基于聯(lián)合卡爾曼濾波的數(shù)字化文件融合方法研究

摘 要：針對電力相關(guān)數(shù)字文件數(shù)據(jù)融合方法的數(shù)據(jù)糾偏機制與數(shù)據(jù)的實時狀況不相符，導致數(shù)據(jù)融合效率低、數(shù)據(jù)融合效果不佳的問題，提出了基于聯(lián)合卡爾曼濾波方法的電力數(shù)字文件數(shù)據(jù)融合方法。所述方法從數(shù)字文件中獲取數(shù)據(jù)源，按照數(shù)據(jù)的實時情況構(gòu)建對應(yīng)的數(shù)據(jù)糾偏機制，并對數(shù)據(jù)降噪處理實現(xiàn)數(shù)據(jù)的預(yù)處理，然后，對預(yù)處理后的數(shù)據(jù)進行特征提取并進行歸一化處理，利用聯(lián)合卡爾曼濾波算法對電力數(shù)字文件中的數(shù)據(jù)進行快速融合。仿真實驗表明，相比于改進的BP神經(jīng)網(wǎng)絡(luò)的數(shù)字文件數(shù)據(jù)融合方法和基于離散小波分解與重構(gòu)的數(shù)字文件數(shù)據(jù)融合方法，所述方法的平均融合效率達到402.3條/min，具有更好的計算和融合效率。

關(guān)鍵詞：聯(lián)合卡爾曼濾波；數(shù)字文件；數(shù)據(jù)融合；方法設(shè)計

中圖分類號：G642 文獻標識碼：A

Research on Data Fusion Method of Digital Files

Based on Joint Kalman Filter Method

XIAO Jianyi，CAI Haibin，LI Hongliang

（CSG Digital Enterprise Technology （Guangdong） Co.，Ltd.， Guangzhou， Guangdong 510000，China）

Abstract：Aiming at the problem of low data fusion efficiency and poor data fusion performance due to the inconsistency between the constructed data correction mechanism and the real time status of the data， this paper proposed a data fusion method for digital files of power system based on joint Kalman filter method. First， the data from the digital file and the real time data are used to build data correction mechanism. Then a noise reduction calculation is used to pre process the data. Based on normalization of the extracted data， the joint Kalman filter method is used to calculate the correlation， and realize the quick fusion of data. Simulation results show that compared to the improved BP neural network data fusion method and the discretized wavelet decomposition and reconstruction data fusion method， average fusion efficiency of the proposed method reaches 402.3 items/min， which shows that the proposed method has a higher data fusion speed and a better data fusion efficiency.

Key words：joint Kalman filter; digital files; data fusion; method design

隨著電力系統(tǒng)信息化的不斷發(fā)展，電力系統(tǒng)運行過程中產(chǎn)生的數(shù)字文件種類越來越多，數(shù)據(jù)量也越來越大。由于數(shù)字文件中的數(shù)據(jù)來源復(fù)雜、種類繁多，導致在進行數(shù)字文件信息處理時，難以從海量多類別信息里快速提取有用信息，所以有必要對電力系統(tǒng)的多源、多類別數(shù)據(jù)進行數(shù)據(jù)融合。但是由于數(shù)據(jù)種類的不同，導致在對該類電力數(shù)據(jù)進行處理時難以進行快速且有效的融合，數(shù)據(jù)融合效果較差。因此，研究對電力系統(tǒng)多源、多種類數(shù)據(jù)的快速融合對于提高電力信息的利用效率，輔助相關(guān)電力系統(tǒng)的運營做出高效的決策具有重要意義。

現(xiàn)有針對該類多源數(shù)據(jù)進行融合的問題已有較多研究，由于聯(lián)合卡爾曼濾波算法能夠?qū)Χ鄠鞲衅鞯妮敵鼋Y(jié)果進行融合[1-4]，因此，在電力行業(yè)相關(guān)的多個領(lǐng)域中應(yīng)用廣泛[5-6]，且有著較好的應(yīng)用效果。如文獻[7]提出利用擴展的卡爾曼濾波算法，對電池能量和功率狀態(tài)進行數(shù)據(jù)采集和數(shù)據(jù)填充，計算采集的數(shù)據(jù)之間的關(guān)聯(lián)性，以此為基礎(chǔ)，實現(xiàn)數(shù)據(jù)的聯(lián)合估計，實驗結(jié)果表明取得了較好估計效果；文獻[8]通過對磷酸鐵鋰電池的荷電狀態(tài)進行實時監(jiān)測和數(shù)據(jù)采集，將采集到的電池荷電狀態(tài)數(shù)據(jù)進行聚類處理，提出利用擴展卡爾曼濾波算法，將聚類后的數(shù)據(jù)進行二次處理，完成對電池荷電狀態(tài)的估算，實驗結(jié)果表明，該方法估算結(jié)果較為精確；文獻[9]利用配電網(wǎng)多源異構(gòu)數(shù)據(jù)的特性，對數(shù)據(jù)進行標準化處理，提出采用聯(lián)合卡爾曼濾波算法，根據(jù)數(shù)據(jù)的標準化處理結(jié)果，計算多源異構(gòu)數(shù)據(jù)之間的關(guān)聯(lián)性，實現(xiàn)多源異構(gòu)數(shù)據(jù)的有效融合。實驗結(jié)果表明，該方法融合效果較好；文獻[10]針對電動汽車電池荷電狀態(tài)的估計問題，提出一種聯(lián)合擴展卡爾曼濾波的滑模觀測器算法，通過在擴展卡爾曼濾波算法中加入防抖函數(shù)，在濾除噪聲的同時實現(xiàn)在復(fù)雜車載環(huán)境下對電池SOC的高效精度；文獻[11]針對電力線通信（PLC）中諧波引起的窄帶干擾問題，提出了一種合并未知參數(shù)的聯(lián)合卡爾曼濾波方法，用于提高增益性能、降低計算量；文獻[12]針對電動汽車的鋰電池荷電狀態(tài)（SOC）與健康狀態(tài)（SOH）問題，提出了雙自適應(yīng)無跡卡爾曼濾波算法（DAUKF），用于SOC與SOH的聯(lián)合估算，實驗結(jié)果表明，所述方法具有較高的估算精度。

基于現(xiàn)有卡爾曼濾波算法的應(yīng)用，為了提高電力系統(tǒng)相關(guān)數(shù)字文件數(shù)據(jù)融合的效率，本文提出了基于聯(lián)合卡爾曼濾波方法的電力數(shù)字文件數(shù)據(jù)融合方法，通過對電力數(shù)字文件數(shù)據(jù)進行預(yù)處理，利用聯(lián)合卡爾曼濾波算法對預(yù)處理后的數(shù)據(jù)特征進行提取，從而實現(xiàn)電力數(shù)字文件數(shù)據(jù)的高效融合，為電力企業(yè)基于數(shù)據(jù)支持的決策和發(fā)展提供了可靠支撐。

1 電力企業(yè)數(shù)字文件數(shù)據(jù)融合方法

1.1 數(shù)字文件數(shù)據(jù)預(yù)處理

在現(xiàn)有電力企業(yè)數(shù)據(jù)庫中，由于電力系統(tǒng)運行過程中存在多種不同類型的信息測量設(shè)備，因此所產(chǎn)生的數(shù)字文件中含有大量不同來源、不同類型的數(shù)據(jù)，此外，所收集到的電力系統(tǒng)數(shù)據(jù)中還存在噪聲，在進行數(shù)據(jù)融合時，這些噪聲數(shù)據(jù)的存在會降低數(shù)據(jù)融合方法的性能，影響數(shù)據(jù)融合的效果[13-15]。因此，在進行數(shù)據(jù)融合前，需要對數(shù)據(jù)進行預(yù)處理。本文針對數(shù)字文件的數(shù)據(jù)預(yù)處理過程主要包含三個部分，分別為數(shù)據(jù)臨時存儲、糾偏機制構(gòu)建和數(shù)據(jù)處理。文中所述數(shù)字文件的數(shù)據(jù)預(yù)處理流程如圖1所示。

圖1 數(shù)字文件預(yù)處理流程

如圖1所示，進行預(yù)處理時，首先從數(shù)字文件中提取數(shù)據(jù)源，然后，再根據(jù)實時數(shù)據(jù)將提取到的數(shù)據(jù)源存儲至臨時數(shù)據(jù)存儲模塊，并根據(jù)處理的數(shù)據(jù)類型，建立相對應(yīng)的數(shù)據(jù)計量線程。之后，對臨時數(shù)據(jù)存儲模塊中所存儲的提取數(shù)據(jù)進行遍歷，根據(jù)遍歷的結(jié)果，構(gòu)建相對應(yīng)的數(shù)據(jù)糾偏機制。數(shù)據(jù)糾偏機制的具體構(gòu)建規(guī)則如表1所示，其中N表述字段長度。

根據(jù)表1所構(gòu)建的糾偏規(guī)則，對所提取數(shù)據(jù)的遍歷結(jié)果進行判斷：如果所遍歷的數(shù)據(jù)中不存在異常情況，則直接將遍歷數(shù)據(jù)輸出；如果遍歷的數(shù)據(jù)中存在異常情況，則需要對其數(shù)據(jù)進行處理，并生成相應(yīng)的數(shù)據(jù)糾偏記錄。之后，在對數(shù)據(jù)進行糾偏處理后，采用降噪方法對糾偏后所得到的數(shù)據(jù)進行進一步處理。具體的降噪處理計算過程如下所示：

pmui=α1yi+（1－α1）（pmui－1+trendi－1）

trendi=α2（pmui－pmui－1）+（1－α2）ti－1

yi+h=pmui+h×trendi（1）

式中，pmui表示時刻i的真實數(shù)據(jù)數(shù)值，yi表示降噪后的數(shù)據(jù)取值，trendi-1表示對數(shù)據(jù)進行二次降噪后所得到的數(shù)值，α1和α2表示對數(shù)據(jù)進行降噪處理的參數(shù)，h表示進行降噪處理的數(shù)據(jù)長度，yi+h表示經(jīng)過降噪處理后的數(shù)據(jù)，ti-1表示進行降噪處理的數(shù)據(jù)。通過上述降噪處理計算，獲得降噪處理后的數(shù)據(jù)，為后續(xù)的數(shù)據(jù)融合提供了較為精準的數(shù)據(jù)。

1.2 數(shù)字文件特征提取及數(shù)據(jù)歸一化

在完成數(shù)據(jù)的預(yù)處理后，為了更好地確定數(shù)字文件中數(shù)據(jù)的聚類效果和分布范圍，提高數(shù)據(jù)的分析和處理效率，需要對數(shù)據(jù)的特征進行提取，特征提取的具體過程如下所示：

f=∏Ingt;1Q（fn|gn）A（g）=1X×exp （－B×O（g））（2）

式中，f表示在數(shù)字文件中提取到特征數(shù)據(jù)的概率，n表示數(shù)字文件中數(shù)據(jù)的數(shù)量，I表示數(shù)字文件中數(shù)據(jù)的擾動系數(shù)，A（g）表示針對數(shù)字文件中數(shù)據(jù)的特征提取結(jié)果，X表示需要進行特征提取的數(shù)據(jù)，B表示數(shù)據(jù)特征的驗證次數(shù)，Q表示特征數(shù)據(jù)集合，O（g）表示特征數(shù)據(jù)的信息量，g表示數(shù)字文件中的數(shù)據(jù)。利用式（2）即可對數(shù)字文件中的數(shù)據(jù)進行特征提取。為了便于后續(xù)進行數(shù)據(jù)融合，文中進一步將特征數(shù)據(jù)進行歸一化處理，以保證數(shù)據(jù)維度的統(tǒng)一[9]。數(shù)據(jù)進行歸一化的具體計算過程如下所示：

X′=X－Xmin Xmax －Xmin （3）

式中，X′表示對特征數(shù)據(jù)進行歸一化處理的結(jié)果， Xmin表示特征數(shù)據(jù)的最小值，Xmax表示特征數(shù)據(jù)的最大值。通過式（3）對特征數(shù)據(jù)進行處理，即可保證數(shù)據(jù)的有效值在某一個固定的區(qū)間之內(nèi)。在對特征數(shù)據(jù)進行歸一化處理前，需要確保數(shù)據(jù)沒有異常情況，以免數(shù)據(jù)的歸一化處理無法達到預(yù)期的效果，對后續(xù)的數(shù)據(jù)融合造成影響[16-18]。

1.3 基于聯(lián)合卡爾曼濾波的融合方法

對數(shù)字文件中的數(shù)據(jù)進行預(yù)處理和特征提取后，即可對數(shù)據(jù)進行融合處理。文中采用基于聯(lián)合卡爾曼濾波的融合方法對數(shù)據(jù)進行融合處理，主要處理過程如下：首先，為了將數(shù)字文件中相同的數(shù)據(jù)融合到同一個數(shù)據(jù)類型中，需要對數(shù)字文件中的數(shù)據(jù)進行關(guān)聯(lián)度的計算[11]，具體計算過程如下所示：

Ai=zi∑ni=1zim（μi）=∑Am1（Ai）·m2（Bj）1－K（4）

式中，Ai表示輸出結(jié)果，zi表示在i時刻測量數(shù)據(jù)，m（μi）表示數(shù)據(jù)的相關(guān)度，∑A m1（Ai）m2（Bj）表示兩個數(shù)據(jù)之間的沖突，K表示數(shù)據(jù)出現(xiàn)沖突的時間段。由上述公式可知，數(shù)據(jù)的沖突性越強，說明兩個數(shù)據(jù)的相關(guān)性越差，反之，相關(guān)性則越強。由此可知，m（μi）的數(shù)值越大，說明當前兩個數(shù)據(jù)的相關(guān)性越小，反之則越強[12]。在上述計算的基礎(chǔ)上，利用聯(lián)合卡爾曼濾波算法，實現(xiàn)數(shù)字化文件的數(shù)據(jù)融合[13]。其中，聯(lián)合卡爾曼濾波的計算過程如圖2所示。

圖2 聯(lián)合卡爾曼濾波計算過程

如圖2所示，利用聯(lián)合卡爾曼濾波方法對數(shù)據(jù)進行處理時，將數(shù)據(jù)的處理過程劃分為兩部分，分別是主濾波數(shù)據(jù)處理和局部濾波數(shù)據(jù)處理，在進行數(shù)據(jù)處理時，這兩個數(shù)據(jù)處理過程是互相獨立的。因此，在進行數(shù)據(jù)融合時，采用聯(lián)合卡爾曼濾波算法，能夠?qū)?shù)據(jù)進行二次融合，基于聯(lián)合卡爾曼濾波方法進行數(shù)據(jù)融合的具體過程如下：

Xk+1=Aixk+Bωk

Z′k=AiPk+Qq=Ω'kAi（Ω′k）－1Q－1（5）

式中，Xk+1表示k時刻數(shù)據(jù)的狀態(tài)估計值，xk表示k時刻目標數(shù)據(jù)的狀態(tài)向量，B表示目標數(shù)據(jù)的狀態(tài)轉(zhuǎn)移矩陣，ωk表示數(shù)據(jù)噪聲，Zk表示數(shù)據(jù)的實際狀態(tài)值，Pk表示數(shù)據(jù)的觀測噪聲，q表示數(shù)據(jù)的融合結(jié)果

表示數(shù)據(jù)狀態(tài)信息。利用式（5），將數(shù)字文件中的數(shù)據(jù)以狀態(tài)矩陣的形式描述，進而進行數(shù)據(jù)的融合，隨后，重復(fù)上述過程，直到所有數(shù)據(jù)完成融合[15]。

2 仿真實驗

2.1 參數(shù)設(shè)置

為驗證本文所述基于聯(lián)合卡爾曼濾波方法的電力企業(yè)數(shù)字文件數(shù)據(jù)融合方法的效果，文中進行了仿真實驗。仿真實驗所采用的實驗平臺參數(shù)和數(shù)據(jù)相關(guān)參數(shù)的設(shè)置如表2所示。

基于表2的仿真實驗環(huán)境對所述方法進行測試時，以某電力企業(yè)的數(shù)據(jù)庫為實驗過程的數(shù)據(jù)來源，實驗數(shù)據(jù)具體情況如表3所示，本次實驗所用的3個數(shù)據(jù)集均包含來源多樣的電力系統(tǒng)運行相關(guān)數(shù)據(jù)。

首先對上述實驗數(shù)據(jù)進行預(yù)處理。限于本文篇幅，僅展示對數(shù)據(jù)集1進行預(yù)處理后的結(jié)果，如圖3所示。由圖可知，預(yù)處理后的數(shù)據(jù)量綱進行了統(tǒng)一表示，波動幅度更小，便于后續(xù)進行數(shù)據(jù)融合處理。

2.2 結(jié)果分析

將上述經(jīng)過預(yù)處理后的數(shù)據(jù)作為本次實驗數(shù)據(jù)，進行相關(guān)實驗測試。為保證本次實驗的可靠性以及展示所述方法的效果，文中實驗過程中設(shè)置了對照實驗，進行數(shù)據(jù)融合效果的對比。其中，文中所述基于聯(lián)合卡爾曼濾波方法的數(shù)字文件數(shù)據(jù)融合方法記為方法1，基于改進的BP神經(jīng)網(wǎng)絡(luò)的數(shù)字文件數(shù)據(jù)融合方法記為方法2，基于離散小波分解與重構(gòu)的數(shù)字文件數(shù)據(jù)融合方法記為方法3。

為對比三種方法進行數(shù)據(jù)融合的效果，本次實驗以數(shù)據(jù)的融合效率，即進行數(shù)據(jù)融合所花費的時間為評價指標，對比三種方法在電力數(shù)字化文件數(shù)據(jù)中的融合效果。在實驗中，利用三種方法分別對表3中的三個實驗數(shù)據(jù)集進行數(shù)據(jù)融合，對比三個數(shù)據(jù)集的融合效率。其中，數(shù)據(jù)集1的融合效率如圖4所示，數(shù)據(jù)集2的融合效率如圖5所示，數(shù)據(jù)集3的融合效率如圖6所示。

由圖4、圖5和圖6可知，當測試所用數(shù)據(jù)的數(shù)據(jù)規(guī)模較小時，三種方法的融合效率接近，而隨著測試所用數(shù)據(jù)數(shù)量的增多和數(shù)據(jù)集規(guī)模的增大，三種方法融合效率的差距逐漸增加，其中，方法1隨著數(shù)據(jù)規(guī)模的加大，計算時間變化幅度較小，表明方法1的融合效率逐漸提高，在數(shù)據(jù)集1中，當數(shù)據(jù)規(guī)模從100條增加到700條時，平均融合效率達到約402.3條/min，方法2和方法3隨著數(shù)據(jù)規(guī)模的加大，計算時間增加幅度較大，融合效率逐漸降低，其中，當數(shù)據(jù)規(guī)模從100條增加到700條時，方法2的平均融合效率約為100.4條/min，方法3的平均融合效率約為213.2條/min。由上述仿真實驗可知，相比于方法2和方法3，使用方法1進行數(shù)據(jù)融合的計算效率更高，這表明本文所述基于聯(lián)合卡爾曼濾波算法的電力企業(yè)數(shù)字文件數(shù)據(jù)融合方法具有較好的融合速度和效率，具有較大的潛在實際應(yīng)用價值。

3 結(jié) 論

針對電力系統(tǒng)相關(guān)的數(shù)字檔案數(shù)據(jù)融合問題，提出了基于聯(lián)合卡爾曼濾波算法的數(shù)據(jù)融合方法，所述方法通過對數(shù)字文件中的數(shù)據(jù)進行預(yù)處理，并基于聯(lián)合卡爾曼濾波以提高了數(shù)據(jù)融合的效率。仿真實驗表明，當數(shù)據(jù)規(guī)模從100條增加到700條時，所述方法的平均融合效率分別約對比方法的4倍和2倍，因此具有更好的潛在應(yīng)用價值，為電力企業(yè)運營提供更高效的數(shù)據(jù)支持。

參考文獻

［１］ 姜鑫蕾，楊文武，韋焱文，等. 基于卡爾曼濾波的GNSS系統(tǒng)聯(lián)合定位技術(shù)研究[J]. 電子測量技術(shù)， 2021， 44（3）： 109-113.

［2］ 崔平遠，黃曉瑞.基于聯(lián)合卡爾曼濾波的多傳感器信息融合算法及其應(yīng)用[J].電機與控制學報，2001，5（3）：204-207.

［3］ 陳玉坤，司錫才，李志剛.聯(lián)合卡爾曼濾波在多傳感器信息融合技術(shù)中的應(yīng)用[J].彈箭與制導學報， 2005， 25（SD）： 946-948+952.

［4］ 胡敬，田俊曦，鄒世明，等. 基于自適應(yīng)卡爾曼濾波的聯(lián)合RSS/TOA/INS無人機定位算法[J]. 無人系統(tǒng)技術(shù)，2022，5（2）：62-70.

［5］ 儲建新，潘炫霖，雷健新，等. 基于聯(lián)合集合卡爾曼濾波的鋰電池SOC估計[J]. 浙江電力，2021，40（1）：123-130.

［6］ 李曉宇，朱春波，魏國，等.基于分數(shù)階聯(lián)合卡爾曼濾波的磷酸鐵鋰電池簡化阻抗譜模型參數(shù)在線估計[J].電工技術(shù)學報，2016，31（24）：141-149.

［7］ 劉子豪，張雪松，孫立清，等. 基于擴展卡爾曼濾波的儲能電池能量和功率狀態(tài)聯(lián)合估計方法[J]. 儲能科學與技術(shù)，2023，12（3）：913-922.

［8］ 林加順，吳乃豪，楊曉全，等. 一種聯(lián)合PID控制與擴展卡爾曼濾波的磷酸鐵鋰電池荷電狀態(tài)估算方法[J]. 電網(wǎng)技術(shù)，2023，47（4）：1623-1632.

［9］ 夏偉，蔡文婷，劉陽，等.基于聯(lián)合卡爾曼濾波的配電網(wǎng)多源異構(gòu)數(shù)據(jù)融合[J].電力系統(tǒng)保護與控制，2022，50（10）：180-187.

［10］周娟，王梅鑫，楊曉全，等. 聯(lián)合擴展卡爾曼濾波的滑模觀測器SOC估算算法研究[J]. 中國電機工程學報，2021，41（2）：692-703.

［11］范永全，張家樹.基于聯(lián)合卡爾曼濾波的電力線通信諧波干擾抑制[J].計算機應(yīng)用研究，2009，26（10）：3706-3708.

［12］王若琦，王曉佳，楊淇，等.基于雙自適應(yīng)無跡卡爾曼濾波算法的鋰電SOC/SOH聯(lián)合估計[J].機械設(shè)計與制造，2023（1）：1-48.

［13］蔣清樂，吳慶先，黃永安，等. 基于多源數(shù)據(jù)融合的可視化電網(wǎng)發(fā)展診斷系統(tǒng)研究[J]. 機械與電子，2023，41（6）：51-54+59.

［14］李巖. 基于多源數(shù)據(jù)融合感知的電網(wǎng)設(shè)備供應(yīng)鏈管控與預(yù)警算法設(shè)計[J]. 電子設(shè)計工程，2023，31（12）：169-173.

［15］呂鵬飛，薛國強，武欣. 利用多源地球物理圖像融合方法識別物性異常——以航空電磁和航磁數(shù)據(jù)為例[J]. 地球物理學報，2023，66（6）：2658-2669.

［16］張維星，黨超群，張鎖平，等. 基于多傳感器融合的波浪譜數(shù)據(jù)獲取與傳輸方法研究[J]. 海洋與湖沼，2023，54（3）：645-652.

［17］封永銘，吳文寶，張書啟，等. 融合振動數(shù)據(jù)和SCADA數(shù)據(jù)的風電機組齒輪箱故障預(yù)警方法[J]. 工業(yè)控制計算機，2023，36（5）：1-3.

［18］祁煒雯，郭勤慧，朱傳古，等. 基于數(shù)據(jù)融合并行特征提取的調(diào)峰電源設(shè)備狀態(tài)評估方法[J]. 水電能源科學，2023，41（5）：203-206+215.