電能表質(zhì)量評(píng)價(jià)模型的構(gòu)建及實(shí)施方法研究

馮興興， 郭斌， 陳俊藝， 何圣川， 趙燁

(廣東電網(wǎng)有限責(zé)任公司廣州供電局， 廣東, 廣州 510000)

0 引言

智能電能表的誤差檢定對(duì)于電能表用戶具有重要的意義，也是衡量電能表質(zhì)量的重要指標(biāo)。隨著電能表用戶的越來(lái)越多，電能檢測(cè)數(shù)據(jù)逐步增多，對(duì)大量的電能表進(jìn)行質(zhì)量評(píng)估就顯得尤為重要。常規(guī)技術(shù)中，通過(guò)用戶目測(cè)實(shí)現(xiàn)電能表的誤差檢定。這種方法不僅技術(shù)落后，工作量大，很難實(shí)現(xiàn)大量電能表的精準(zhǔn)檢定。

文獻(xiàn)[1]采用熵權(quán)理論和灰色關(guān)聯(lián)度相融合的綜合評(píng)價(jià)方法，能夠從生產(chǎn)監(jiān)造、供貨前質(zhì)量評(píng)估、貨后質(zhì)量評(píng)估以及現(xiàn)場(chǎng)運(yùn)行評(píng)估等不同的階段實(shí)現(xiàn)了電能表的全壽命周期評(píng)估，但是該方法難以實(shí)現(xiàn)數(shù)據(jù)的故障診斷。文獻(xiàn)[2]構(gòu)建了基于兩階段聚類的電能表質(zhì)量評(píng)價(jià)模型，將k-means算法與HDBSCAN (Hierarchical Density-Based Spatial Clustering of Applications with Noise)作為電能表質(zhì)量的分析方法，提高了數(shù)據(jù)處理效率。但是該方法對(duì)于電能表出現(xiàn)的問(wèn)題所針對(duì)的處理措施卻無(wú)能為力。

基于上述技術(shù)的不足， 采用電能表質(zhì)量評(píng)價(jià)模型實(shí)現(xiàn)多種數(shù)據(jù)的處理和質(zhì)量評(píng)價(jià)。下面對(duì)所提的方法以及關(guān)鍵技術(shù)進(jìn)行以下說(shuō)明。

1 電能表質(zhì)量評(píng)價(jià)模型的構(gòu)建

本研究的創(chuàng)新點(diǎn)在于：

(1)通過(guò)多源數(shù)據(jù)融合算法[3]實(shí)現(xiàn)多種不同類型電能表數(shù)據(jù)的計(jì)算與處理，使得不同類型的數(shù)據(jù)信息有機(jī)地融合在一起，提高數(shù)據(jù)輸入能力，便于用戶從集中的數(shù)據(jù)信息中處理電能表數(shù)據(jù)信息；

(2)采用改進(jìn)型層次分析法實(shí)現(xiàn)不同電能表數(shù)據(jù)信息的故障診斷，構(gòu)建出復(fù)雜電能表數(shù)據(jù)信息的決策問(wèn)題分析模型，對(duì)影響電能表的因素及其內(nèi)在關(guān)系進(jìn)行定量分析和判斷，使得具有精確的評(píng)價(jià)、決策能力；

(3)在改進(jìn)型層次分析法的應(yīng)用基礎(chǔ)上，融入BP神經(jīng)網(wǎng)絡(luò)和思維進(jìn)化(MEA)算法[4]，提出了數(shù)據(jù)判斷能力和故障數(shù)據(jù)診斷能力。

綜上所述， 的電能表質(zhì)量評(píng)價(jià)模型示意圖如圖1所示。

圖1 電能表質(zhì)量評(píng)價(jià)模型

在圖1中的電能表質(zhì)量評(píng)價(jià)模型中，其包括融合算法模型、改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)算法模型和層次分析法算法模型[5-6]構(gòu)成，下面通過(guò)數(shù)據(jù)模型的方式實(shí)現(xiàn)數(shù)據(jù)融合，其中融合算法模型為

(1)

為了將該融合模型[7]適應(yīng)多種電能表數(shù)據(jù)檢定的需求，將該算法模型進(jìn)行歸一化處理，歸一化后的模型如式(2):

(2)

在設(shè)計(jì)中，還采用改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)算法模型實(shí)現(xiàn)電能計(jì)量數(shù)據(jù)的處理，該算法內(nèi)融合了MEA算法模型，從融合后的數(shù)據(jù)信息中獲取最優(yōu)電能檢測(cè)數(shù)據(jù)，實(shí)現(xiàn)電能計(jì)量數(shù)據(jù)的精細(xì)化處理。

2 電能表評(píng)價(jià)模型關(guān)鍵技術(shù)研究

2.1 改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建及應(yīng)用方法

本研究使用BP神經(jīng)網(wǎng)絡(luò)模型的架構(gòu)示意圖通常包括輸入層、連接層和輸出層，其邏輯架構(gòu)示意圖如圖2所示。

圖2 BP神經(jīng)網(wǎng)絡(luò)模型架構(gòu)示意圖

在圖2中，BP神經(jīng)網(wǎng)絡(luò)模型中不同層與層之間通過(guò)全連接的方式進(jìn)行整合，電能質(zhì)量數(shù)據(jù)信息經(jīng)過(guò)BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練后，由于初始參數(shù)為不確定值[8]，容易造成局部最優(yōu)解僵化問(wèn)題，為了提高訓(xùn)練模型的精度和穩(wěn)定性，通常進(jìn)行大量的數(shù)據(jù)訓(xùn)練，比如通過(guò)訓(xùn)練分類器等。這種方式不僅需要消耗大量的人力、物力，數(shù)據(jù)訓(xùn)練效率極其低下。

改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)融合結(jié)構(gòu)模型如圖3所示。

圖3 改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)融合結(jié)構(gòu)

在圖3的算法模型中，MEA算法通過(guò)迭代進(jìn)化計(jì)算的方式進(jìn)行訓(xùn)練和學(xué)習(xí)。該算法借助于遺傳算法中“種群”和“進(jìn)化”的設(shè)計(jì)思路，應(yīng)用 “趨同”和“異化”兩種不同形式的操作方法。其中的“趨同”在子種群Si(i=1,2,…,n)數(shù)據(jù)集合中，能夠快速發(fā)現(xiàn)局部最優(yōu)子種群，然后對(duì)各個(gè)子種群環(huán)境局部環(huán)境信息快速判斷和計(jì)算，通過(guò)打分進(jìn)行判斷電能計(jì)量數(shù)據(jù)的局部最優(yōu)解。輸出的最優(yōu)電能表數(shù)據(jù)個(gè)體Ni,pbest打分情況為所有電能數(shù)據(jù)信息在子種群Si內(nèi)的得分信息，其中輸出的“異化”信息為電能表質(zhì)量數(shù)據(jù)信息在整個(gè)有解空間內(nèi)能夠檢索到的最優(yōu)子種群，然后用戶可以根據(jù)打分情況進(jìn)行判斷，將得分較高的子群保存，分?jǐn)?shù)低的剔除。這樣就淘汰了最劣解。融合MEA算法的BP神經(jīng)網(wǎng)絡(luò)模型有效地將電能表殘余數(shù)據(jù)信息進(jìn)行過(guò)濾。提高了BP神經(jīng)網(wǎng)絡(luò)模型輸入的初始權(quán)值和閾值。

在具體應(yīng)用中，如圖3所示，其中的t表示為MEA算法正在迭代循環(huán)的次數(shù)，k表示為具體到某個(gè)電能表質(zhì)量數(shù)據(jù)信息構(gòu)成的子種群內(nèi)部正迭代循環(huán)的次數(shù)。在確定BP神經(jīng)網(wǎng)絡(luò)模型時(shí)，當(dāng)局部最優(yōu)個(gè)體被篩選出來(lái)之后，借助于全局公告板，將BP神經(jīng)網(wǎng)絡(luò)模型中的所有種群內(nèi)部的最優(yōu)個(gè)體分別進(jìn)行對(duì)比分析，在不斷迭代計(jì)算后，直到BP神經(jīng)網(wǎng)絡(luò)模型中的每個(gè)電能表質(zhì)量數(shù)據(jù)信息的種子群成熟為止。假設(shè)將電能表參數(shù)數(shù)據(jù)信息形成的子種群Si內(nèi)部的個(gè)體以正態(tài)分布的方式表示，則有:

Ni(μi,Ci)

(3)

式中，μi表示電能表質(zhì)量數(shù)據(jù)信息子群的正態(tài)分布的中心向量值，Ci表示電能表質(zhì)量信息正態(tài)分布的協(xié)方差矩陣，如式(4)：

Ci=diag(σ1,σ2,…,σd,…,σk)

(4)

式中，d表示所有電能表質(zhì)量數(shù)據(jù)信息空間內(nèi)的單個(gè)電能表個(gè)體的維數(shù)。

(5)

式中，Hd為電能表數(shù)據(jù)信息中不同子群內(nèi)部數(shù)據(jù)信息的d維度的個(gè)體上限數(shù)值，Ld為電能表數(shù)據(jù)信息種子群內(nèi)部d維的個(gè)體下限數(shù)值。通過(guò)設(shè)置迭代次數(shù)，則可以實(shí)現(xiàn)電能表數(shù)據(jù)信息檢索的預(yù)期值。

2.2 層次分析法算法模型及構(gòu)建方法

判斷矩陣中，所有層之間的所有元素針對(duì)上一層某一個(gè)元素相對(duì)重要性進(jìn)行比較，電能表影響程度的比較通過(guò)表1的方式進(jìn)行對(duì)比。

表1 判斷矩陣的標(biāo)度和參數(shù)信息示意表

改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)模型輸出的電能表數(shù)據(jù)信息中，通過(guò)兩兩對(duì)比，將精選出的數(shù)據(jù)信息構(gòu)成準(zhǔn)則層內(nèi)的判斷矩陣，通過(guò)判斷矩陣實(shí)現(xiàn)數(shù)據(jù)信息的對(duì)比，判斷矩陣如式(6)：

A={aij}n×n

(6)

然后將不同類型的電能表數(shù)據(jù)信息通過(guò)兩兩對(duì)比后，構(gòu)成新型的矩陣，則有：

(7)

式中，aij表示電能表數(shù)據(jù)類型選出來(lái)后的指標(biāo)Bi和Bj相對(duì)目標(biāo)A的重要性程度的標(biāo)度。

然后再將對(duì)比后的電能表質(zhì)量評(píng)價(jià)后的數(shù)據(jù)信息進(jìn)行一致性檢驗(yàn)判斷，通過(guò)以下指標(biāo)CI進(jìn)行評(píng)價(jià)，該指標(biāo)為

(8)

式中，λmax表示式(7)中矩陣方程中輸出的最大電能表分類信息特征根，n表示為具有不同類型電能表數(shù)據(jù)信息分類后的矩陣方程維數(shù)。

在輸出數(shù)據(jù)CI=0的情況下，表示矩陣方程電能表輸出數(shù)據(jù)信息一致，當(dāng)CI比較大的情況下，比如大于10，表示電能表輸出數(shù)據(jù)信息不一致，在 改進(jìn)型算法模型中， CR表示為一致性比率，該比率計(jì)算公式如式(9)：

(9)

在CR<0.1的情況下，則表示為電能表輸出數(shù)據(jù)信息為用戶設(shè)置的質(zhì)量允許的范圍，當(dāng)數(shù)據(jù)信息不一致時(shí)，電能表數(shù)據(jù)信息特征向量歸一化后的數(shù)據(jù)信息為權(quán)向量。如果沒(méi)有通過(guò)檢驗(yàn)，則需要重新構(gòu)造判斷矩陣。對(duì)于1階、2階矩陣方程，數(shù)據(jù)信息為一致的，此時(shí)，CR=0。其中RI的電能表數(shù)據(jù)信息取值表通過(guò)表2來(lái)表示。則有：

表2 RI信息取值表

在判斷矩陣中，各個(gè)層次之間的元素的權(quán)重通過(guò)判斷矩陣各層之間的最大特征值以及各層對(duì)應(yīng)的歸一化數(shù)據(jù)特征向量來(lái)表示，關(guān)系式可以為

AW=γmaxW

(10)

式中，γmax表示判斷矩陣具有的最大特征值，W表示判斷矩陣具有的相應(yīng)特征向量。然后對(duì)這兩個(gè)值進(jìn)行歸一化處理，則有：

(11)

然后輸出層次分析法算法模型中準(zhǔn)則層內(nèi)不同電能表數(shù)據(jù)信息不同元素的相對(duì)目標(biāo)層和方案層各元素相對(duì)準(zhǔn)則層的權(quán)重，則權(quán)重的公式可以為

(12)

式中，Wci表示層次分析法算法模型中方案層第i個(gè)電能表計(jì)量數(shù)據(jù)元素信息Ci相對(duì)于層次分析法算法模型中目標(biāo)層具有的權(quán)重?cái)?shù)值，WCBij為層次分析法算法模型中方案層中電能表數(shù)據(jù)信息元素Ci相對(duì)于準(zhǔn)則層中第j個(gè)元素Bj的權(quán)重，WBj為層次分析法算法模型中準(zhǔn)則層內(nèi)的電能表數(shù)據(jù)元素Bj相對(duì)于層次分析法算法模型中目標(biāo)層的權(quán)重。

最終輸出電能表質(zhì)量目標(biāo)數(shù)據(jù)算法模型為

(13)

式中，U表示電能表質(zhì)量數(shù)據(jù)信息的最終打分情況，Yi表示為電能表層次分析方法中方案層第i個(gè)電能數(shù)據(jù)信息元素Ci的得分。通過(guò)上述方法實(shí)現(xiàn)了電能數(shù)據(jù)質(zhì)量評(píng)價(jià)的高精度輸出。

3 試驗(yàn)結(jié)果與仿真

為了體現(xiàn) 方法的技術(shù)優(yōu)越性，通過(guò)在實(shí)驗(yàn)室環(huán)境下實(shí)現(xiàn)電能表數(shù)據(jù)信息的判斷，然后進(jìn)行計(jì)算機(jī)數(shù)據(jù)仿真，其中的硬件配置為：CPU硬件模型為Inter Core i7-9700H，數(shù)據(jù)內(nèi)存為3 200 MHz 8×4 GB，硬盤大小為16 TB。

首先對(duì)整體算法模型計(jì)算的準(zhǔn)確度進(jìn)行試驗(yàn)，人為假設(shè)電能表故障數(shù)據(jù)信息為10 000個(gè)，新選擇的數(shù)據(jù)樣本為100*103個(gè)，數(shù)據(jù)量的基數(shù)越大，準(zhǔn)確率越高。數(shù)據(jù)傳輸情況如圖4所示。

圖4 數(shù)據(jù)傳輸架構(gòu)示意圖

然后啟動(dòng)所提方法電能表質(zhì)量評(píng)價(jià)模型進(jìn)行數(shù)據(jù)計(jì)算，將所提的方法與k-means算法模型和隨機(jī)矩陣?yán)碚撃Ｐ瓦M(jìn)行對(duì)比分析。經(jīng)過(guò)2個(gè)小時(shí)的計(jì)算，得出如表3所示的數(shù)據(jù)信息表。

從表3可以看出，所提的方法識(shí)別出的正確率較高。為了形象的表示計(jì)算效果，下面通過(guò)曲線圖的方式對(duì)計(jì)算誤差進(jìn)行直觀表示(見(jiàn)圖5)。

表3 計(jì)算出的數(shù)據(jù)信息表

圖5 誤差對(duì)比示意圖

通過(guò)圖5可以看出，當(dāng)電能表質(zhì)量信息大數(shù)據(jù)訓(xùn)練集為30*103時(shí)，k-means算法的電能表大數(shù)據(jù)挖掘技術(shù)的故障數(shù)據(jù)識(shí)別率為60%左右，基于隨機(jī)矩陣?yán)碚摰碾娔鼙頂?shù)據(jù)信息挖掘技術(shù)的故障識(shí)別率為40%左右，而 的方法誤差識(shí)別率為77%。當(dāng)電能表質(zhì)量信息大數(shù)據(jù)訓(xùn)練集為100*103時(shí)，k-means算法的電能表大數(shù)據(jù)挖掘技術(shù)數(shù)據(jù)分類準(zhǔn)確率約為65%，基于隨機(jī)矩陣?yán)碚摰碾娔鼙泶髷?shù)據(jù)挖掘技術(shù)的分類準(zhǔn)確率約為60%， 方法分類準(zhǔn)確率高達(dá)92%以上。因此， 算法的質(zhì)量評(píng)價(jià)準(zhǔn)確率高。下面在從處理時(shí)間上進(jìn)行對(duì)比分析。處理時(shí)間對(duì)比示意圖如圖6所示。

圖6 處理時(shí)間對(duì)比示意圖

從圖6可以看出，通過(guò)與k-means算法模型和隨機(jī)矩陣?yán)碚撃Ｐ瓦M(jìn)行對(duì)比分析，所提的方法花費(fèi)的時(shí)間最少，可見(jiàn)所提的方法不僅輸出的數(shù)據(jù)準(zhǔn)確率高，而且時(shí)間消耗的最少，具有突出的技術(shù)優(yōu)勢(shì)。

4 總結(jié)

針對(duì)當(dāng)前技術(shù)中對(duì)電能表質(zhì)量評(píng)價(jià)技術(shù)落后的問(wèn)題， 構(gòu)建電能表質(zhì)量評(píng)價(jià)模型，將多種不同類型的電能表數(shù)據(jù)信息有機(jī)融合在一起，實(shí)現(xiàn)了多源數(shù)據(jù)融合，提高了電能表質(zhì)量的評(píng)價(jià)能力。構(gòu)建出改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)模型，在常規(guī)BP神經(jīng)網(wǎng)絡(luò)模型中融入MEA算法模型，提高了BP神經(jīng)網(wǎng)絡(luò)模型輸入數(shù)據(jù)的精確度，構(gòu)建的層次分析法模型能夠提高電能表質(zhì)量評(píng)估能力，但仍舊存在一些技術(shù)不足，比如模型兼容性問(wèn)題等，這需要進(jìn)一步的研究。