基于數據可視化的電力數據融合及優化研究

徐國鋒,鐘曉紅

(國網杭州市蕭山區供電公司,浙江 杭州 311201)

隨著計算機數據儲存能力的提升,電力數據的儲存量也快速增加。數據分類和整理的可視化預處理工作變得至關重要,給電力數據的可視化分析帶來了挑戰[1]。

可視化技術有著強大的數據計算能力和數據處理能力,方便人們從海量的數據中提取有價值的信息[2]。劉冬蘭等[3]采用深度受限玻爾茲曼機將不同格式的異構數據映射到統一的嵌入式向量空間,實現了異構數據的融合。吳文宣等[4]提出一種多系統融合的移動電力巡檢系統,實現關聯系統之間的實時數據交互。胡健雄等[5]針對電力系統 4 種典型數據-物理融合模型分析了其相對應的應用場景,對比分析了并聯模式與單一物理模型和單一數據模型的泛化誤差。JI等[6]開發了基于數據融合的輸電塔監測系統,并通過測試運行,驗證了該系統能夠安全穩定運行,能夠獲得準確可靠的測量數據,從而實現了塔架傾斜在線監測的功能。當前,關于基于智能數據可視化的數據融合研究較少。智能數據在最后的場景展示前,需要先對數據進行預處理,對數據進行分類融合,再進行篩選,為可視化工作減輕壓力。神經網絡具有函數逼近能力,具有一定的數據處理優勢,例如具有較好的容錯率和強大高效的數據分析功能,且數據處理效率較高,還具有自主學習能力[7]。充分利用神經網絡的功能特征和結構特征,對數據進行融合,通過不斷修正神經網絡權值,可達到網絡性能和軟件服務的最佳優化程度[8]。

為提高電力數據融合性能,增強系統軟件服務功能,在原有數據融合基礎上,引入BP(back propagation)神經網絡技術,形成基于BP神經網絡的電力數據可視化融合軟件系統,以某風電場電力數據為研究對象,對基于BP神經網絡的電力數據可視化融合軟件系統進行性能測試和分析。

1 理論概述與方法研究

1.1 數據可視化理論

可視化是利用計算機感知能力對數據進行可視化表達。利用計算機的圖形分析功能,將抽象化的數據轉換為詳細、清晰的圖形,使數據意義更直觀[9]。數據可視化技術使用圖形描述復雜數據信息,將數字數據轉換成視覺模式,篩選和去除多余數據,最終以視圖方式呈現[10]。通過將數據信息轉換為計算機可處理的格式,并以視覺方式展示,以便挖掘數據背后的深層含義。

1.2 電力數據融合

電力數據融合技術是將多個電源和無組織的電網信息結合起來,準確、全面地感知電網場景的一種技術[11]。數據融合的理論最初是起源于多種傳感器的綜合應用。參與融合的數據由于來源多樣化和數據格式多樣化,因而具有多源異構性特點[12]。電力融合數據也具有自己獨特的優點,比如容錯性、全面性、準確性、有效利用性以及低成本性[13]。電力數據融合包括數據級、特征級和決策級3個級別[14]:數據級融合是對最初數據的融合,保留原始信息,減少數據損失,精度較高;特征級融合可以處理異構數據源,通過特征提取和關聯分析,融合數據量減小,得到重要的特征向量;決策級數據融合是最高層次的融合,通過識別、特征提取和關聯,合并判決結論,計算量最小。

1.3 關鍵技術

1.3.1 神經網絡模式識別

模式識別是利用理論和方法,采用技術實現模式的解決與分類。人工神經網絡模式識別具有智能性,在數據處理方面比其他算法更強大,具有較強的計算和自適應學習能力,能提取和分類識別特征[15]。模式識別包括數據獲取、預處理、特征提取、數據訓練和學習判定等部分。數據獲取包括未經識別的訓練樣本或未知對象,分類決策在識別過程中起重要作用,對數據進行分類決策后得出結果,數據訓練通過神經網絡學習后輸出權值。

1.3.2 神經網絡模型

神經網絡模型當前研究的熱點包括不準確融合決策、統計的融合決策等。BP神經網絡是比較常用的反向傳播網絡模型,分為輸入層、隱含層和輸出層[16]。在BP網絡拓撲結構中,設輸入層X=(x1,x2,…,xN),輸出層Y=(Y1,Y2,…,YM),以Sigmoid函數作為隱含層的激活函數[17]:

(1)

式中:x為輸入的數據;e為自然常數。

神經元的輸入值X為:

(2)

式中:H為隱藏層層數;W為權值;i為神經元;j為神經網絡的層數;n為信息量。

神經元的輸出值Y為:

(3)

式中:f為激活函數。

在誤差逆向回傳時,Yj為預期輸出,j∈[1,N],則誤差e為:

(4)

BP網絡的均方誤差E為:

(5)

式中:R為層與層之間的距離;Yq為輸出需要計算的層數。

由式(5)可得權值調整式:

(6)

式中:η為學習率;t為當前層的輸出。

當輸出值與期望值不相符時,可根據式(4)計算誤差。對網絡的誤差值在網絡各層之間進行反向傳遞,當誤差梯度發生改變時,各層權值也隨之發生改變。

1.4 基于BP神經網絡的電力數據可視化融合軟件系統架構

數據融合體系結構包括數據層、數據融合層、數據選擇層和可視化層。數據層匯集了多種類型的數據,包括半結構化、非結構化和結構化數據,融合多源異質數據變得更加困難。數據融合層使用BP神經網絡模型對數據進行初步分類,并挖掘隱藏的數據特征[18]。數據選擇層進一步處理融合后的數據,篩選需要展示的部分,并通過減少數據量降低可視化的工作量。最后是可視化層,在這一層實現不同種類和形式數據的融合展示,分析數據之間的內在聯系,并對系統性能進行測試和驗證。

1.5 實驗方法

1.5.1 實驗測試及誤差標準分析

為驗證所提方法,對風電機組多狀態電力系統調度中的應用性能進行實驗測試。實驗針對風電場發電的功率預測采用均方根誤差RMSE和平均絕對百分誤差MAPE作為最終結果的分析標準:

(7)

(8)

式中:M為輸出層神經元的數量;N為輸入層神經元的數量;Xpi為預測值;XMi為實際值。RMSE值和MAPE值越小,預測越精確,預測效果越好。

1.5.2 測試運行環境

測試數據來自2020年7月某風力發電場的歷史監測數據,數據量總大小為100GB,利用BP神經網絡算法對電力系統風電場功率數據進行迭代訓練,將設計算法與其他方法進行對比分析,對風電場功率進行預測。系統運行環境包括系統硬件配置和軟件配置,具體如表1所示。

表1 系統配置表

2 功能測試與結果分析

2.1 BP神經網絡算法精度分析

BP神經網絡算法下的權值元素迭代法和矩陣迭代法訓練的精確度對比如圖1～圖2所示。

圖1 權值元素迭代法訓練下的權值準確度

圖2 矩陣迭代法訓練下的權值準確度

由圖1可知,BP神經網絡算法下的權值元素迭代法得出的數據預測值與真實值對比,經過400次的迭代訓練,權值大小趨于接近狀態。在前期的迭代訓練中,權值精度存在一定的差距,尤其是當迭代次數在50和350時,真實值與預測值偏差更為明顯。由圖2可知,矩陣迭代法得出的數據預測值更接近真實值,偏差較小,能夠進一步確定權值。經過400次迭代后預測值接近真實值。BP神經網絡算法下基于矩陣迭代法訓練神經網絡達到了更好的收斂效果,更能逼近真實值,其性能優于基于元素迭代法訓練的神經網絡。

2.2 不同算法下的風電場功率預測準確度分析

將設計算法與貝葉斯推理法、聚類分析法進行對比,將不同算法下的預測曲線與實際功率曲線作比較,結果如圖3所示。

圖3 不同算法下的功率預測對比

由圖3可知,設計算法的輸出功率預測最接近實際值,其次是貝葉斯推理法,最后是聚類分析法。設計算法輸出功率相比其他算法更接近于真實值。由此可知,設計算法對風電場功率預測具有較高的準確度。

2.3 不同算法下的誤差分析

對數據結果進行均方根誤差(RMSE)和平均絕對百分誤差(MAPE)分析,對比不同算法下的誤差結果,結果如圖4～圖5所示。

圖4 不同融合算法的RMSE對比

圖5 不同融合算法的MAPE對比

由圖4可知,設計算法、貝葉斯推理法、聚類分析法的均方根誤差分別為1.264 8、2.531 2和2.818 7,設計算法的均方根誤差最小。由圖5可知,設計算法的平均絕對百分誤差值波動范圍較小,而貝葉斯推理法誤差值波動較大,聚類分析法誤差值波動最大?？傮w上設計算法的誤差值相對于其他算法均有所下降,誤差更小。

2.4 不同算法下的處理時間分析

利用不同的算法計算數據量,分析不同算法對不同數據量的處理時間,結果如圖6所示。

圖6 不同算法下的數據處理時間比較

由圖6可知,當數據量相同時,貝葉斯推理法、聚類分析法的數據處理時間均大于設計算法的數據處理時間,隨著數據量不斷增加,數據處理時間逐漸加大,設計算法的處理時間幅度變化較小,而貝葉斯推理法、聚類分析法的數據處理時間增長幅度較大。尤其是當數據量超過40 GB以后,時間差距逐漸增大。整體上設計算法數據處理時間增加趨勢較為減緩,當數據量達到100 GB時設計算法處理時間不到600 s,而其他算法處理時間均超過1 100 s。

3 結論

人工神經網絡具有自學習和自組織能力,可以充分利用其功能和結構特征對數據進行融合,提高數據可視化能力。研究在原有數據融合基礎上,引入BP神經網絡技術,形成基于BP神經網絡的電力數據可視化融合系統。通過實驗測試,分析不同訓練方法下的BP神經網絡算法精度,風電場功率預測準確度,不同算法下的均方根誤差和平均絕對百分誤差,最后對數據處理時間進行對比分析。結果表明:經矩陣迭代法訓練的神經網絡在風電場功率預測方面表現出更好的收斂性。經過400次迭代訓練后,BP神經網絡算法的預測值更接近真實值,數據訓練效果更優。與貝葉斯推理法和聚類分析法相比,設計算法具有更高的準確度。該算法在均方根誤差和平均絕對百分誤差上的誤差范圍更小,且達到最小誤差值。此外,設計算法能夠高效處理大數據,在100 GB數據量下的處理時間不到600 s,遠快于其他算法超過1 100 s的處理時間。在智能數據可視化和電力數據融合方面,設計算法表現出較好的性能和效率。未來還將擴大數據量,為處理更大規模的數據提供實驗依據,并研究非結構化數據的融合和處理策略。