基于智能感知與特征識別的電力工程數據處理技術研究

徐鑫乾，何宏杰，張 華，張可抒

（1.國網江蘇省電力有限公司，江蘇南京 210024；2.國網江蘇省電力有限公司經濟技術研究院，江蘇南京 210008；3.常州常供電力設計院有限公司，江蘇常州 213001）

隨著電力行業的高速發展，發輸配變等各環節的電力工程投資日益增加，電網公司對其工程投資效益的管控也日趨嚴格[1-2]。而在電力工程項目管理過程中，產生了海量的工程數據。如何結合物聯網（Internet of Things，IoT）、人工智能（Artificial Intelligence，AI）等技術深度挖掘此類數據的潛在價值，實現電力工程項目的精準投資與智能管控仍是有待研究的問題。目前，人工智能技術在電力領域的應用主要集中于負荷預測、電網故障識別及智能運維等方面[3-6]。而針對造價預測的應用卻較少，且預測準確度也有待提高[7-8]。

為此，文中利用導線截面、桿塔基數和地形系數等數據，再結合機器學習（Machine Learning，ML）算法實現電力工程項目造價的精準預測，進而為智能化管控提供輔助。

1 灰色關聯度分析

灰色關聯度分析（Grey Relation Analysis，GRA）采用不同的影響因子來表征發展態勢的相似程度，再通過判斷因子之間的關聯性大小，實現對數據的精準分析[9-10]。基于上述特點，該文使用GRA 實現電力工程特征數據的提取。

假設電力工程靜態造價數據序列為Y={y(k)|k=1,2,…,n}，且其可能存在關聯的影響因子共有M個，而第m個影響因子數據序列為Xm={xm(k)|k=1,2,…,n}，m=1,2,…,M。則GRA 包括的步驟如下：

1）數據標準化

為消除不同影響因子取值單位對計算結果的影響，以每個數據序列中的第一個數據為基礎，對數據序列進行標準化處理，即：

2）計算灰色關聯系數

將電力工程靜態造價序列Y與M個影響因子序列進行對比，并計算其在每個數據點的灰色關聯系數。具體計算方式如下：

式中，|y(k)-xm(k) |為電力工程靜態造價序列Y與第m個影響因子序列，在第k個數據點的絕對值。ρ為極大值平滑系數。

3）計算灰色關聯度

將在各個數據點上的灰色關聯系數求算術平均值，得到電力工程靜態造價序列Y與第m個影響因子序列的關聯度，計算方式為：

4）灰色關聯度排序

式中，ro為灰色關聯度閾值。

2 數據識別與處理方法設計

針對海量電力工程數據的特征識別與價值挖掘，提出了基于GRA-PSO-SVM 的電力工程數據識別與處理算法，實現對電力工程靜態造價的精準預測。算法模型如圖1 所示。

圖1 GRA-PSO-SVM算法模型

首先，利用GRA從電力工程靜態造價可能相關的眾多影響因子中，篩選出主要影響因子，以降低后續數據處理與特征識別的維數，并提高算法的計算效率；其次，由于懲罰因子（Penalty Term）與核函數（Kernel Function）因子對支持向量機（Support Vector Machine，SVM）算法的性能影響較大，因此采用粒子群優化（Particle Swarm Optimization，PSO）算法對這兩個關鍵參數進行優化；最后，通過SVM 算法實現電力工程數據特征識別，從而獲得電力工程靜態造價結果。

2.1 支持向量機

SVM 算法是一種基于機器學習的線性二分類器[11]，其通過將低維度非線性數據映射到高維度空間，從而實現非線性優化問題的線性轉化[12]。該算法求解難度與樣本空間維數無關，且適用于高維度數據樣本，并具有優秀的泛化能力。

SVM 算法的核心思想是決策一個具有最大邊距的超平面，進而將數據樣本劃分為正類與負類。算法原理如圖2 所示。其中實心數據點屬于正類，而空心數據點屬于負類，正處于決策邊界線上的數據點則稱為支持向量。

圖2 SVM算法原理

尋找的超平面可表述為：

式中，φ(x)為實現數據空間x到高維空間H的映射函數。w為超平面的法向量，b為超平面的截距。此外為了避免內積計算（Inner Product），φ(x)通常取為核函數。

通過引入松弛變量法（Relaxation Variable）來尋找最優超平面的決策問題，其可轉化為以下優化模型：

式中，λ為可調節大小的懲罰因子；γi為引入的松弛變量；N為數據點的個數。

為求解式（6）的優化問題，建立Lagrange 函數，從而將其轉換為：

式中，μi和νi為Lagrange 因子。

將式（7）左右兩邊同時對變量w、b、γi求偏導數，并分別令其值等于0，可得到以下計算公式：

結合式（7）-（8），利用原對偶理論可求解該優化問題，得到決策函數為：

為了方便計算，φ(xi)通常為核函數，其計算方式為：

式中，σ為核函數因子。

2.2 粒子群算法

SVM 算法中，核函數因子σ和懲罰因子λ均與算法的收斂速度、求解精度等性能相關。設置固定的因子取值，會導致算法出現過學習或欠學習現象，從而削弱算法的泛化能力。因此，為了提高SVM 算法對電力工程靜態造價問題的適應能力，采用PSO算法對SVM 算法的核函數因子σ和懲罰因子λ進行合理優化，以提高算法的準確性及穩定性[13]。

PSO 算法是一種模擬鳥群飛行機制的智能仿生算法[14-16]。假設優化問題共有M維變量，粒子種群大小則為N，且每個粒子均具有當前位置x和飛行速度v兩個特征。

當前位置x與飛行速度v的更新方法如下：

式中，x(t+1)和v(t+1)分別為粒子下一時刻的位置和飛行速度；q(t)為該粒子經過的最優位置，b(t)為粒子種群經過的最優位置；α1和α2為加速度參數；r1和r2為區間（0，1）范圍內的隨機數；w為慣性參數。

q(t)的更新方法如下：

式中，q(t+1)為下一時刻粒子的最優位置；f(·)為適應值計算函數。

b(t)的更新方法如下：

引入慣性參數w是為了讓算法能夠避開局部最優解，進而使得其具有良好的局部與全局尋優能力。該參數更新機制如下：

其中，wmax與wmin分別為慣性參數的上下限；g為種群代數，G為最大種群迭代。

3 算例分析

為了驗證文中所提算法的有效性與正確性，從某省電網電力工程管理系統中篩選出了近5 年共220 條歷史數據作為數據樣本。同時將訓練樣本及測試樣本按10∶1 的比例分配，并進行仿真測算。

3.1 主要影響因子分析

每條數據均包含圖1 中的X1～X8共8 個影響因子及電力工程靜態造價Y。對220 條歷史數據進行灰色關聯分析，且將關聯度閾值設置為0.7，所得到的結果如表1 所示。

表1 GRA計算結果

由表可知，影響因子與靜態造價間的灰色關聯度排序為X4＞X3＞X6＞X5＞X8＞X7＞X2＞X1。其中，X4、X3、X6、X5和X8的關聯度均大于閾值0.7。說明這些影響因子與電力工程靜態造價存在較強的關聯關系，因此將其作為主要的影響因子。

3.2 算法性能分析

經過PSO 算法優化后，SVM 算法中懲罰因子λ與核函數因子σ的最優值分別為36.12 和0.016。

利用20 組測試數據對所提GRA-PSO-SVM 算法進行測試，并將其與PSO-SVM 算法、SVM 算法進行對比，結果如圖3 所示。

圖3 算法對比結果

從圖中可看出，所提算法的預測精度顯著優于PSO-SVM 及SVM 算法。通過解析計算可得，其預測平均誤差僅為4.77%，而其他兩種算法分別為7.96%和11.33%。

此外，通過對比還可看出，PSO-SVM 相比SVM的預測準確度更高。這是由于其利用PSO 算法對SVM 算法的關鍵參數λ與σ進行了優化，由此提高了算法預測的精確度。

而對比該文所提算法與PSO-SVM 算法可知，該文算法準確度更高。原因在于GRA 算法篩選出了電力工程靜態造價的主要影響因子，降低了次要影響因子對預測結果的干擾。

3.3 應用效果分析

將該文算法應用到10 個實際電力工程項目中，項目靜態造價預測值與真實值的對比如表2 所示。由表可知，所提算法最大預測誤差僅為7.20%，而平均預測誤差則為4.62%，具有較好的預測精度，能夠指導電力工程項目的成本管控。

表2 電力工程靜態造價預測結果

4 結束語

該文利用電力工程項目數據，結合人工智能算法實現電力工程靜態造價的預測。通過仿真分析表明，GRA 算法能夠準確篩選出電力工程靜態造價的主要影響因子。而所提算法相比于PSO-SVM 算法及SVM 算法在電力工程靜態造價預測上具有更高的準確度。且在10 個實際的電力工程項目應用中，所提算法的平均預測誤差僅為4.62%，具有較為理想的預測效果。但該算法僅能獲得電力工程靜態造價的預測結果，至于如何利用數據識別與處理技術來實現電力工程動態造價預測，將在未來的研究中開展。