基于智能感知與特征識別的電力工程數(shù)據(jù)處理技術(shù)研究

徐鑫乾，何宏杰，張 華，張可抒

（1.國網(wǎng)江蘇省電力有限公司，江蘇南京 210024；2.國網(wǎng)江蘇省電力有限公司經(jīng)濟(jì)技術(shù)研究院，江蘇南京 210008；3.常州常供電力設(shè)計(jì)院有限公司，江蘇常州 213001）

隨著電力行業(yè)的高速發(fā)展，發(fā)輸配變等各環(huán)節(jié)的電力工程投資日益增加，電網(wǎng)公司對其工程投資效益的管控也日趨嚴(yán)格[1-2]。而在電力工程項(xiàng)目管理過程中，產(chǎn)生了海量的工程數(shù)據(jù)。如何結(jié)合物聯(lián)網(wǎng)（Internet of Things，IoT）、人工智能（Artificial Intelligence，AI）等技術(shù)深度挖掘此類數(shù)據(jù)的潛在價(jià)值，實(shí)現(xiàn)電力工程項(xiàng)目的精準(zhǔn)投資與智能管控仍是有待研究的問題。目前，人工智能技術(shù)在電力領(lǐng)域的應(yīng)用主要集中于負(fù)荷預(yù)測、電網(wǎng)故障識別及智能運(yùn)維等方面[3-6]。而針對造價(jià)預(yù)測的應(yīng)用卻較少，且預(yù)測準(zhǔn)確度也有待提高[7-8]。

為此，文中利用導(dǎo)線截面、桿塔基數(shù)和地形系數(shù)等數(shù)據(jù)，再結(jié)合機(jī)器學(xué)習(xí)（Machine Learning，ML）算法實(shí)現(xiàn)電力工程項(xiàng)目造價(jià)的精準(zhǔn)預(yù)測，進(jìn)而為智能化管控提供輔助。

1 灰色關(guān)聯(lián)度分析

灰色關(guān)聯(lián)度分析（Grey Relation Analysis，GRA）采用不同的影響因子來表征發(fā)展態(tài)勢的相似程度，再通過判斷因子之間的關(guān)聯(lián)性大小，實(shí)現(xiàn)對數(shù)據(jù)的精準(zhǔn)分析[9-10]。基于上述特點(diǎn)，該文使用GRA 實(shí)現(xiàn)電力工程特征數(shù)據(jù)的提取。

假設(shè)電力工程靜態(tài)造價(jià)數(shù)據(jù)序列為Y={y(k)|k=1,2,…,n}，且其可能存在關(guān)聯(lián)的影響因子共有M個(gè)，而第m個(gè)影響因子數(shù)據(jù)序列為Xm={xm(k)|k=1,2,…,n}，m=1,2,…,M。則GRA 包括的步驟如下：

1）數(shù)據(jù)標(biāo)準(zhǔn)化

為消除不同影響因子取值單位對計(jì)算結(jié)果的影響，以每個(gè)數(shù)據(jù)序列中的第一個(gè)數(shù)據(jù)為基礎(chǔ)，對數(shù)據(jù)序列進(jìn)行標(biāo)準(zhǔn)化處理，即：

2）計(jì)算灰色關(guān)聯(lián)系數(shù)

將電力工程靜態(tài)造價(jià)序列Y與M個(gè)影響因子序列進(jìn)行對比，并計(jì)算其在每個(gè)數(shù)據(jù)點(diǎn)的灰色關(guān)聯(lián)系數(shù)。具體計(jì)算方式如下：

式中，|y(k)-xm(k) |為電力工程靜態(tài)造價(jià)序列Y與第m個(gè)影響因子序列，在第k個(gè)數(shù)據(jù)點(diǎn)的絕對值。ρ為極大值平滑系數(shù)。

3）計(jì)算灰色關(guān)聯(lián)度

將在各個(gè)數(shù)據(jù)點(diǎn)上的灰色關(guān)聯(lián)系數(shù)求算術(shù)平均值，得到電力工程靜態(tài)造價(jià)序列Y與第m個(gè)影響因子序列的關(guān)聯(lián)度，計(jì)算方式為：

4）灰色關(guān)聯(lián)度排序

式中，ro為灰色關(guān)聯(lián)度閾值。

2 數(shù)據(jù)識別與處理方法設(shè)計(jì)

針對海量電力工程數(shù)據(jù)的特征識別與價(jià)值挖掘，提出了基于GRA-PSO-SVM 的電力工程數(shù)據(jù)識別與處理算法，實(shí)現(xiàn)對電力工程靜態(tài)造價(jià)的精準(zhǔn)預(yù)測。算法模型如圖1 所示。

圖1 GRA-PSO-SVM算法模型

首先，利用GRA從電力工程靜態(tài)造價(jià)可能相關(guān)的眾多影響因子中，篩選出主要影響因子，以降低后續(xù)數(shù)據(jù)處理與特征識別的維數(shù)，并提高算法的計(jì)算效率；其次，由于懲罰因子（Penalty Term）與核函數(shù)（Kernel Function）因子對支持向量機(jī)（Support Vector Machine，SVM）算法的性能影響較大，因此采用粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法對這兩個(gè)關(guān)鍵參數(shù)進(jìn)行優(yōu)化；最后，通過SVM 算法實(shí)現(xiàn)電力工程數(shù)據(jù)特征識別，從而獲得電力工程靜態(tài)造價(jià)結(jié)果。

2.1 支持向量機(jī)

SVM 算法是一種基于機(jī)器學(xué)習(xí)的線性二分類器[11]，其通過將低維度非線性數(shù)據(jù)映射到高維度空間，從而實(shí)現(xiàn)非線性優(yōu)化問題的線性轉(zhuǎn)化[12]。該算法求解難度與樣本空間維數(shù)無關(guān)，且適用于高維度數(shù)據(jù)樣本，并具有優(yōu)秀的泛化能力。

SVM 算法的核心思想是決策一個(gè)具有最大邊距的超平面，進(jìn)而將數(shù)據(jù)樣本劃分為正類與負(fù)類。算法原理如圖2 所示。其中實(shí)心數(shù)據(jù)點(diǎn)屬于正類，而空心數(shù)據(jù)點(diǎn)屬于負(fù)類，正處于決策邊界線上的數(shù)據(jù)點(diǎn)則稱為支持向量。

圖2 SVM算法原理

尋找的超平面可表述為：

式中，φ(x)為實(shí)現(xiàn)數(shù)據(jù)空間x到高維空間H的映射函數(shù)。w為超平面的法向量，b為超平面的截距。此外為了避免內(nèi)積計(jì)算（Inner Product），φ(x)通常取為核函數(shù)。

通過引入松弛變量法（Relaxation Variable）來尋找最優(yōu)超平面的決策問題，其可轉(zhuǎn)化為以下優(yōu)化模型：

式中，λ為可調(diào)節(jié)大小的懲罰因子；γi為引入的松弛變量；N為數(shù)據(jù)點(diǎn)的個(gè)數(shù)。

為求解式（6）的優(yōu)化問題，建立Lagrange 函數(shù)，從而將其轉(zhuǎn)換為：

式中，μi和νi為Lagrange 因子。

將式（7）左右兩邊同時(shí)對變量w、b、γi求偏導(dǎo)數(shù)，并分別令其值等于0，可得到以下計(jì)算公式：

結(jié)合式（7）-（8），利用原對偶理論可求解該優(yōu)化問題，得到?jīng)Q策函數(shù)為：

為了方便計(jì)算，φ(xi)通常為核函數(shù)，其計(jì)算方式為：

式中，σ為核函數(shù)因子。

2.2 粒子群算法

SVM 算法中，核函數(shù)因子σ和懲罰因子λ均與算法的收斂速度、求解精度等性能相關(guān)。設(shè)置固定的因子取值，會導(dǎo)致算法出現(xiàn)過學(xué)習(xí)或欠學(xué)習(xí)現(xiàn)象，從而削弱算法的泛化能力。因此，為了提高SVM 算法對電力工程靜態(tài)造價(jià)問題的適應(yīng)能力，采用PSO算法對SVM 算法的核函數(shù)因子σ和懲罰因子λ進(jìn)行合理優(yōu)化，以提高算法的準(zhǔn)確性及穩(wěn)定性[13]。

PSO 算法是一種模擬鳥群飛行機(jī)制的智能仿生算法[14-16]。假設(shè)優(yōu)化問題共有M維變量，粒子種群大小則為N，且每個(gè)粒子均具有當(dāng)前位置x和飛行速度v兩個(gè)特征。

當(dāng)前位置x與飛行速度v的更新方法如下：

式中，x(t+1)和v(t+1)分別為粒子下一時(shí)刻的位置和飛行速度；q(t)為該粒子經(jīng)過的最優(yōu)位置，b(t)為粒子種群經(jīng)過的最優(yōu)位置；α1和α2為加速度參數(shù)；r1和r2為區(qū)間（0，1）范圍內(nèi)的隨機(jī)數(shù)；w為慣性參數(shù)。

q(t)的更新方法如下：

式中，q(t+1)為下一時(shí)刻粒子的最優(yōu)位置；f(·)為適應(yīng)值計(jì)算函數(shù)。

b(t)的更新方法如下：

引入慣性參數(shù)w是為了讓算法能夠避開局部最優(yōu)解，進(jìn)而使得其具有良好的局部與全局尋優(yōu)能力。該參數(shù)更新機(jī)制如下：

其中，wmax與wmin分別為慣性參數(shù)的上下限；g為種群代數(shù)，G為最大種群迭代。

3 算例分析

為了驗(yàn)證文中所提算法的有效性與正確性，從某省電網(wǎng)電力工程管理系統(tǒng)中篩選出了近5 年共220 條歷史數(shù)據(jù)作為數(shù)據(jù)樣本。同時(shí)將訓(xùn)練樣本及測試樣本按10∶1 的比例分配，并進(jìn)行仿真測算。

3.1 主要影響因子分析

每條數(shù)據(jù)均包含圖1 中的X1～X8共8 個(gè)影響因子及電力工程靜態(tài)造價(jià)Y。對220 條歷史數(shù)據(jù)進(jìn)行灰色關(guān)聯(lián)分析，且將關(guān)聯(lián)度閾值設(shè)置為0.7，所得到的結(jié)果如表1 所示。

表1 GRA計(jì)算結(jié)果

由表可知，影響因子與靜態(tài)造價(jià)間的灰色關(guān)聯(lián)度排序?yàn)閄4＞X3＞X6＞X5＞X8＞X7＞X2＞X1。其中，X4、X3、X6、X5和X8的關(guān)聯(lián)度均大于閾值0.7。說明這些影響因子與電力工程靜態(tài)造價(jià)存在較強(qiáng)的關(guān)聯(lián)關(guān)系，因此將其作為主要的影響因子。

3.2 算法性能分析

經(jīng)過PSO 算法優(yōu)化后，SVM 算法中懲罰因子λ與核函數(shù)因子σ的最優(yōu)值分別為36.12 和0.016。

利用20 組測試數(shù)據(jù)對所提GRA-PSO-SVM 算法進(jìn)行測試，并將其與PSO-SVM 算法、SVM 算法進(jìn)行對比，結(jié)果如圖3 所示。

圖3 算法對比結(jié)果

從圖中可看出，所提算法的預(yù)測精度顯著優(yōu)于PSO-SVM 及SVM 算法。通過解析計(jì)算可得，其預(yù)測平均誤差僅為4.77%，而其他兩種算法分別為7.96%和11.33%。

此外，通過對比還可看出，PSO-SVM 相比SVM的預(yù)測準(zhǔn)確度更高。這是由于其利用PSO 算法對SVM 算法的關(guān)鍵參數(shù)λ與σ進(jìn)行了優(yōu)化，由此提高了算法預(yù)測的精確度。

而對比該文所提算法與PSO-SVM 算法可知，該文算法準(zhǔn)確度更高。原因在于GRA 算法篩選出了電力工程靜態(tài)造價(jià)的主要影響因子，降低了次要影響因子對預(yù)測結(jié)果的干擾。

3.3 應(yīng)用效果分析

將該文算法應(yīng)用到10 個(gè)實(shí)際電力工程項(xiàng)目中，項(xiàng)目靜態(tài)造價(jià)預(yù)測值與真實(shí)值的對比如表2 所示。由表可知，所提算法最大預(yù)測誤差僅為7.20%，而平均預(yù)測誤差則為4.62%，具有較好的預(yù)測精度，能夠指導(dǎo)電力工程項(xiàng)目的成本管控。

表2 電力工程靜態(tài)造價(jià)預(yù)測結(jié)果

4 結(jié)束語

該文利用電力工程項(xiàng)目數(shù)據(jù)，結(jié)合人工智能算法實(shí)現(xiàn)電力工程靜態(tài)造價(jià)的預(yù)測。通過仿真分析表明，GRA 算法能夠準(zhǔn)確篩選出電力工程靜態(tài)造價(jià)的主要影響因子。而所提算法相比于PSO-SVM 算法及SVM 算法在電力工程靜態(tài)造價(jià)預(yù)測上具有更高的準(zhǔn)確度。且在10 個(gè)實(shí)際的電力工程項(xiàng)目應(yīng)用中，所提算法的平均預(yù)測誤差僅為4.62%，具有較為理想的預(yù)測效果。但該算法僅能獲得電力工程靜態(tài)造價(jià)的預(yù)測結(jié)果，至于如何利用數(shù)據(jù)識別與處理技術(shù)來實(shí)現(xiàn)電力工程動態(tài)造價(jià)預(yù)測，將在未來的研究中開展。