引言

隨著電網(wǎng)規(guī)模日益擴(kuò)大,加上白皮書的發(fā)布,調(diào)控一體化得到全面推廣,由此我國的電網(wǎng)調(diào)度與監(jiān)控領(lǐng)域翻開了大數(shù)據(jù)時(shí)代的新篇章。在新形勢(shì)下,故障錄波器、智能保護(hù)開關(guān)、PMU等裝置大量裝設(shè)于電網(wǎng)中,由此構(gòu)成了多種不同類型的信息源。

當(dāng)電網(wǎng)發(fā)生故障時(shí),大量一/二次設(shè)備告警、運(yùn)行等信息涌現(xiàn),需要監(jiān)控人員及時(shí)處理、研判、傳遞給電網(wǎng)生產(chǎn)業(yè)務(wù)的各個(gè)環(huán)節(jié)。電網(wǎng)監(jiān)控專業(yè)作為電網(wǎng)運(yùn)行信息的第一感知人,在協(xié)同各專業(yè)參與監(jiān)控電網(wǎng)安全運(yùn)行與生產(chǎn)方面擔(dān)負(fù)著重要的責(zé)任,但監(jiān)控人員單兵協(xié)同任務(wù)日益復(fù)雜繁重,導(dǎo)致電網(wǎng)安全生產(chǎn)面臨嚴(yán)峻挑戰(zhàn)。

為了改變以往電網(wǎng)運(yùn)行及業(yè)務(wù)信息低效率協(xié)同的模式,滿足相關(guān)專業(yè)對(duì)電網(wǎng)運(yùn)行態(tài)勢(shì)的實(shí)時(shí)乃至提前感知與交互需求,需要對(duì)電網(wǎng)運(yùn)行事件的關(guān)聯(lián)信息進(jìn)行信息融合處理,再從應(yīng)用場景、專業(yè)、權(quán)限等角度對(duì)融合后的數(shù)據(jù)進(jìn)行劃分,提供按需、定向信息服務(wù)。因此,本文提出了一種基于FCM一BP算法的多源信息融合方法,用以保證電網(wǎng)運(yùn)行事件的實(shí)時(shí)感知與快速分發(fā),提升多專業(yè)處置電網(wǎng)事件的協(xié)作效率,保障地區(qū)電網(wǎng)的安全穩(wěn)定運(yùn)行。

1信息融合

1.1信息融合發(fā)展現(xiàn)狀

信息融合技術(shù)是信息科學(xué)中的一種新技術(shù)。20世紀(jì)70年代,隨著科學(xué)技術(shù)的持續(xù)進(jìn)步,特別是微電子技術(shù)、信號(hào)檢測(cè)與處理技術(shù)、計(jì)算機(jī)和網(wǎng)絡(luò)通信等技術(shù)的迅速發(fā)展,許多傳感器系統(tǒng)涌現(xiàn)出來。在此背景下,文獻(xiàn)提出了分布式融合方法,文獻(xiàn)采用Bayes方法提高信息融合的計(jì)算效率,文獻(xiàn)最早提出了語義信息融合方法。

信息融合是一種多源信息處理技術(shù),它通過對(duì)來自不同傳感器的數(shù)據(jù)進(jìn)行分析和綜合,獲得被測(cè)對(duì)象及其性質(zhì)的最佳一致估計(jì)。多傳感器數(shù)據(jù)融合是一種多層次、多方面的處理過程,每個(gè)層次代表了信息的不同抽象程度:數(shù)據(jù)融合過程包括對(duì)多源數(shù)據(jù)進(jìn)行檢測(cè)、互聯(lián)、估計(jì)和組合:數(shù)據(jù)融合的輸出包括低層次上的狀態(tài)身份估計(jì)和高層次上的總戰(zhàn)術(shù)態(tài)勢(shì)評(píng)估。

張友等人提出了一種基于多源信息融合和自適應(yīng)深度卷積神經(jīng)網(wǎng)絡(luò)(ADCNN)的離心鼓風(fēng)機(jī)故障診斷方法,通過運(yùn)用ADCNN自適應(yīng)地提取信息的特征,再把各異類信息的特征融合,該方法比傳統(tǒng)的融合模式以及CNN、反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)、支持向量機(jī)(SVM)方法具有更高的診斷精度與魯棒性。文獻(xiàn)提出了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)(DeepCNN,DCNN)的自適應(yīng)多傳感數(shù)據(jù)融合方法,該方法將多種傳感器信號(hào)融合成單路信號(hào),利用深度卷積神經(jīng)網(wǎng)絡(luò)挖掘原始數(shù)據(jù)的特征,并通過實(shí)驗(yàn)驗(yàn)證了所提方法的準(zhǔn)確性。王虹等人提出了多源直覺模糊決策信息系統(tǒng)中信息融合的加權(quán)多粒度方法,來解決現(xiàn)有多源決策信息系統(tǒng)中選擇更多可靠的信息,最后形成單源決策信息系統(tǒng)而產(chǎn)生信息損失的問題。文獻(xiàn)通過變分模態(tài)分解(VMD)和希爾伯特變換(HT)方法將振動(dòng)信號(hào)處理成與紅外圖像同維的時(shí)頻圖像,然后將得到的時(shí)頻圖像與紅外圖像進(jìn)行數(shù)據(jù)級(jí)融合,最后將融合后的信號(hào)傳入到多通道卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練診斷。文獻(xiàn)融合了BP-ANN(BackPropagation-ArtificialNeuralNetwork)神經(jīng)網(wǎng)絡(luò)和CNN(ConvolutionalNeuralNetwork)神經(jīng)網(wǎng)絡(luò),分別提取融合數(shù)值類型、類別類型和圖像類型數(shù)據(jù)的特征向量,再通過多層BP-ANN神經(jīng)網(wǎng)絡(luò)進(jìn)行超短期母線負(fù)荷的預(yù)測(cè)。文獻(xiàn)主要是因?yàn)榇嬖谝恍┎淮_定信息,因此皆使用D-s證據(jù)理論對(duì)多源信息進(jìn)行融合來診斷故障。

除上述研究外,還有諸如小麥品種分類、直覺模糊決策和基于步態(tài)的再識(shí)別等信息融合,在本文中,使用FCM-BP算法研究電網(wǎng)運(yùn)行及業(yè)務(wù)信息融合問題。

1.2神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是模擬生物神經(jīng)網(wǎng)絡(luò)進(jìn)行信息處理的一種數(shù)學(xué)模型,人工神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)操作的基本信息處理單位。處理模型如圖1所示。

人工神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的分布式信息存儲(chǔ)、并行處理和自適應(yīng)學(xué)習(xí)能力。BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)中一種特殊的多層前饋神經(jīng)網(wǎng)絡(luò),它是基于神經(jīng)網(wǎng)絡(luò)理論來設(shè)計(jì)的,主要由信號(hào)的正向傳播與誤差的反向傳播兩個(gè)過程組成,具有較強(qiáng)的非線性映射能力,因而多用于函數(shù)擬合、模式識(shí)別、智能控制和狀態(tài)預(yù)測(cè)等場景,在工業(yè)界具有較廣泛的應(yīng)用。

BP神經(jīng)網(wǎng)絡(luò)包括三個(gè)部分,即輸入層、隱藏層和輸出層。在正向傳播時(shí),數(shù)據(jù)從輸入層傳入,經(jīng)過多層隱藏層處理后傳向輸出層。若輸出結(jié)果與實(shí)際結(jié)果不同,則進(jìn)入反向傳播階段。在反向傳播時(shí),網(wǎng)絡(luò)將輸出結(jié)果以某種形式通過隱藏層向輸入層逐層傳遞,并將誤差分?jǐn)偟礁麟[藏層神經(jīng)元,從而獲得各隱藏層神經(jīng)元的誤差信號(hào),以此來修正各隱藏層神經(jīng)元權(quán)值。

2基于FCM-BP算法的多源信息融合方法

為充分利用BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力,本文的主要思想是在特征級(jí)利用神經(jīng)網(wǎng)絡(luò)信息融合方法來整合從多個(gè)數(shù)據(jù)源獲得的信息。文獻(xiàn)就是將神經(jīng)網(wǎng)絡(luò)用于目標(biāo)識(shí)別系統(tǒng)的多傳感器數(shù)據(jù)的融合?；诖?本文提出基于神經(jīng)網(wǎng)絡(luò)的多源信息融合技術(shù),具體流程如圖2所示。

系統(tǒng)將獲取到的電網(wǎng)中的多源信息進(jìn)行預(yù)處理,使用FCM對(duì)經(jīng)過預(yù)處理的多源信息進(jìn)行分析,將相似性較高的信息歸為一類,再采用加權(quán)平均法對(duì)同一類信息進(jìn)行數(shù)據(jù)級(jí)融合:其次,對(duì)經(jīng)過數(shù)據(jù)級(jí)融合的信息進(jìn)行特征提取,將提取的特征送入BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征級(jí)信息融合:最后,將融合后的信息分發(fā)至各專業(yè)。

2.1信息預(yù)處理

電網(wǎng)中的信息來源廣泛,包括s0E信息、錄波數(shù)據(jù)、保信信息、電力系統(tǒng)廣域測(cè)量信息(WAMS)等,因此在進(jìn)行特征提取之前,需要對(duì)這些信息進(jìn)行簡單的信息預(yù)處理,主要包括異常數(shù)據(jù)的處理和數(shù)據(jù)歸一化處理。

電網(wǎng)中的各類數(shù)據(jù)在采集、傳輸和存儲(chǔ)的過程中,可能會(huì)由于設(shè)備異?；蛘呔W(wǎng)絡(luò)堵塞等原因發(fā)生缺失或者偏差等異常情況,這些都會(huì)影響模型對(duì)數(shù)據(jù)的分析能力,降低模型的準(zhǔn)確率。為了防止異常數(shù)據(jù)對(duì)模型造成不利影響,本文利用插值法、回歸或者貝葉斯方法來推斷可能的取值,解決數(shù)據(jù)缺失的問題。對(duì)于數(shù)據(jù)偏差問題,本文采用分箱法進(jìn)行處理,常見的分箱法包括卡方分箱法、最小嫡法分箱及決策樹分箱法。

不同數(shù)據(jù)具有不同的量綱,會(huì)造成不同數(shù)據(jù)間具有較大的數(shù)值差異,從而干擾模型的訓(xùn)練結(jié)果。為了防止數(shù)值差異對(duì)模型的影響,本文對(duì)不同數(shù)據(jù)進(jìn)行了歸一化處理,將各類數(shù)據(jù)縮放到統(tǒng)一的合理范圍內(nèi),提高了模型數(shù)據(jù)分析的準(zhǔn)確性。

2.2基于FCM算法和加權(quán)平均法的數(shù)據(jù)級(jí)信息融合

數(shù)據(jù)級(jí)融合是直接融合同類信息,可以提供很多細(xì)微信息。但電網(wǎng)信息來源廣泛且具有異構(gòu)性,同時(shí)多源異構(gòu)數(shù)據(jù)具有難以進(jìn)行數(shù)據(jù)級(jí)融合的特性。因此,本文使用模糊C均值聚類(FCM)算法對(duì)預(yù)處理后的電網(wǎng)運(yùn)行及業(yè)務(wù)信息進(jìn)行聚類分析,即將相似度最大的劃分為一簇,而不同簇之間相似度最小。然后對(duì)被劃分為一簇的信息使用加權(quán)平均法進(jìn)行數(shù)據(jù)級(jí)融合。

收集到的多源信息矩陣為:

X的每一行為一個(gè)信息,每一列為一個(gè)信息的n個(gè)值。

FCM就是把n個(gè)信息xi(i=1,2,…,n)分為c類,并求c個(gè)類的聚類中心V=(V1,V2,…,Vc}。其中,Vi=(Vi1,Vi2,…,Vip},i=1,2,…,c。

uik表示第k個(gè)樣品xk屬于第i類的隸屬度,0≤uik≤1,根據(jù)歸一化規(guī)定,數(shù)據(jù)集的隸屬度總和為1。因此,目標(biāo)函數(shù)可定義為:

其中,U=(uik)c×n為隸屬度矩陣,dik=||xk-pi||。FCM得到U、V的值使得J(U,V)取得最小值。

本文中,基于改進(jìn)的FCM算法,數(shù)據(jù)級(jí)融合的處理步驟如下:

(1)確定類個(gè)數(shù)c,冪指數(shù)m>1,初始隸屬度矩陣U(0)=(uik(0)),通常取[0,1]上的均勻分布隨機(jī)數(shù)來確定初始隸屬度矩陣U(0)。xk表示第一步迭代。

(2)計(jì)算第l步的聚類中心V(l):

(3)修正隸屬度矩陣U(l),計(jì)算目標(biāo)函數(shù)值J(l)。

(4)當(dāng)給定的隸屬度終止容限8>0,滿足條件時(shí),停止迭代,否則l=l＋1,繼續(xù)進(jìn)行第二步。

(5)經(jīng)過上述迭代計(jì)算,可以求得最終的隸屬度矩陣U和聚類中心V,使得J(U,V)的值達(dá)到最小。通過最終得到的隸屬度矩陣U確定信息的歸類情況,當(dāng)ujk=

max(uik}時(shí),可將信息xk歸為第j類。

(6)對(duì)經(jīng)過FCM聚類分析之后被劃分為同一類的信息,使用加權(quán)平均法進(jìn)行數(shù)據(jù)級(jí)融合,融合規(guī)則如下:

本文使用FCM將預(yù)處理過的多源信息相似度較高的分為一類,然后采用加權(quán)平均法對(duì)同一類信息進(jìn)行數(shù)據(jù)級(jí)融合。

2.3基于BP神經(jīng)網(wǎng)絡(luò)的特征級(jí)信息融合

對(duì)經(jīng)過數(shù)據(jù)級(jí)融合的各類信息提取數(shù)據(jù)特征,將提取的特征送入BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征級(jí)信息融合。

使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行特征級(jí)信息融合的過程如下:

(1)定義BP神經(jīng)網(wǎng)絡(luò)中的連續(xù)非線性激活函數(shù):

其中,ne4jk由以下方程式計(jì)算:

(2)輸出層中的參數(shù)0kj可以估計(jì)如：

(3)與輸出層不同,隱藏層的參數(shù)計(jì)算如下:

在BP神經(jīng)網(wǎng)絡(luò)中,每一層的輸出被傳輸?shù)较乱粚拥纳窠?jīng)元。也就是說,BP神經(jīng)網(wǎng)絡(luò)能夠保持一個(gè)偏置神經(jīng)元,從而在沒有任何輸入的情況下產(chǎn)生恒定的輸出。

3基于FCM-BP算法的多源信息融合技術(shù)在電網(wǎng)業(yè)務(wù)及運(yùn)行信息中的應(yīng)用

當(dāng)電網(wǎng)發(fā)生故障時(shí),產(chǎn)生大量運(yùn)行、告警等信號(hào),電網(wǎng)監(jiān)控系統(tǒng)會(huì)對(duì)這些信息進(jìn)行采集。首先,對(duì)采集到的多源信息進(jìn)行預(yù)處理:其次,使用FCM算法對(duì)預(yù)處理過的信息進(jìn)行聚類分析,將相似度最高的劃分為一類,再采用加權(quán)平均法對(duì)同一類信息進(jìn)行數(shù)據(jù)級(jí)融合:然后將經(jīng)過數(shù)據(jù)級(jí)融合后的信息送入BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征級(jí)信息融合:最后將融合后的信息從應(yīng)用場景、專業(yè)、權(quán)限等角度進(jìn)行劃分,提供按需、定向的信息服務(wù),滿足相關(guān)專業(yè)對(duì)電網(wǎng)運(yùn)行態(tài)勢(shì)的實(shí)時(shí)乃至提前感知與交互需求。

電網(wǎng)運(yùn)行事件和告警信號(hào)是在電網(wǎng)發(fā)生故障時(shí)發(fā)出的信息,通過協(xié)同平臺(tái)收集與故障相關(guān)的多源異構(gòu)信息,即設(shè)備信息、運(yùn)行信息和處置信息等。將這些多源信息進(jìn)行信息融合,信息融合模塊將收集的信息進(jìn)行預(yù)處理,經(jīng)過數(shù)據(jù)級(jí)融合和特征級(jí)融合得到最終的融合信息。融合后的信息更具有專業(yè)性,可以根據(jù)場景、專業(yè)和權(quán)限等進(jìn)行劃分,將劃分好的信息分發(fā)至相關(guān)專業(yè),能夠提高信息分發(fā)速度,減少信息堵塞的可能性,提高相關(guān)專業(yè)對(duì)事故處理的工作效率。

4結(jié)語

本文著重于電網(wǎng)運(yùn)行及業(yè)務(wù)中多源異構(gòu)信息的融合問題,并從不同的數(shù)據(jù)源中最大化獲得數(shù)據(jù)。在該方法中,獲得的電網(wǎng)運(yùn)行及業(yè)務(wù)信息通過三個(gè)步驟進(jìn)行處理:第一,對(duì)收集到的多源數(shù)據(jù)進(jìn)行預(yù)處理:第二,使用FCM對(duì)經(jīng)過預(yù)處理的多源信息進(jìn)行分析,將相似性較高的信息歸為一類,再采用加權(quán)平均法對(duì)同一類信息進(jìn)行數(shù)據(jù)級(jí)融合:第三,對(duì)經(jīng)過數(shù)據(jù)級(jí)融合的信息進(jìn)行特征提取,將提取的特征送入BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征級(jí)信息融合。相較于傳統(tǒng)的單一層信息融合技術(shù),FCM-BP神經(jīng)網(wǎng)絡(luò)算法同時(shí)實(shí)現(xiàn)了電網(wǎng)多源異構(gòu)信息在數(shù)據(jù)級(jí)和特征級(jí)的融合。改進(jìn)后的算法顯著提高了信息融合的質(zhì)量,在后續(xù)的電網(wǎng)運(yùn)行信息分發(fā)時(shí)更具有專業(yè)性,提高了信息分發(fā)速度,大幅降低了信息堵塞的可能性。