基于深度神經網絡的數字電網邊緣側數據遷移

祝健楊，辛明勇，代奇跡

（貴州電網有限責任公司電力科學研究院，貴州貴陽 550002）

深度神經網絡[1]是機器學習領域中的關鍵技術，可以用較少的參數來表示復雜函數，由于訓練樣本能夠充分覆蓋未來樣本集合，所以訓練過程中不會陷入局部最優。與其他類型的網絡模型相比，深度神經網絡既可以實現對數據樣本的分類存儲，也可以在轉化數據樣本的同時，提高網絡的存儲能力，一方面解決了數據樣本過量累積的問題[2]，另一方面也可以大幅提升信息參量的傳輸速率，避免數據庫主機出現過負載運行的情況[3]。

數字電網是一種數字化電網應用平臺，可以對傳統電網進行數字化處理，從而拉近了局域電網模型與廣域電網模型之間的數字孿生關系。在實際應用過程中，隨著數據傳輸量的增大，數字電網邊緣側會出現明顯的數據樣本過量累積現象，這不但會增大電網主機的運行壓力，還會造成電網邊緣側數據遷移時間的大幅延長。為了避免上述情況的發生，基于容器技術的處理機制按照優先級原則，對數字電網邊緣側數據進行篩選，又借助云邊協同平臺，完成對信息參量的調度與遷移處理[4]。然而此方法的應用存在一定的局限性，并不能將電網邊緣側數據遷移時長控制在既定數值標準之內。為解決上述問題，引入深度神經網絡模型，設計一種新型數字電網邊緣側數據遷移方法。

1 電網邊緣側數據整合

1.1 深度神經網絡

深度神經網絡負責將待遷移電網邊緣側數據從混合信息樣本中提取出來，為后續的數據遷移奠定基礎，該網絡由輸入層節點、隱含層節點、輸出層節點三部分組成。其中，輸入層節點直接與電網邊緣側混合信息樣本接觸，與其他類型的應用節點相比，輸入層節點只負責數據參量的錄入，不具備辨別信息成分的能力；隱含層節點與輸入層節點對接，負責辨別已輸入混合樣本的成分，由于每一類數據樣本都包含大量的待識別信息，所以隱含層節點數量相對較多；輸出層節點與隱含層節點對接，能夠根據數據樣本成分辨別結果，更改待遷移信息參量的編碼形式，從而使得邊緣側數據輸出結果能夠滿足數字電網主機的實際應用需求[5-6]。深度神經網絡布局形式如圖1 所示。

圖1 深度神經網絡布局形式

為避免數據回流行為的出現，深度神經網絡的構建必須滿足單一性傳輸原則。

1.2 樣本容錯系數

樣本容錯系數可以用來衡量數字電網主機對邊緣側數據樣本的承載能力，由于深度神經網絡始終保持完全開放的狀態，所以樣本容錯系數越大，表示數字電網主機對邊緣側數據樣本的承載能力越強[7-8]。假設c˙表示電網邊緣側數據樣本的存儲特征，其求解表達式為：

式中，x表示常規存儲系數，α表示方向性特征。假設δ表示數據容錯指征的最小取值，χ表示容錯指征的最大取值，cδ表示電網邊緣側數據特征最小值，cχ表示基于電網邊緣側數據特征最大值，Δc表示待遷移電網邊緣側數據的單位累積量，聯立上述物理量，可將樣本容錯系數求解結果表示為：

由于深度神經網絡對于電網邊緣側數據樣本的承載能力有限，所以容錯系數指標取值不可能無限增大。

1.3 資源分配權限

資源分配權限約束了數字電網環境中邊緣側數據樣本與待遷移數據參量之間的數值映射關系，隨著數字電網主機對于數據樣本承載能力的不斷增強，資源分配權限表達式的取值也在不斷增大[9-10]。在樣本容錯系數保持為定值的情況下，資源分配權限表達式的構建受到邊緣側數據遷移特征的直接影響。假設邊緣側數據遷移特征最大值vmax、最小值vmin會對資源分配權限的取值標準產生一定影響，在深度神經網絡模型的作用下，二者之間的差值越大，邊緣側數據樣本的單位遷移量也就越大。假設vˉ表示邊緣側數據遷移特征的平均值，β表示數字電網環境中的數據樣本匹配系數，聯立式（2），可將資源分配權限表達式定義為：

實施數字電網邊緣側數據遷移時，深度神經網絡對于數據樣本的承載能力不可能為零，所以系數vmax、系數vmin、系數vˉ的取值都不可能等于零。

2 數字電網邊緣側數據遷移算法

2.1 FIFO調度器

FIFO 調度器是一個完整的數據調度閉環結構，能夠將數字電網環境中的傳輸數據轉化成邊緣側數據樣本[11-12]，并可以借助深度神經網絡模型，將這些數據參量轉存至遷移信息寄存結構之中。FIFO 主機作為調度器閉環的核心應用設備，可以控制數據追蹤器與電網調度設備之間的實時連接關系，在深度神經網絡模型的作用下，邊緣側數據輸入量越大，FIFO 主機對于數據追蹤器元件的控制能力也就越強地影響原則。完整的FIFO 調度器閉環結構如圖2所示。

圖2 FIFO調度器閉環結構

數據追蹤器元件同時控制深度神經網絡與數字電網體系的布局形式，可以更改邊緣側信息樣本的存儲狀態，從而使其能夠更好適應遷移信息寄存結構對于數據參量的存儲需求。

2.2 數據流獲取

數據流獲取是實現數字電網邊緣側數據遷移的關鍵處理環節，能夠更改電網信息樣本在深度神經網絡模型中的存儲形式，最大程度降低電網邊緣側數據的遷移時長。假設ε、γ表示兩個隨機選取的電網邊緣側數據樣本標記系數，其取值條件滿足公式（4）：

在式（4）的基礎上，設mε表示與系數ε匹配的電網邊緣側數據查詢特征[11-12]，mγ表示與系數γ匹配的電網邊緣側數據查詢特征，φ表示數據遷移標準值，φ表示數據樣本度量值[13-14]。在上述物理量的支持下，聯立式（3）、式（4），可將數據流獲取表達式定義為：

為了有效控制電網邊緣側數據遷移時長，mε、系數mγ的取值必須同時屬于數值區間[1,e)。

2.3 HBase遷移參量

HBase 遷移參量也稱HBase 促傳參量，在數字電網環境中，該指標決定了邊緣側數據樣本的傳輸能力，對于數字化電網主機而言，在處理數據流信息參量時，HBase 遷移參量值的求解受到深度神經網絡模型的直接影響[15-16]。假設fa表示第a次查詢到的數字電網邊緣側數據樣本中的信息參量，且f≠0 的不等式條件恒成立，F(fa)表示數據樣本取值函數，λ表示電網邊緣側數據樣本遷移指征，a表示電網邊緣側數據樣本的查詢次數，ΔS表示深度神經網絡中數字電網邊緣側數據樣本的單位遷移量，η表示邊緣側數據在數字電網環境中的傳輸利用率，聯立上述物理量，可將HBase 遷移參量求解結果表示為：

至此，完成對各項指標參量的計算與處理，在深度神經網絡模型的支持下，實現數字電網邊緣側數據遷移方法的設計。

3 實驗設計

3.1 實驗環境搭建

該次實驗的檢測環境為圖3 所示數字電網環境，調節集線器元件已接入部分的阻值水平，使數字電網環境環境中的負載電壓保持相對穩定的數值狀態。

圖3 數字電網實驗環境

數字電網的具體運行環境如表1 所示。

表1 數字電網運行環境

實驗過程中，利用基于深度神經網絡的數字電網邊緣側數據遷移方法控制Hive 0.8.1 數字主機，將所得數據作為實驗組變量；然后利用基于容器技術的處理機制控制Hive 0.8.1 數字主機，將所得數據作為對照組變量；最后對比實驗組、對照組實驗數據，總結實驗結果，得出實驗規律。

3.2 結果分析

遷移時長影響邊緣側數據樣本在數字電網環境中的傳輸速率，在不考慮其他干擾條件的情況下，遷移時間越長，邊緣側數據樣本在數字電網環境中的傳輸速率就越慢，此情況下數據樣本極易在數字電網環境中出現過量累積的現象；反之，若遷移時間相對較短，則表示邊緣側數據樣本在數字電網環境中的傳輸速率較快，數據樣本也就不會出現明顯累積的表現情況[17]。

圖4 反映了隨著電網信息樣本總量增大，邊緣側數據遷移時間的數值變化情況。

圖4 邊緣側數據遷移時間

在順序傳輸情況下，實驗組電網邊緣側數據遷移時間呈現出持續增大的趨勢，平均遷移時長為23.1 s；對照組電網邊緣側數據遷移時間也呈現出持續增大的趨勢，平均遷移時長為30.6 s，與實驗組平均數值相比，增大了7.5 s。

在逆序傳輸情況下，實驗組電網邊緣側數據遷移時間呈現出先不斷增大、再來回波動的趨勢，平均遷移時長為44.5 s；對照組電網邊緣側數據遷移時間依然保持不斷增大的趨勢，平均遷移時長為68.9 s，與實驗組平均數值相比，增大了24.4 s。

綜上可知該次實驗結論為：

1）在數字電網環境中，邊緣側數據逆序傳輸比順序傳輸所需的平均遷移時間更長；

2）基于容器技術的處理機制在控制邊緣側數據遷移時間方面的能力相對較差，故而該方法不符合提升電網邊緣側數據傳輸速率的應用需求；

3）基于深度神經網絡的數字電網邊緣側數據遷移方法能夠有效控制邊緣側數據的遷移時長，達到了提升數據遷移效率的目標，有效解決了數據樣本過量累積問題，實際應用效果較好。

4 結束語

數字電網邊緣側數據遷移方法按照深度神經網絡模型的構建標準，求解樣本容錯系數的實際取值條件，又通過判斷資源分配權限的方式，完成對數據流參量的處理，在FIFO 調度器閉環結構的支持下，控制HBase 遷移參量數值水平，保證了數字電網邊緣側數據遷移質量與效率。該方法不但解決了數字電網環境中出現的數據樣本過量累積問題，還可以有效壓縮電網邊緣側數據的遷移時長，符合實際應用需求。