李慧聰,鄭寬昀,徐 鋒,羅 浩
(1.國網(wǎng)山東省電力公司,山東 濟南 250002; 2.國電南瑞科技股份有限公司,江蘇 南京 211100)
在電力計量技術(shù)領(lǐng)域中,通常需要對用電設(shè)備進行計量,這就需要用到智能電力計量系統(tǒng),通過該系統(tǒng)實現(xiàn)智能電能表、電壓互感器、電流互感器、電力計量終端等不同的器具的計量和測量。常規(guī)技術(shù)中,智能電力計量系統(tǒng)通過RS-232、RS-485或者因特網(wǎng)(Internet)實現(xiàn)數(shù)據(jù)的傳遞和交互,這種方式雖然能夠使用戶及時、準確地把控電力計量信息。但是效率低下,并且電力計量設(shè)備之間需要連線,增加了占地面積。文獻[1]采用低功率無線網(wǎng)(LPWAN)技術(shù),將電力計量檢測終端接入到數(shù)據(jù)網(wǎng)關(guān),從而實現(xiàn)了智能電力計量的檢測,還通過LoRa無線模塊實現(xiàn)智能電力計量系統(tǒng)的數(shù)據(jù)交互,提高了數(shù)據(jù)交互能力,但是無法實現(xiàn)數(shù)據(jù)的挖掘和管理。文獻[2]通過借助熵值法對電能計量系統(tǒng)各項數(shù)據(jù)信息的權(quán)值進行計算,然后根據(jù)不同區(qū)域的特征,對電能表計量狀態(tài)進行動態(tài)評價,提高了智能電能表的可靠度分析能力。但是數(shù)據(jù)故障識別能力落后,在面對大量數(shù)據(jù)信息時,用戶仍舊難以從多種數(shù)據(jù)信息中獲取目標數(shù)據(jù)信息。 針對上述技術(shù)不足,設(shè)計出新型的智能電力計量系統(tǒng),下面對其關(guān)鍵技術(shù)進行描述。
針對前言中提出的技術(shù)不足,本研究設(shè)計出基于物聯(lián)網(wǎng)技術(shù)的智能電力計量系統(tǒng),該技術(shù)具有以下創(chuàng)新點。
(1)在智能電力計量系統(tǒng)中融入物聯(lián)技術(shù),通過物聯(lián)網(wǎng)實現(xiàn)實現(xiàn)電力計量設(shè)備運行信息采集、信息整合、風險評價、完整性評價、維修與維護、能效評估、計量設(shè)備運維管理、監(jiān)控管理、數(shù)據(jù)管理、維修和設(shè)計等多種數(shù)據(jù)的綜合管理[3]。
(2)在物聯(lián)網(wǎng)技術(shù)中加入改進型無限深度神經(jīng)網(wǎng)絡(luò)模型,實現(xiàn)電力計量資產(chǎn)數(shù)據(jù)的全壽命周期管理,深入挖掘電力表相關(guān)的不同數(shù)據(jù),進而實現(xiàn)電力表全壽命周期管理?;谏鲜鲈O(shè)計思路,設(shè)計出的新型智能電力計量系統(tǒng)架構(gòu)如圖1所示。
圖1 智能電力計量系統(tǒng)整體架構(gòu)設(shè)Fig.1 Overall architecture design of intelligent power metering system
基于物聯(lián)網(wǎng)技術(shù)的電力計量資產(chǎn)全生命周期管理系統(tǒng)包括電力設(shè)備層、數(shù)據(jù)處理層和數(shù)據(jù)應(yīng)用層,舍棄傳統(tǒng)技術(shù)的弊端,將物聯(lián)網(wǎng)技術(shù)引入到智能電力計量系統(tǒng)內(nèi),實現(xiàn)了電力計量數(shù)據(jù)的自動化、智能化處理,有效地實現(xiàn)了移動互聯(lián)技術(shù)、人工智能技術(shù)和通信技術(shù)的結(jié)合,將分布式電力設(shè)備數(shù)據(jù)有機結(jié)合起來。
在電力設(shè)備層[4]中,多種不同類型的電力計量數(shù)據(jù)信息被存儲在電力計量資產(chǎn)全生命數(shù)據(jù)庫中,通過數(shù)據(jù)融合技術(shù)將不同類型的數(shù)據(jù)信息有機融合在一起,用戶在分析數(shù)據(jù)信息時,在電力數(shù)據(jù)庫中抽取數(shù)據(jù)信息,通過改進型無限深度神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)電力數(shù)據(jù)信息的學習和訓練,通過挖掘、分析電力計量數(shù)據(jù)之間的關(guān)系實現(xiàn)電力計量資產(chǎn)全生命周期的分析和挖掘。
在數(shù)據(jù)處理層中,通過大數(shù)據(jù)算法模型實現(xiàn)不同類型電力數(shù)據(jù)信息的處理和挖掘[5],采用深度挖掘的數(shù)學算法實現(xiàn)電力計量資產(chǎn)全生命周期數(shù)據(jù)分析。采用的分析方法是構(gòu)建無限深度神經(jīng)網(wǎng)絡(luò)模型,采用該無限深度神經(jīng)網(wǎng)模型進行電力計量資產(chǎn)全生命周期數(shù)據(jù)分析,目的在于提高電力計量資產(chǎn)全生命數(shù)據(jù)分析的能力,使得用戶獲取的電力計量宏觀資產(chǎn)數(shù)據(jù)信息或者比較表面的數(shù)據(jù)信息轉(zhuǎn)換為數(shù)學建模分析的方式,將表面數(shù)據(jù)信息通過微觀數(shù)據(jù)更加深刻體現(xiàn)出來,從而提高電力計量資產(chǎn)數(shù)據(jù)分析能力。
電力物聯(lián)技術(shù)能夠?qū)⒁苿踊ヂ?lián)技術(shù)[6-9]、人工智能技術(shù)以及數(shù)據(jù)信息通信技術(shù)有機地融合在一起,電力物聯(lián)網(wǎng)架構(gòu)構(gòu)成見表1。
表1 電力物聯(lián)網(wǎng)架構(gòu)構(gòu)成Tab.1 Composition of power Internet of things architecture
在具體工作時,為了數(shù)據(jù)化物聯(lián)網(wǎng)的技術(shù)核心,在采集層中,采集到的電力計量設(shè)備類型為a,ma為電力計量設(shè)備輸出各種數(shù)據(jù)信息的長度值,c為感知層中電力計量設(shè)備采集信息輸出的公鑰參數(shù),k為電力計量設(shè)備輸出公鑰數(shù)據(jù)的主密鑰的秘鑰值[8]。當a∈{1,…,ma}時,則待采集電力計量設(shè)備類型中每個采集數(shù)據(jù)比特值均為1[9]。感知層采集到的數(shù)據(jù)信息輸出為:
(1)
式中,ea為感知層內(nèi)采集到的電力設(shè)備數(shù)據(jù)信息集合值;e1為電力設(shè)備采集到的數(shù)據(jù)信息利用的秘鑰值;e2為電力設(shè)備采集到的電力設(shè)備數(shù)據(jù)元。
感知層在采集電力數(shù)據(jù)信息時,采集到的電力數(shù)據(jù)集借助于網(wǎng)絡(luò)層實現(xiàn)數(shù)據(jù)傳遞,數(shù)據(jù)信息通過平臺層被傳遞到應(yīng)用層進行計算,該計算中心通過接收ea中的數(shù)據(jù)集,然后進行數(shù)據(jù)整理[11],輸出結(jié)果:
(2)
式中,tea為整理后數(shù)據(jù)集;k2、k1分別為待調(diào)用數(shù)據(jù)以及調(diào)用數(shù)據(jù);ai為電力計量設(shè)備信息。
通過上述數(shù)據(jù)計算,通過感知層負責采集電力計量設(shè)備信息,通過網(wǎng)絡(luò)層實現(xiàn)數(shù)據(jù)傳遞,通過平臺層接收處理后的數(shù)據(jù)信息,通過大數(shù)據(jù)處理技術(shù)實現(xiàn)數(shù)據(jù)處理和計算,供用戶使用。
設(shè)計中,通過構(gòu)建大數(shù)據(jù)管理模型能夠?qū)崿F(xiàn)不同種類電力計量數(shù)據(jù)的計算,各種數(shù)據(jù)元素通過不同層次的關(guān)系在網(wǎng)絡(luò)模型的作用下,能夠直觀地展現(xiàn)出來。無限深度神經(jīng)網(wǎng)絡(luò)模型展開如圖2所示。
圖2 無限深度神經(jīng)網(wǎng)絡(luò)模型展開示意Fig.2 Expansion diagram of infinite depth neural network model
在應(yīng)用架構(gòu)上包括輸入層、隱層和輸出層,通過數(shù)據(jù)展開,使得輸入層具有不同種類的電力計量數(shù)據(jù)信息,該電力器具包含有多種傳感器,傳感器能夠?qū)崿F(xiàn)不同種類電力計量設(shè)備數(shù)據(jù)采集的輸出和計算。輸入的原始數(shù)據(jù)信息包括計量標準數(shù)據(jù)、電力計量資產(chǎn)試驗設(shè)備運行數(shù)據(jù)、計量輸出數(shù)據(jù)、外觀數(shù)據(jù)信息等。由于這些數(shù)據(jù)種類不一、數(shù)據(jù)混亂,用戶在應(yīng)用過程中就難以實現(xiàn)數(shù)據(jù)的整理。將這些雜亂無章的數(shù)據(jù)信息輸入至無限深度神經(jīng)網(wǎng)絡(luò)模型后,這些數(shù)據(jù)信息將被展開,展開后的圖形能夠形象地展示出采集到數(shù)據(jù)信息中任意時刻t的電力計量數(shù)據(jù)信息。然后通過構(gòu)建數(shù)據(jù)模型,對不同種類的數(shù)據(jù)信息進行挖掘與處理,基本結(jié)構(gòu)如圖3所示。
圖3 無限深度神經(jīng)網(wǎng)絡(luò)模型示意Fig.3 Schematic diagram of infinite depth neural network model
圖3中,模型內(nèi)的每根神經(jīng)元都與電力計量數(shù)據(jù)信息接觸,不同神經(jīng)元之間相互交錯連接,通過自身關(guān)系構(gòu)成了閉合反饋回路。根據(jù)處理數(shù)據(jù)的深度可以設(shè)置網(wǎng)絡(luò)模型的維度,由于維度的不同,能夠使網(wǎng)絡(luò)模型中的每根神經(jīng)表現(xiàn)為“無限深”。這樣能夠輸出多種不同類型數(shù)據(jù)的關(guān)系,假設(shè)輸入的電力計量資產(chǎn)數(shù)據(jù)類型為m,設(shè)定其有n個神經(jīng)元,不同神經(jīng)元輸出不同的數(shù)據(jù)信息,輸入的電力設(shè)備數(shù)據(jù)集合通過以下數(shù)據(jù)集合表示:
x(t)=(x1(t),x2(t),…,xm(t))T
(3)
將輸入的數(shù)據(jù)集合記作為:
y(t)=(y1(t),y2(t),…,yn(t))T
(4)
其中,不同數(shù)據(jù)模型之間的神經(jīng)元記為k,其內(nèi)各個神經(jīng)元之間的關(guān)系通過權(quán)值w表達,權(quán)值的關(guān)系式可以記作:
w=[wu,w1]
(5)
式中,wu為任意神經(jīng)網(wǎng)絡(luò)不同神經(jīng)元之間的連接權(quán)值,w1為不同神經(jīng)網(wǎng)絡(luò)中內(nèi)、外網(wǎng)絡(luò)神經(jīng)之間的連接權(quán)值,在時間為t+1下,通過構(gòu)建的無限深度神經(jīng)網(wǎng)絡(luò)模型后,則輸出的數(shù)據(jù)可以為:
s(t+1)=wuy(t)+w1x(t)
(6)
然后將電力計量數(shù)據(jù)信息以時間維度的方式進行公式轉(zhuǎn)換,則數(shù)據(jù)信息可以通過以下關(guān)系式表示:
s(t+1)=(s1(t+1),s2(t+1),…,sn(t+1))T
(7)
應(yīng)用模型進行數(shù)據(jù)分析的結(jié)果可以為:
yk(t+1)=fk(sk(t+1))
(8)
式中,fk為模型中任意神經(jīng)元需要激活的激活函數(shù)。
無限深度神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用模型如圖4所示。
圖4 神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用模型Fig.4 Neural network model application model
通過圖4可以看到,輸入的電力計量資產(chǎn)數(shù)據(jù)樣本集合為{X1,X2,…,Xn},則神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用模型故障數(shù)據(jù)的輸出集合記為W*,數(shù)據(jù)新型函數(shù)f(W*Xi)*Xi與輸出函數(shù)Yi之間的關(guān)系為逐步逼近關(guān)系,f作為激勵函數(shù),在計算過程中通過調(diào)節(jié)電力計量數(shù)據(jù)之間的不平衡性,輸入的原始數(shù)據(jù)信息通過矩陣可以為:
(9)
式中,θ1,θ2,…,θk∈Rn+1,這些數(shù)據(jù)信息作為權(quán)重參數(shù)表示;n為電力計量數(shù)據(jù)向量值,通過矩陣形式為n維向量;K為電力計量資產(chǎn)數(shù)據(jù)的種類。通過無限深度神經(jīng)網(wǎng)絡(luò)模型計算后,則對所有的數(shù)據(jù)信息輸出誤差,誤差函數(shù)可以為:
(10)
然后對誤差數(shù)據(jù)e中的所有最小值進行求解,則下降梯度可以通過以下關(guān)系式表示:
(11)
在計算的過程中,通過調(diào)整權(quán)重矩陣W能夠輸出不同的數(shù)據(jù)精度,通常調(diào)整4次權(quán)值,可以滿足神經(jīng)網(wǎng)絡(luò)模型應(yīng)用模型的應(yīng)用需求。
通過上述論述,為了體現(xiàn)本研究的技術(shù)優(yōu)勢,下面通過試驗證明本研究的技術(shù)優(yōu)越性。試驗環(huán)境見表2。
表2 試驗環(huán)境Tab.2 Schematic diagram of test environment
然后在表2的試驗環(huán)境下實現(xiàn)數(shù)據(jù)的模擬與仿真,假設(shè)抽取的數(shù)據(jù)樣本5 825 683 502條電力計量設(shè)備輸出數(shù)據(jù),比如運行數(shù)據(jù)、設(shè)備參數(shù)數(shù)據(jù)等。樣本數(shù)據(jù)庫信息架構(gòu)如圖5所示。
圖5 樣本數(shù)據(jù)庫信息架構(gòu)Fig.5 Sample database information architecture
然后將文獻[1]方法、文獻[2]方法與本研究的方法進行對比分析,首先從數(shù)據(jù)的準確度上進行對比分析,數(shù)據(jù)庫樣本獲取的數(shù)據(jù)信息見表3。假設(shè)數(shù)據(jù)樣本分為10個不同的數(shù)據(jù)信息,則得出數(shù)據(jù)信息(表3)。
表3的10組不同的數(shù)據(jù)樣本中,假設(shè)人為制造故障數(shù)據(jù)集合為1 000種,分別采用10組不同的數(shù)據(jù)集合,則輸出以下3種不同類型的數(shù)據(jù)集合。數(shù)據(jù)處理準確度對比如圖6所示。
表3 電力計量設(shè)備數(shù)據(jù)庫信息Tab.3 Power metering equipment database information
圖6 數(shù)據(jù)處理準確度對比Fig.6 Comparison of data processing accuracy
圖7中,分別采用文獻[1]方法和文獻[2]方法進行對比,文獻[1]為利用無線物聯(lián)網(wǎng)技術(shù)實現(xiàn)智能電力計量,文獻[2]通過信息融合的方式實現(xiàn)低壓智能電能表動態(tài)評價。假設(shè)分別經(jīng)過2 h的試驗,對電力計量大數(shù)據(jù)信息進行挖掘和處理。其準確率對比曲線如圖7所示。
結(jié)合圖7,通過3種不同類型的數(shù)據(jù)進行對比分析,通過10組不同數(shù)據(jù)集合分析和挖掘,認為本研究的數(shù)據(jù)挖掘能力最強,準確率最高。
圖7 數(shù)據(jù)挖掘?qū)Ρ仁疽釬ig.7 Schematic diagram of data mining comparison
由于本研究還采用了物聯(lián)技術(shù),下面分析采用物聯(lián)技術(shù)和常規(guī)互聯(lián)網(wǎng)技術(shù)進行數(shù)據(jù)采集分析,在30 min內(nèi)進行試驗對比分析,其速度對比如圖8所示。在圖8中,通過將近10 min的計算和運行,發(fā)現(xiàn)本研究方法數(shù)據(jù)采集效率極高,隨著數(shù)據(jù)采集量的逐步增加,當數(shù)據(jù)量達到400 MB時,采用互聯(lián)網(wǎng)技術(shù)數(shù)據(jù)采集效率低于物聯(lián)網(wǎng)數(shù)據(jù)采集效率。本研究的處理方法提高了數(shù)據(jù)采集速度。
圖8 數(shù)據(jù)處理效率對比曲線Fig.8 Comparison curve of data processing efficiency
針對電力設(shè)備計量過程中出現(xiàn)的數(shù)據(jù)采集速度慢、傳遞效率低、數(shù)據(jù)處理困難等問題,本研究融入包括感知層、傳遞層、平臺層和應(yīng)用層的物聯(lián)架構(gòu),將物聯(lián)網(wǎng)技術(shù)應(yīng)用到智能電力計量系統(tǒng)中,實現(xiàn)智能電力計量系統(tǒng)數(shù)據(jù)的自動化傳遞。構(gòu)建了無限深度神經(jīng)網(wǎng)絡(luò)模型,將電力計量數(shù)據(jù)信息通過無限深度神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)數(shù)據(jù)的處理和計算,提高了電力計量數(shù)據(jù)的管理和分析能力。本研究通過試驗驗證,雖然在一定程度上提高了電力計量設(shè)備資產(chǎn)信息的管理能力,但該技術(shù)仍舊存在一些不足,需要進一步研究和探討。