基于邊緣計算的低壓配電網多源數據融合處理研究

洪可祎

（黑龍江工商學院，黑龍江 哈爾濱 150000）

0 引 言

在傳統低壓配電網數據處理過程中，多源數據融合技術常被用來綜合分析數據狀態和形成原因，并實現系統對數據的實時監控[1]。作為一種良好的數據處理和管理技術，多源數據處理和融合技術在一定程度上能夠保證系統的安全運行。傳統多源數據處理和融合步驟煩瑣，且存在難以多路徑收集數據和難以保證數據集中處理結果的準確度等問題，不能滿足系統可持續發展的要求[2]。因此本文提出將邊緣計算方法融入到多源數據融合處理過程中，強化系統收集能力并提高系統的可操性，使其在免受外界干擾的同時實現自身防護性能的提升[3]。

該技術首先在獲取數據源信息時采用數據匹配的方式對源信息進行集中匹配，并在此基礎上完成數據的預處理，其次通過加大數據的監控和分析力度對數據進行集中管理，以此來完成數據的多源融合處理，最后通過劃分不同的數據融合處理結果來記錄系統狀態，保證獲取到可供參考的系統運行參數。與傳統低壓配電網數據處理相比，本次提出的結合邊緣計算方法的低壓配電網多源數據融合處理方式能夠有效提升系統性能，具有廣闊的發展前景。

1 低壓配電網多源數據收集

數據收集是實現數據融合處理的前提，為實現低壓配電網多源數據的融合處理，必須保證多源數據收集的準確性[4]。將用戶地址預處理為符合系統需要的文本參數，并將其作為初始數據進行輸入和存儲操作，基于此對數據進行類別劃分，實現相應數據的排列，從而獲得需要的結果。此外，為保證數據的完整，中心管理系統需要對結果函數進行應用和處理。數據監測流程如圖1所示。

圖1 數據監測流程圖

在構建數據收集模型時，為提升系統的多源數據收集性能，需要根據數據固有的特性，利用機器學習的方式有效劃分數據，即對相同類別的數據進行分組[5]。在此基礎上分析數據的內在規律和特征，通過對數據集進行合理分類和排序，選取出符合系統需要的數據。數據排序如圖2所示。

圖2 數據排序圖

數據分類和排列是數據特征識別的基礎。在對數據進行合理排序后，通過對數據特征進行有效識別可以完成對所需參數的獲取和記錄，通過選定的固定追蹤函數可以保證數據在收集過程中免受外界的干擾，此外通過對參數結果的科學分析，可以實現對低壓配電網多源數據的初步收集。

2 低壓配電網多源數據預處理

完成數據收集后，通過預處理再次過濾已經初步分類和過濾的數據，剔除干擾數據，并在此基礎上對數據進行匹配，匹配過程如圖3所示。

圖3 數據匹配圖

可以通過數據匹配的方式對數據進行重組[6]。測量樣本數據時應選取數據集中的區域，保證更容易獲取到系統需要的數據，以便完成對異常數據的管理工作。在發現異常數據時，應能夠及時提示并對異常數據進行處理，穩定系統的運行。在此基礎上建立合理的驗證模型，在分析數據需求的同時驗證數據匹配和處理的正確性。數據解析如圖4所示。

圖4 數據解析圖

系統內部設置有對數據進行順序排除的裝置，通過便捷的操作便可以在短時間內完成數據的順序排除，精確控制數據的誤差值，使其保持在合理范圍[7]。將誤差偏離值較小的數據進行特定存儲，并對數據的損耗關聯性進行監督，如果最終獲得的數據不符合系統標準，則必須對數據進行再次過濾，保證最終獲得的數據符合系統需要，以此完成數據的預處理工作。

3 低壓配電網多源數據處理與融合

在完成多源數據預處理后應采用合理的手段對數據進行最終融合處理，通過數據傳感器將數據的特征用函數的形式進行表示，比較數據的特征和檢查數據特征之間的關聯，最后完成數據特征向系統所需參數的轉換。數據轉換過程如圖5所示。

圖5 數據轉換圖

在對系統進行操作時，應篩選和檢測電網信號，并正確設置相應的操作函數。利用相應的操作函數有效獲取電網信號，通過A/D轉換獲得數字信號[8]。對獲得的數字信號源信息進行預處理，過濾其中的噪聲，降低噪聲對數據融合處理的影響[9]。數據過濾過程如圖6所示。

圖6 數據過濾流程

利用智能算法對預處理后的數據信息進行特征提取，通過一系列監控裝置檢測數據狀況，采用合適的算法將數據特征值進行融合，得到系統需要的信號數據集，同時采用較為先進的數據融合算法優化信號數據集，從而得到最終的融合信息[10]。

4 實驗研究

4.1 實驗目的

通過對比傳統低壓配電網數據處理和融合技術，檢測本文提出的與邊緣計算相結合的低壓配電網多源數據融合處理技術的數據處理效果。

4.2 實驗參數

實驗的數據模型為驗證模型，數據操作模式為數據操作模式，文本數據為用戶地址數據，操作系統為Windows XP，參數設置如表1所示。

表1 實驗參數

4.3 實驗結果分析

實驗結果從數據的處理準確率、融合耗時及融合準確率3個方面展開。

4.3.1 數據處理準確率

本文提出的數據融合處理方法和傳統方法在準確率上的對比結果如圖7所示。

圖7 不同方法數據處理準確率對比

由圖7可知，本文提出的低壓配電網數據融合處理方法的準確度明顯高于傳統方法。本文方法準確度最高可達98%，而傳統方法最高只能達到80%。造成這種差距的原因是本文方法對數據進行了集中收集和預處理，通過實時監控能夠把握好數據的狀態和特征。

4.3.2 融合耗時

傳統方法和本文方法在融合耗時上的對比如表2所示。

表2 不同方法數據融合耗時分析

通過表2可以明顯看出本文方法的融合耗時比傳統方法少。例如，在樣本數據為100時，傳統方法的耗時為5.2 s，而本文提出的方法則為2.5 s。

4.3.3 數據融合準確率

本文提出的方法和傳統方法在數據融合準確率上的對比如圖8所示。

圖8 不同方法數據融合準確率對比

通過圖8可以看出本文方法的融合準確率明顯高于傳統方法。例如，當樣本數量為50時，本文方法的融合準確率超過90%，而傳統方法的準確率卻為50%左右。造成這種差距的原因是本文方法對所采集的數據進行了進一步的預處理，在降低更多干擾因素的同時提升了數據在系統之間的流轉性能。

4 結 論

本文主要從3個方面對提出的低壓配電網多源數據處理和融合過程進行了闡述，一是數據的收集；二是數據的預處理；三是數據的最終處理和融合。與傳統方法相比，本文提出的方法能夠提升系統的信息收集、數據過濾以及數據分類處理等性能。在數據的處理速度、數據融合的速度還是在數據融合的準確率上，本文提出的低壓配電網數據融合處理方法都具有顯著的優勢，應用效果較好。