云邊協(xié)同背景下基于融合RF算法的電網(wǎng)數(shù)據(jù)資產(chǎn)綜合處理技術(shù)

陳浩敏　梁錦照　馬贅　李晉偉

摘要：針對現(xiàn)有大多數(shù)方法難以充分挖掘出電網(wǎng)數(shù)據(jù)潛在價值的問題，提出了一種云邊協(xié)同背景下基于隨機森林算法結(jié)合BP神經(jīng)網(wǎng)絡(luò)的電網(wǎng)數(shù)據(jù)資產(chǎn)綜合處理技術(shù)。該技術(shù)在靠近電網(wǎng)數(shù)據(jù)源一側(cè)部署邊緣計算節(jié)點，以構(gòu)建云邊協(xié)同環(huán)境下的電網(wǎng)數(shù)字化資產(chǎn)管理系統(tǒng)。利用隨機森林算法設(shè)計分類器完成電網(wǎng)數(shù)據(jù)類型的劃分，并將各類型數(shù)據(jù)輸入至BP神經(jīng)網(wǎng)絡(luò)中進行學(xué)習(xí)，通過不斷地迭代優(yōu)化輸出相應(yīng)的綜合處理結(jié)果。基于Python平臺進行的實驗分析結(jié)果表明，所提技術(shù)的分類準(zhǔn)確率均超過了90%，能夠有效提升電網(wǎng)數(shù)據(jù)資產(chǎn)的處理效率。

關(guān)鍵詞：云邊協(xié)同；隨機森林算法；BP神經(jīng)網(wǎng)絡(luò)；電網(wǎng)數(shù)據(jù)資產(chǎn)；電網(wǎng)數(shù)字化；分類器；數(shù)據(jù)處理；負(fù)荷預(yù)測

中圖分類號：TM743 文獻標(biāo)志碼：A 文章編號：1000-1646（2024）01-0054-06

隨著電力信息智能化調(diào)度和電網(wǎng)設(shè)備管理的精細化要求日益提高，國內(nèi)外對于電網(wǎng)實際資產(chǎn)規(guī)模管理、投資成本優(yōu)化等問題提出了更高的要求。對于包含電網(wǎng)輸出參數(shù)、用戶信息以及設(shè)施設(shè)備信息的電網(wǎng)數(shù)據(jù)資產(chǎn)，由于其隨著電網(wǎng)運行時間的增加和規(guī)模的擴展而呈指數(shù)級增長，因此亟需進一步優(yōu)化管理流程，以提高電網(wǎng)數(shù)據(jù)資產(chǎn)的管理水平。在大數(shù)據(jù)背景下，結(jié)合大數(shù)據(jù)信息處理方法對電網(wǎng)資產(chǎn)進行合理評估與調(diào)度是當(dāng)前國內(nèi)外研究的重點。

電網(wǎng)資產(chǎn)信息的綜合處理包含對相關(guān)數(shù)據(jù)的評估、調(diào)度，其本質(zhì)是對基于大數(shù)據(jù)挖掘的電網(wǎng)資產(chǎn)信息時間序列分布進行分析，并結(jié)合優(yōu)化調(diào)度及控制方法實現(xiàn)對電網(wǎng)資產(chǎn)信息的評估與處理。傳統(tǒng)分析方法大多基于大數(shù)據(jù)預(yù)測和調(diào)度方法，結(jié)合相關(guān)性與自適應(yīng)評估方法對電網(wǎng)資產(chǎn)信息進行處理。張偉昌等提出了一種基于大數(shù)據(jù)挖掘的電網(wǎng)資產(chǎn)分析模型，該模型將模糊C均值聚類（fuzzy C-means，F(xiàn)CM）算法與關(guān)聯(lián)特征分解法相結(jié)合，進而對數(shù)據(jù)信息進行自適應(yīng)重組，同時采用Lyapunov指數(shù)法完成對電網(wǎng)數(shù)據(jù)信息的預(yù)測。CHEN等基于電網(wǎng)資產(chǎn)管理技術(shù)的研究現(xiàn)狀，分析了狀態(tài)評估、可靠性和風(fēng)險評估關(guān)鍵技術(shù)的重要性，指出數(shù)字化及信息化是資產(chǎn)管理中的重要支撐與關(guān)鍵技術(shù)。陳俊剛通過分析小波變化與Perona-Malik方程間的關(guān)系得到梯度擴散系數(shù)，并利用該系數(shù)改進電氣設(shè)備行波檢測模型，從而實現(xiàn)對故障的檢測及預(yù)警。但由于信息規(guī)模的不斷擴大，傳統(tǒng)云計算的大數(shù)據(jù)處理方法在時效性和可靠性方面均暴露出了一定的問題。隨著SG網(wǎng)絡(luò)的發(fā)展，云邊協(xié)同方法的優(yōu)勢逐步凸顯。

針對傳統(tǒng)方法無法滿足電網(wǎng)數(shù)據(jù)資產(chǎn)信息處理體量大、可靠性及時效性要求較高的問題，在云邊協(xié)同技術(shù)背景下，本文提出了一種基于隨機森林（random forest，RF）算法結(jié)合BP（back propagation）神經(jīng)網(wǎng)絡(luò)的電網(wǎng)數(shù)據(jù)資產(chǎn)綜合處理方法。該方法兼顧了數(shù)據(jù)處理的可靠性與時效性，提高了數(shù)據(jù)處理效率。

1 電網(wǎng)數(shù)字化資產(chǎn)管理系統(tǒng)設(shè)計

由于傳統(tǒng)數(shù)據(jù)處理方式已無法滿足云計算中數(shù)據(jù)實時處理的需求，因此需要對數(shù)據(jù)進行簡化，這就導(dǎo)致某些關(guān)乎用戶體驗細粒度的數(shù)據(jù)被舍棄，從而無法深入挖掘電網(wǎng)數(shù)據(jù)的潛在價值。而邊緣計算技術(shù)的興起恰好解決了這一問題。不同于云計算的處理方式，邊緣計算將數(shù)據(jù)處理下放到網(wǎng)絡(luò)邊緣側(cè)的數(shù)據(jù)源附近，以實現(xiàn)數(shù)據(jù)及相關(guān)需求的就近處理與快速響應(yīng)。這種計算方式不僅提升了用戶側(cè)快速調(diào)度的響應(yīng)速度，減小了計算延時，還有效緩解了云計算中心存儲和鏈路通信的壓力。因此，本文在云計算的基礎(chǔ)上，結(jié)合邊緣計算技術(shù)設(shè)計了電網(wǎng)數(shù)字化資產(chǎn)管理系統(tǒng)，其整體架構(gòu)如圖1所示。

在該云邊協(xié)同架構(gòu)中，云中心和邊緣計算節(jié)點各有分工：復(fù)雜度較高的非實時性與非全局性數(shù)據(jù)業(yè)務(wù)由云計算中心完成；而邊緣計算節(jié)點主要完成小型實時本地數(shù)據(jù)處理業(yè)務(wù)。由于本地處理數(shù)據(jù)對通信及內(nèi)存的要求較低，因此整體處理成本低，具有較高的經(jīng)濟性。用戶端則為數(shù)據(jù)源頭，可以提供精細化的多源信息，有助于支撐上層決策，并實現(xiàn)智能、便捷及個性的客戶服務(wù)。系統(tǒng)的主要組成部分如下：

1）終端。用戶端上傳智能電表、變電站運行設(shè)備以及地理氣象等數(shù)據(jù)至附近的邊緣計算節(jié)點。

2）邊緣端。邊緣計算節(jié)點在數(shù)據(jù)庫存儲的歷史數(shù)據(jù)基礎(chǔ)上，結(jié)合處理后的實時數(shù)據(jù)作為分類器輸入，利用隨機森林算法對電網(wǎng)數(shù)據(jù)類型進行分類，并將分類后的數(shù)據(jù)類型傳輸至云端。相較于傳統(tǒng)電網(wǎng)數(shù)據(jù)云端處理的統(tǒng)一管理，邊緣節(jié)點可看作云中心在各區(qū)域分派了多個“管理員”來承擔(dān)細粒度的區(qū)域管理任務(wù)。

3）云端。云中心利用BP神經(jīng)網(wǎng)絡(luò)對各區(qū)域的各種數(shù)據(jù)類型進行深入分析，以完成相應(yīng)的處理任務(wù)，如負(fù)荷預(yù)測、設(shè)備故障診斷等。同時云中心將分析得到的結(jié)果與管控措施發(fā)送至各邊緣節(jié)點，從而實現(xiàn)全系統(tǒng)數(shù)據(jù)的高效處理。

2 數(shù)據(jù)資產(chǎn)綜合處理技術(shù)

對于單一的處理技術(shù)難以合理、高效地利用電網(wǎng)海量數(shù)據(jù)資產(chǎn)的問題，本文提出了融合處理技術(shù)。所設(shè)計的技術(shù)方案首先通過隨機森林算法處理邊緣節(jié)點所獲取的各類電網(wǎng)數(shù)據(jù)，以區(qū)分其資產(chǎn)類型；然后再將各類型電網(wǎng)數(shù)據(jù)分別輸入至BP神經(jīng)網(wǎng)絡(luò)中進行迭代學(xué)習(xí)，從而獲得相應(yīng)的處理結(jié)果，如負(fù)荷預(yù)測、故障診斷等。

2.1 數(shù)據(jù)預(yù)處理

電網(wǎng)數(shù)據(jù)的覆蓋面廣、類型龐雜，在取值范圍、數(shù)量級甚至數(shù)據(jù)源種類方面均存在著較大差異。若未對電網(wǎng)數(shù)據(jù)進行預(yù)處理，可能會出現(xiàn)大量級數(shù)據(jù)覆蓋小量級數(shù)據(jù)信息的情況，從而導(dǎo)致網(wǎng)絡(luò)訓(xùn)練時間過長且分類結(jié)果不準(zhǔn)確。因此需要對電網(wǎng)數(shù)據(jù)進行預(yù)處理，采用歸一化數(shù)據(jù)處理方式，其數(shù)學(xué)表達式為

綜上可知，BP神經(jīng)網(wǎng)絡(luò)在輸入數(shù)據(jù)方面無嚴(yán)格要求，且通過不斷地反向傳播，誤差將逐漸減小，并能處理輸入與輸出之間的非線性關(guān)系，從而實現(xiàn)應(yīng)用服務(wù)預(yù)期值。因此，可以利用BP神經(jīng)網(wǎng)絡(luò)對電網(wǎng)數(shù)據(jù)進行綜合處理，以充分挖掘數(shù)據(jù)資產(chǎn)的價值。例如在進行負(fù)荷預(yù)測時，通過智能電表等終端來采集各類負(fù)荷數(shù)據(jù)，并將其上傳至邊緣計算中心進行分類；在云平臺處將分類結(jié)果、天氣和用電習(xí)慣等數(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡(luò)，再經(jīng)過學(xué)習(xí)分析，即可輸出下一時刻的負(fù)荷值；根據(jù)負(fù)荷的預(yù)測結(jié)果生成相應(yīng)的調(diào)度方案，從而保證電網(wǎng)的可靠運行。

3 實驗結(jié)果與分析

實驗所使用的硬件設(shè)備為Intel⑩CoreTM i7-7500 CPU@2.7GHz，RAM32 GB的Windows 10操作系統(tǒng)，利用PyTorch平臺中深度學(xué)習(xí)框架與Scikit-Learn模塊分別完成BP神經(jīng)網(wǎng)絡(luò)模型和隨機森林算法分類器的訓(xùn)練。BP神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置如表1所示。

實驗采用System Reg交叉編譯工具以及Matlab仿真平臺，設(shè)置電網(wǎng)數(shù)據(jù)資產(chǎn)信息的規(guī)模數(shù)為50000條，數(shù)據(jù)采樣頻率為1024kHz。

3.1 云邊協(xié)同的數(shù)據(jù)處理效率分析

本文設(shè)計的技術(shù)方案基于云邊協(xié)同的電網(wǎng)數(shù)據(jù)化資產(chǎn)管理系統(tǒng)而展開，在靠近數(shù)據(jù)源側(cè)部署邊緣計算節(jié)點能夠更快地響應(yīng)服務(wù)需求，提高數(shù)據(jù)處理效率。為了對此進行驗證，將數(shù)據(jù)集分別在云計算測試組、云邊協(xié)同計算測試組中運行，所得計算時間如圖3所示。

從圖3中可以看出，當(dāng)數(shù)據(jù)規(guī)模小于25000條時，云計算的耗時始終低于云邊協(xié)同。這是因為在云邊協(xié)同的數(shù)據(jù)處理模式下，邊緣計算節(jié)點會對數(shù)據(jù)進行預(yù)處理，然而其計算能力有限，因此比直接在云計算中心進行處理的耗時要長。但隨著數(shù)據(jù)量的增加，云計算中心的處理能力逐漸趨于飽和，并出現(xiàn)網(wǎng)絡(luò)擁塞等情況，所以耗時呈直線快速上升的趨勢，且最終接近100s。在云邊協(xié)同模式下，由于數(shù)據(jù)經(jīng)過邊緣計算節(jié)點預(yù)處理，上傳至云中心的數(shù)據(jù)量大幅減少，因此當(dāng)數(shù)據(jù)規(guī)模為50000條時，其耗時也僅為70s，明顯少于云計算的耗時，由此證明了云邊協(xié)同管理模式的有效性。

3.2 電網(wǎng)數(shù)據(jù)資產(chǎn)分類結(jié)果

利用隨機森林算法劃分電網(wǎng)數(shù)據(jù)資產(chǎn)的類型，不同數(shù)據(jù)類型的分類準(zhǔn)確率如表2所示。其中，準(zhǔn)確率Pr、召回率Re及F1值的計算公式為

式中：TP表示算法輸出為正，實際也為正的樣本數(shù)；FN表示算法輸出為負(fù)，實際為正的樣本數(shù)；FP表示算法輸出為正，但實際為負(fù)的樣本數(shù)。

從表2中可以看出，所提技術(shù)方案能夠準(zhǔn)確地劃分電網(wǎng)的數(shù)據(jù)類型，尤其是用戶信息具有顯著的數(shù)據(jù)特征，其準(zhǔn)確率可高達99.01%。而電網(wǎng)設(shè)備由于其設(shè)施眾多且規(guī)格繁雜，例如電流互感器與電壓互感器等易產(chǎn)生混淆。因此，其F1值僅為91.33%。但整體而言，所提技術(shù)能夠準(zhǔn)確識別電網(wǎng)數(shù)據(jù)類型，并為數(shù)據(jù)資產(chǎn)的合理利用奠定基礎(chǔ)。

3.3 不同技術(shù)的處理結(jié)果

運用所提技術(shù)綜合處理電網(wǎng)數(shù)據(jù)資產(chǎn)，可以發(fā)掘其潛在價值，進而實現(xiàn)多種應(yīng)用需求，本文以負(fù)荷預(yù)測為例進行實驗論證。為了驗證所提技術(shù)對電網(wǎng)負(fù)荷數(shù)據(jù)的處理性能，將其與文獻[6]方法進行對比，結(jié)果如圖4所示。

由圖4可知，所提技術(shù)得到的負(fù)荷預(yù)測值和真實值較為接近，而文獻[6]方法的波動明顯。例如當(dāng)時間為65s時，負(fù)荷真實值約為120kW，而文獻[6]方法的預(yù)測值達到了140kW。這是由于所提技術(shù)結(jié)合了隨機森林分類器與BP神經(jīng)網(wǎng)絡(luò)，能夠更好地處理繁雜的數(shù)據(jù)，因此預(yù)測效果更優(yōu)。文獻[6]方法基于模糊C均值聚類法和關(guān)聯(lián)特征分解法來實現(xiàn)負(fù)荷預(yù)測，此種方法較為傳統(tǒng)，在處理數(shù)字化電網(wǎng)時的難度偏大，因此對于天氣驟變等一系列突發(fā)狀況，其預(yù)測效果并不理想。

4 結(jié)束語

在電網(wǎng)智能化發(fā)展的趨勢下，科學(xué)、合理地發(fā)掘電網(wǎng)數(shù)據(jù)價值將在電網(wǎng)資產(chǎn)管理中發(fā)揮重要作用。本文提出了一種云邊協(xié)同背景下基于隨機森林算法結(jié)合BP神經(jīng)網(wǎng)絡(luò)的電網(wǎng)數(shù)據(jù)資產(chǎn)綜合處理技術(shù)。該技術(shù)在構(gòu)建云邊協(xié)同環(huán)境下電網(wǎng)數(shù)字化資產(chǎn)管理系統(tǒng)的基礎(chǔ)上，利用隨機森林算法分類器劃分電網(wǎng)的數(shù)據(jù)類型，并將其輸入至BP神經(jīng)網(wǎng)絡(luò)中進行分析學(xué)習(xí)，從而得到相應(yīng)的系統(tǒng)服務(wù)需求結(jié)果?；赑ython平臺的實驗結(jié)果表明，云邊協(xié)同的數(shù)據(jù)處理耗時明顯少于云計算，且所提技術(shù)的分類準(zhǔn)確率均超過了90%，同時負(fù)荷預(yù)測結(jié)果誤差較小，由此論證了該技術(shù)的有效性與可靠性。

所提技術(shù)方案雖然取得了顯著的成效，但其在實驗中也存在一些不足。例如僅驗證了負(fù)荷預(yù)測效果，而未對用戶用電行為、電網(wǎng)設(shè)備運行情況等分析結(jié)果進行討論。因此，將在后續(xù)的研究中對該技術(shù)進行不斷地改進及完善，以提高其普適性。

（責(zé)任編輯：鐘媛 英文審校：尹淑英）