張詩慧，張豐緒

（國網北京海淀供電公司，北京 100085）

0 引 言

隨著電網跨越式發展的不斷推進，電力設備的規模不斷擴大，對于人員配置的需求也逐漸提高[1]。為了緩解由此帶來的電力系統管理成本問題，利用現代科學技術實施對電力裝置的運維管理是十分必要的[2]。在先進技術手段應用程度逐漸加深的背景下，電力設備對應的狀態可以直觀地通過具體的計量數據分析計算得到[3]。但是值得注意的是，由設備運行狀態形成的電力計量數據鏈具有多元化、海量化的特點，要實現從不同的層面全面分析電力數據，設計一種更加系統化的數據處理方式必不可少[4]。對于數據處理方法的要求，一方面要能夠客觀反映設備的實際狀態，另一方面要能夠對設備的異常情況做出準確判斷，這也是保障后續設備運維工作能夠具有更強針對性的重要基礎[5,6]。考慮到電力系統中的構成設備種類較多、數量也較大，要實現全面掌握設備運行狀態，就需要對電力設備的運行數據進行有機整合[7]。在此基礎上，本文提出基于小波變換的電力計量數據融合方法，充分考慮了電力計量數據的多樣化屬性，在利用小波變換對原始電力數據進行預處理后，實現了對數據的有效融合。

1 電力計量數據融合方法設計

1.1 基于小波變換的數據預處理

由于電力計量數據本身具有多樣化屬性特征，并且數據中也存在一定的噪聲，這都在一定程度上影響著最終數據融合的效果。基于此，本文利用小波變換的方式對電力計量數據進行預處理。其中，閾值函數的設置是影響數據預處理效果的關鍵因素。本文設計閾值函數可以表示為

式中：di,j表示小波變換處理過程中的小波系數參量；ai,j表示原始的小波系數參量；k表示具體的閾值參數；n為正整數；i和j表示小波分解的執行尺度和原始電力計量數據的尺度參數。通過對式（1）進行分析可以看出，本文設計的小波變換閾值函數仍然保留了原有的連續性，這種只有軟閾值函數具有的連續性特點能夠使得電力計量數據在預處理階段不會受到數據自身不穩定性的影響。當|ai,j|≥k時，本文設計的閾值函數能夠在短區間內實現迅速更新，并且快速逼近硬閾值函數，有效避免了軟閾值函數中的固定偏差對于數據處理效果的影響。不僅如此，結合式（1）可以看出，本文設計的閾值函數保留 Garrote 閾值函數的形式，并且引入了參量，通過結合實際電力計量數據的情況對n的取值進行適應性調節，可以保障函數的逼近速度能夠滿足數據的處理要求，適應大規模電力計量數據的融合需求。當電力計量數據中存在數量較多的尖峰震蕩參數時，可以通過增大n值的取值結果，提高小波變換的平滑能力。當電力計量數據中存在數據丟失問題時，可以通過減小n值的取值結果，提高小波變換的信息保留能力。

利用上述設置的閾值函數對原始的電力計量數據進行小波變換處理的方式可以表示為

式中：f(m)表示小波變換處理后的電力計量數據信息；m表示小波變化的尺度因子；x(t)表示原始的電力計量數據參數。

通過式（2）可以看出，本文采用連續小波變換的方式對電力計量數據信息進行處理，在閾值函數范圍內將數據分解為多個參量，使得數據的動態發展情況轉變為多個相對獨立的數據點。

通過這樣的方式，完成對電力計量數據的預處理，為后續的數據融合提供基礎。

1.2 電力計量數據融合

利用小波變換后的數據，本文對于電力計量數據的融合是根據數據的屬性進行的。通過處理，原始的電力計量數據已經轉化為分解的獨立個體，本文首先對數據進行分類處理，具體的分類方式可以表示為

式中：B(x)表示對分類結果；E表示計量數據對應設備的額定運行參數。按照式（3）所示的方式，電力數據的分類結果共分為2類，其中一類是數值小于E的分類，該類數據表示電力計量數據處于低負荷運行模態，對應的輸出低于額定值。另一類為數值大于E的分類，該類數據表示電力計量數據處于高負荷運行模態，對應的輸出高于額定值。以此為基礎，分別對2類數據進行融合計算，得到的電力系統整體運行狀態數據信息可以表示為

式中：F(x)表示融合后的電力計量數據信息；也就是整個電力系統的運行狀態參數；B1(x)表示電力計量數據低于額定數值的參數；Bh(x)表示電力計量數據高于額定數值的參數。對應地，∑B1(x)和∑Bh(x)分別表示2類數據的參數之和，也就是不同類型數據的實際規模。

通過這樣的方式，實現對電力計量數據的融合處理，為電力系統整體運行狀態的分析和判斷提供便利。

2 測試與分析

2.1 測試環境

在對本文設計的數據融合方法進行測試的過程中，為了提高測試結果的分析價值和可靠性，為測試設置了對照組。其中，對照組分別采用了文獻[2]提出的基于三維時空特性的數據融合方法、文獻[3]提出的基于大數據的數據融合方法。在測試數據準備上，本文以某電力企業的電力設備運行數據為基礎，采集了所有計量裝置的參數信息，具體的采樣頻率為1個/h。按照這樣的方式，單日獲取電力數據的樣本中包含 24 個樣本點。圖1為單日采集數據的分布情況。

圖1 單日采集結果分布圖

在此基礎上，連續采集7天。分別采用上述4種方法對電力運行數據進行融合處理，分別統計單日電力系統的實際電量供求關系。對于最終融合結果的分析，本文通過單獨計算各個電力設備運行數據之間的關系，得到實際的電力系統運行情況。將對應的結果作為評價基準，對3種方法的融合結果進行分析。

2.2 測試結果與分析

以2.1節的數據為基礎，分別統計了3種不同融合方法下，得到的電力系統運行情況與實際數據之間的關系，具體如表1所示。

表1 電力系統綜合運行數據統計表

通過對表1中的數據信息進行分析可以看出，在3種測試方法中，三維時空特性數據融合方法對于數據的融合結果與實際電力系統運行數據之間的差異最為明顯。這種差異表現出了明顯的不穩定性，單日最大誤差達到了6.07 kW·h，對應的占比為10.07%；最小誤差為2.11 kW·h，對應的占比為3.63%。大數據融合方法的測試結果中，實際電力系統運行數據之間的差異雖然具有較高的穩定性，但是整體水平偏高，基本穩定在3.00～4.00 kW·h，對應的占比6.63%。相比之下，本文設計數據融合方法下，得到的電力系統綜合運行數據與實際電力系統運行數據之間的差異最小，且穩定性較高，最大值僅為1.07 kW·h，對應的占比為1.78%。通過上述對測試結果的分析不難看出，本文設計的基于小波變換的電力計量數據融合方法可以實現對多源數據信息有效整合，在準確反映電力系統實際運行狀態方面具有良好的應用價值。

3 結 論

為了適應電力系統的發展需求，對相關電力數據進行高效管理是極為必要的。本文提出基于小波變換的電力計量數據融合方法研究，借助小波變換對于電力計量數據中噪聲的過濾能力，提高了數據融合的質量，使得最終的融合數據能夠更加準確地反饋電力設備的實際運行狀態。通過本文的研究，希望能夠為實際的電力系統管理工作開展提供有價值的參考，助力電力系統實現長期、安全、穩定運行。