基于FCM-BP算法的電網運行多源信息融合方法研究

趙俊煒 張 銳

（廣東電網有限責任公司東莞供電局，廣東 東莞 523000）

0 引言

隨著電網規模日益擴大，加上白皮書的發布，調控一體化得到全面推廣，由此我國的電網調度與監控領域翻開了大數據時代的新篇章。在新形勢下，故障錄波器、智能保護開關、PMU等裝置大量裝設于電網中，由此構成了多種不同類型的信息源。

當電網發生故障時，大量一/二次設備告警、運行等信息涌現，需要監控人員及時處理、研判、傳遞給電網生產業務的各個環節。電網監控專業作為電網運行信息的第一感知人，在協同各專業參與監控電網安全運行與生產方面擔負著重要的責任，但監控人員單兵協同任務日益復雜繁重，導致電網安全生產面臨嚴峻挑戰。

為了改變以往電網運行及業務信息低效率協同的模式[1]，滿足相關專業對電網運行態勢的實時乃至提前感知與交互需求，需要對電網運行事件的關聯信息進行信息融合處理，再從應用場景、專業、權限等角度對融合后的數據進行劃分，提供按需、定向信息服務。因此，本文提出了一種基于FCM-BP算法的多源信息融合方法，用以保證電網運行事件的實時感知與快速分發，提升多專業處置電網事件的協作效率，保障地區電網的安全穩定運行。

1 信息融合

1.1 信息融合發展現狀

信息融合技術是信息科學中的一種新技術。20世紀70年代，隨著科學技術的持續進步，特別是微電子技術、信號檢測與處理技術、計算機和網絡通信等技術的迅速發展，許多傳感器系統涌現出來[2]。在此背景下，文獻[3]提出了分布式融合方法，文獻[4]采用Bayes方法提高信息融合的計算效率，文獻[5]最早提出了語義信息融合方法。

信息融合是一種多源信息處理技術[6]，它通過對來自不同傳感器的數據進行分析和綜合，獲得被測對象及其性質的最佳一致估計。多傳感器數據融合是一種多層次、多方面的處理過程，每個層次代表了信息的不同抽象程度；數據融合過程包括對多源數據進行檢測、互聯、估計和組合；數據融合的輸出包括低層次上的狀態身份估計和高層次上的總戰術態勢評估。

張友等人[7]提出了一種基于多源信息融合和自適應深度卷積神經網絡（ADCNN）的離心鼓風機故障診斷方法，通過運用ADCNN自適應地提取信息的特征，再把各異類信息的特征融合，該方法比傳統的融合模式以及CNN、反向傳播神經網絡（BPNN）、支持向量機（SVM）方法具有更高的診斷精度與魯棒性。文獻[8]提出了一種基于深度卷積神經網絡（Deep CNN，DCNN）的自適應多傳感數據融合方法，該方法將多種傳感器信號融合成單路信號，利用深度卷積神經網絡挖掘原始數據的特征，并通過實驗驗證了所提方法的準確性。王虹等人[9]提出了多源直覺模糊決策信息系統中信息融合的加權多粒度方法，來解決現有多源決策信息系統中選擇更多可靠的信息，最后形成單源決策信息系統而產生信息損失的問題。文獻[6]通過變分模態分解（VMD）和希爾伯特變換（HT）方法將振動信號處理成與紅外圖像同維的時頻圖像，然后將得到的時頻圖像與紅外圖像進行數據級融合，最后將融合后的信號傳入到多通道卷積神經網絡中進行訓練診斷。文獻[10]融合了BP-ANN（BackPropagation-ArtificialNeuralNetwork）神經網絡和CNN（Convolutional Neural Network）神經網絡，分別提取融合數值類型、類別類型和圖像類型數據的特征向量，再通過多層BP-ANN神經網絡進行超短期母線負荷的預測。文獻[11-14]主要是因為存在一些不確定信息，因此皆使用D-S證據理論對多源信息進行融合來診斷故障。

除上述研究外，還有諸如小麥品種分類、直覺模糊決策和基于步態的再識別等信息融合，在本文中，使用FCM-BP算法研究電網運行及業務信息融合問題。

1.2 神經網絡

人工神經網絡[15]是模擬生物神經網絡進行信息處理的一種數學模型，人工神經元是人工神經網絡操作的基本信息處理單位。處理模型如圖1所示。

圖1 人工神經元的處理模型

人工神經網絡具有強大的分布式信息存儲、并行處理和自適應學習能力。BP神經網絡[16]是人工神經網絡中一種特殊的多層前饋神經網絡，它是基于神經網絡理論來設計的，主要由信號的正向傳播與誤差的反向傳播兩個過程組成，具有較強的非線性映射能力，因而多用于函數擬合、模式識別、智能控制和狀態預測等場景，在工業界具有較廣泛的應用。

BP神經網絡包括三個部分，即輸入層、隱藏層和輸出層。在正向傳播時，數據從輸入層傳入，經過多層隱藏層處理后傳向輸出層。若輸出結果與實際結果不同，則進入反向傳播階段。在反向傳播時，網絡將輸出結果以某種形式通過隱藏層向輸入層逐層傳遞，并將誤差分攤到各隱藏層神經元，從而獲得各隱藏層神經元的誤差信號，以此來修正各隱藏層神經元權值。

2 基于FCM-BP算法的多源信息融合方法

為充分利用BP神經網絡的自學習能力，本文的主要思想是在特征級利用神經網絡信息融合方法來整合從多個數據源獲得的信息。文獻[17]就是將神經網絡用于目標識別系統的多傳感器數據的融合。基于此，本文提出基于神經網絡的多源信息融合技術，具體流程如圖2所示。

圖2 基于FCM-BP算法的多源信息融合模型

系統將獲取到的電網中的多源信息進行預處理，使用FCM對經過預處理的多源信息進行分析，將相似性較高的信息歸為一類，再采用加權平均法對同一類信息進行數據級融合；其次，對經過數據級融合的信息進行特征提取，將提取的特征送入BP神經網絡中進行特征級信息融合；最后，將融合后的信息分發至各專業。

2.1 信息預處理

電網中的信息來源廣泛，包括SOE信息、錄波數據、保信信息、電力系統廣域測量信息（WAMS）等，因此在進行特征提取之前，需要對這些信息進行簡單的信息預處理，主要包括異常數據的處理和數據歸一化處理。

電網中的各類數據在采集、傳輸和存儲的過程中，可能會由于設備異常或者網絡堵塞等原因發生缺失或者偏差等異常情況，這些都會影響模型對數據的分析能力，降低模型的準確率。為了防止異常數據對模型造成不利影響，本文利用插值法、回歸或者貝葉斯方法來推斷可能的取值，解決數據缺失的問題。對于數據偏差問題，本文采用分箱法進行處理，常見的分箱法包括卡方分箱法、最小熵法分箱及決策樹分箱法。

不同數據具有不同的量綱，會造成不同數據間具有較大的數值差異，從而干擾模型的訓練結果。為了防止數值差異對模型的影響，本文對不同數據進行了歸一化處理，將各類數據縮放到統一的合理范圍內，提高了模型數據分析的準確性。

2.2 基于FCM算法和加權平均法的數據級信息融合

數據級融合是直接融合同類信息，可以提供很多細微信息。但電網信息來源廣泛且具有異構性，同時多源異構數據具有難以進行數據級融合的特性。因此，本文使用模糊C均值聚類（FCM）算法對預處理后的電網運行及業務信息進行聚類分析，即將相似度最大的劃分為一簇，而不同簇之間相似度最小。然后對被劃分為一簇的信息使用加權平均法進行數據級融合。

收集到的多源信息矩陣為：

X的每一行為一個信息，每一列為一個信息的n個值。

FCM就是把n個信息xi（i=1，2，…，n）分為c類，并求c個類的聚類中心V={V1，V2，…，Vc}。其中，Vi={Vi1，Vi2，…，Vip}，i=1，2，…，c。

uik表示第k個樣品xk屬于第i類的隸屬度，0≤uik≤1，根據歸一化規定，數據集的隸屬度總和為1。因此，目標函數可定義為：

其中，U=（uik）c×n為隸屬度矩陣，dik=||xk-vi||。

FCM得到U、V的值使得J（U，V）取得最小值。

本文中，基于改進的FCM算法，數據級融合的處理步驟如下：

（1）確定類個數c，冪指數m＞1，初始隸屬度矩陣U（0）=（uik（0）），通常取[0，1]上的均勻分布隨機數來確定初始隸屬度矩陣U（0）。xk表示第一步迭代。

（2）計算第l步的聚類中心V（l）：

（3）修正隸屬度矩陣U（l），計算目標函數值J（l）。

（4）當給定的隸屬度終止容限ε＞0，滿足條件時，停止迭代，否則l=l+1，繼續進行第二步。

（5）經過上述迭代計算，可以求得最終的隸屬度矩陣U和聚類中心V，使得J（U，V）的值達到最小。通過最終得到的隸屬度矩陣U確定信息的歸類情況，當ujk=時，可將信息xk歸為第j類。

（6）對經過FCM聚類分析之后被劃分為同一類的信息，使用加權平均法進行數據級融合，融合規則如下：

本文使用FCM將預處理過的多源信息相似度較高的分為一類，然后采用加權平均法對同一類信息進行數據級融合。

2.3 基于BP神經網絡的特征級信息融合

對經過數據級融合的各類信息提取數據特征，將提取的特征送入BP神經網絡中進行特征級信息融合。

使用BP神經網絡進行特征級信息融合的過程如下：

（1）定義BP神經網絡中的連續非線性激活函數：

其中，netjk由以下方程式計算：

（2）輸出層中的參數ωkj可以估計如下：

（3）與輸出層不同，隱藏層的參數計算如下：

在BP神經網絡中，每一層的輸出被傳輸到下一層的神經元。也就是說，BP神經網絡能夠保持一個偏置神經元，從而在沒有任何輸入的情況下產生恒定的輸出。3 基于FCM-BP 算法的多源信息融合技術在電網業務及運行信息中的應用

當電網發生故障時，產生大量運行、告警等信號，電網監控系統會對這些信息進行采集。首先，對采集到的多源信息進行預處理；其次，使用FCM算法對預處理過的信息進行聚類分析，將相似度最高的劃分為一類，再采用加權平均法對同一類信息進行數據級融合；然后將經過數據級融合后的信息送入BP神經網絡中進行特征級信息融合；最后將融合后的信息從應用場景、專業、權限等角度進行劃分，提供按需、定向的信息服務，滿足相關專業對電網運行態勢的實時乃至提前感知與交互需求。

電網運行事件和告警信號是在電網發生故障時發出的信息，通過協同平臺收集與故障相關的多源異構信息，即設備信息、運行信息和處置信息等。將這些多源信息進行信息融合，信息融合模塊將收集的信息進行預處理，經過數據級融合和特征級融合得到最終的融合信息。融合后的信息更具有專業性，可以根據場景、專業和權限等進行劃分，將劃分好的信息分發至相關專業，能夠提高信息分發速度，減少信息堵塞的可能性，提高相關專業對事故處理的工作效率。

4 結語

本文著重于電網運行及業務中多源異構信息的融合問題，并從不同的數據源中最大化獲得數據。在該方法中，獲得的電網運行及業務信息通過三個步驟進行處理：第一，對收集到的多源數據進行預處理；第二，使用FCM對經過預處理的多源信息進行分析，將相似性較高的信息歸為一類，再采用加權平均法對同一類信息進行數據級融合；第三，對經過數據級融合的信息進行特征提取，將提取的特征送入BP神經網絡中進行特征級信息融合。相較于傳統的單一層信息融合技術，FCM-BP神經網絡算法同時實現了電網多源異構信息在數據級和特征級的融合。改進后的算法顯著提高了信息融合的質量，在后續的電網運行信息分發時更具有專業性，提高了信息分發速度，大幅降低了信息堵塞的可能性。