基于多任務支持向量機的能源互聯網數據深度融合方法

郭 政 吳武清 劉 源 曾志武 楊 玎

(國網江西省電力有限公司建設分公司 江西 南昌 330000)

0 引 言

能源互聯網是以智能電網為基礎,由眾多分布式可再生能源組成。能源互聯網包含眾多電力電子技術以及信息與通信技術,以分布式智能能量管理系統為基礎,控制分布式能源設備令水、氣、電、熱等眾多能源實現互補[1],實現用能效率最高的目的。能源互聯網包含海量設備運行狀態、電氣參數、儲能監控等實時監測數據,需眾多傳感器實時采集設備各項信息[2],為了更好地完成后期數據處理以及智慧能源系統動態控制,需要實時感知與高效的數據融合方法配合。能源互聯網相關用戶數量巨大,數據采集來源眾多,電力網絡覆蓋范圍固定,電力系統成本造價高,傳統的數據處理方法無法處理能源互聯網海量數據[3],存在較強冗余干擾。隨著傳感器技術快速發展,眾多高科技技術已廣泛應用于電力系統中,能源系統內智能電網發展極為迅速,能源互聯網數據處理問題,受到眾多研究人員重視[4-5],為保證智能電網穩定運行,能源互聯網數據融合的高效性、安全經濟性以及運行可靠性極為重要。一些學者也提出了較好的方法。

于華楠等[6]研究基于壓縮感知的綜合能源數據處理,利用壓縮感知方法處理綜合能源數據,實現了對綜合能源數據的有效處理,但該方法對于多任務環境下的信息兼容性融合并未做深入研究;楊啟京等[7]研究大電網未來態一體化模型構建和融合技術,針對大電網未來態勢對數據實施融合,實現網省一體化的未來模型融合的高效管理,但是其信息融合粒度單位相對較大,對于多任務環境下的信息融合需求尚未能完全滿足要求。支持向量機方法是目前廣泛應用于電力、航空等眾多領域中的高效方法,針對目前能源互聯網發展現狀與趨勢[8],研究基于多任務支持向量機的能源互聯網數據深度融合方法,利用多任務支持向量機方法深度融合能源互聯網海量數據,提升能源互聯網海量數據融合的穩健性,具有較高的抗干擾性能,為能源互聯網領域各類應用提供數據與理論支持。

1 多任務支持向量機的能源互聯網數據深度融合

1.1 多任務支持向量機算法設計

支持向量機算法建立目標函數時需滿足訓練樣本錯分最小化要求,其公式如下:

式中:xi表示給定樣本集;yi表示類別標簽;N表示樣本數量;w與b均表示決策函數;δ(xi)表示核函數。采用支持向量機分類時,不同種類樣本容量差異較大,利用支持向量機分類面偏移數量較少樣本實現整體樣本低錯分率。選取不同樣本平均錯分率最低為原則[9],為避免分類面偏移,所獲取分類面不同類間距最大化時需實現數量較多的類至分類面距離應大于數量較少的類至分類面距離,可得目標函數如下:

式中:N+表示數量較少類樣本數量;N-表示數量較多類樣本數量;u+與u-均為調節不同樣本錯分比例常數;λ2為令數量較多的類至分類面距離大于數量較少的類至分類面距離的常數。

眾多數據具有共性數據域但分布存在差異是多任務學習特性[10],將支持向量機內各數據分組視為子任務,建立多任務支持向量機學習模型。多任務學習時眾多子任務決策模型應存在較大相似性,多任務支持向量機運算過程中需保證全部學習機間全局差異最小化并實現子學習機的局部最優化。用p0與pr分別表示公共決策函數以及修正函數,此時各子任務決策函數fr公式如下:

fr=pr+p0

(3)

進一步獲取決策函數公式如下:

fr(x)=w×δ(x)+b+wr×δr(x)+sr

(4)

式中:sr表示決策系數。其中p0=w×δ(x)+b表示全部樣本的決策函數;pr=wr×δr(x)+sr表示相應各子任務的修正函數。可得多任務支持向量機最終目標函數如下:

(5)

為提升多任務支持向量機應用于能源互聯網數據深度融合時的融合性能,給出如下說明:

(2) 修正函數與公共決策函數的核函數可完全相同或存在差異。

(3) 依據支持向量機劃分屬性特征形式生成子任務,多任務支持向量機算法包含支持向量機可通過樣本結構信息獲取最終結果特性[11],還可利用挖掘樣本異常信息提升深度融合的泛化能力。

(4) 支持向量機算法的目標函數利用修正函數表示松弛變量,松弛變量需大于0,修正函數需同時大于0,而多任務支持向量機算法中修正函數可體現不同任務間差異,無須令修正函數大于0。

1.2 能源互聯網數據深度融合的應用

能源互聯網數據的深度融合指一個或多個信息源數據通過關聯、綜合等處理方式令所獲取最終數據為精確估計,以上文算法為基礎的數據深度融合過程如下:

設H1、H2、…、Hn表示X的n個分塊數據,將分塊數據利用H*=f(H1,H2,…,Hn)變換處理,此時X為實體且其具體數值未知,能源互聯網數據深度融合是指利用最優的f令從H1、H2、…、Hn內所獲取數據最終決策為最佳。

能源互聯網數據深度融合過程主要包括數據層、特征層以及決策層融合,各層數據融合具體內容如表1所示。

表1 數據融合內容

(1) 數據層融合。數據層融合中數據為能源互聯網內原始數據,包括反映能源生產的數據、反映能源配送轉換的數據、反映能源消費交易和調控的數據、對能源互聯網有影響的社會經濟環境數據以及表征能源互聯網的參與者———人的特征的數據。能源互聯網內原始數據具有內容豐富,數據精準的特點,但原始數據運算量較大,通過數據預處理可提升數據深度融合的精度。

(2) 特征層融合。提取數據層融合所輸出數據的特征向量,令所提取特征向量可保留重要數據,經過特征層融合所處理數據可能造成數據損失,降低原始數據精確性。

(3) 決策層融合。決策層融合是將不同信息源通過決策獲取最終融合信息,選取多任務支持向量機方法應用于能源互聯網數據決策層融合中,決策層融合具有所需通信帶寬小且適應性高的特點。

能源互聯網內存在大量電力系統診斷、生產、監測、調度等海量數據,數據具有較高的分散性,且存在眾多冗余數據[12],智能電網部分子系統數據具有隔離性且結構存在較大差異,眾多狀態信息無法有效挖掘進一步利用,數據中具有的潛在信息無法應用于分析以及優化系統中。將數據深度融合方法應用于能源互聯網數據決策以及處理中,可從不同層面處理相關數據,令融合后數據具有較高價值以及較高的信息密度,能源互聯網數據深度融合結構圖如圖1所示。

圖1 數據融合總體結構圖

數據層所采集能源互聯網數據決策屬性以及條件屬性互信息計算后經過特征層融合處理后作為多任務支持向量機的輸入層[13],分塊處理輸入數據源為多個任務,利用多任務支持向量機算法通過設置閾值實現決策階段,完成獨立任務決策計算后重啟任務階段,直至全部輸入全部處理結束,將所輸出全部決策層任務合并,合并后結果即為最終融合結果。

多任務支持向量機算法的能源互聯網數據深度融合具體過程如下:

(1) 數據離散化。數據層融合選取無監督離散化方法處理所采集能源互聯網的無標簽數據,無監督離散化方法利用聚類方法保持輸入數據相關性不變情況下劃分數值值域為眾多離散區間。

利用K-means聚類算法依據鄰近性特點以及特征值分布特性劃分不同數據的簇[14],依據自頂向下分裂原則分裂不同數據的簇,通過自底向上原則合并所分裂各簇,直至劃分至目標數量。

能源互聯網內枚舉量、開關量等離散變量融合前無需離散化處理,其他數據均需要實時離散化處理[15]。通過離散化處理降低內存空間,減少輸入輸出操作,提升數據深度融合效率。

(2) 矩陣化處理輸入數據。用向量H=(d1,d2,…,dm,t)表示采集時間為t時的輸入數據,其中m與di分別表示維數以及第i維數據取值。設時間為t時能源互聯網監測數據矩陣如下:

固定時間段k個設備監測數據M如下:

(3) 特征層融合利用互信息變量選擇算法提取數據分類特征,明確多任務支持向量機算法輸入量。

(4) 將已確定的輸入量輸入決策層融合的多任務支持向量機內,利用支持向量機實施數據的決策級融合,并將最終融合結果輸出。

2 實例分析

為檢測本文研究基于多任務支持向量機的能源互聯網數據深度融合方法深度融合能源互聯網數據準確性和精度,采用10個溫度傳感器在線監測能源互聯網內某電力系統變電站設備溫度,10個溫度傳感器每隔20 s采集一次能源互聯網數據,每分鐘獲取3次設備溫度數據采集結果。

能源互聯網內電力設備各部件溫度在線監測對電力系統穩定運行具有重要意義,溫度傳感器可采集變壓器油溫、發電機定子溫度、開關柜內部溫度等眾多溫度信息,智能電網內輸配電設備長期于高電壓大電流狀態運行時,容易造成母線壓接處老化、設備表面氧化腐蝕等眾多問題,可靠的數據處理手段可有效避免事故發生。

統計所采集能源互聯網智能電網運行120分鐘數據,數據樣本總數量為50 642個,其中,前60分鐘的25 321個數據樣本作為訓練樣本,實驗用不同傳感器不同時間窗口顯示數據如表2所示。

表2 傳感器采集信息 單位:℃

續表2

統計多任務支持向量機算法中參數u為不同大小時本文方法訓練精度,統計結果如圖2所示。

圖2 不同參數u時訓練精度對比

圖2測試結果可以看出,u為7.5時,本文方法訓練精度可高達99.7%;u為1.5時,本文方法訓練精度低至48.6%;u為15時,本文方法訓練精度低至59.4%。依據以上統計結果可知,u設置為7.5時,本文方法訓練精度最高,因此采用本文方法融合能源互聯網數據時,選取u為7.5。

為直觀展示本文方法融合性能,選取壓縮感知方法(參考文獻[6])以及未來態一體化方法(參考文獻[7])作為對比方法,采用不同方法融合10個傳感器融合結果如表3所示。

表3 不同方法融合結果(%)

續表3

由表3可以看出,采用本文方法融合能源互聯網數據的融合效果明顯優于壓縮感知方法以及未來態一體化方法,本文方法融合能源互聯網數據的平均絕對誤差僅為0.51%;壓縮感知方法以及未來態一體化方法融合能源互聯網數據平均絕對誤差均高于2.5%,對比結果有效驗證本文方法具有較高的深度融合效果,本文方法采用多任務支持向量機方法可高效融合所采集能源互聯網數據,通過子學習機的局部最優化,實現數據深度融合,不受誤差較大的干擾數據影響,所融合結果誤差較低。

為進一步驗證本文方法深度融合性能,選取融合準確率、融合靈敏性、融合特效性作為本文方法融合性能的評估指標,融合準確率可體現能源互聯網數據融合總體正確率,融合靈敏性可有效體現正確融合真正樣本的百分比,融合特效型可體現正確融合真負樣本的百分比。

式中:TP與TN分別表示真正、真負樣本數量;FP與FN分別表示假正和假負的樣本數量。

采用三種方法融合能源互聯網數據融合準確率對比結果如圖3所示。

圖3 融合準確率對比結果

采用三種方法融合能源互聯網數據的融合靈敏性對比結果如圖4所示。

圖4 融合靈敏性對比結果

采用三種方法融合能源互聯網數據的融合特效性對比結果如圖5所示。

圖5 融合特效性對比結果

通過圖3-圖5實驗結果可以看出,采用本文方法融合能源互聯網數據的融合準確率、融合靈敏性以及融合特效性均高于壓縮感知方法以及未來態一體化方法,采用本文方法融合能源互聯網數據的融合準確率均高于99%,而采用壓縮感知方法以及未來態一體化方法融合能源互聯網數據的融合準確率均低于99%;采用本文方法融合能源互聯網數據的融合靈敏性以及融合特效性均高于98%,而采用壓縮感知方法以及未來態一體化方法融合能源互聯網數據的融合靈敏性以及融合特效性均低于98%。對比結果說明采用本文方法融合能源互聯網數據具有較高的融合準確率、融合靈敏性以及融合特效性,有效驗證本文方法的深度融合有效性。這主要是因為所提方法利用互信息變量選擇算法,提取數據分類特征,將所提取特征作為決策層融合多任務支持向量機輸入,實現了以特征為依據的信息融合,提高了融合效果。

為進一步驗證本文方法的抗干擾性能,在傳感器所采集數據中加入10 dB白噪聲,統計采用三種方法深度融合加入10 dB白噪聲能源互聯網數據的最小均方誤差,對比結果如圖6所示。

圖6 加入噪聲后融合結果

圖6實驗結果可以看出,采用不同方法深度融合加入10 dB白噪聲的能源互聯網數據時,本文方法融合能源互聯網數據最小均方誤差均低于1%;采用壓縮感知方法以及采用未來態一體化方法融合能源互聯網數據的最小均方誤差均高于1.5%。實驗結果說明本文方法在加入噪聲干擾時仍可以保持較高的融合性能,可有效避免白噪聲干擾,具有較高的融合穩定性。這主要是因為所提方法建立了多任務支持向量機學習模型,在深度學習的基礎上進行信息絨復合,在很大程度上避免了噪聲干擾引起的融合不穩定的情況。

3 結 語

利用多任務支持向量機算法實現能源互聯網電力大數據融合,提升智能電網管理的智能性以及科學性。通過實驗驗證所研究方法具有較高的融合性能以及抗干擾性能,所研究方法可有效避免能源互聯網內故障干擾數據以及噪聲干擾,待融合數據波動性較大時仍可實現能源互聯網數據高效融合,復雜情況下仍具有良好的能源互聯網數據深度融合效果,可應用于能源互聯網電力大數據高效融合中。