首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 面向电力工程信息处理的多元数据特征提取与融合

面向电力工程信息处理的多元数据特征提取与融合

2025-03-11 56 上传者：管理员

摘要：针对输变电工程影响因素多、数据样本复杂多变容易导致工程数据处理和预测难度增加的问题，文中提出了一种基于多元数据特征提取与融合技术的电力工程信息处理模型。该模型运用多个堆栈稀疏自编码器（SSAE）从电力工程各类数据中分别提取特征信息，借助竞争粒子群算法优化的回声状态网络（CSO-ESN）实现信息融合并输出预测结果。以电力工程信息中的静态投资数据为样本进行的多组对比实验结果表明，所提模型的预测误差范围为1.82%～5.95%，可以有效实现电力工程数据信息的处理与合理预测，具有良好的普适性与准确性。

关键词：
回声状态网络
堆栈稀疏自编码器
多元特征融合
电力工程数据
电网技术
加入收藏

随着国民经济增长,社会对电网规模需求日益增加,电网技术改造工程项目数量随之增多,对工程项目信息处理要求也不断提高[1-3]｡电力运营企业的各级管理单位对电力工程项目的图纸设计､项目施工与数据处理等提出了精细化､标准化的管理要求,此外对投资管理也提出了精益化的改进目标｡而如何将智能化的数据分析算法准确､合理地运用于项目信息控制,便成为了当前的研究热点[4]｡所以,在电力工程的管控过程中需要将信息处理与预测技术应用于工程方案的制订流程中,从而提升项目效率,实现精细化管理[5-7]｡

在输变电工程信息处理与数据分析时,通常需考虑图纸､材料､规范和造价等因素,故数据分析处理工作与各类数字化应用常存在兼容性问题[8-9]｡工程技术的发展使得电力工程数据源呈几何级数增长,也致使工程评估的影响因子大量增加｡而如何高效､准确地分析大量数据并实现多元数据的特征融合评价,便成为了当前数据处理研究的重点｡随着人工智能技术的不断发展,多样化深度学习网络被广泛应用,进而解决了各类数据分析问题｡然而,当前应用广泛的人工智能方法对多元数据处理问题的解决能力仍存在不足｡在该问题上,传统深度学习网络的应用效果难以达到工程应用的需求｡为解决以上问题,文中基于堆栈稀疏自编码器和改进回声状态网络提出了一种多元特征融合模型,用于电力工程各类数据如静态､动态投资和工程费用等趋势的分析预测｡

1、理论分析

1.1堆栈稀疏自编码器

堆栈稀疏自编码器(StackedSparseAuto-Encoder,SSAE)[10-12]常用于数据信息的高维特征提取,一般由多个自编码器构成｡自编码器作为经典的3层神经网络,结构如图1所示｡该网络可以实现输入数据的编码与解码,通过重复的编译即可完成高维数据的特征提取或降维运算,且该运算过程是无监督的｡

图1自编码器结构

编码和解码的计算方法如下:

式中,Z∈RM为压缩向量;W∈RM×N为编码器输入层与隐藏层间的权值;X∈RN为输入向量;W′∈RM×N为输出层与隐藏层间的权值;b∈RM和b′∈RM为各层运算的偏置向量;σ与σ′为运算过程中的激活函数｡

自编码器的训练需要反复地编码与解码,训练目标为使重构误差最小,训练对象为权值矩阵W与W′,重构误差计算如下:

但是单个自编码器提取的特征有限,为了实现数据深层特征的提取,将多个自编码器叠加,从而得到堆栈自编码器网络｡可将该网络看作是一个深度学习网络,其损失函数计算如下:

式中,m为总样本数;l为正则化运算的常数;n为网络层数;X(i)为输入层输入的样本;Y(i)为各输入样本所对应的标签;srl与scl分别表示权值矩阵W(l)的行和列｡

为了减少堆栈自编码器网络在训练过程中的计算量,加快运算效率并使其易收敛｡文中在网络运算过程中添加了稀疏约束,使部分神经元暂时为非激活状态,而该约束主要通过运算中的稀疏附加项来实现｡由此可以得到堆栈稀疏自编码器的损失函数为:

1.2回声状态网络

回声状态网络(EchoStateNetwork,ESN)是传统循环神经网络的一种扩展[13-15],该网络结构主要由输入层u､储存池h和输出层o组成｡其核心部分为储存池,在该部分中,将进行输入层样本的特征提取与融合｡因为储存池中存在大量神经元,所以ESN的特征提取表达能力与记忆融合能力明显强于其他循环神经网络｡网络的主要超参数有输入层的输入向量维度M､储存池和输出层神经元数量G､S｡故而ESN的输入层､储存池与输出层矩阵可表示为Win∈RM×G､Wh∈RG×G､Wout∈RG×S｡

在ESN特征提取与记忆融合过程中,储存池将输入向量映射至高维特征空间,于高维特征表达中迭代并更新矩阵,进而得到融合特征的矩阵表达形式｡其中,储存池的权值矩阵通常是一个稀疏矩阵,即池内为大规模随机稀疏网络｡迭代过程表示如下:

式中,f1和f2为网络储存池h中的激活函数,t为样本指标｡

ESN的训练是一种启发式的参数优化过程,先生成随机数矩阵Win和Wh,进而使用算法计算Wout｡为提高ESN的性能,使储存池的Wh有可分离性与回声状态特性｡上述特性在网络训练过程中,分别通过降低连接率和改变Wh的谱半径来实现｡确定Win和Wh后,Wout的计算公式如下:

式中,T为训练集样本总数;odesireds(t)表示t样本在第s个求解过程的真实标签;os(t)表示t样本在第s个求解过程的预测标签｡

1.3竞争粒子群算法

ESN的训练通常采用启发式优化方法,初始参数的设置对其性能影响较大｡为优化参数选取,降低人为参数设置对网络性能的影响,文中引入了竞争粒子群算法(CompetitiveSwarmOptimizer,CSO)[16-18]｡该算法为粒子群算法的改良,其算法简单､优化效率高,被广泛应用于单目标优化任务｡

在粒子群算法中,设粒子个数为N,各粒子有其位置和速度,迭代时更新粒子特性以寻求最优解｡与传统方法相比,CSO优化了粒子更新机制｡若迭代k次后的粒子群为P(k),计算适应度后将其随机分为两组,两组相互竞争,胜者进入下一轮迭代,败者则需更新粒子｡将胜者和败者的位置与速度分别设为Xp,w(k)､Vp,w(k)､Xp,l(k)､Vp,l(k),则上述过程表示如下:

式中,r1(p,k)､r2(p,k)和r3(p,k)为随机系数,其服从[0,1]的均匀分布;Xˉp(k)为粒子群的全局位置;λˉ为控制全局位置的超参数｡

2、多元特征的提取与融合

在输变电工程项目指标趋势预测分析的流程中,通常要求结合诸多因素分析,不同因素对信息处理与特征融合的影响程度存在差异｡而且工程数据类型多样,例如估算数据､概算数据､预算数据和结算数据等｡但在现有的分析模型中,结合与分析的因素通常是单一化的,因此会导致数据处理模型对多元因素的干扰鲁棒性不足,易造成较大的分析误差｡另外,单一维度的神经网络在多元数据的特征提取与融合应用中容易出现大量的信息缺失,从而影响分析结果｡基于上述问题,为了实现多元工程数据的处理与分析,并完成准确的指标趋势分析,本次提出了一种基于SSAE和ESN的多元特征融合网络,该网络如图2所示｡

图2多元特征融合网络结构

先利用多维SSAE从多元数据域中分别提取特征信息,然后在CSO-ESN中完成特征融合与结果输出｡其中,CSO-ESN的优化过程步骤如下:

1)参数初始化,设定优化算法的种群规模与迭代次数,将启发式优化算法中对网络参数影响较大的4个参数(输入变化因子､储存池规模､稀疏度､谱半径)设为优化变量;

2)采用Logistic映射对优化问题中各个粒子的初始状态进行混沌初始化;

3)由式(10)计算各个粒子所关联的ESN对训练集进行识别的MSE,作为算法的适应度;

4)将粒子群随机划分为两组,互相竞争,而判断胜败的条件则为适应度大小;

5)根据胜败分别更新粒子的状态,计算更新后粒子所对应网络的适应度值;

6)适应度值达到阈值或迭代达到设定次数时优化结束,进行步骤7),否则转到步骤4)｡

7)得到最优参数组合,生成优化后模型｡

综上基于多元特征融合的多元数据特征提取与融合模型流程,如图3所示｡

图3多元特征融合模型流程

3、算例分析

为验证所提多元特征融合模型的可行性与有效性,文中以静态投资为例,针对输变电工程造价数据基本指标进行趋势分析｡选取电力工程的造价数据,引入环境､经济､技术等多元影响因素进行校验分析｡每种影响因素对应一个造价数据样本集,样本集共包含样本230组,将数据按3∶1∶1的比例随机划分为训练集､测试集和验证集｡

3.1不同模型结果对比分析

为了验证文中所提出的基于多元特征融合方法的电力工程信息处理模型在输变电工程数据信息中的应用价值,将所提方法与经典数据分析预测方法深度置信网络(DeepBeliefNetworks,DBN)和长短期记忆(LongandShort-TermMemory,LSTM)网络进行对比分析,部分实验结果如表1所示｡结果的可视化曲线,如图4所示｡可以看出,文中方法的预测误差绝对值范围为1.82%~5.95%,相较于DBN和LSTM表现更优｡其中,DBN的预测误差绝对值范围为4.34%~9.55%,LSTM的预测误差绝对值范围为7.59%~15.97%,可见相较于深度学习方法DBN,LSTM表现较差｡文中所提方法是基于深度学习网络的改进,对复杂数据有较优的数据处理与趋势分析能力｡

表1不同模型处理分析结果

图4不同模型的预测曲线

3.2模型特征融合性能分析

为检验所提模型的特征融合性能,使用影响因素为环境､经济､技术的3个数据集组合训练模型,数据集表示为D1､D2和D3,部分数据分析处理结果如表2所示｡从预测结果可以看出,只使用样本集D1训练时,预测误差较大;使用样本集D1+D2训练网络时,预测误差区间为2.56%~10.63%;以多元数据D1+D2+D3训练网络时,预测误差绝对值范围在0.42%~6.57%｡因此,文中方法基于多元数据训练的分析结果明显优于单元数据训练下的分析结果｡多元影响因子的引入,可以增加预测过程中需要的数据特征含量,从而提高趋势分析准确率,降低分析误差｡

4、结束语

为实现输变电工程造价数据变化趋势分析,提升电力工程信息处理与合理预测的效率,文中提出了一种基于多维堆栈稀疏自编码器和改进回声状态网络的多元特征融合模型,该模型可以实现输变电工程造价数据的特征提取与分析处理｡以造价数据中的静态投资预测为例展开实验,由实验结果可知,所提方法对工程静态投资预测误差范围为1.82%~5.95%,该结果优于现有机器学习方法与深度学习方法｡但该次在实验中仅考虑了部分重要因素,需要在后续的改进中引入更多特征因素,针对其他关键指标实现对数据趋势与合理区间的分析｡

表2多元数据处理分析结果

参考文献:

[1]于昊正,潘肇伦,李科,等.基于模糊Petri网的配电网工程偏差指标诊断[J].中国电力,2022,55(7):67-73.

[2]李卫国,孔琪,孙明刚,等.基于可视化技术的电力基建工程安全信息远程调阅方法[J].微型电脑应用,2022,38(8):79-82.

[3]杨文生,叶宝玉,周文奇,等.基于深度神经网络的电力工程数据聚类模型设计[J].电子设计工程,2022,30(22):136-139,144.

[4]金智博,李华强,李山山,等.考虑投资能力反馈的电网规划项目投资时序优化方法[J].电力自动化设备,2022,42(3):168-174.

[5]刘伟.基于多因素特征分析的电力工程数据处理与预测模型[J].电子设计工程,2021,29(19):79-83.

[6]刘哲,何子东,靳健欣,等.大数据技术在输变电工程造价指标预测中的应用研究[J].微型电脑应用,2021,37(5):154-157.

[7]肖立华,张博,胡伟,等.基于机器学习的电网工程量计价预测模型[J].沈阳工业大学学报,2021,43(3):241-246.

[8]栾凌,潘连武,闫雷,等.基于边缘计算的输变电工程全环节单元确认的精准造价智能管控技术研究[J].计算机科学,2021,48(z2):688-692.

[9]杨龙,徐雄军,黄丞远,等.输变电工程造价水平智能评估与监测方法研究[J].电力学报,2021,36(2):164-172.

[10]任君兰,曹浩,司吉兵.基于堆栈稀疏自编码器的齿轮箱故障诊断[J].制造技术与机床,2020(5):49-53.