首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于改进卡尔曼滤波的电力计量数据深度融合

基于改进卡尔曼滤波的电力计量数据深度融合

2025-03-11 19 上传者：管理员

摘要：当前的电力计量数据融合方法并未对复杂数据进行时间配准，导致数据深度融合效果较差。为了有效解决这一问题，提出了基于改进卡尔曼滤波的电力计量数据深度融合方法。引入分布图法改进传统卡尔曼滤波算法，初始化卡尔曼滤波参数并填充时序数据。利用拉格朗日插值方法所构建插值基函数对数据进行降噪处理。利用小波变换方法预处理电力计量数据，结合时间配准与LEACH协议构建出多通道融合路径，实现电力计量数据的深度融合。分析实验结果可知，该方法的最大融合误差仅为0.2，能够使全部数据融合到一起，融合效果较好。

关键词：
改进卡尔曼滤波
深度融合
电力系统
电力计量数据
电网智能化
加入收藏

在我国电网智能化发展过程中,由于电力需求的急剧增加,使得电力系统容量越来越大,因而对电力资源管理的要求也越来越高｡为了降低电网运行成本,必须借助现代化的科技手段对电网进行有效地运行与控制｡随着现代科技手段的不断深入,电力设备计量装置应运而生,利用这一类型的设备能够获取精准的电力运行数据｡

当前阶段,电力计量数据呈现出多元化和海量化的特征,为了从多方面对电能数据进行全方位分析,必须要有一种更为系统化的数据处理方法,即数据融合｡文献[1]提出了基于边缘计算的融合方法,以Zscore为研究对象,采用Box-Cox变换方法对现有的Zscore数据进行归一化处理｡以此为依据建立多源信息的联合处理与融合框架,并对信息进行量化｡通过划分组件可信区间,确定组件可信区间的限制条件,提出一种基于碰撞最优DS推断的多源信息融合方法,从而实现数据的融合;文献[2]提出了基于信息熵计算模型的融合控制方法｡搭建多维度信息不确定性建立数据处理模型,计算传输延迟､丢包､错误等信息熵,并将不确定集合项应用到多维度信息不确定性模型中,以此实现多维度数据融合｡

然而,由于电力计量数据自身的特性差异以及数据中含有的噪音等原因,导致数据深度融合难度上升｡因此,提出了基于改进卡尔曼滤波的电力计量数据深度融合方法｡

1、数据降噪处理

针对电力计量数据深度融合这一重要问题,采用常规卡尔曼滤波算法能够得到比较理想的融合结果｡但是在实际应用中发现,常规卡尔曼滤波算法在处理过程中受到异常数据影响,数据处理效果会大打折扣[3]｡为了解决这一问题,提出了一种改进卡尔曼滤波方法,引入分布图法,提取电力计量数据特征,以此得到可靠的融合结果｡

基于上述原理,设计的基于改进卡尔曼滤波的数据降噪具体步骤如下:

首先,读入电力计量数据,并对其进行归类排序,使用分布图法找出异常或遗漏的数据,用平均值代替电力计量中的异常数据[4]｡在保证数据维数不变的前提下,用估计值代替稀疏数据,以便减少维数,提高计算效率｡

设a1,a2,⋯,an代表不同的电力计量数据,数据的中位数按照如下公式定义:

假设有效数据所在区间为[]x1,x2,那么不包含在该区间内数据,则认为是异常数据,需要将其剔除[5-6]｡

其次,对时间序列数据进行初始化｡在配电网中,每个电力计量设备所收集的数据频率是不一样的,为了使每个设备所收集的时序信息具有相同频率,采用拉格朗日插值算法补全时间信息,在此过程中所构建的插值基函数如下:

式中,tk表示收集k个电力计量数据所需时间;tj表示第j个原始电力计量时序数据[7-9]｡

电力计量时序数据对应的拉格朗日多项式函数可表示为:

最后,结合上述所构建的函数填充时序数据,并对时序数据进行降噪处理,公式为:

式中,φ表示趋势平滑参数;Mj-1表示电力计量数据一次平滑处理数值;ηj-1表示二次平滑值[10-11]｡

将卡尔曼滤波算法和循环迭代相结合,由此实现对电力计量数据的降噪处理｡

2、基于时间配准的电力计量数据深度融合

采用改进卡尔曼滤算法与时间配准方法实现数据的深度融合,改进卡尔曼滤波深度融合架构如图1所示｡

图1改进卡尔曼滤波的数据深度融合架构

利用小波变换对电力计量数据进行特征提取,并对数据属性分类｡利用设置的阈值函数对原始电力计量数据进行小波变换处理,结果可表示为:

式中,λ表示小波变换的尺度因子;γi,j表示第i个小波分解执行尺度下的第j个原始电力计量数据的尺度参数;t表示数据处理时间[12-14]｡

由式(5)可知,利用小波变换方法处理电力计量数据后,能够在阈值函数区域将数据划分为多个参量,进而将数据分解为多个相关的数据点位｡在此过程中,对电力计量数据进行了初步预处理,为以后的数据融合奠定了坚实基础｡

结合时间配准方法与LEACH协议对电力计量数据融合节点进行分组,使每个节点都有机会充当簇头,避免特定节点成为群集标识节点,从而确保分组的合理性与均衡性[15]｡

如果节点数量小于临界值,则将其作为聚类的头｡将所选取的群集识别码发送给其他节点,该数据包中含有集合报头的地址｡通常,传感器节点会依据接收到的数据,选择与其最接近的聚类,把这些数据传送到聚类中,形成一个完整网络｡在相邻两个子簇之间,通过计算子簇的残余能量以及子簇之间的距离,选择具有最少权重的生成树构造多通道融合路径｡

为实现非均匀分簇,需对节点的时间进行配准,其计算公式为:

式中,Q0､Q1分别表示簇首初始能量和数据融合所需能量;Lmax､Lmin分别表示任意两个簇首距离最大和最小值;L0-1表示簇首初始节点和当前节点距离[16]｡

结合上述计算结果设计多通道融合路径,如图2所示｡

图2多通道融合路径

经过处理后,将原来的电力计量数据分解成多个电力计量数据,具体分类方式可以表示为:

式中,β表示电力装置额定运行参数｡通过该公式可将数据分为两类,一类是电力计量数据处于低负荷运行的状态,此类型的数据用H1表示,另一类是电力计量数据处于高负荷运行的状态,此类型的数据用H2表示｡

将上述两类数据进行融合,得到融合结果为:

式中,H1()a表示H1的信息参数,H2()a表示H2的信息参数｡

3、实验

3.1实验环境

为了提高测试结果的分析价值和可靠性,设置了对照组｡其中,对照组分别为基于边缘计算的融合方法､基于信息熵计算模型的融合控制方法｡在测试数据的准备方面,基于某电力企业的电力设备运行数据,采集所有测量设备参数信息,使其在一天内采集到的电力计量数据包括24个样本点｡

单日采集数据分布情况如图3所示｡

图3单日采集数据分布情况

由图3可知,单日采集的数据分布处于离散状态,因此需要对于这些数据进行融合处理｡

3.2融合误差对比分析

对比分析三种方法的数据深度融合误差,如图4所示｡

图4不同方法数据深度融合误差对比分析

由图4可知,使用基于边缘计算的融合方法在数据标准化处理和统一转换方面,步骤繁琐,导致融合误差快速变大,即由最初的0.1增大到0.71;使用基于信息熵计算模型的融合控制方法,虽然采用积分结构的切换函数能够保证融合参数稳定,但是受到异常数据影响,导致融合误差较大,即由最初的0.08增大到0.65;使用基于改进卡尔曼滤波融合方法,融合误差没有持续增大,最大仅为0.2｡通过上述分析结果可知,研究方法融合误差最小,融合效果更好｡

3.3数据深度融合效果分析

对比分析三种方法的数据深度融合效果,如图5所示｡

图5不同方法数据深度融合效果对比分析

由图5可知,使用基于改进卡尔曼滤波融合方法能够剔除异常数据,将全部数据融合到一起,数据融合效果较好｡

4、结束语

为了满足电网发展的需要,需要对电网中有关信息进行有效处理｡文中采用改进卡尔曼滤波算法与时间配准技术,实现电力计量数据的深度融合[17-18]｡通过实验验证,研究方法的数据融合效果较好,能够给为实际电力系统管理工作开展提供有力的参考,保证电网长期安全稳定运行｡

参考文献:

[1]潘志新,翟学锋,王成亮,等.基于边缘计算的智能配电网多源数据处理与融合技术研究[J].电气传动,2021,51(22):74-80.

[2]杨挺,张璐,张亚健,等.基于信息熵计算模型的电力信息物理系统融合控制方法[J].电力系统自动化,2021,45(12):65-74.

[3]程智余,朱晓虎,李建青.基于改进ELECTRE法的电网规划投资多准则融合决策方法[J].中国电力,2022,55(11):59-65.

[4]陈洋荣,李俊娥,许昂,等.智能变电站信息物理融合可靠性评估方法[J].电力系统自动化,2021,45(3):102-110.

[5]徐敏锐,李云,卢树峰,等.基于D-S证据组合规则的双模型融合局部放电模式识别方法[J].电力自动化设备,2021,41(11):153-159.