付文杰,尚曉明,陳 磊,張軍朝
(國(guó)網(wǎng)河北省電力有限公司,石家莊 050000)
伴隨電力系統(tǒng)的智能化發(fā)展,智能電表計(jì)量裝置中包含越來(lái)越多的多維數(shù)據(jù),智能電表計(jì)量數(shù)據(jù)量急劇上漲[1]。聚類算法是依據(jù)海量數(shù)據(jù)中包含的潛在規(guī)則,對(duì)數(shù)據(jù)進(jìn)行分類的信息處理方法。粒子群優(yōu)化算法應(yīng)用于聚類算法優(yōu)化時(shí),通過(guò)設(shè)置適應(yīng)度函數(shù)交叉操作粒子,提升粒子群算法內(nèi)粒子種群的多樣性,避免聚類算法運(yùn)行過(guò)程中,存在陷入局部最優(yōu)的情況。
目前針對(duì)智能電表計(jì)量數(shù)據(jù)的研究越來(lái)越多,智能電表計(jì)量數(shù)據(jù)管理已成為電力領(lǐng)域的研究重點(diǎn)。研究高效的智能電表計(jì)量數(shù)據(jù)處理方法,已成為電力領(lǐng)域數(shù)據(jù)處理中亟待解決的重要問(wèn)題。肖勇等人將深度信念網(wǎng)絡(luò)應(yīng)用于智能電表數(shù)據(jù)異常檢測(cè)中[2],有效檢測(cè)智能電表中存在的異常數(shù)據(jù),對(duì)于提升智能電表數(shù)據(jù)的應(yīng)用性提供了有效的理論依據(jù);高欣等人將CVAE-CNN模型應(yīng)用于智能電表故障分類中[3],有效識(shí)別智能電表中不同類型故障,為智能電表的可靠運(yùn)行提供依據(jù)。以上研究方法實(shí)現(xiàn)了智能電表異常以及故障的有效監(jiān)測(cè),但是無(wú)法應(yīng)用于智能電表多維數(shù)據(jù)分類中。為了提升智能電表數(shù)據(jù)的應(yīng)用性能,研究基于混合粒子群優(yōu)化的智能電表計(jì)量多維數(shù)據(jù)聚類方法。采用混合粒子群算法對(duì)聚類算法進(jìn)行優(yōu)化,利用優(yōu)化后的聚類算法處理智能電表多維計(jì)量數(shù)據(jù),實(shí)現(xiàn)智能電表多維計(jì)量數(shù)據(jù)的有效劃分,提升智能電表多維計(jì)量數(shù)據(jù)的應(yīng)用性。
選取雙模組網(wǎng)方式作為智能電表多維計(jì)量數(shù)據(jù)的采集方式,雙模組網(wǎng)方式通過(guò)無(wú)線微功率與載波方式的結(jié)合,實(shí)現(xiàn)智能電表海量多維計(jì)量數(shù)據(jù)的通訊。智能電表雙模組網(wǎng)方式的結(jié)構(gòu)圖如圖1所示。
圖1 雙模組網(wǎng)方式
選取現(xiàn)有的電力線纜作為智能電表雙模組網(wǎng)方式的電力載波方式。雙模組網(wǎng)方式無(wú)需設(shè)置智能電表計(jì)量多維數(shù)據(jù)通信的通信線路,采用原有的電力線纜進(jìn)行數(shù)據(jù)通信,具有較高的通信可靠性。雙模組網(wǎng)中的無(wú)線微功率利用無(wú)線方式完成智能電表數(shù)據(jù)的寬帶連接,具有組網(wǎng)速度快的特點(diǎn),可以滿足智能電表多維計(jì)量數(shù)據(jù)的通信線路切換水平。雙模組網(wǎng)方式適用于應(yīng)用距離較近,未敷設(shè)光纖,智能電表較為分散的供電區(qū)域。
智能電表計(jì)量多維數(shù)據(jù)具有較高的關(guān)聯(lián)性以及相似性,提取智能電表計(jì)量多維數(shù)據(jù)的混沌特征,為智能電表計(jì)量多維數(shù)據(jù)聚類提供依據(jù)。智能電表計(jì)量多維數(shù)據(jù)中的隨機(jī)點(diǎn)與中心點(diǎn)間距超過(guò)所設(shè)定距離標(biāo)準(zhǔn)值時(shí),表明該隨機(jī)點(diǎn)與所選取中心點(diǎn)不存在相關(guān)性關(guān)系;智能電表計(jì)量多維數(shù)據(jù)中的隨機(jī)點(diǎn)與中心點(diǎn)間距小于所設(shè)定距離標(biāo)準(zhǔn)值,同時(shí)距離標(biāo)準(zhǔn)值與間距不為零時(shí),表示該隨機(jī)點(diǎn)與智能電表計(jì)量多維數(shù)據(jù)的中心點(diǎn)存在相關(guān)性[4]。智能電表計(jì)量多維數(shù)據(jù)內(nèi)與中心點(diǎn)具有相關(guān)性的點(diǎn)數(shù)量越多時(shí),表示智能電表計(jì)量多維數(shù)據(jù)的多項(xiàng)空間內(nèi)存在更多的關(guān)聯(lián)維度。
式(1)中,G與Li分別表示赫維賽德函數(shù)以及大于兩個(gè)中心點(diǎn)間距的隨機(jī)點(diǎn)至中心點(diǎn)距離。
用d(L)表示關(guān)聯(lián)函數(shù),其表達(dá)式如式(2)所示:
利用包含集合Q的分?jǐn)?shù)對(duì)關(guān)聯(lián)函數(shù)進(jìn)行去重處理。
用W表示智能電表計(jì)量數(shù)據(jù)提取混沌特征距離的標(biāo)準(zhǔn)值,可得設(shè)定的距離標(biāo)準(zhǔn)值W表達(dá)式如式(3)所示:
式(3)中,v表示關(guān)聯(lián)維數(shù)。關(guān)聯(lián)維數(shù)可以體現(xiàn)智能電表計(jì)量多維數(shù)據(jù)間的混沌程度,將數(shù)據(jù)間的混沌程度設(shè)置為智能電表計(jì)量多維數(shù)據(jù)的聚類基礎(chǔ)。
1.3.1 計(jì)量數(shù)據(jù)的K-means聚類算法
1)完成劃分的簇并未空集,簇內(nèi)的數(shù)據(jù)需要大于0。
2)所劃分的簇內(nèi)的智能電表計(jì)量多維數(shù)據(jù)與該簇存在唯一的關(guān)系性,即智能電表計(jì)量多維數(shù)據(jù)僅可屬于一個(gè)簇。
K-means聚類算法是利用貪心策略進(jìn)行數(shù)據(jù)劃分的重要算法,該算法通過(guò)迭代更新方式,令聚類結(jié)果逼近最優(yōu)解。K-means聚類算法對(duì)智能電表計(jì)量多維數(shù)據(jù)進(jìn)行聚類的聚類過(guò)程如下:
1)隨機(jī)從智能電表計(jì)量多維數(shù)據(jù)中選取初始簇質(zhì)心數(shù)量為K,所選取初始簇的質(zhì)心用表示。
2)設(shè)置集合Ci為智能電表計(jì)量多維數(shù)據(jù)集Z中,相比于ηj,與ηi距離更近的點(diǎn)的集合。
3)用ηi表示集合Ci內(nèi),全部智能電表多維數(shù)據(jù)的質(zhì)心,質(zhì)心ηi的計(jì)算公式如式(4)所示:
4)重復(fù)以上步驟,直至集合C內(nèi)的數(shù)據(jù)不再變化為止。
1.3.2 粒子群優(yōu)化計(jì)量數(shù)據(jù)聚類
設(shè)粒子群優(yōu)化算法內(nèi)全部粒子在n維智能電表計(jì)量數(shù)據(jù)搜索空間中的運(yùn)動(dòng)狀態(tài)與位置向量以及速度向量相關(guān)。用Xi=[xi1,xi2·,··xin]與Vi=[vi1,vi2·,··vin]分別表示粒子群算法的位置向量以及速度向量。
通過(guò)粒子群優(yōu)化算法內(nèi)粒子的位置變化,表示智能電表計(jì)量多維數(shù)據(jù)聚類問(wèn)題的可行解。用Pbest=[pi1,pi2·,·pin]與gbest=[g1,g2·,··gn]分別表示粒子群內(nèi)粒子個(gè)體的歷史最優(yōu)解以及全局歷史最優(yōu)解。
粒子群優(yōu)化算法的粒子速度更新公式如式(5)所示:
粒子位置更新公式如式(6)所示:
式(6)中,c1、c2與ω分別表示加速度常數(shù)以及慣性權(quán)重;r1與r2均表示隨機(jī)常數(shù)。
粒子群優(yōu)化算法的慣性權(quán)重線性遞減的表達(dá)式如式(7)所示:
式(7)中,t與tmax分別表示迭代次數(shù)以及最大迭代次數(shù),ωmax與ωmin分別表示慣性權(quán)重最大值以及最小值。
1.3.3 混合粒子群優(yōu)化計(jì)量數(shù)據(jù)K-means聚類算法
采用混合粒子群優(yōu)化算法優(yōu)化K-means聚類算法,獲取智能電表計(jì)量多維數(shù)據(jù)聚類結(jié)果。
設(shè)置混合粒子群優(yōu)化K-means聚類算法的適應(yīng)度函數(shù)表達(dá)式如式(8)所示:
式(8)中,J表示智能電表計(jì)量多維數(shù)據(jù)聚類的目標(biāo)函數(shù),設(shè)置聚類均方根誤差最小作為智能電表計(jì)量多維數(shù)據(jù)聚類的目標(biāo)函數(shù)。聚類目標(biāo)函數(shù)值越小,聚類的適應(yīng)度值越高。
K-means聚類算法對(duì)智能電表計(jì)量多維數(shù)據(jù)進(jìn)行聚類時(shí),存在容易早熟的情況。粒子群算法內(nèi)的種群多樣性伴隨迭代次數(shù)的提升而有所下降,無(wú)法快速收斂至全局最優(yōu)解。伴隨粒子群算法不斷迭代,粒子群優(yōu)化算法運(yùn)行速度有所降低。粒子群優(yōu)化算法的粒子速度下降至0時(shí),粒子群優(yōu)化算法內(nèi)的粒子無(wú)法繼續(xù)在智能電表計(jì)量多維數(shù)據(jù)的搜索空間中搜索。為了避免粒子群算法內(nèi)粒子無(wú)法繼續(xù)搜索,設(shè)置閾值εv以及區(qū)間為0~1范圍內(nèi),服從均勻分布的隨機(jī)變量r3。粒子運(yùn)動(dòng)速度vij小于閾值εv時(shí),令vij=r3×vmax,避免粒子早熟情況。粒子以此時(shí)的位置在智能電表計(jì)量多維數(shù)據(jù)的搜索空間中重新開(kāi)始搜尋[5],以新速度繼續(xù)搜尋,提升粒子群算法的收斂速度。
選取混沌系統(tǒng)中的Logisic映射方法優(yōu)化粒子群算法,Logisic映射是混沌空間中的滿映射,具有計(jì)算量小以及使用方便的特點(diǎn)。Logisic映射表達(dá)式如式(9)所示:
式(9)中,μ與θik分別表示控制參數(shù)以及混沌特征向量。
引入混沌特征向量,將粒子群優(yōu)化算法的位置更新公式轉(zhuǎn)化如式(10)所示:
式(10)中,xk表示混沌運(yùn)算向量映射至[0,1]區(qū)間的粒子群向量;xk+1表示加入了隨機(jī)擾動(dòng)后的混沌特征向量;λ表示區(qū)間為[0,1]的調(diào)節(jié)系數(shù),該系數(shù)可以自適應(yīng)變化,利用調(diào)節(jié)系數(shù)控制混沌特征向量對(duì)粒子群向量的擾動(dòng)程度。
粒子群算法運(yùn)行初期時(shí),調(diào)節(jié)系數(shù)λ的值較大,伴隨粒子群算法不斷運(yùn)行,調(diào)節(jié)系數(shù)逐漸降低。粒子群算法優(yōu)化K-means聚類算法,對(duì)智能電表計(jì)量多維數(shù)據(jù)進(jìn)行聚類的調(diào)節(jié)系數(shù)計(jì)算公式如式(11)所示。
式(11)中,t與σ分別表示粒子群優(yōu)化算法的當(dāng)前迭代次數(shù)以及依據(jù)智能電表計(jì)量多維數(shù)據(jù)聚類目標(biāo)函數(shù)設(shè)置的整數(shù)。
將混沌算子引入粒子群優(yōu)化算法,基于混合粒子群優(yōu)化的智能電表計(jì)量多維數(shù)據(jù)聚類方法流程如下:
設(shè)置智能電表計(jì)量多維數(shù)據(jù)間的混沌程度作為K-means聚類的聚類依據(jù),利用混合粒子群算法優(yōu)化K-means聚類算法。隨機(jī)選取粒子,利用混沌算子擾動(dòng)粒子,所選取粒子設(shè)置為粒子群優(yōu)化算法的個(gè)體極值以及全局極值。
從智能電表計(jì)量多維數(shù)據(jù)聚類的解空間[ximin,ximax]中,將所確定粒子的全部分量xi映射至混沌空間表達(dá)式如式(12)所示:
將粒子的全部分量映射至混沌空間后,利用式(10)優(yōu)化x′i。將完成混沌優(yōu)化的粒子分量逆映射,粒子映射至解空間的表達(dá)式如式(13)所示:
采用混沌算子優(yōu)化粒子群內(nèi)粒子后,更新粒子位置,直至迭代次數(shù)滿足最大迭代次數(shù),且智能電表計(jì)量多維數(shù)據(jù)聚類的目標(biāo)函數(shù)滿足條件,終止粒子群算法運(yùn)算,輸出智能電表計(jì)量多維數(shù)據(jù)聚類結(jié)果。
為了驗(yàn)證所研究基于混合粒子群優(yōu)化的智能電表計(jì)量多維數(shù)據(jù)聚類方法對(duì)于智能電表計(jì)量多維數(shù)據(jù)的聚類有效性,將該方法應(yīng)用于某電力企業(yè)的智能電表計(jì)量數(shù)據(jù)管理中,通過(guò)智能電表計(jì)量數(shù)據(jù)多維聚類結(jié)果,提升智能電表計(jì)量數(shù)據(jù)應(yīng)用性。
該電力企業(yè)的智能電表數(shù)據(jù)管理系統(tǒng)中,智能電表計(jì)量多維數(shù)據(jù)顯示界面如圖2所示。
圖2 智能電表計(jì)量多維數(shù)據(jù)顯示界面
通過(guò)圖2實(shí)驗(yàn)結(jié)果可以看出,該電力企業(yè)的智能電表可以顯示不同用戶的電壓數(shù)據(jù)、電量數(shù)據(jù)等不同類型的多維數(shù)據(jù)。智能電表計(jì)量多維數(shù)據(jù)的聚類方法的聚類性能極為重要。
采用本文方法對(duì)其中10個(gè)智能電表采集的多維計(jì)量數(shù)據(jù)進(jìn)行聚類,智能電表數(shù)據(jù)集的屬性如表1所示。
表1 智能電表數(shù)據(jù)集的屬性信息
采用混合粒子群優(yōu)化方法對(duì)智能電表計(jì)量的多維數(shù)據(jù)進(jìn)行聚類,所獲取的關(guān)聯(lián)維數(shù)如圖3所示,選取文獻(xiàn)[2]方法與文獻(xiàn)[3]方法作為對(duì)比方法。
圖3 關(guān)聯(lián)維數(shù)對(duì)比結(jié)果
通過(guò)圖3實(shí)驗(yàn)結(jié)果可以看出,采用本文方法對(duì)智能電表計(jì)量多維數(shù)據(jù)進(jìn)行聚類,所獲取的關(guān)聯(lián)維數(shù)具有較高的穩(wěn)定性。文獻(xiàn)[2]方法以及文獻(xiàn)[3]方法對(duì)智能電表計(jì)量多維數(shù)據(jù)進(jìn)行聚類的關(guān)聯(lián)維數(shù)波動(dòng)性較大。圖3對(duì)比結(jié)果有效驗(yàn)證本文方法對(duì)智能電表計(jì)量多維數(shù)據(jù)聚類的關(guān)聯(lián)維數(shù)具有較高的穩(wěn)定性,可以滿足智能電表計(jì)量多維數(shù)據(jù)聚類的穩(wěn)定性需求。
采用本文方法對(duì)智能電表計(jì)量多維數(shù)據(jù)進(jìn)行聚類,獲取智能電表運(yùn)行期間,不同時(shí)間時(shí),其中三個(gè)智能電表的電壓數(shù)據(jù)結(jié)果如圖4所示。
圖4 智能電表電壓數(shù)據(jù)聚類結(jié)果
通過(guò)圖4實(shí)驗(yàn)結(jié)果可以看出,采用本文方法可以實(shí)現(xiàn)智能電表計(jì)量多維數(shù)據(jù)的有效聚類,獲取智能電表計(jì)量多維數(shù)據(jù)中的電壓數(shù)據(jù)。智能電表管理人員可以依據(jù)通過(guò)聚類獲取的不同智能電表的電壓數(shù)據(jù),獲取用戶用電過(guò)程中的電壓質(zhì)量。
采用混合粒子群優(yōu)化對(duì)智能電表計(jì)量多維數(shù)據(jù)進(jìn)行聚類,獲取智能電表運(yùn)行期間,不同時(shí)間時(shí),其中三個(gè)智能電表的電流數(shù)據(jù)結(jié)果如圖5所示。
通過(guò)圖5實(shí)驗(yàn)結(jié)果可以看出,采用混合粒子群優(yōu)化方法可以實(shí)現(xiàn)智能電表計(jì)量多維數(shù)據(jù)的有效聚類,獲取智能電表計(jì)量多維數(shù)據(jù)中的電流數(shù)據(jù)。通過(guò)圖5實(shí)驗(yàn)結(jié)果可以看出,序號(hào)為13845的智能電表于8時(shí)存在電流數(shù)據(jù)異常情況,智能電表計(jì)量管理人員可以依據(jù)電流變化,明確智能電表的運(yùn)行狀況。
采用混合粒子群優(yōu)化方法對(duì)智能電表計(jì)量多維數(shù)據(jù)進(jìn)行聚類,獲取智能電表運(yùn)行期間,不同時(shí)間時(shí),其中三個(gè)智能電表的有功功率結(jié)果如圖6所示。
圖6 智能電表有功功率數(shù)據(jù)聚類結(jié)果
通過(guò)圖6實(shí)驗(yàn)結(jié)果可以看出,采用混合粒子群優(yōu)化方法可以實(shí)現(xiàn)智能電表計(jì)量多維數(shù)據(jù)的有效聚類,獲取智能電表計(jì)量多維數(shù)據(jù)中的有功功率數(shù)據(jù)。智能電表管理人員可以依據(jù)通過(guò)聚類獲取的不同智能電表的有功功率,明確用戶用電過(guò)程中的功率波動(dòng)情況。
采用混合粒子群優(yōu)化方法對(duì)智能電表計(jì)量多維數(shù)據(jù)進(jìn)行聚類,獲取智能電表運(yùn)行期間,不同時(shí)間段,其中三個(gè)智能電表的電量變化如圖7所示。
圖7 智能電表電量聚類結(jié)果
通過(guò)圖7實(shí)驗(yàn)結(jié)果可以看出,混合粒子群優(yōu)化方法可以對(duì)智能電表計(jì)量多維數(shù)據(jù)中的電量數(shù)據(jù)進(jìn)行聚類,電量數(shù)據(jù)是智能電表計(jì)量數(shù)據(jù)中的重要數(shù)據(jù),混合粒子群優(yōu)化方法通過(guò)聚類獲取多維數(shù)據(jù)中的電表運(yùn)行的電量數(shù)據(jù),智能電表管理人員可以依據(jù)聚類結(jié)果中的電量數(shù)據(jù)直觀展示用戶的用電情況,驗(yàn)證本文方法具有較高的應(yīng)用性。
針對(duì)智能電表計(jì)量多維數(shù)據(jù)間的關(guān)聯(lián)程度較高,導(dǎo)致聚類效果較差的缺陷,將混合粒子群優(yōu)化算法應(yīng)用于智能電表計(jì)量多維數(shù)據(jù)聚類中,利用混合粒子群優(yōu)化算法提升聚類算法對(duì)智能電表計(jì)量多維數(shù)據(jù)的聚類性能。通過(guò)實(shí)驗(yàn)驗(yàn)證該方法可以實(shí)現(xiàn)智能電表計(jì)量多維數(shù)據(jù)的有效聚類,混合粒子群優(yōu)化算法可以有效改善聚類算法存在的早熟情況,提升了聚類算法的收斂速度,實(shí)用性較高,可以有效提升智能電表計(jì)量數(shù)據(jù)的應(yīng)用性能。