基于聯合卡爾曼濾波的數字化文件融合方法研究

摘 要：針對電力相關數字文件數據融合方法的數據糾偏機制與數據的實時狀況不相符，導致數據融合效率低、數據融合效果不佳的問題，提出了基于聯合卡爾曼濾波方法的電力數字文件數據融合方法。所述方法從數字文件中獲取數據源，按照數據的實時情況構建對應的數據糾偏機制，并對數據降噪處理實現數據的預處理，然后，對預處理后的數據進行特征提取并進行歸一化處理，利用聯合卡爾曼濾波算法對電力數字文件中的數據進行快速融合。仿真實驗表明，相比于改進的BP神經網絡的數字文件數據融合方法和基于離散小波分解與重構的數字文件數據融合方法，所述方法的平均融合效率達到402.3條/min，具有更好的計算和融合效率。

關鍵詞：聯合卡爾曼濾波；數字文件；數據融合；方法設計

中圖分類號：G642 文獻標識碼：A

Research on Data Fusion Method of Digital Files

Based on Joint Kalman Filter Method

XIAO Jianyi，CAI Haibin，LI Hongliang

（CSG Digital Enterprise Technology （Guangdong） Co.，Ltd.， Guangzhou， Guangdong 510000，China）

Abstract：Aiming at the problem of low data fusion efficiency and poor data fusion performance due to the inconsistency between the constructed data correction mechanism and the real time status of the data， this paper proposed a data fusion method for digital files of power system based on joint Kalman filter method. First， the data from the digital file and the real time data are used to build data correction mechanism. Then a noise reduction calculation is used to pre process the data. Based on normalization of the extracted data， the joint Kalman filter method is used to calculate the correlation， and realize the quick fusion of data. Simulation results show that compared to the improved BP neural network data fusion method and the discretized wavelet decomposition and reconstruction data fusion method， average fusion efficiency of the proposed method reaches 402.3 items/min， which shows that the proposed method has a higher data fusion speed and a better data fusion efficiency.

Key words：joint Kalman filter; digital files; data fusion; method design

隨著電力系統信息化的不斷發展，電力系統運行過程中產生的數字文件種類越來越多，數據量也越來越大。由于數字文件中的數據來源復雜、種類繁多，導致在進行數字文件信息處理時，難以從海量多類別信息里快速提取有用信息，所以有必要對電力系統的多源、多類別數據進行數據融合。但是由于數據種類的不同，導致在對該類電力數據進行處理時難以進行快速且有效的融合，數據融合效果較差。因此，研究對電力系統多源、多種類數據的快速融合對于提高電力信息的利用效率，輔助相關電力系統的運營做出高效的決策具有重要意義。

現有針對該類多源數據進行融合的問題已有較多研究，由于聯合卡爾曼濾波算法能夠對多傳感器的輸出結果進行融合[1-4]，因此，在電力行業相關的多個領域中應用廣泛[5-6]，且有著較好的應用效果。如文獻[7]提出利用擴展的卡爾曼濾波算法，對電池能量和功率狀態進行數據采集和數據填充，計算采集的數據之間的關聯性，以此為基礎，實現數據的聯合估計，實驗結果表明取得了較好估計效果；文獻[8]通過對磷酸鐵鋰電池的荷電狀態進行實時監測和數據采集，將采集到的電池荷電狀態數據進行聚類處理，提出利用擴展卡爾曼濾波算法，將聚類后的數據進行二次處理，完成對電池荷電狀態的估算，實驗結果表明，該方法估算結果較為精確；文獻[9]利用配電網多源異構數據的特性，對數據進行標準化處理，提出采用聯合卡爾曼濾波算法，根據數據的標準化處理結果，計算多源異構數據之間的關聯性，實現多源異構數據的有效融合。實驗結果表明，該方法融合效果較好；文獻[10]針對電動汽車電池荷電狀態的估計問題，提出一種聯合擴展卡爾曼濾波的滑模觀測器算法，通過在擴展卡爾曼濾波算法中加入防抖函數，在濾除噪聲的同時實現在復雜車載環境下對電池SOC的高效精度；文獻[11]針對電力線通信（PLC）中諧波引起的窄帶干擾問題，提出了一種合并未知參數的聯合卡爾曼濾波方法，用于提高增益性能、降低計算量；文獻[12]針對電動汽車的鋰電池荷電狀態（SOC）與健康狀態（SOH）問題，提出了雙自適應無跡卡爾曼濾波算法（DAUKF），用于SOC與SOH的聯合估算，實驗結果表明，所述方法具有較高的估算精度。

基于現有卡爾曼濾波算法的應用，為了提高電力系統相關數字文件數據融合的效率，本文提出了基于聯合卡爾曼濾波方法的電力數字文件數據融合方法，通過對電力數字文件數據進行預處理，利用聯合卡爾曼濾波算法對預處理后的數據特征進行提取，從而實現電力數字文件數據的高效融合，為電力企業基于數據支持的決策和發展提供了可靠支撐。

1 電力企業數字文件數據融合方法

1.1 數字文件數據預處理

在現有電力企業數據庫中，由于電力系統運行過程中存在多種不同類型的信息測量設備，因此所產生的數字文件中含有大量不同來源、不同類型的數據，此外，所收集到的電力系統數據中還存在噪聲，在進行數據融合時，這些噪聲數據的存在會降低數據融合方法的性能，影響數據融合的效果[13-15]。因此，在進行數據融合前，需要對數據進行預處理。本文針對數字文件的數據預處理過程主要包含三個部分，分別為數據臨時存儲、糾偏機制構建和數據處理。文中所述數字文件的數據預處理流程如圖1所示。

圖1 數字文件預處理流程

如圖1所示，進行預處理時，首先從數字文件中提取數據源，然后，再根據實時數據將提取到的數據源存儲至臨時數據存儲模塊，并根據處理的數據類型，建立相對應的數據計量線程。之后，對臨時數據存儲模塊中所存儲的提取數據進行遍歷，根據遍歷的結果，構建相對應的數據糾偏機制。數據糾偏機制的具體構建規則如表1所示，其中N表述字段長度。

根據表1所構建的糾偏規則，對所提取數據的遍歷結果進行判斷：如果所遍歷的數據中不存在異常情況，則直接將遍歷數據輸出；如果遍歷的數據中存在異常情況，則需要對其數據進行處理，并生成相應的數據糾偏記錄。之后，在對數據進行糾偏處理后，采用降噪方法對糾偏后所得到的數據進行進一步處理。具體的降噪處理計算過程如下所示：

pmui=α1yi+（1－α1）（pmui－1+trendi－1）

trendi=α2（pmui－pmui－1）+（1－α2）ti－1

yi+h=pmui+h×trendi（1）

式中，pmui表示時刻i的真實數據數值，yi表示降噪后的數據取值，trendi-1表示對數據進行二次降噪后所得到的數值，α1和α2表示對數據進行降噪處理的參數，h表示進行降噪處理的數據長度，yi+h表示經過降噪處理后的數據，ti-1表示進行降噪處理的數據。通過上述降噪處理計算，獲得降噪處理后的數據，為后續的數據融合提供了較為精準的數據。

1.2 數字文件特征提取及數據歸一化

在完成數據的預處理后，為了更好地確定數字文件中數據的聚類效果和分布范圍，提高數據的分析和處理效率，需要對數據的特征進行提取，特征提取的具體過程如下所示：

f=∏Ingt;1Q（fn|gn）A（g）=1X×exp （－B×O（g））（2）

式中，f表示在數字文件中提取到特征數據的概率，n表示數字文件中數據的數量，I表示數字文件中數據的擾動系數，A（g）表示針對數字文件中數據的特征提取結果，X表示需要進行特征提取的數據，B表示數據特征的驗證次數，Q表示特征數據集合，O（g）表示特征數據的信息量，g表示數字文件中的數據。利用式（2）即可對數字文件中的數據進行特征提取。為了便于后續進行數據融合，文中進一步將特征數據進行歸一化處理，以保證數據維度的統一[9]。數據進行歸一化的具體計算過程如下所示：

X′=X－Xmin Xmax －Xmin （3）

式中，X′表示對特征數據進行歸一化處理的結果， Xmin表示特征數據的最小值，Xmax表示特征數據的最大值。通過式（3）對特征數據進行處理，即可保證數據的有效值在某一個固定的區間之內。在對特征數據進行歸一化處理前，需要確保數據沒有異常情況，以免數據的歸一化處理無法達到預期的效果，對后續的數據融合造成影響[16-18]。

1.3 基于聯合卡爾曼濾波的融合方法

對數字文件中的數據進行預處理和特征提取后，即可對數據進行融合處理。文中采用基于聯合卡爾曼濾波的融合方法對數據進行融合處理，主要處理過程如下：首先，為了將數字文件中相同的數據融合到同一個數據類型中，需要對數字文件中的數據進行關聯度的計算[11]，具體計算過程如下所示：

Ai=zi∑ni=1zim（μi）=∑Am1（Ai）·m2（Bj）1－K（4）

式中，Ai表示輸出結果，zi表示在i時刻測量數據，m（μi）表示數據的相關度，∑A m1（Ai）m2（Bj）表示兩個數據之間的沖突，K表示數據出現沖突的時間段。由上述公式可知，數據的沖突性越強，說明兩個數據的相關性越差，反之，相關性則越強。由此可知，m（μi）的數值越大，說明當前兩個數據的相關性越小，反之則越強[12]。在上述計算的基礎上，利用聯合卡爾曼濾波算法，實現數字化文件的數據融合[13]。其中，聯合卡爾曼濾波的計算過程如圖2所示。

圖2 聯合卡爾曼濾波計算過程

如圖2所示，利用聯合卡爾曼濾波方法對數據進行處理時，將數據的處理過程劃分為兩部分，分別是主濾波數據處理和局部濾波數據處理，在進行數據處理時，這兩個數據處理過程是互相獨立的。因此，在進行數據融合時，采用聯合卡爾曼濾波算法，能夠對數據進行二次融合，基于聯合卡爾曼濾波方法進行數據融合的具體過程如下：

Xk+1=Aixk+Bωk

Z′k=AiPk+Qq=Ω'kAi（Ω′k）－1Q－1（5）

式中，Xk+1表示k時刻數據的狀態估計值，xk表示k時刻目標數據的狀態向量，B表示目標數據的狀態轉移矩陣，ωk表示數據噪聲，Zk表示數據的實際狀態值，Pk表示數據的觀測噪聲，q表示數據的融合結果

表示數據狀態信息。利用式（5），將數字文件中的數據以狀態矩陣的形式描述，進而進行數據的融合，隨后，重復上述過程，直到所有數據完成融合[15]。

2 仿真實驗

2.1 參數設置

為驗證本文所述基于聯合卡爾曼濾波方法的電力企業數字文件數據融合方法的效果，文中進行了仿真實驗。仿真實驗所采用的實驗平臺參數和數據相關參數的設置如表2所示。

基于表2的仿真實驗環境對所述方法進行測試時，以某電力企業的數據庫為實驗過程的數據來源，實驗數據具體情況如表3所示，本次實驗所用的3個數據集均包含來源多樣的電力系統運行相關數據。

首先對上述實驗數據進行預處理。限于本文篇幅，僅展示對數據集1進行預處理后的結果，如圖3所示。由圖可知，預處理后的數據量綱進行了統一表示，波動幅度更小，便于后續進行數據融合處理。

2.2 結果分析

將上述經過預處理后的數據作為本次實驗數據，進行相關實驗測試。為保證本次實驗的可靠性以及展示所述方法的效果，文中實驗過程中設置了對照實驗，進行數據融合效果的對比。其中，文中所述基于聯合卡爾曼濾波方法的數字文件數據融合方法記為方法1，基于改進的BP神經網絡的數字文件數據融合方法記為方法2，基于離散小波分解與重構的數字文件數據融合方法記為方法3。

為對比三種方法進行數據融合的效果，本次實驗以數據的融合效率，即進行數據融合所花費的時間為評價指標，對比三種方法在電力數字化文件數據中的融合效果。在實驗中，利用三種方法分別對表3中的三個實驗數據集進行數據融合，對比三個數據集的融合效率。其中，數據集1的融合效率如圖4所示，數據集2的融合效率如圖5所示，數據集3的融合效率如圖6所示。

由圖4、圖5和圖6可知，當測試所用數據的數據規模較小時，三種方法的融合效率接近，而隨著測試所用數據數量的增多和數據集規模的增大，三種方法融合效率的差距逐漸增加，其中，方法1隨著數據規模的加大，計算時間變化幅度較小，表明方法1的融合效率逐漸提高，在數據集1中，當數據規模從100條增加到700條時，平均融合效率達到約402.3條/min，方法2和方法3隨著數據規模的加大，計算時間增加幅度較大，融合效率逐漸降低，其中，當數據規模從100條增加到700條時，方法2的平均融合效率約為100.4條/min，方法3的平均融合效率約為213.2條/min。由上述仿真實驗可知，相比于方法2和方法3，使用方法1進行數據融合的計算效率更高，這表明本文所述基于聯合卡爾曼濾波算法的電力企業數字文件數據融合方法具有較好的融合速度和效率，具有較大的潛在實際應用價值。

3 結 論

針對電力系統相關的數字檔案數據融合問題，提出了基于聯合卡爾曼濾波算法的數據融合方法，所述方法通過對數字文件中的數據進行預處理，并基于聯合卡爾曼濾波以提高了數據融合的效率。仿真實驗表明，當數據規模從100條增加到700條時，所述方法的平均融合效率分別約對比方法的4倍和2倍，因此具有更好的潛在應用價值，為電力企業運營提供更高效的數據支持。

參考文獻

［１］ 姜鑫蕾，楊文武，韋焱文，等. 基于卡爾曼濾波的GNSS系統聯合定位技術研究[J]. 電子測量技術， 2021， 44（3）： 109-113.

［2］ 崔平遠，黃曉瑞.基于聯合卡爾曼濾波的多傳感器信息融合算法及其應用[J].電機與控制學報，2001，5（3）：204-207.

［3］ 陳玉坤，司錫才，李志剛.聯合卡爾曼濾波在多傳感器信息融合技術中的應用[J].彈箭與制導學報， 2005， 25（SD）： 946-948+952.

［4］ 胡敬，田俊曦，鄒世明，等. 基于自適應卡爾曼濾波的聯合RSS/TOA/INS無人機定位算法[J]. 無人系統技術，2022，5（2）：62-70.

［5］ 儲建新，潘炫霖，雷健新，等. 基于聯合集合卡爾曼濾波的鋰電池SOC估計[J]. 浙江電力，2021，40（1）：123-130.

［6］ 李曉宇，朱春波，魏國，等.基于分數階聯合卡爾曼濾波的磷酸鐵鋰電池簡化阻抗譜模型參數在線估計[J].電工技術學報，2016，31（24）：141-149.

［7］ 劉子豪，張雪松，孫立清，等. 基于擴展卡爾曼濾波的儲能電池能量和功率狀態聯合估計方法[J]. 儲能科學與技術，2023，12（3）：913-922.

［8］ 林加順，吳乃豪，楊曉全，等. 一種聯合PID控制與擴展卡爾曼濾波的磷酸鐵鋰電池荷電狀態估算方法[J]. 電網技術，2023，47（4）：1623-1632.

［9］ 夏偉，蔡文婷，劉陽，等.基于聯合卡爾曼濾波的配電網多源異構數據融合[J].電力系統保護與控制，2022，50（10）：180-187.

［10］周娟，王梅鑫，楊曉全，等. 聯合擴展卡爾曼濾波的滑模觀測器SOC估算算法研究[J]. 中國電機工程學報，2021，41（2）：692-703.

［11］范永全，張家樹.基于聯合卡爾曼濾波的電力線通信諧波干擾抑制[J].計算機應用研究，2009，26（10）：3706-3708.

［12］王若琦，王曉佳，楊淇，等.基于雙自適應無跡卡爾曼濾波算法的鋰電SOC/SOH聯合估計[J].機械設計與制造，2023（1）：1-48.

［13］蔣清樂，吳慶先，黃永安，等. 基于多源數據融合的可視化電網發展診斷系統研究[J]. 機械與電子，2023，41（6）：51-54+59.

［14］李巖. 基于多源數據融合感知的電網設備供應鏈管控與預警算法設計[J]. 電子設計工程，2023，31（12）：169-173.

［15］呂鵬飛，薛國強，武欣. 利用多源地球物理圖像融合方法識別物性異常——以航空電磁和航磁數據為例[J]. 地球物理學報，2023，66（6）：2658-2669.

［16］張維星，黨超群，張鎖平，等. 基于多傳感器融合的波浪譜數據獲取與傳輸方法研究[J]. 海洋與湖沼，2023，54（3）：645-652.

［17］封永銘，吳文寶，張書啟，等. 融合振動數據和SCADA數據的風電機組齒輪箱故障預警方法[J]. 工業控制計算機，2023，36（5）：1-3.

［18］祁煒雯，郭勤慧，朱傳古，等. 基于數據融合并行特征提取的調峰電源設備狀態評估方法[J]. 水電能源科學，2023，41（5）：203-206+215.