基于深度學(xué)習(xí)的配電網(wǎng)工程數(shù)據(jù)融合與智能分析方法研究

鐘琦，楊 波，朱 莎，潘行健，陸非凡

（國(guó)網(wǎng)浙江德清縣供電有限公司，浙江湖州 313200）

近年來，隨著國(guó)內(nèi)經(jīng)濟(jì)的快速發(fā)展，配網(wǎng)工程數(shù)據(jù)呈現(xiàn)出了爆炸式的增長(zhǎng)，給數(shù)據(jù)的處理與分析帶來了新的挑戰(zhàn)[1-3]。與此同時(shí)，大數(shù)據(jù)處理技術(shù)、深度學(xué)習(xí)等人工智能技術(shù)的應(yīng)用，也給電網(wǎng)配網(wǎng)工程數(shù)據(jù)的處理與分析帶來了新的研究方向[4-5]。在配網(wǎng)工程數(shù)據(jù)領(lǐng)域，國(guó)內(nèi)外專家學(xué)者對(duì)海量視頻與數(shù)據(jù)庫的自動(dòng)化融合分析研究較少，仍處于研究起步階段。如何充分利用現(xiàn)有數(shù)據(jù)資料，總結(jié)歸納采集數(shù)據(jù)的特征與規(guī)律，并將其應(yīng)用于目標(biāo)檢測(cè)是目前研究的熱點(diǎn)[6]。深度學(xué)習(xí)算法可用于特征提取，這些特征能夠刻畫出數(shù)據(jù)庫的豐富內(nèi)涵。其本質(zhì)是通過神經(jīng)網(wǎng)絡(luò)，訓(xùn)練得到數(shù)據(jù)特征，并建立輸出信號(hào)與輸入信號(hào)的映射關(guān)系，為數(shù)據(jù)處理提供理論基礎(chǔ)[7-8]。應(yīng)用深度學(xué)習(xí)進(jìn)行數(shù)據(jù)融合，可對(duì)多個(gè)來源的數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，具有準(zhǔn)確性高、實(shí)時(shí)性強(qiáng)的特點(diǎn)[9]。有國(guó)外學(xué)者提出了關(guān)聯(lián)分析的數(shù)據(jù)融合框架，以改善數(shù)據(jù)決策的魯棒性，并將其應(yīng)用于更廣泛的交叉領(lǐng)域[10-12]。隨著信息量的持續(xù)增加，配網(wǎng)工程數(shù)據(jù)來源更加多維，亟需應(yīng)用更加精確的智能算法進(jìn)行數(shù)據(jù)分析與處理。

該文以深度學(xué)習(xí)基礎(chǔ)模型為理論基礎(chǔ)，克服小規(guī)模數(shù)據(jù)特征提取較難的問題，并建立改進(jìn)的FPFRCNN 檢測(cè)模型。針對(duì)配網(wǎng)工程數(shù)據(jù)產(chǎn)生的異構(gòu)大數(shù)據(jù)，分析配網(wǎng)數(shù)據(jù)的關(guān)聯(lián)性與可靠性，將預(yù)處理結(jié)果作為數(shù)據(jù)源輸入，進(jìn)行電壓和電流的采集，完成降噪處理和數(shù)據(jù)融合后，最終基于采集到的現(xiàn)場(chǎng)數(shù)據(jù)，實(shí)現(xiàn)數(shù)據(jù)挖掘和可視化分析。

1 深度學(xué)習(xí)模型

1.1 基本模型

深度學(xué)習(xí)是通過模擬大腦機(jī)理解決機(jī)器學(xué)習(xí)問題，因其強(qiáng)大的魯棒性而被廣泛關(guān)注[13-14]。在表達(dá)目標(biāo)函數(shù)能力上，用深度結(jié)構(gòu)的ANN 能較好地表示高維函數(shù)，但在優(yōu)化參數(shù)過程中需要訓(xùn)練大量樣本數(shù)據(jù)[15]。在模型訓(xùn)練方面，樣本輸入數(shù)據(jù)從一個(gè)模型遷移到另一個(gè)數(shù)據(jù)集，采用無監(jiān)督方式獲取更多的信息，其模型示意圖如圖1 所示。

圖1 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)模型

在可視層內(nèi)，可以將輸入信號(hào)看作特征節(jié)點(diǎn)，并認(rèn)為所有節(jié)點(diǎn)均為獨(dú)立的。因此，根據(jù)輸入節(jié)點(diǎn)參數(shù)得到神經(jīng)元參數(shù)，經(jīng)處理后得到輸出信號(hào)。

1.2 改進(jìn)FP-FRCNN模型

為克服小規(guī)模數(shù)據(jù)特征提取較難的問題，建立改進(jìn)的FP-FRCNN 檢測(cè)模型，以提高檢測(cè)精度。建立FP-FRCNN 模型首先需要壓縮連接金字塔結(jié)構(gòu)，該過程包括壓縮激勵(lì)密集與主干網(wǎng)絡(luò)，同時(shí)修改Dense Net 網(wǎng)絡(luò)結(jié)構(gòu)。通過壓縮操作對(duì)過渡層進(jìn)行信息壓縮，應(yīng)用連接層構(gòu)成激勵(lì)操作，形成兩個(gè)神經(jīng)元單元之間的依賴關(guān)系[16]。最終，通過上述依賴關(guān)系對(duì)數(shù)據(jù)集進(jìn)行重新校準(zhǔn)。為了防止參數(shù)過程帶來的影響，采用通道因子減少通道數(shù)量，直至恢復(fù)正常水平。構(gòu)建金字塔網(wǎng)絡(luò)結(jié)構(gòu)的基本流程，如圖2 所示。從圖中可以看出，先對(duì)SE-Dense Net 的每個(gè)特征圖進(jìn)行卷積操作，并進(jìn)行采樣分析，自上而下重復(fù)上述操作，最終建立金字塔型網(wǎng)絡(luò)結(jié)構(gòu)。

圖2 金字塔網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建過程

1.3 池化層調(diào)整

建立金字塔網(wǎng)絡(luò)結(jié)構(gòu)之后，需要將RPN 模塊連接到預(yù)測(cè)層，然后將各個(gè)模塊連接到RoIAlign 層，最后建立改進(jìn)的FP-FRCNN模型，具體操作如圖3所示。

圖3 改進(jìn)FP-FRCNN模型的整體結(jié)構(gòu)

2 配網(wǎng)工程數(shù)據(jù)融合算法

2.1 數(shù)據(jù)預(yù)處理

配網(wǎng)工程數(shù)據(jù)呈現(xiàn)數(shù)據(jù)冗余、多維度等特征，如何高效利用該數(shù)據(jù)尤為重要。數(shù)據(jù)預(yù)處理是進(jìn)行數(shù)據(jù)融合的前提，是決定數(shù)據(jù)智能決策與分析的關(guān)鍵步驟。針對(duì)配網(wǎng)工程產(chǎn)生的異構(gòu)大數(shù)據(jù)，首先需要分析配網(wǎng)數(shù)據(jù)的關(guān)聯(lián)性與可靠性，將預(yù)處理結(jié)果作為數(shù)據(jù)源輸入。由于配網(wǎng)數(shù)據(jù)采集系統(tǒng)采用智能終端進(jìn)行電壓、電流的采集，并利用全智能分析技術(shù)進(jìn)行降噪處理，因此還需要對(duì)原始數(shù)據(jù)樣本集剔除異常數(shù)值，以提高配網(wǎng)工程的真實(shí)性。

為進(jìn)行配網(wǎng)工程數(shù)據(jù)融合，設(shè)共有N個(gè)訓(xùn)練集樣本，其子樣本數(shù)據(jù)集分別為A1,A2,…,AN、B1,B2,…,BN和W1,W2,…,WN；關(guān)聯(lián)訓(xùn)練子集為Y1,Y2,…,YN；則第i個(gè)樣本可表示為：

將式（2）和式（3）分別擴(kuò)展到式（1）中，可得到Y(jié)i為：

2.2 稀疏自編碼器數(shù)據(jù)融合

配網(wǎng)工程數(shù)據(jù)不存在明顯的分界，為標(biāo)記工程數(shù)據(jù)的類別情況，采用基于聚類分析的稀疏自編碼數(shù)據(jù)融合算法。該算法基于無監(jiān)督學(xué)習(xí)，通過分類得到最終結(jié)果，可使輸出數(shù)據(jù)盡量保存原有特征，其是一種強(qiáng)化的稀疏算法，且該方法的解碼器變換可自動(dòng)提取樣本數(shù)據(jù)信息并進(jìn)行深度學(xué)習(xí)。在損失函數(shù)方面，通過增加稀疏約束項(xiàng)，增加配網(wǎng)工程數(shù)據(jù)的特征提取能力，以提高數(shù)據(jù)提取的精確度。

稀疏自編碼器數(shù)據(jù)融合算法流程如圖4 所示，其主要步驟有三步：1）通過SAE 編碼器建立稀疏自編碼器，并對(duì)配網(wǎng)工程數(shù)據(jù)進(jìn)行重構(gòu)；2）通過神經(jīng)網(wǎng)絡(luò)設(shè)置初始參數(shù)，調(diào)用均方損失函數(shù)，采用Adam 優(yōu)化器優(yōu)化數(shù)據(jù)，防止過擬合現(xiàn)象；3）將SAE 輸入，確定樣本數(shù)據(jù)的中心點(diǎn)，通過計(jì)算確定數(shù)據(jù)核心與類別，經(jīng)過多次迭代得到數(shù)據(jù)的分類結(jié)果。

圖4 稀疏自編碼器數(shù)據(jù)融合算法

2.3 邊緣數(shù)據(jù)自適應(yīng)增強(qiáng)

獲取配網(wǎng)工程數(shù)據(jù)信息后，可以對(duì)數(shù)據(jù)信息做自適應(yīng)增強(qiáng)處理，首先應(yīng)保證局部數(shù)據(jù)信息的一致性，定義為：

式（6）中，gout(x,y)、gave(x,y)分別表示經(jīng)過二次泰勒級(jí)數(shù)展開卷積之后，配網(wǎng)工程數(shù)據(jù)在(x,y)位置的輸出值與局部均值。

為保護(hù)邊緣數(shù)據(jù)信息，將公式修改為：

式（7）中，gout1、gout2、gout3分別是gout(x,y)的3個(gè)分量，若gout3＞0，則可提高數(shù)據(jù)邊緣信息，且的數(shù)值范圍為[0,1]。

將處理后的數(shù)據(jù)信息還原為原始信息，還原公式為：

式（8）中，Pin為輸入數(shù)據(jù)信息的分量值，Pout是指數(shù)據(jù)信息增強(qiáng)處理后得到的數(shù)據(jù)分量值，β(x,y)的定義為：

3 數(shù)據(jù)智能分析

3.1 原始數(shù)據(jù)可視化

配網(wǎng)工程數(shù)據(jù)可視化主要基于配網(wǎng)終端采集到的現(xiàn)場(chǎng)數(shù)據(jù)，進(jìn)行儲(chǔ)存、分析以及管理，實(shí)現(xiàn)數(shù)據(jù)挖掘、生產(chǎn)可視化界面。原始數(shù)據(jù)的可視化不僅給配網(wǎng)工程提供優(yōu)質(zhì)的計(jì)算服務(wù)，且為電力工程的推進(jìn)提供有力支撐。根據(jù)可視化需求以及功能，生成用戶賬戶，跳轉(zhuǎn)到可視化界面，顯示上傳的配網(wǎng)工程原始數(shù)據(jù)，創(chuàng)建項(xiàng)目數(shù)據(jù)及模板，便于結(jié)構(gòu)化管理。

通過Python 編程工具實(shí)現(xiàn)數(shù)據(jù)圖像的呈現(xiàn)，直觀顯示配網(wǎng)工程數(shù)據(jù)的分布特征，將大部分?jǐn)?shù)據(jù)顯示在零點(diǎn)附近，使得數(shù)據(jù)排列呈現(xiàn)時(shí)間性，體現(xiàn)數(shù)據(jù)的電壓、電流數(shù)值。

3.2 分析結(jié)果處理

配網(wǎng)工程數(shù)據(jù)分析一般有兩種方法，即參數(shù)分析與波形分析。參數(shù)分析主要通過獲取配網(wǎng)終端采集的數(shù)據(jù)特征進(jìn)行數(shù)據(jù)分析，數(shù)據(jù)特征包括數(shù)據(jù)幅值、頻率、持續(xù)時(shí)間等；波形分析是采用智能算法對(duì)波形信號(hào)進(jìn)行處理分析頻域特點(diǎn)，反映輸入信號(hào)的規(guī)律，從而更好地應(yīng)用波形信息。傅里葉譜分析方法是處理頻域分析的常用方法，其分析結(jié)果可以用于全局信息處理。為避免數(shù)據(jù)丟失情況，并遏制數(shù)據(jù)混亂，運(yùn)用Tfrsp 函數(shù)進(jìn)行分析計(jì)算，得到二維頻譜為：

3.3 評(píng)價(jià)指標(biāo)

數(shù)據(jù)分析檢測(cè)常用的精度檢測(cè)指標(biāo)平均精度（AP），通過計(jì)算預(yù)測(cè)值的準(zhǔn)確率和召回率繪制P-R曲線，進(jìn)而評(píng)價(jià)分析結(jié)果的效果。

分類精確率是針對(duì)給定數(shù)據(jù)集，分類數(shù)據(jù)量與總數(shù)據(jù)量的比值，若用M代表數(shù)據(jù)樣本數(shù)，N代表數(shù)據(jù)集總量，則精確值可表示為：

一般來說，準(zhǔn)確率與召回率為一對(duì)矛盾的度量方式，兩者呈現(xiàn)負(fù)相關(guān)的關(guān)系。在選擇評(píng)價(jià)指標(biāo)時(shí)，需要考慮不同的場(chǎng)景與適用范圍。為提高檢測(cè)精度，需采用綜合評(píng)價(jià)指標(biāo)進(jìn)行衡量。

4 算例分析

4.1 測(cè)試環(huán)境

以浙江省某區(qū)域配電網(wǎng)的實(shí)際工程數(shù)據(jù)進(jìn)行算例分析，驗(yàn)證該文所提方法的有效性。數(shù)據(jù)分析實(shí)驗(yàn)均在帶有GPU 的服務(wù)器上運(yùn)行，CPU 為Intel Core i7 7800，顯卡NVDIDA GTX1080，軟件環(huán)境為Cuda 8.0/Python3.6/OpenCV。通過對(duì)比分析各種不同方法的配網(wǎng)工程數(shù)據(jù)處理結(jié)果，驗(yàn)證該文所提方法的識(shí)別精度與誤差率。

4.2 結(jié)果分析

實(shí)驗(yàn)過程使用的配網(wǎng)工程樣本數(shù)據(jù)庫較大，采用該文所述深度學(xué)習(xí)模型，首先將樣本數(shù)據(jù)進(jìn)行分析與處理，利用差值算法分析數(shù)據(jù)集的損失。為驗(yàn)證數(shù)據(jù)縮放對(duì)檢測(cè)精度的影響，在不同分辨率下分析檢測(cè)精度，同時(shí)比較不同算法在不同分辨率情形下的效果。相應(yīng)的計(jì)算結(jié)果，如表1 所示。從表中可以看出，幾種方法均可以提升檢測(cè)效果。且采用該文所述的深度學(xué)習(xí)方法時(shí)，AP 值達(dá)到了95.6%，具有良好的檢測(cè)效果。

表1 幾種方法的AP值

為進(jìn)一步體現(xiàn)該文所述方法對(duì)配網(wǎng)工程數(shù)據(jù)融合的精度與誤差，選取三種方法對(duì)該區(qū)域內(nèi)的配網(wǎng)工程數(shù)據(jù)進(jìn)行融合與分析，對(duì)比分析幾種方法的有效性。三種方法的結(jié)果，如表2 所示。從表2 中可以看出，當(dāng)采用深度學(xué)習(xí)對(duì)配網(wǎng)工程數(shù)據(jù)進(jìn)行訓(xùn)練、融合、分析時(shí)，其結(jié)果的平均誤差最小，處理精度更高。

表2 三種算法對(duì)比分析

5 結(jié)束語

針對(duì)配網(wǎng)工程數(shù)據(jù)分析與處理存在的問題，開展基于深度學(xué)習(xí)的配網(wǎng)工程數(shù)據(jù)融合與智能分析方法研究。通過建立改進(jìn)的FP-FRCNN 檢測(cè)模型、壓縮連接金字塔結(jié)構(gòu)，對(duì)配網(wǎng)異構(gòu)數(shù)據(jù)進(jìn)行融合分析；將預(yù)處理結(jié)果作為數(shù)據(jù)源輸入，采用全智能分析技術(shù)進(jìn)行降噪處理，基于聚類分析的稀疏自編碼數(shù)據(jù)融合算法進(jìn)行數(shù)據(jù)融合；利用配網(wǎng)終端采集到的現(xiàn)場(chǎng)數(shù)據(jù)，實(shí)現(xiàn)數(shù)據(jù)挖掘和可視化分析與處理；采用智能算法對(duì)波形信號(hào)處理分析頻域特點(diǎn)，反映輸入信號(hào)的規(guī)律與波形信息。最后，以某區(qū)域配網(wǎng)工程數(shù)據(jù)進(jìn)行算例分析，驗(yàn)證了該文所述方法在不同分辨率下均具有良好的檢測(cè)效果，且誤差小、精度高，具有廣闊的應(yīng)用價(jià)值。下一步將研究改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)與隨機(jī)森林的識(shí)別算法，以更好地反映配網(wǎng)工程數(shù)據(jù)的數(shù)據(jù)特征，提高檢測(cè)精度。