基于多源感知的电力工程数据信息处理与识别技术研究

陈 明，张文静，赵 杰

（国网河北省电力有限公司，河北石家庄 050021）

随着信息技术的不断发展，利用数据处理与识 别技术实现对电力工程数据的智能化信息感知能力是当前学术界的共识。因此，提升数据采集的效率和准确率成为了当下研究热点[1-3]。国家电网公司出台相关政策，鼓励结合电力工程业务需求、挖掘基建过程价值，实现基建业务数字化、智能化，以提高电力工程基建管理水平。在电力工程实施过程中，对产生的数据进行多源感知，形成以电力测量为代表的时序参量以及以图像为代表的图像参量，进而构成电力工程多源感知参量[4-6]。将二者进行融合，使其互补增强，提升电力数据感知准确性。从多源感知数据融合角度看，融合参量包括三个层级，各个层级在适用范围上依次递增。由于各个参量的表示形式不同，数据融合的难度较大，目前虽然已经具备了一定的技术基础，但其在进行跨类融合与分析处理能力上仍有不足，且异构数据之间的电力工程数据融合问题仍亟需进一步地深入研究[7-9]。

该文研究了基于多源感知的电力工程数据信息处理与识别技术，通过构建多参量数据融合模型，对样本数据进行综合处理。算例分析结果表明，该文提出的技术方案能够有效提高数据感知结果的精确度，同时具有良好的容错性能，从而助力电力工程基建的信息化建设。

1 多源感知及其融合模式

1.1 数据预处理

电力工程的数据处理影响整个工程进度，数据的分析与处理是整个工程的重要工作，关系整个电力工程的安全性。数据预处理是多源感知的前提，数据的处理精度决定着多源感知数据融合的决策成败[10-11]。针对电力工程产生的多源数据，首先进行数据相关性分析，将其结果作为数据融合的输入。由于采集到的数据信息种类多样，为防止数据采集结果产生误差，对选取信息进行降噪处理，剔除异常数据并提高采集信息的真实度。同时为进行数据感知，处理后得到的数据必须具有连续性、有效性、一致性，其通过以下三个步骤进行处理：

1）采用遍历算法筛选异常数据，消除随机误差，并对异常数据进行补偿；

2）对所有数据信息进行特征提取，同时提取出采样时间与补充的数据，从而确保数据连续性；

3）为确保数据的一致性，对一维数据进行扩展化处理，扩展化算法的原理如下：

假设样本总数为M，有三个子样本集：G1,G2,…,GM；K1,K2,…,KM；L1,L2,…,LM，则样本j可用下式表示：

综合式（1）-（3），可得Yj为：

1.2 多源感知模式分析

电力工程多源参量融合模式如图1 所示，其按照数据级、特征级、决策级三个层次划分，各个层次均包含数据关联、特征融合、目标感知等内容[12-14]。

图1 多源参量融合模式

数据级是最基本的融合层级，对各类参数进行融合与特征提取，构建多源感知数据参量；特征级为中间融合层级，需要对数据特征进行分析，并解释各个参数；决策层作为最高层级的融合，需对数据进行独立感知，根据预设的准则进行融合，也是最主要的融合方法[15-16]。

2 多源融合框架与信息识别

2.1 整体框架

以数据信息输入为参量，从实际需求出发分类回归输出。基于特征融合特点确定各个参数的特征信息，并进行数据融合。最终进行目标信息数据感知，建立的多源感知数据融合框架，如图2所示。

图2 多源感知数据融合框架

针对时序电量，将所有数据排列为m行n列的矩阵，并转换为非线性混沌系统图，用特征形式表示。然后，基于卷积神经网络进行特征提取，对于工程图像数据，采用更加成熟的网络进行特征提取，基于改进Faster R-CNN 将全连接层的所有数据信息输出到网络参数中。

2.2 数据模型训练

电力工程多源感知融合模型训练过程如下：

1）输入时序参量，训练所有感知网络数据参数，输出形式为数据回归；

2）输入与图像相关的各类参数，利用训练集数据对网络进行训练，通过改进的Faster R-CNN 算法模型完成数据感知后输出结果；

3）对所有的数据目标感知网络进行综合分类，基于分类结果，再对各个层次和部分的数据进行融合，综合构建出网络融合模型；

4）固定特征参数，输入序列参数，输出回归结果。

对于电力工程的分类数据，通过Softmax 输入数据源头的信息类别，以最小损失进行电力工程数据的训练。其误差满足预期目标即可，如下式所示：

式中，L(θ) 为当输入变量为θ时对应的概率，θ=[θ1,θ2,…,θm]为电力工程采集到的数据序列，其值随着训练网络模型的变化而变化。

此外，损失函数Y可表示为：

式中，M为数据样本总数，αi表示样本数据的预测值，表示数据样本的真实值。

当误差满足预定值时，可停止迭代，并输出数据。因此，所采用的方均误差函数可表示为：

式中，θi表示电力工程数据输入值，f(θi)表示预测函数对应的函数值，αi表示电力工程数据的真实值。

2.3 特征提取

由于采集到的电力工程数据信息为递归图，其具有典型的非线性特征，时间与图像数据为多源信息，需要进行特征同化。因此，采用多参量递归方法对电力工程数据信息进行特征提取。具体流程如下：

1）假设采集到的电力工程数据时序量为xi(tj)，为了使得所有信息具有相同的时序性，令采集时刻相同的数据信息排列成相同的序列。

2）对所有数据信息进行归一化处理，归一化公式如下：

式中，为归一化之后的形式，θi为i类时序参量，maxθi、minθi分别为时序参量对应的最大值和最小值。

3）计算递归矩阵，构建空间向量并确定递归元素。假设递归矩阵为Mn×n，则其中的元素为：

4）将所有的数据信息汇总，并以其为输入值，绘制出电力工程数据多参量递归图。

得到递归图后，假设相关的参数：令s为步长、p为填充层数、非线性函数用ReLU 表示。建立卷积神经网络结构如图3 所示。

图3 多源感知数据卷积神经网络结构

2.4 数据应用

数据融合以服务电力工程技经现场业务管控为重点，采用物联网、移动互联网等技术为不同层级、岗位的基建管理人员提供专属定制化的业务系统与移动应用。对技经专业现场管理流程、应用进行标准化、精细化地设计及实现，将服务对象重心从传统的建设管理单位转移到参建单位和工程现场，从而推动基建技经业务从管理型向服务型的转变，实现业务数据化管理。利用信息化、数据化手段，创建造价管理的线上数据上报、审批、归集及数据分析展示等功能。以线上订单管理模式设计费用上报、审核场景，实现平台的资料数字化归档，最大程度降低人为因素造成的数据不准确情况。现场造价人员组织落实现场造价管理要求，承担所辖电力工程现场造价管理工作。在计算机终端提交相关会议纪要、管理过程资料、现场影像资料等，平台自动推送建设管理单位。该单位可采取计算机终端审批，当审批完成后各参建单位可查看并进行保存。

3 算例分析

该算例模拟电力工程基建现场，以实际工程数据为数据样本。采用主从结构，以NameNode 作为主服务器来管理文件命名和数据访问系统。分别对时序和图像融合的感知模型进行训练与测试，通过对感知模型综合性能参数的对比分析，验证其容错性。

对电力工程现场情况预警并对现场图像进行感知，使用准确率与平均召回率作为评价指标。以某次工程基建为数据基础，根据工程现场设施情况，并对每个类别进行感知。采集的信息包括温度、湿度、风速、图像参量等，每隔20 min 采集一次。为使采集到的信息得到补充和增强，以时序参量与图像参量作为输入，对感知模型进行仿真。从精确性和容错性的角度进行对比分析，得到三种感知模型的精确性测试结果，如表1 所示。从表中可以看出，多源融合模型由于单独输入参量，其平均准确率（AP）达到83.76%，而平均召回率（AR）则达到了90.14%。

表1 精确性对比分析

为进一步验证所述方法的准确率，对选取的时序参量与图像参量进行异常处理，以不同程度的数据丢失作为时序参量的异常变化；以遮挡或模糊处理作为图像参量的异常变化。将上述参数作为数据输入，得到的容错性验证结果如表2 所示。从表中可以看出，将数据输入参量进行异常处理之后，融合参量对应的平均准确率较图像参量高10.86%，平均召回率提升8.46%。

表2 容错性验证结果

采用三种算法对电力工程数据进行处理，并对比分析三种方法与所提方法的标准误差（R）与绝对误差（M），其结果如表3 所示。从表中可看出，采用该文方法进行数据处理的标准误差与绝对误差均有所降低，其更能反映原始数据的真实性。

表3 几种算法的误差对比

4 结束语

在电力工程的实施过程中会产生大量的异构多参量数据，然而由于缺乏深度融合手段，导致了数据信息处理与分析不足、数据利用率低等问题的出现。该文基于多源感知技术提出了一套电力工程数据信息处理与识别方法，采用融合时序参量与图像参量的多参量框架，从数据角度分析数据融合模式的优缺点，利用卷积神经网络对图像信息进行特征提取。通过模型优化设计和数据融合，实现目标信息的数据感知，以增强不同参量之间的互补性，从而有效提高电力工程数据感知与处理的精确性及容错率。