一些、訓(xùn)練數(shù)據(jù)量不太大時(shí)，增加網(wǎng)絡(luò)容量可以顯著地改善預(yù)測(cè)準(zhǔn)確性。然而當(dāng)處理更復(fù)雜、更龐大的數(shù)據(jù)集時(shí)，增加網(wǎng)絡(luò)容量會(huì)產(chǎn)生類似“過(guò)擬合”效應(yīng)，并導(dǎo)致訓(xùn)練集上表現(xiàn)良好但測(cè)試集上泛化能力欠缺。因此，在智慧電網(wǎng)資產(chǎn)管理狀態(tài)評(píng)估中需要謹(jǐn)慎考慮選擇合適大小及結(jié)構(gòu)深度，以獲取最佳預(yù)測(cè)精度。

3 結(jié)語(yǔ)

在面向預(yù)警需求的基礎(chǔ)上收集與智慧電網(wǎng)相關(guān)的大規(guī)模結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，并利用特征工程技術(shù)從原始數(shù)據(jù)中提取關(guān)鍵特征。選擇泛化性能良好的多層前饋算法作為主要算法架構(gòu)，并詳細(xì)介紹了其涉及的計(jì)算過(guò)程、激活函數(shù)以及損失函數(shù)選擇。針對(duì)性能測(cè)試方面，獲取并處理了來(lái)自智慧電網(wǎng)數(shù)據(jù)庫(kù)中包括各種計(jì)量資產(chǎn)運(yùn)行狀態(tài)、能源消耗情況以及設(shè)備健康狀況等信息的大規(guī)模數(shù)據(jù)集。通過(guò)試驗(yàn)結(jié)果發(fā)現(xiàn)，在不同隱藏層數(shù)和樣本規(guī)模下神經(jīng)網(wǎng)絡(luò)模型表現(xiàn)出相應(yīng)變化：隨著神經(jīng)元數(shù)量增加而導(dǎo)致錯(cuò)誤率呈下降的趨勢(shì)；同時(shí)，也觀察到較小樣本規(guī)模和較少隱藏層數(shù)條件下顯示出較低誤差率水平，在較大樣本規(guī)模和隱藏層數(shù)條件下則會(huì)呈現(xiàn)更低的錯(cuò)誤估計(jì)水平。這一發(fā)現(xiàn)提示需要選擇適當(dāng)大小及結(jié)構(gòu)深度，以獲得最佳預(yù)測(cè)精度。因此，當(dāng)進(jìn)行智慧電網(wǎng)資產(chǎn)管理狀態(tài)評(píng)估時(shí)，需要謹(jǐn)慎考慮這些因素之間的關(guān)系。

參考文獻(xiàn)

[1]黃璐，周勇義，邢姝，等.基于數(shù)智技術(shù)的新商科實(shí)驗(yàn)數(shù)據(jù)資產(chǎn)管理體系探索與實(shí)踐[J].實(shí)驗(yàn)室研究與探索，2024，43（4）：184-189.

[2]徐京平，張可雨.國(guó)家審計(jì)與公共數(shù)據(jù)資產(chǎn)管理：邏輯體系、作用機(jī)制和驅(qū)動(dòng)路徑[J].財(cái)會(huì)通訊，2024（5）：14-21，26.

[3]孫圣雄，殷俊.技術(shù)與信任融合的數(shù)字藝術(shù)產(chǎn)業(yè)數(shù)據(jù)資產(chǎn)管理體系研究[J].情報(bào)科學(xué)，2023，41（4）：99-104，116.

[4]侯修群，蔣慶磊，李振，等.基于DPMM的核主泵振動(dòng)狀態(tài)預(yù)警方法研究[J].原子能科學(xué)技術(shù)，2021，55（增刊2）：342-349.

[5]王曉蓉.基于大數(shù)據(jù)挖掘的電力變壓器健康狀態(tài)差異預(yù)警規(guī)則策略[J].電測(cè)與儀表，2024，61（2）：216-224.

[6]徐堯宇，李元，王怡靜，等.信息缺失下變壓器狀態(tài)預(yù)警方法[J].高電壓技術(shù)，2020，46（9）：3062-3069.

[7]馬新娜，施文銳.高速列車狀態(tài)監(jiān)測(cè)大數(shù)據(jù)的預(yù)警可視化分析研究[J].電子測(cè)量與儀器學(xué)報(bào)，2019，33（7）：21-27.