引言

隨著電網(wǎng)規(guī)模日益擴大,加上白皮書的發(fā)布,調控一體化得到全面推廣,由此我國的電網(wǎng)調度與監(jiān)控領域翻開了大數(shù)據(jù)時代的新篇章。在新形勢下,故障錄波器、智能保護開關、PMU等裝置大量裝設于電網(wǎng)中,由此構成了多種不同類型的信息源。

當電網(wǎng)發(fā)生故障時,大量一/二次設備告警、運行等信息涌現(xiàn),需要監(jiān)控人員及時處理、研判、傳遞給電網(wǎng)生產業(yè)務的各個環(huán)節(jié)。電網(wǎng)監(jiān)控專業(yè)作為電網(wǎng)運行信息的第一感知人,在協(xié)同各專業(yè)參與監(jiān)控電網(wǎng)安全運行與生產方面擔負著重要的責任,但監(jiān)控人員單兵協(xié)同任務日益復雜繁重,導致電網(wǎng)安全生產面臨嚴峻挑戰(zhàn)。

為了改變以往電網(wǎng)運行及業(yè)務信息低效率協(xié)同的模式,滿足相關專業(yè)對電網(wǎng)運行態(tài)勢的實時乃至提前感知與交互需求,需要對電網(wǎng)運行事件的關聯(lián)信息進行信息融合處理,再從應用場景、專業(yè)、權限等角度對融合后的數(shù)據(jù)進行劃分,提供按需、定向信息服務。因此,本文提出了一種基于FCM一BP算法的多源信息融合方法,用以保證電網(wǎng)運行事件的實時感知與快速分發(fā),提升多專業(yè)處置電網(wǎng)事件的協(xié)作效率,保障地區(qū)電網(wǎng)的安全穩(wěn)定運行。

1信息融合

1.1信息融合發(fā)展現(xiàn)狀

信息融合技術是信息科學中的一種新技術。20世紀70年代,隨著科學技術的持續(xù)進步,特別是微電子技術、信號檢測與處理技術、計算機和網(wǎng)絡通信等技術的迅速發(fā)展,許多傳感器系統(tǒng)涌現(xiàn)出來。在此背景下,文獻提出了分布式融合方法,文獻采用Bayes方法提高信息融合的計算效率,文獻最早提出了語義信息融合方法。

信息融合是一種多源信息處理技術,它通過對來自不同傳感器的數(shù)據(jù)進行分析和綜合,獲得被測對象及其性質的最佳一致估計。多傳感器數(shù)據(jù)融合是一種多層次、多方面的處理過程,每個層次代表了信息的不同抽象程度:數(shù)據(jù)融合過程包括對多源數(shù)據(jù)進行檢測、互聯(lián)、估計和組合:數(shù)據(jù)融合的輸出包括低層次上的狀態(tài)身份估計和高層次上的總戰(zhàn)術態(tài)勢評估。

張友等人提出了一種基于多源信息融合和自適應深度卷積神經(jīng)網(wǎng)絡(ADCNN)的離心鼓風機故障診斷方法,通過運用ADCNN自適應地提取信息的特征,再把各異類信息的特征融合,該方法比傳統(tǒng)的融合模式以及CNN、反向傳播神經(jīng)網(wǎng)絡(BPNN)、支持向量機(SVM)方法具有更高的診斷精度與魯棒性。文獻提出了一種基于深度卷積神經(jīng)網(wǎng)絡(DeepCNN,DCNN)的自適應多傳感數(shù)據(jù)融合方法,該方法將多種傳感器信號融合成單路信號,利用深度卷積神經(jīng)網(wǎng)絡挖掘原始數(shù)據(jù)的特征,并通過實驗驗證了所提方法的準確性。王虹等人提出了多源直覺模糊決策信息系統(tǒng)中信息融合的加權多粒度方法,來解決現(xiàn)有多源決策信息系統(tǒng)中選擇更多可靠的信息,最后形成單源決策信息系統(tǒng)而產生信息損失的問題。文獻通過變分模態(tài)分解(VMD)和希爾伯特變換(HT)方法將振動信號處理成與紅外圖像同維的時頻圖像,然后將得到的時頻圖像與紅外圖像進行數(shù)據(jù)級融合,最后將融合后的信號傳入到多通道卷積神經(jīng)網(wǎng)絡中進行訓練診斷。文獻融合了BP-ANN(BackPropagation-ArtificialNeuralNetwork)神經(jīng)網(wǎng)絡和CNN(ConvolutionalNeuralNetwork)神經(jīng)網(wǎng)絡,分別提取融合數(shù)值類型、類別類型和圖像類型數(shù)據(jù)的特征向量,再通過多層BP-ANN神經(jīng)網(wǎng)絡進行超短期母線負荷的預測。文獻主要是因為存在一些不確定信息,因此皆使用D-s證據(jù)理論對多源信息進行融合來診斷故障。

除上述研究外,還有諸如小麥品種分類、直覺模糊決策和基于步態(tài)的再識別等信息融合,在本文中,使用FCM-BP算法研究電網(wǎng)運行及業(yè)務信息融合問題。

1.2神經(jīng)網(wǎng)絡

人工神經(jīng)網(wǎng)絡是模擬生物神經(jīng)網(wǎng)絡進行信息處理的一種數(shù)學模型,人工神經(jīng)元是人工神經(jīng)網(wǎng)絡操作的基本信息處理單位。處理模型如圖1所示。

人工神經(jīng)網(wǎng)絡具有強大的分布式信息存儲、并行處理和自適應學習能力。BP神經(jīng)網(wǎng)絡是人工神經(jīng)網(wǎng)絡中一種特殊的多層前饋神經(jīng)網(wǎng)絡,它是基于神經(jīng)網(wǎng)絡理論來設計的,主要由信號的正向傳播與誤差的反向傳播兩個過程組成,具有較強的非線性映射能力,因而多用于函數(shù)擬合、模式識別、智能控制和狀態(tài)預測等場景,在工業(yè)界具有較廣泛的應用。

BP神經(jīng)網(wǎng)絡包括三個部分,即輸入層、隱藏層和輸出層。在正向傳播時,數(shù)據(jù)從輸入層傳入,經(jīng)過多層隱藏層處理后傳向輸出層。若輸出結果與實際結果不同,則進入反向傳播階段。在反向傳播時,網(wǎng)絡將輸出結果以某種形式通過隱藏層向輸入層逐層傳遞,并將誤差分攤到各隱藏層神經(jīng)元,從而獲得各隱藏層神經(jīng)元的誤差信號,以此來修正各隱藏層神經(jīng)元權值。

2基于FCM-BP算法的多源信息融合方法

為充分利用BP神經(jīng)網(wǎng)絡的自學習能力,本文的主要思想是在特征級利用神經(jīng)網(wǎng)絡信息融合方法來整合從多個數(shù)據(jù)源獲得的信息。文獻就是將神經(jīng)網(wǎng)絡用于目標識別系統(tǒng)的多傳感器數(shù)據(jù)的融合。基于此,本文提出基于神經(jīng)網(wǎng)絡的多源信息融合技術,具體流程如圖2所示。

系統(tǒng)將獲取到的電網(wǎng)中的多源信息進行預處理,使用FCM對經(jīng)過預處理的多源信息進行分析,將相似性較高的信息歸為一類,再采用加權平均法對同一類信息進行數(shù)據(jù)級融合:其次,對經(jīng)過數(shù)據(jù)級融合的信息進行特征提取,將提取的特征送入BP神經(jīng)網(wǎng)絡中進行特征級信息融合:最后,將融合后的信息分發(fā)至各專業(yè)。

2.1信息預處理

電網(wǎng)中的信息來源廣泛,包括s0E信息、錄波數(shù)據(jù)、保信信息、電力系統(tǒng)廣域測量信息(WAMS)等,因此在進行特征提取之前,需要對這些信息進行簡單的信息預處理,主要包括異常數(shù)據(jù)的處理和數(shù)據(jù)歸一化處理。

電網(wǎng)中的各類數(shù)據(jù)在采集、傳輸和存儲的過程中,可能會由于設備異?；蛘呔W(wǎng)絡堵塞等原因發(fā)生缺失或者偏差等異常情況,這些都會影響模型對數(shù)據(jù)的分析能力,降低模型的準確率。為了防止異常數(shù)據(jù)對模型造成不利影響,本文利用插值法、回歸或者貝葉斯方法來推斷可能的取值,解決數(shù)據(jù)缺失的問題。對于數(shù)據(jù)偏差問題,本文采用分箱法進行處理,常見的分箱法包括卡方分箱法、最小嫡法分箱及決策樹分箱法。

不同數(shù)據(jù)具有不同的量綱,會造成不同數(shù)據(jù)間具有較大的數(shù)值差異,從而干擾模型的訓練結果。為了防止數(shù)值差異對模型的影響,本文對不同數(shù)據(jù)進行了歸一化處理,將各類數(shù)據(jù)縮放到統(tǒng)一的合理范圍內,提高了模型數(shù)據(jù)分析的準確性。

2.2基于FCM算法和加權平均法的數(shù)據(jù)級信息融合

數(shù)據(jù)級融合是直接融合同類信息,可以提供很多細微信息。但電網(wǎng)信息來源廣泛且具有異構性,同時多源異構數(shù)據(jù)具有難以進行數(shù)據(jù)級融合的特性。因此,本文使用模糊C均值聚類(FCM)算法對預處理后的電網(wǎng)運行及業(yè)務信息進行聚類分析,即將相似度最大的劃分為一簇,而不同簇之間相似度最小。然后對被劃分為一簇的信息使用加權平均法進行數(shù)據(jù)級融合。

收集到的多源信息矩陣為:

X的每一行為一個信息,每一列為一個信息的n個值。

FCM就是把n個信息xi(i=1,2,…,n)分為c類,并求c個類的聚類中心V=(V1,V2,…,Vc}。其中,Vi=(Vi1,Vi2,…,Vip},i=1,2,…,c。

uik表示第k個樣品xk屬于第i類的隸屬度,0≤uik≤1,根據(jù)歸一化規(guī)定,數(shù)據(jù)集的隸屬度總和為1。因此,目標函數(shù)可定義為:

其中,U=(uik)c×n為隸屬度矩陣,dik=||xk-pi||。FCM得到U、V的值使得J(U,V)取得最小值。

本文中,基于改進的FCM算法,數(shù)據(jù)級融合的處理步驟如下:

(1)確定類個數(shù)c,冪指數(shù)m>1,初始隸屬度矩陣U(0)=(uik(0)),通常取[0,1]上的均勻分布隨機數(shù)來確定初始隸屬度矩陣U(0)。xk表示第一步迭代。

(2)計算第l步的聚類中心V(l):

(3)修正隸屬度矩陣U(l),計算目標函數(shù)值J(l)。

(4)當給定的隸屬度終止容限8>0,滿足條件時,停止迭代,否則l=l＋1,繼續(xù)進行第二步。

(5)經(jīng)過上述迭代計算,可以求得最終的隸屬度矩陣U和聚類中心V,使得J(U,V)的值達到最小。通過最終得到的隸屬度矩陣U確定信息的歸類情況,當ujk=

max(uik}時,可將信息xk歸為第j類。

(6)對經(jīng)過FCM聚類分析之后被劃分為同一類的信息,使用加權平均法進行數(shù)據(jù)級融合,融合規(guī)則如下:

本文使用FCM將預處理過的多源信息相似度較高的分為一類,然后采用加權平均法對同一類信息進行數(shù)據(jù)級融合。

2.3基于BP神經(jīng)網(wǎng)絡的特征級信息融合

對經(jīng)過數(shù)據(jù)級融合的各類信息提取數(shù)據(jù)特征,將提取的特征送入BP神經(jīng)網(wǎng)絡中進行特征級信息融合。

使用BP神經(jīng)網(wǎng)絡進行特征級信息融合的過程如下:

(1)定義BP神經(jīng)網(wǎng)絡中的連續(xù)非線性激活函數(shù):

其中,ne4jk由以下方程式計算:

(2)輸出層中的參數(shù)0kj可以估計如：

(3)與輸出層不同,隱藏層的參數(shù)計算如下:

在BP神經(jīng)網(wǎng)絡中,每一層的輸出被傳輸?shù)较乱粚拥纳窠?jīng)元。也就是說,BP神經(jīng)網(wǎng)絡能夠保持一個偏置神經(jīng)元,從而在沒有任何輸入的情況下產生恒定的輸出。

3基于FCM-BP算法的多源信息融合技術在電網(wǎng)業(yè)務及運行信息中的應用

當電網(wǎng)發(fā)生故障時,產生大量運行、告警等信號,電網(wǎng)監(jiān)控系統(tǒng)會對這些信息進行采集。首先,對采集到的多源信息進行預處理:其次,使用FCM算法對預處理過的信息進行聚類分析,將相似度最高的劃分為一類,再采用加權平均法對同一類信息進行數(shù)據(jù)級融合:然后將經(jīng)過數(shù)據(jù)級融合后的信息送入BP神經(jīng)網(wǎng)絡中進行特征級信息融合:最后將融合后的信息從應用場景、專業(yè)、權限等角度進行劃分,提供按需、定向的信息服務,滿足相關專業(yè)對電網(wǎng)運行態(tài)勢的實時乃至提前感知與交互需求。

電網(wǎng)運行事件和告警信號是在電網(wǎng)發(fā)生故障時發(fā)出的信息,通過協(xié)同平臺收集與故障相關的多源異構信息,即設備信息、運行信息和處置信息等。將這些多源信息進行信息融合,信息融合模塊將收集的信息進行預處理,經(jīng)過數(shù)據(jù)級融合和特征級融合得到最終的融合信息。融合后的信息更具有專業(yè)性,可以根據(jù)場景、專業(yè)和權限等進行劃分,將劃分好的信息分發(fā)至相關專業(yè),能夠提高信息分發(fā)速度,減少信息堵塞的可能性,提高相關專業(yè)對事故處理的工作效率。

4結語

本文著重于電網(wǎng)運行及業(yè)務中多源異構信息的融合問題,并從不同的數(shù)據(jù)源中最大化獲得數(shù)據(jù)。在該方法中,獲得的電網(wǎng)運行及業(yè)務信息通過三個步驟進行處理:第一,對收集到的多源數(shù)據(jù)進行預處理:第二,使用FCM對經(jīng)過預處理的多源信息進行分析,將相似性較高的信息歸為一類,再采用加權平均法對同一類信息進行數(shù)據(jù)級融合:第三,對經(jīng)過數(shù)據(jù)級融合的信息進行特征提取,將提取的特征送入BP神經(jīng)網(wǎng)絡中進行特征級信息融合。相較于傳統(tǒng)的單一層信息融合技術,FCM-BP神經(jīng)網(wǎng)絡算法同時實現(xiàn)了電網(wǎng)多源異構信息在數(shù)據(jù)級和特征級的融合。改進后的算法顯著提高了信息融合的質量,在后續(xù)的電網(wǎng)運行信息分發(fā)時更具有專業(yè)性,提高了信息分發(fā)速度,大幅降低了信息堵塞的可能性。