基于深度学习的配电网工程数据融合与智能分析方法研究

钟琦，杨 波，朱 莎，潘行健，陆非凡

（国网浙江德清县供电有限公司，浙江湖州 313200）

近年来，随着国内经济的快速发展，配网工程数据呈现出了爆炸式的增长，给数据的处理与分析带来了新的挑战[1-3]。与此同时，大数据处理技术、深度学习等人工智能技术的应用，也给电网配网工程数据的处理与分析带来了新的研究方向[4-5]。在配网工程数据领域，国内外专家学者对海量视频与数据库的自动化融合分析研究较少，仍处于研究起步阶段。如何充分利用现有数据资料，总结归纳采集数据的特征与规律，并将其应用于目标检测是目前研究的热点[6]。深度学习算法可用于特征提取，这些特征能够刻画出数据库的丰富内涵。其本质是通过神经网络，训练得到数据特征，并建立输出信号与输入信号的映射关系，为数据处理提供理论基础[7-8]。应用深度学习进行数据融合，可对多个来源的数据进行数据处理，具有准确性高、实时性强的特点[9]。有国外学者提出了关联分析的数据融合框架，以改善数据决策的鲁棒性，并将其应用于更广泛的交叉领域[10-12]。随着信息量的持续增加，配网工程数据来源更加多维，亟需应用更加精确的智能算法进行数据分析与处理。

该文以深度学习基础模型为理论基础，克服小规模数据特征提取较难的问题，并建立改进的FPFRCNN 检测模型。针对配网工程数据产生的异构大数据，分析配网数据的关联性与可靠性，将预处理结果作为数据源输入，进行电压和电流的采集，完成降噪处理和数据融合后，最终基于采集到的现场数据，实现数据挖掘和可视化分析。

1 深度学习模型

1.1 基本模型

深度学习是通过模拟大脑机理解决机器学习问题，因其强大的鲁棒性而被广泛关注[13-14]。在表达目标函数能力上，用深度结构的ANN 能较好地表示高维函数，但在优化参数过程中需要训练大量样本数据[15]。在模型训练方面，样本输入数据从一个模型迁移到另一个数据集，采用无监督方式获取更多的信息，其模型示意图如图1 所示。

图1 深度学习神经网络模型

在可视层内，可以将输入信号看作特征节点，并认为所有节点均为独立的。因此，根据输入节点参数得到神经元参数，经处理后得到输出信号。

1.2 改进FP-FRCNN模型

为克服小规模数据特征提取较难的问题，建立改进的FP-FRCNN 检测模型，以提高检测精度。建立FP-FRCNN 模型首先需要压缩连接金字塔结构，该过程包括压缩激励密集与主干网络，同时修改Dense Net 网络结构。通过压缩操作对过渡层进行信息压缩，应用连接层构成激励操作，形成两个神经元单元之间的依赖关系[16]。最终，通过上述依赖关系对数据集进行重新校准。为了防止参数过程带来的影响，采用通道因子减少通道数量，直至恢复正常水平。构建金字塔网络结构的基本流程，如图2 所示。从图中可以看出，先对SE-Dense Net 的每个特征图进行卷积操作，并进行采样分析，自上而下重复上述操作，最终建立金字塔型网络结构。

图2 金字塔网络结构构建过程

1.3 池化层调整

建立金字塔网络结构之后，需要将RPN 模块连接到预测层，然后将各个模块连接到RoIAlign 层，最后建立改进的FP-FRCNN模型，具体操作如图3所示。

图3 改进FP-FRCNN模型的整体结构

2 配网工程数据融合算法

2.1 数据预处理

配网工程数据呈现数据冗余、多维度等特征，如何高效利用该数据尤为重要。数据预处理是进行数据融合的前提，是决定数据智能决策与分析的关键步骤。针对配网工程产生的异构大数据，首先需要分析配网数据的关联性与可靠性，将预处理结果作为数据源输入。由于配网数据采集系统采用智能终端进行电压、电流的采集，并利用全智能分析技术进行降噪处理，因此还需要对原始数据样本集剔除异常数值，以提高配网工程的真实性。

为进行配网工程数据融合，设共有N个训练集样本，其子样本数据集分别为A1,A2,…,AN、B1,B2,…,BN和W1,W2,…,WN；关联训练子集为Y1,Y2,…,YN；则第i个样本可表示为：

将式（2）和式（3）分别扩展到式（1）中，可得到Yi为：

2.2 稀疏自编码器数据融合

配网工程数据不存在明显的分界，为标记工程数据的类别情况，采用基于聚类分析的稀疏自编码数据融合算法。该算法基于无监督学习，通过分类得到最终结果，可使输出数据尽量保存原有特征，其是一种强化的稀疏算法，且该方法的解码器变换可自动提取样本数据信息并进行深度学习。在损失函数方面，通过增加稀疏约束项，增加配网工程数据的特征提取能力，以提高数据提取的精确度。

稀疏自编码器数据融合算法流程如图4 所示，其主要步骤有三步：1）通过SAE 编码器建立稀疏自编码器，并对配网工程数据进行重构；2）通过神经网络设置初始参数，调用均方损失函数，采用Adam 优化器优化数据，防止过拟合现象；3）将SAE 输入，确定样本数据的中心点，通过计算确定数据核心与类别，经过多次迭代得到数据的分类结果。

图4 稀疏自编码器数据融合算法

2.3 边缘数据自适应增强

获取配网工程数据信息后，可以对数据信息做自适应增强处理，首先应保证局部数据信息的一致性，定义为：

式（6）中，gout(x,y)、gave(x,y)分别表示经过二次泰勒级数展开卷积之后，配网工程数据在(x,y)位置的输出值与局部均值。

为保护边缘数据信息，将公式修改为：

式（7）中，gout1、gout2、gout3分别是gout(x,y)的3个分量，若gout3＞0，则可提高数据边缘信息，且的数值范围为[0,1]。

将处理后的数据信息还原为原始信息，还原公式为：

式（8）中，Pin为输入数据信息的分量值，Pout是指数据信息增强处理后得到的数据分量值，β(x,y)的定义为：

3 数据智能分析

3.1 原始数据可视化

配网工程数据可视化主要基于配网终端采集到的现场数据，进行储存、分析以及管理，实现数据挖掘、生产可视化界面。原始数据的可视化不仅给配网工程提供优质的计算服务，且为电力工程的推进提供有力支撑。根据可视化需求以及功能，生成用户账户，跳转到可视化界面，显示上传的配网工程原始数据，创建项目数据及模板，便于结构化管理。

通过Python 编程工具实现数据图像的呈现，直观显示配网工程数据的分布特征，将大部分数据显示在零点附近，使得数据排列呈现时间性，体现数据的电压、电流数值。

3.2 分析结果处理

配网工程数据分析一般有两种方法，即参数分析与波形分析。参数分析主要通过获取配网终端采集的数据特征进行数据分析，数据特征包括数据幅值、频率、持续时间等；波形分析是采用智能算法对波形信号进行处理分析频域特点，反映输入信号的规律，从而更好地应用波形信息。傅里叶谱分析方法是处理频域分析的常用方法，其分析结果可以用于全局信息处理。为避免数据丢失情况，并遏制数据混乱，运用Tfrsp 函数进行分析计算，得到二维频谱为：

3.3 评价指标

数据分析检测常用的精度检测指标平均精度（AP），通过计算预测值的准确率和召回率绘制P-R曲线，进而评价分析结果的效果。

分类精确率是针对给定数据集，分类数据量与总数据量的比值，若用M代表数据样本数，N代表数据集总量，则精确值可表示为：

一般来说，准确率与召回率为一对矛盾的度量方式，两者呈现负相关的关系。在选择评价指标时，需要考虑不同的场景与适用范围。为提高检测精度，需采用综合评价指标进行衡量。

4 算例分析

4.1 测试环境

以浙江省某区域配电网的实际工程数据进行算例分析，验证该文所提方法的有效性。数据分析实验均在带有GPU 的服务器上运行，CPU 为Intel Core i7 7800，显卡NVDIDA GTX1080，软件环境为Cuda 8.0/Python3.6/OpenCV。通过对比分析各种不同方法的配网工程数据处理结果，验证该文所提方法的识别精度与误差率。

4.2 结果分析

实验过程使用的配网工程样本数据库较大，采用该文所述深度学习模型，首先将样本数据进行分析与处理，利用差值算法分析数据集的损失。为验证数据缩放对检测精度的影响，在不同分辨率下分析检测精度，同时比较不同算法在不同分辨率情形下的效果。相应的计算结果，如表1 所示。从表中可以看出，几种方法均可以提升检测效果。且采用该文所述的深度学习方法时，AP 值达到了95.6%，具有良好的检测效果。

表1 几种方法的AP值

为进一步体现该文所述方法对配网工程数据融合的精度与误差，选取三种方法对该区域内的配网工程数据进行融合与分析，对比分析几种方法的有效性。三种方法的结果，如表2 所示。从表2 中可以看出，当采用深度学习对配网工程数据进行训练、融合、分析时，其结果的平均误差最小，处理精度更高。

表2 三种算法对比分析

5 结束语

针对配网工程数据分析与处理存在的问题，开展基于深度学习的配网工程数据融合与智能分析方法研究。通过建立改进的FP-FRCNN 检测模型、压缩连接金字塔结构，对配网异构数据进行融合分析；将预处理结果作为数据源输入，采用全智能分析技术进行降噪处理，基于聚类分析的稀疏自编码数据融合算法进行数据融合；利用配网终端采集到的现场数据，实现数据挖掘和可视化分析与处理；采用智能算法对波形信号处理分析频域特点，反映输入信号的规律与波形信息。最后，以某区域配网工程数据进行算例分析，验证了该文所述方法在不同分辨率下均具有良好的检测效果，且误差小、精度高，具有广阔的应用价值。下一步将研究改进的卷积神经网络与随机森林的识别算法，以更好地反映配网工程数据的数据特征，提高检测精度。