基于深度學習與多源數據融合的電網項目智能評估方法

張弘鯤，岳聰，郭躍男

（國網黑龍江省電力有限公司，黑龍江哈爾濱 150090）

隨著對電力供應需求以及安全性的要求大幅提升，電網技術改造工程已不斷快速推進。電網技改項目是應用先進的技術與材料對現有的電力設備以及工程進行改造，以提高生產效率、保障電力的系統穩定性和可靠性[1-3]。電網技改項目的成本管控也已成為日益重要的工作[4-5]。電網技改項目涉及電氣、工程量、經濟和環境等各方面的數據。如何利用這些數據實現電網技改項目的成本智能化管控，對于促進電網精準投資和提高效率具有重要意義[6-8]。

因此，該文結合人工智能技術開展電網技改項目多源數據在電網項目造價評估的應用研究，以實現電網項目的智能化造價管控。

1 深度學習算法

人工神經網絡是人工智能領域常用的算法之一，其思想是模擬人類大腦處理信息的工作機制，通過大量數據信息分析處理來實現特定目標[9-11]。深度神經網絡（DNN）是人工神經網絡向智能化和高精度的進一步延伸發展，由多層神經網絡級聯構成[12]，其等效結構如圖1 所示。深度神經網絡由n層常規神經網絡(S1,S2,…,Sn)構成，將上層神經網絡Sn的輸出作為下一層神經網絡Sn+1的輸入?？傮w輸入數據I作為第一層神經網絡S1的輸入，輸出結果O由第n層神經網絡Sn輸出。輸入數據I經過n層神經網絡的逐級處理計算，最終得到輸出結果O。

圖1 深度神經網絡基本結構

經典的深度神經網絡模型如圖2 所示，該模型由多個受限玻爾茲曼機級聯和最后一層輸出層構成。其中，每個受限玻爾茲曼機由前后兩層神經網絡層組成。

圖2 深度神經網絡典型結構

深度神經網絡模型的訓練過程如圖3 所示，主要包括前向逐級預訓練和反向參數調節兩步構成。

圖3 DNN模型訓練流程步驟

前向逐級預訓練采用對比散度法實現深度神經網絡模型參數的初步確定。對于每一層受限玻爾茲曼機，首先將可視層神經單元作為輸入計算隱藏層神經單元的輸出。然后，通過隱藏層神經單元輸出值對可視層神經單元進行重構。最終，根據重構前后的可視層神經單元值的誤差對模型參數進行更新。

計算隱藏層神經單元的輸出值公式如下：

式中，為可視層神經單元輸入值；為隱藏層神經單元輸出值；為模型參數，分別表示神經單元之間的連接權重系數、可視層的偏置系數。

對可視層神經單元的重構計算公式如下：

DNN 模型參數更新公式如下：

反向參數調節采用梯度下降法，根據最終輸出層輸出值與實際目標值的誤差，反向逐級對DNN 模型參數進行細微調整，計算公式如下：

其中，E為損失函數，如式（5）所示：

式中，yn為輸入數據n對應的輸出目標值；on為輸入數據n對應的輸出實際值；N為輸入數據規模。

2 電網項目智能評估

2.1 多源數據融合

多源數據融合是指通過計算機技術，對多個傳感器采集的數據進行綜合分析處理，實現所需決策任務的信息處理過程[13-15]。

根據多源數據融合所處于信息處理的層級階段，可將其分為數據級、特征級和決策級3 個層級的融合[16]，如圖4 所示。

數據級融合：在對數據進行預處理和特征提取前，將多種來源數據進行融合，同時進行數據預處理和特征提??；

特征級融合：對多種來源數據分別進行預處理和特征提取，將提取的特征參數進行融合，同時作為DNN 模型的輸入；

決策級融合：對多種來源數據分別通過DNN 模型進行決策分析，然后將多種分析結果進行融合，得到最終的決策結果。

數據級融合盡可能多地保留原始數據的特征，從而能夠提高智能決策結果的準確性。因此，文中采用數據級融合進行電網項目的智能評估。

2.2 電網項目智能評估多源數據體系

以交流變電技改工程為例，構建電網項目智能評估多源數據體系，如圖5 所示。主要包括3 個方面來源的數據：

圖5 交流變電技改工程智能評估多源數據體系

1）技術因素。交流變電技改工程項目的主要電氣技術參數，包括電壓等級、材料用量、主變容量、并聯電容器型式、斷路器型式、高壓開關柜型式、隔離開關型式等。

2）經濟因素。交流變電技改工程所需要的電力設備或工程建設材料的經濟價格，包括材料價格、主變價格、斷路器價格、高壓開關柜價格、隔離開關價格等。

3）環境因素。交流變電技改工程所處位置的環境，包括地理環境、交通環境、地形和氣候條件等。

2.3 電網項目智能評估算法

該文所提基于深度學習與多源數據融合的電網項目智能評估算法，如圖6 所示。將技術因素、經濟因素和環境因素3 個方面來源的電網項目歷史數據，首先通過多源數據集進行融合處理；然后作為訓練樣本進行DNN 模型的訓練，得到智能評估結果精度要求的DNN 模型；最終將待評估電網項目的多源融合數據作為驗證樣本，利用已訓練完成的DNN 模型，來實現電網項目的智能評估。

圖6 電網項目智能評估算法

3 算例分析

為驗證文中所提的基于深度學習與多源數據融合的電網項目智能評估方法的正確性和有效性，選取電網項目歷史數據進行驗證，其中訓練樣本192個，測試樣本48 個。

3.1 不同智能算法對智能評估結果的影響

為對比DNN 算法與其他機器學習算法在電網項目智能評估應用上的差異，將上述電網項目多源數據樣本作為輸入數據。機器學習算法選用反向傳播神經網絡(Back Propagation Neural Network，BPNN)，不同算法電網項目智能評估結果如表1 所示。由表1 可知，對于8 個實際的電網技改項目，評估結果準確度為DNN 優于BPNN。這是因為DNN 算法相比于BPNN 算法具有更深層的網絡結構，能夠適應大量數據應用場景，對于電網項目的造價評估準確度更高。

表1 不同智能算法下電網項目評估結果

3.2 多源數據對智能評估結果的影響分析

由于具體的系統工程存在著大量的數據類型，當選用不同數據源作為DNN 模型輸入時，電網項目智能評估結果如表2 所示?？梢钥吹街贿x取技術因素D1時，造價評估誤差絕對值在6.6%～10.2%范圍內；選取技術因素D1和經濟因素D2時，造價評估誤差絕對值在6.1%～8.6%范圍內；同時選取技術因素D1、經濟因素D2和環境因素D3時，造價評估誤差絕對值在5.7%～8.1%范圍內。由此可得采用3 種數據進行融合分析，能夠盡可能地保留現場數據特征，并可提高電網項目智能評估的準確性。

表2 多源數據條件下的變電工程數據分析

4 結束語

該文開展了基于DNN 模型與多源數據融合的電網項目智能評估算法研究。通過實驗仿真結果表明：相比于BPNN 算法，文中所提算法具有更深層網絡結構，能夠提高智能評估結果的準確性；相比于采用單一數據來源或者兩種數據來源的情況，文中所提算法能夠充分保留電網項目數據對智能評估結果的影響關系，提高了智能評估結果的準確性。但是文中所提算法僅實現了電網項目靜態造價的智能評估，而如何將深度學習與多源數據融合技術應用于電網項目成本動態管理過程，將在后續研究中進一步展開。