基于大數(shù)據(jù)的計量資產(chǎn)管理狀態(tài)預警分析

摘 要：本文旨在針對智慧電網(wǎng)資產(chǎn)管理狀態(tài)評估，利用誤差反向傳播神經(jīng)網(wǎng)絡構(gòu)建狀態(tài)預警分析機制，并通過性能測試探討神經(jīng)元數(shù)量與網(wǎng)絡結(jié)構(gòu)對預警準確率的影響，以期為數(shù)字化資產(chǎn)管理提供有效支持。通過試驗結(jié)果發(fā)現(xiàn)，在不同隱藏層數(shù)和樣本規(guī)模下神經(jīng)網(wǎng)絡模型存在相應變化，在較小樣本規(guī)模和較少隱藏層數(shù)條件下，增加神經(jīng)元數(shù)量可以降低誤差率；而在較大樣本規(guī)模和隱藏層數(shù)條件下，可能導致過擬合效應。這一結(jié)果說明在智慧電網(wǎng)資產(chǎn)管理狀態(tài)評估中需要謹慎考慮選擇合適大小及結(jié)構(gòu)深度，以獲取最佳預測精度。

關鍵詞：大數(shù)據(jù)；資產(chǎn)管理；狀態(tài)預警；多層前饋算法

中圖分類號：F 407 文獻標志碼：A

對企業(yè)和組織來說，如何有效地評估資產(chǎn)狀態(tài)并提供及時、準確的預警信息至關重要，本文面向大數(shù)據(jù)的計量資產(chǎn)管理分析，運用誤差反向傳播神經(jīng)網(wǎng)絡構(gòu)建狀態(tài)預警分析機制，此方面已有一定規(guī)模先行研究提供參考與支持。黃璐等[1]探索與實踐基于數(shù)智技術的新商科試驗數(shù)據(jù)資產(chǎn)管理體系，推動數(shù)字教育生態(tài)發(fā)展。徐京平等[2]構(gòu)建國家審計與公共數(shù)據(jù)資產(chǎn)管理邏輯體系，提出驅(qū)動路徑，以促進我國數(shù)字治理現(xiàn)代化。孫圣雄等[3]研究了技術與信任融合的數(shù)字藝術產(chǎn)業(yè)數(shù)據(jù)資產(chǎn)管理體系，促進數(shù)字藝術健康發(fā)展并保護主體權利。侯修群等[4]通過DPMM方法解決核主泵狀態(tài)預警問題，并開發(fā)振動異常數(shù)據(jù)定位方法提高預警準確率。王曉蓉[5]提出基于大數(shù)據(jù)挖掘的電力變壓器健康狀態(tài)差異預警規(guī)則策略，并成功應用于現(xiàn)場運行中，準確率為98.21%。徐堯宇等[6]引入信息決策理論和屬性依賴度理論解決信息缺失下變壓器狀態(tài)預警問題，驗證其有效性，為變壓器智能化運維和風險管控提供了指導。馬新娜等[7]提出了高速列車監(jiān)測大數(shù)據(jù)可視化分析模型。

1 模型構(gòu)建

1.1 數(shù)據(jù)獲取

在針對智慧電網(wǎng)資產(chǎn)管理狀態(tài)評估的研究中，數(shù)據(jù)的準備階段至關重要。智慧電網(wǎng)涉及大量復雜的資產(chǎn)，例如變壓器、電表、傳感器等，這些資產(chǎn)產(chǎn)生的數(shù)據(jù)對分析和預測電網(wǎng)運行狀態(tài)至關重要。面向預警需要，收集與智慧電網(wǎng)相關的大規(guī)模結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，包括實時負荷情況、設備運行狀態(tài)、天氣條件等信息。在數(shù)據(jù)準備階段，需要收集各種相關的數(shù)據(jù)源，例如電壓 V（t）、電流I（t） 、溫度 T（t）等各種傳感器測量的實時數(shù)據(jù)。這些數(shù)據(jù)在時間上可能是連續(xù)的或者不連續(xù)的。為了進行模型處理和分析，需要為所有的連續(xù)或不連續(xù)時間流中的數(shù)據(jù)分配時間戳t ，以確保數(shù)據(jù)的時序性和連續(xù)性。

設ti為第i個時間點，構(gòu)成事件流 t1，t2，…，tn，其中n為數(shù)據(jù)點的總數(shù)，也即采樣的總體時間跨度。每個時間點ti對應1組測量數(shù)據(jù)，例如電壓V（ti） 、電流I（ti） 、溫度 T（ti）以及與之相關的其他信息。

立足這一時間流，模型還需要基于時間戳增加設備的維修歷史、維護時間、更換部件等信息，以捕捉系統(tǒng)環(huán)境的故障和異常。為了考慮長期穩(wěn)定的外部環(huán)境變化，模型也需要收集例如天氣條件、季節(jié)變化等可能影響電網(wǎng)運行的外部因素，為時間戳增加其周期性波動材料，從而更好地處理電網(wǎng)資產(chǎn)管理的各類環(huán)境時間因素，豐富其時間戳信息，為后續(xù)分析奠定良好基礎。

為了兼顧多樣化的數(shù)據(jù)支持，其數(shù)據(jù)收集與整合工作復雜，這些數(shù)據(jù)來源于不同的系統(tǒng)和平臺，需要通過API、數(shù)據(jù)庫查詢或直接采集來獲取，通過電網(wǎng)內(nèi)部信息渠道進行采集，包括設備中的環(huán)境監(jiān)測傳感器與業(yè)務活動通信流進行數(shù)據(jù)捕捉、分類，并存儲在數(shù)據(jù)庫中。確保數(shù)據(jù)的完整性、實時性和準確性是數(shù)據(jù)準備階段的首要任務，因為后續(xù)的分析和預測結(jié)果直接依賴這些數(shù)據(jù)。

1.2 數(shù)據(jù)整理

基于復雜的數(shù)據(jù)來源整理、歸集，其還需要進行下一步數(shù)據(jù)清洗和特征工程的處理以及數(shù)據(jù)的有效劃分，確保在建模和評估過程中能夠充分利用數(shù)據(jù)的潛力。一旦數(shù)據(jù)收集完成，接下來是數(shù)據(jù)清洗和特征工程的處理。數(shù)據(jù)清洗旨在處理數(shù)據(jù)中的錯誤值、缺失值和異常值，以確保數(shù)據(jù)質(zhì)量和一致性。其需要將不同尺度和單位的數(shù)據(jù)轉(zhuǎn)換為統(tǒng)一的標準，以便模型在訓練過程中能夠更好地收斂和表現(xiàn)?；诖耍枰锰卣鞴こ碳夹g從原始數(shù)據(jù)中提取關鍵特征，例如負荷曲線形狀、設備溫度變化趨勢等。同時，也需要識別并處理與正常數(shù)據(jù)分布不一致的異常值，可以通過統(tǒng)計方法或機器學習算法來實現(xiàn)。這些特征將成為神經(jīng)網(wǎng)絡訓練和預測過程中使用的輸入，其輸入樣本如公式（1）所示。

X={p1，p2，…，pn} （1）

式中：X為輸入樣本；p1，p2，…，pn為傳感器或其他來源數(shù)據(jù)的時間序列。

確定適當類型和層數(shù)的模型與算法，并設置每個隱藏層節(jié)點數(shù)以及輸出層節(jié)點數(shù)來適應所需任務。具體來說，本文相應選擇泛化性能良好的多層前饋算法，其在圖像處理、語音識別、自然語言處理、金融風控、醫(yī)療影像輔助等許多領域都有成功案例，相關系統(tǒng)均運作良好。在智能電網(wǎng)資產(chǎn)管理中，可以使用神經(jīng)網(wǎng)絡等機器學習模型來構(gòu)建狀態(tài)評估模型，假設的神經(jīng)網(wǎng)絡包括L層，l包括權重矩陣W（l）、偏置向量b（l）以及激活函數(shù)σ（）。在前向傳播過程中，輸入樣本X在權重矩陣W（l）和偏置項b（l）的作用下，通過激活函數(shù)σ（），逐層計算得到輸出結(jié)果Y，其過程如公式（2）所示。

z（l）=W（l）a（l-1）+b（l） （2）

式中：l為神經(jīng)網(wǎng)絡中的每一層，從輸入層開始遞增直到輸出層，其中輸入層為1，輸出層為L；W（l）為第l層與第l+1層之間連接權重矩陣，它用來調(diào)整不同層之間節(jié)點（或者稱為神經(jīng)元）之間傳遞信息時所使用的權重；b（l）為偏置向量，在計算每個節(jié)點激活函數(shù)前都會加上一個偏置項；a（l+1）為對上一層的繼承，又涉及激活函數(shù)的參與。

1.3 參數(shù)調(diào)整

由此，這個輸出也會成為下一層節(jié)點的輸入信號，其逐層遞進中的a（l）如公式（3）所示。

a（l）=σ（z（l）） （3）

式中：σ（）為激活函數(shù)，在每個節(jié)點上引入非線性特性并捕獲更復雜的模式和關系，通常包括Sigmoid、ReLU、tanh等函數(shù)。

因此，針對輸入層有公式（4）。

z（1）=σ（W（1）X（1）+b（1）） （4）

針對輸出層有公式（5）。

Y=σ（W（L）a（L）+b（L）） （5）

神經(jīng)網(wǎng)絡訓練中，損失函數(shù)的計算和反向傳播算法的應用都是為了優(yōu)化模型的性能，以更好地預測電網(wǎng)資產(chǎn)的狀態(tài)和性能。通過訓練神經(jīng)網(wǎng)絡，可以建立一個復雜的數(shù)學模型，用于狀態(tài)評估系統(tǒng)的開發(fā)。這個模型可以利用歷史數(shù)據(jù)和實時數(shù)據(jù)來預測電網(wǎng)資產(chǎn)的狀態(tài)和性能，并提供預警機制，以便及時采取措施來維護電網(wǎng)的運行和穩(wěn)定性。

當訓練神經(jīng)網(wǎng)絡時，需要計算損失函數(shù)來衡量模型預測值與真實標簽之間的差異，損失函數(shù)的計算和反向傳播算法的應用都是為了優(yōu)化模型的性能，以更好地預測電網(wǎng)資產(chǎn)的狀態(tài)和性能。通過訓練神經(jīng)網(wǎng)絡和比較差異，可以評估模型在當前參數(shù)下的表現(xiàn)，利用歷史數(shù)據(jù)和實時數(shù)據(jù)來預測電網(wǎng)資產(chǎn)的狀態(tài)和性能，并提供預警機制，以便及時采取措施來保證電網(wǎng)的運行和穩(wěn)定性，并利用這一信息來調(diào)整參數(shù)，以減少損失函數(shù)，使模型更好地擬合訓練數(shù)據(jù)。

其損失計算如公式（6）所示。

（6）

式中：L為損失函數(shù)（Loss）；Y為神經(jīng)網(wǎng)絡輸出的預測值；Yture為真實標簽。

反向傳播算法用于計算損失函數(shù)對網(wǎng)絡參數(shù)的梯度，進而更新網(wǎng)絡參數(shù)，以最小化損失函數(shù)。反向傳播主要分為2個部分，包括求解各參數(shù)對應導數(shù)和利用這些導數(shù)來更新相應參數(shù)（使整體損失減?。?。基于此，匯聚從最后一層開始逐漸往回更新，需要根據(jù)當前預測與真實目標之間誤差量L，計算最后一次迭代產(chǎn)生錯誤所影響到每個節(jié)點上面需要調(diào)整多少才能減小總體誤差。接著根據(jù)鏈式法則、矩陣轉(zhuǎn)置等原理依次推斷其他隱藏、隱含結(jié)點所需調(diào)整量，利用這些參數(shù)來更新相應參數(shù)，使整體損失減小，最終使用如下方式來完成模型內(nèi)部變量修正。

其中，更新連接權重矩陣如公式（7）所示。

（7）

式中：α為學習率，這一超參數(shù)用于控制步長大小，從而影響單次迭代的波動水平。

更新偏置項如公式（8）所示。

（8）

以上兩者構(gòu)成一個不斷交替迭代優(yōu)化的過程，直至達到許可精度或者盡可能接近全局最佳狀態(tài)，包括對各種資產(chǎn)狀態(tài)和性能的實時監(jiān)測和預測以及對潛在問題的及時發(fā)現(xiàn)和解決。

2 性能測試

本研究中，利用智慧電網(wǎng)數(shù)據(jù)庫獲取了大規(guī)模數(shù)據(jù)集。這些數(shù)據(jù)包括了各種計量資產(chǎn)的運行狀態(tài)、能源消耗情況以及設備健康狀況等信息。在獲得原始數(shù)據(jù)后，去除重復記錄、缺失值以及異常值，并對噪聲進行平滑處理，提取與資產(chǎn)管理狀態(tài)評估相關的特征變量，并對其進行歸一化處理。基于不同隱藏層數(shù)和樣本規(guī)模要求，在經(jīng)過清洗和提取后，按照設定條件隨機抽取相應數(shù)量的樣本作為訓練集和測試集?；诖藬?shù)據(jù)集展開多輪測試試驗，以評估不同隱藏層數(shù)下神經(jīng)網(wǎng)絡模型在計算耗時及預警準確率水平上的表現(xiàn)。

2.1 計算耗時分析

針對不同隱藏層數(shù)和樣本規(guī)模，隨著神經(jīng)元數(shù)量增加，計算耗時也隨之上升。針對不同水平隱藏層數(shù)，不同樣本規(guī)模條件下其計算耗時隨神經(jīng)元數(shù)量增長而迅速增長，在100神經(jīng)元水平下略高于300s。當隱藏層數(shù)增多時，這一消耗時間會出現(xiàn)波動幅度逐漸擴大的趨勢。盡管如此，在神經(jīng)元數(shù)量較少且合理控制范圍內(nèi)仍能有效地控制計算時間。這一結(jié)果表明了隱藏層數(shù)量對計算效率具有重要影響，增加隱藏層可以提高預測準確度，但可能導致更長的訓練時間；同時，需要注意在選擇合適范圍內(nèi)調(diào)節(jié)神經(jīng)元數(shù)量，以平衡預測準確度和運行效率之間的關系。在相同隱藏層數(shù)和樣本規(guī)模條件下，在神經(jīng)元數(shù)量變化下獲得計算時間曲線如圖1所示。

2.2 預警準確率分析

當對不同隱藏層和樣本規(guī)模的數(shù)據(jù)集進行分析時，著重關注了預警準確率。根據(jù)研究結(jié)果顯示，誤差率與神經(jīng)元數(shù)量呈負相關：隨著神經(jīng)元數(shù)量增加，誤差率呈下降的趨勢。特別是在較小樣本規(guī)模和較少隱藏層數(shù)條件下，表現(xiàn)出相對較低的誤差率水平（隨著神經(jīng)元數(shù)量上升從13%降至4%）?？傮w來說，在整個試驗范圍內(nèi)，總體誤差率從15%逐步降至略高于3%的水平。在較大樣本規(guī)模和隱藏層數(shù)條件下，觀察到一個截然相反的情況：隨著神經(jīng)元數(shù)量上升，這些情況存在更低的錯誤估計水平（誤差率由14%降至2%）。這一結(jié)果顯示，當復雜度稍微簡單一些、訓練數(shù)據(jù)量不太大時，增加網(wǎng)絡容量可以顯著地改善預測準確性。然而當處理更復雜、更龐大的數(shù)據(jù)集時，增加網(wǎng)絡容量會產(chǎn)生類似“過擬合”效應，并導致訓練集上表現(xiàn)良好但測試集上泛化能力欠缺。因此，在智慧電網(wǎng)資產(chǎn)管理狀態(tài)評估中需要謹慎考慮選擇合適大小及結(jié)構(gòu)深度，以獲取最佳預測精度。

3 結(jié)語

在面向預警需求的基礎上收集與智慧電網(wǎng)相關的大規(guī)模結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，并利用特征工程技術從原始數(shù)據(jù)中提取關鍵特征。選擇泛化性能良好的多層前饋算法作為主要算法架構(gòu)，并詳細介紹了其涉及的計算過程、激活函數(shù)以及損失函數(shù)選擇。針對性能測試方面，獲取并處理了來自智慧電網(wǎng)數(shù)據(jù)庫中包括各種計量資產(chǎn)運行狀態(tài)、能源消耗情況以及設備健康狀況等信息的大規(guī)模數(shù)據(jù)集。通過試驗結(jié)果發(fā)現(xiàn)，在不同隱藏層數(shù)和樣本規(guī)模下神經(jīng)網(wǎng)絡模型表現(xiàn)出相應變化：隨著神經(jīng)元數(shù)量增加而導致錯誤率呈下降的趨勢；同時，也觀察到較小樣本規(guī)模和較少隱藏層數(shù)條件下顯示出較低誤差率水平，在較大樣本規(guī)模和隱藏層數(shù)條件下則會呈現(xiàn)更低的錯誤估計水平。這一發(fā)現(xiàn)提示需要選擇適當大小及結(jié)構(gòu)深度，以獲得最佳預測精度。因此，當進行智慧電網(wǎng)資產(chǎn)管理狀態(tài)評估時，需要謹慎考慮這些因素之間的關系。

參考文獻

[1]黃璐，周勇義，邢姝，等.基于數(shù)智技術的新商科實驗數(shù)據(jù)資產(chǎn)管理體系探索與實踐[J].實驗室研究與探索，2024，43（4）：184-189.

[2]徐京平，張可雨.國家審計與公共數(shù)據(jù)資產(chǎn)管理：邏輯體系、作用機制和驅(qū)動路徑[J].財會通訊，2024（5）：14-21，26.

[3]孫圣雄，殷俊.技術與信任融合的數(shù)字藝術產(chǎn)業(yè)數(shù)據(jù)資產(chǎn)管理體系研究[J].情報科學，2023，41（4）：99-104，116.

[4]侯修群，蔣慶磊，李振，等.基于DPMM的核主泵振動狀態(tài)預警方法研究[J].原子能科學技術，2021，55（增刊2）：342-349.

[5]王曉蓉.基于大數(shù)據(jù)挖掘的電力變壓器健康狀態(tài)差異預警規(guī)則策略[J].電測與儀表，2024，61（2）：216-224.

[6]徐堯宇，李元，王怡靜，等.信息缺失下變壓器狀態(tài)預警方法[J].高電壓技術，2020，46（9）：3062-3069.

[7]馬新娜，施文銳.高速列車狀態(tài)監(jiān)測大數(shù)據(jù)的預警可視化分析研究[J].電子測量與儀器學報，2019，33（7）：21-27.