[發明專利]一種多源異構電網運監業務數據融合方法

有效

• 申請號: 202110317131.2
• 申請日: 2021-03-25
• 公開（公告）號: CN112907222B
• 公開（公告）日: 2022-07-08
• 發明（設計）人: 胡偉;郭秋婷;馬坤;黃建平;陳浩;盛銀波
• 申請（專利權）人: 清華大學;國網浙江省電力有限公司嘉興供電公司;國家電網有限公司
• 主分類號: G06Q10/10
• 分類號: G06Q10/10;G06Q50/06;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 羅文群

1.一種多源異構電網運監業務數據融合方法，其特征在于，包括：對多源異構電網運監業務數據預處理過程；基于深度學習的多源異構電網運監業務數據特征提取、分類識別過程；基于強化學習的決策級融合過程，最終獲得數據量少、容錯性高和分析能力強的數據集，用于對電力系統運監業務數據有價值信息進行有效挖掘；其中，所述方法具體包括以下步驟：

(1)對多源異構電網運監業務數據進行預處理，具體過程如下；

(1-1)從電網企業數據中臺采集多源異構電網運監業務數據，包括電力用戶用電信息采集系統數據、電力管理信息系統數據、電能計量系統數據、數據采集與監視控制系統數據、電力設備在線檢測系統數據和風光電功率預測系統數據，并將采集的多源異構電網運監業務數據分別存儲在相對應的子數據庫集合中；

(1-2)遍歷步驟(1-1)的多源異構電網運監業務數據，進行篩查定位，對異常數據及缺失數據進行均值補償，對冗余和無效的數據進行清理，得到預處理數據集；

(2)利用深度學習模型，對步驟(1)的預處理后的多源異構電網運監業務數據進行特征提取和分類識別，包括以下步驟：

(2-1)從步驟(1-2)的預處理數據集中讀取預處理后的數據；

(2-2)分別對預處理的各數據源數據，構建相應的稀疏降噪自編碼器深度置信網絡模型，設置模型參數，對模型進行訓練，分別提取多源異構運監業務數據的數據特征，分別輸出結果特征提取結果，具體過程如下：

(2-2-1)利用稀疏降噪自編碼器建立一個單隱藏層網絡，此處稱為單隱層稀疏降噪自編碼器，輸入步驟(2-1)讀取的預處理后的數據，并對單隱層稀疏降噪自編碼器進行訓練，獲得權值W和偏置b，稀疏降噪自動編碼器的代價函數為：

其中，ρ是稀疏性參數，是以ρ和為均值的兩個伯努利隨機變量間的相對熵，m表示步驟(2-1)中讀取的預處理數據樣本數量，為稀疏降噪自編碼器的一個映射，表示噪聲，y⁽ⁱ⁾表示輸出，β表示稀疏懲罰項權重系數，s表示單隱藏層網絡中隱含層神經元的數量；

(2-2-2)建立一個具有雙層RBM受限玻爾茲曼機網絡的DBN深度置信網絡模型：

受限玻爾茲曼機的輸入層和隱含層的聯合配置能量函數如下：

其中，θ＝{a_i,b_j,W_ij}是受限玻爾茲曼機的參數，a_i和b_j分別代表受限玻爾茲曼機輸入層神經元和隱含層神經元的偏置，x_i和h_j分別代表受限玻爾茲曼機輸入層神經元和隱含層神經元的狀態，W_ij為輸入層神經元i與隱含層神經元j之間的連接權重；

在受限玻爾茲曼機中，用logistics函數表示激活狀態時，輸入層和隱含層各節點的激活概率為：

P(h_j＝1|x,θ)＝logistic(∑_iW_ijx_i+b_j)

P(x_i＝1|h,θ)＝logistic(∑_jW_ijh_j+a_i)

(2-2-3)將步驟(2-2-1)中得到的權值W和偏置b賦值給步驟(2-2-2)所建立的深度置信網絡中的第一層受限玻爾茲曼機，并對第一層受限玻爾茲曼機進行初始化；

(2-2-4)對步驟(2-2-2)建立的含雙層RBM受限玻爾茲曼機網絡的DBN深度置信網絡模型進行訓練，利用DBN深度置信網絡的深層次特征提取能力，提取數據特征，并進行結果輸出，得到提取后的數據特征；

(2-2-5)根據多源異構運監業務數據中不同數據源的數據，分別進行步驟(2-2-1)-步驟(2-2-4)的特征提取過程，直到完成所有數據源的數據特征提取；

(3)根據步驟(2)提取的多源異構運監業務數據特征，利用強化學習方法，進行多源異構運監業務數據融合過程，具體過程如下：

(3-1)根據步驟(2-2-5)中提取的各數據源的數據特征，采用Parzen窗方法，對各數據源中的各個特征進行離散估計和概率密度估計，分別得到電力系統多源異構數據特征的概率分布，即特征x_i的概率分布p(x_i)、特征x_j,x_i的聯合概率分布p(x_i,x_j)，特征類別屬性Y的概率分布p(y)和特征x_j在特征類別屬性Y下的條件概率分布p(x_j,y)，特征x_j,x_i在特征類別屬性Y條件下的聯合概率分布p(x_i,x_j,y)；

(3-2)根據步驟(2-2-5)中提取的各數據源的數據特征，建立信息熵指標H(X_i)，計算每個特征的信息熵H(X_i)及信息熵均值meanH，得到所有特征的信息熵，計算所有特征信息熵的均值，并分別將每個特征的信息熵與信息熵的均值進行比較，將高于信息熵均值的特征記錄在信息熵表中；

meanH＝∑H(X_i)/n

其中，dom(X)表示特征x_i的取值范圍，p(x_i)表示特征x_i的概率分布，n表示特征的總個數；

(3-3)利用步驟(3-1)中得到電力系統多源異構數據特征的概率分布，即特征x_i的概率分布p(x_i)、特征x_j,x_i的聯合概率分布p(x_i,x_j)、特征類別屬性Y的概率分布p(y)和特征x_j在特征類別屬性Y下的概率分布p(x_j,y)，特征x_j,x_i在特征類別屬性Y下的聯合概率分布為p(x_i,x_j,y)，建立特征協同效應系數MIG((X_i,X_j)；Y)，計算每個特征的協同效應系數值MIG((X_i,X_j)；Y)及協同效應系數值的均值meanMIG：

MIG((X_i,X_j)；Y)＝MI((X_i,X_j)；Y)-MI(X_i；Y)-MI(X_j；Y)

其中，X_i和X_j分別表示步驟(2-2-5)中提取的各數據源的數據特征，Y表示步驟(2-2-5)中提取的各數據源的數據特征的類別屬性，n表示特征的總個數；

根據上述計算結果，形成一個特征協同效應系數表，將特征協同效應系數中的與低于均值meanMIG的特征記入一個集合S中；

(3-3)構建一個強化學習環境，設定步驟(2-2-4)中提取的全部數據特征為環境，環境中包含不同特征的特征子集S_t，構成狀態集S，即步驟(3-2)中的集合S，設定一個動作集A，動作集A中包括添加特征和刪除特征，根據最終數據融合效果，設定收益R為特征子集在分類器上的分類準確率，建立強化學習模型，具體過程如下：

(3-3-1)S為狀態集合，S_t指智能體Agent在t時刻所處的狀態，且S_t∈S；

(3-3-2)A為動作集合，a_t指智能體Agent在t時刻所處的狀態，且a_t∈A；

(3-3-3)R為收益，R(S_t,a_t)指智能體Agent在環境狀態為S_t時，執行動作a_t獲得的收益，收益R根據任務需要自定義；

(3-3-4)利用動作評價函數Q(S_t,a_t)，計算智能體Agent在環境狀態為S_t時，執行動作a_t獲得的最大累計收益Q(S_t,a_t)：

Q(S_t,a_t)＝R(S_t,a_t)+γmaxQ(S_t+1,a_t+1)

其中，γ為折扣系數，γ∈[0,1]，表示當前的收益較之未來的收益更重要，即時間越久，影響越小；

(3-4)將步驟(3-1)獲得的信息熵、(3-2)中獲得的協同效應系數表及步驟(2-2-4)提取的數據特征帶入智能體Agent，智能體Agent根據添加、刪除的動作所帶來的不同收益作出決策，得到決策級多源異構運監數據融合結果，具體步驟如下：

(3-4-1)初始化特征參數及強化學習模型參數，初始化當前特征子集初始化折扣系數γ；

其中T為當前特征子集，表示智能體Agent在設定時刻已經選擇特征的集合，H為候選特征子集，表示智能體Agent在設定時刻未被選入T中的特征集合；

(3-4-2)將步驟(3-1)的信息熵高于信息熵均值的特征計入集合HS，HS的初始為空集；

(3-4-3)將步驟(3-2)協同效應系數低于協同效應系數均值的特征計入集合MIGS，MIGS初始為空集；

(3-4-4)當時，隨機添加一個特征X_add，X_add∈H，T←T∪{X_add}，H←H\{X_add}；

其中，X_add表示要添加的特征，X_del表示要刪除的特征，T←T∪{X_add}表示將T與特征X_add取并集的結果賦值給T，H←H\{X_add}表示將H中刪除特征X_add的結果賦值給H；

(3-4-5)從H∩HS中隨機添加一個特征X_add，計算特征子集T∪{X_add}的分類準確率，記為R_add，從步驟(3-4-3)的集合MIGS查詢特征子集T中協同效應系數較大的幾對特征，隨機選擇幾對特征中的一個特征，計算特征子集T\{X_add}分類準確率，記為R_del，對分類準確率R_add與分類準確率R_del進行比較：

若R_addR_del，則執行T←T∪{X_add},H←H\{X_add}

若R_addR_del，則執行T←T\{X_del},H←H∪{X_del}

(3-4-6)根據步驟(3-3-4)中的動作評價函數Q(S_t,a_t)，計算Q值，并更新Q表；

(3-4-7)判斷Q是否達到最大值，若滿足，則停止，并通過Q表輸出與最大Q值相對應的特征子集S，將該特征子集S作為最終數據融合結果，實現多源異構電網運監業務數據融合，若不滿足，則重復步驟(3-4-4)-(3-4-7)。