基于深度神經(jīng)網(wǎng)絡(luò)的數(shù)字電網(wǎng)邊緣側(cè)數(shù)據(jù)遷移

祝健楊，辛明勇，代奇跡

（貴州電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，貴州貴陽 550002）

深度神經(jīng)網(wǎng)絡(luò)[1]是機(jī)器學(xué)習(xí)領(lǐng)域中的關(guān)鍵技術(shù)，可以用較少的參數(shù)來表示復(fù)雜函數(shù)，由于訓(xùn)練樣本能夠充分覆蓋未來樣本集合，所以訓(xùn)練過程中不會陷入局部最優(yōu)。與其他類型的網(wǎng)絡(luò)模型相比，深度神經(jīng)網(wǎng)絡(luò)既可以實(shí)現(xiàn)對數(shù)據(jù)樣本的分類存儲，也可以在轉(zhuǎn)化數(shù)據(jù)樣本的同時(shí)，提高網(wǎng)絡(luò)的存儲能力，一方面解決了數(shù)據(jù)樣本過量累積的問題[2]，另一方面也可以大幅提升信息參量的傳輸速率，避免數(shù)據(jù)庫主機(jī)出現(xiàn)過負(fù)載運(yùn)行的情況[3]。

數(shù)字電網(wǎng)是一種數(shù)字化電網(wǎng)應(yīng)用平臺，可以對傳統(tǒng)電網(wǎng)進(jìn)行數(shù)字化處理，從而拉近了局域電網(wǎng)模型與廣域電網(wǎng)模型之間的數(shù)字孿生關(guān)系。在實(shí)際應(yīng)用過程中，隨著數(shù)據(jù)傳輸量的增大，數(shù)字電網(wǎng)邊緣側(cè)會出現(xiàn)明顯的數(shù)據(jù)樣本過量累積現(xiàn)象，這不但會增大電網(wǎng)主機(jī)的運(yùn)行壓力，還會造成電網(wǎng)邊緣側(cè)數(shù)據(jù)遷移時(shí)間的大幅延長。為了避免上述情況的發(fā)生，基于容器技術(shù)的處理機(jī)制按照優(yōu)先級原則，對數(shù)字電網(wǎng)邊緣側(cè)數(shù)據(jù)進(jìn)行篩選，又借助云邊協(xié)同平臺，完成對信息參量的調(diào)度與遷移處理[4]。然而此方法的應(yīng)用存在一定的局限性，并不能將電網(wǎng)邊緣側(cè)數(shù)據(jù)遷移時(shí)長控制在既定數(shù)值標(biāo)準(zhǔn)之內(nèi)。為解決上述問題，引入深度神經(jīng)網(wǎng)絡(luò)模型，設(shè)計(jì)一種新型數(shù)字電網(wǎng)邊緣側(cè)數(shù)據(jù)遷移方法。

1 電網(wǎng)邊緣側(cè)數(shù)據(jù)整合

1.1 深度神經(jīng)網(wǎng)絡(luò)

深度神經(jīng)網(wǎng)絡(luò)負(fù)責(zé)將待遷移電網(wǎng)邊緣側(cè)數(shù)據(jù)從混合信息樣本中提取出來，為后續(xù)的數(shù)據(jù)遷移奠定基礎(chǔ)，該網(wǎng)絡(luò)由輸入層節(jié)點(diǎn)、隱含層節(jié)點(diǎn)、輸出層節(jié)點(diǎn)三部分組成。其中，輸入層節(jié)點(diǎn)直接與電網(wǎng)邊緣側(cè)混合信息樣本接觸，與其他類型的應(yīng)用節(jié)點(diǎn)相比，輸入層節(jié)點(diǎn)只負(fù)責(zé)數(shù)據(jù)參量的錄入，不具備辨別信息成分的能力；隱含層節(jié)點(diǎn)與輸入層節(jié)點(diǎn)對接，負(fù)責(zé)辨別已輸入混合樣本的成分，由于每一類數(shù)據(jù)樣本都包含大量的待識別信息，所以隱含層節(jié)點(diǎn)數(shù)量相對較多；輸出層節(jié)點(diǎn)與隱含層節(jié)點(diǎn)對接，能夠根據(jù)數(shù)據(jù)樣本成分辨別結(jié)果，更改待遷移信息參量的編碼形式，從而使得邊緣側(cè)數(shù)據(jù)輸出結(jié)果能夠滿足數(shù)字電網(wǎng)主機(jī)的實(shí)際應(yīng)用需求[5-6]。深度神經(jīng)網(wǎng)絡(luò)布局形式如圖1 所示。

圖1 深度神經(jīng)網(wǎng)絡(luò)布局形式

為避免數(shù)據(jù)回流行為的出現(xiàn)，深度神經(jīng)網(wǎng)絡(luò)的構(gòu)建必須滿足單一性傳輸原則。

1.2 樣本容錯系數(shù)

樣本容錯系數(shù)可以用來衡量數(shù)字電網(wǎng)主機(jī)對邊緣側(cè)數(shù)據(jù)樣本的承載能力，由于深度神經(jīng)網(wǎng)絡(luò)始終保持完全開放的狀態(tài)，所以樣本容錯系數(shù)越大，表示數(shù)字電網(wǎng)主機(jī)對邊緣側(cè)數(shù)據(jù)樣本的承載能力越強(qiáng)[7-8]。假設(shè)c˙表示電網(wǎng)邊緣側(cè)數(shù)據(jù)樣本的存儲特征，其求解表達(dá)式為：

式中，x表示常規(guī)存儲系數(shù)，α表示方向性特征。假設(shè)δ表示數(shù)據(jù)容錯指征的最小取值，χ表示容錯指征的最大取值，cδ表示電網(wǎng)邊緣側(cè)數(shù)據(jù)特征最小值，cχ表示基于電網(wǎng)邊緣側(cè)數(shù)據(jù)特征最大值，Δc表示待遷移電網(wǎng)邊緣側(cè)數(shù)據(jù)的單位累積量，聯(lián)立上述物理量，可將樣本容錯系數(shù)求解結(jié)果表示為：

由于深度神經(jīng)網(wǎng)絡(luò)對于電網(wǎng)邊緣側(cè)數(shù)據(jù)樣本的承載能力有限，所以容錯系數(shù)指標(biāo)取值不可能無限增大。

1.3 資源分配權(quán)限

資源分配權(quán)限約束了數(shù)字電網(wǎng)環(huán)境中邊緣側(cè)數(shù)據(jù)樣本與待遷移數(shù)據(jù)參量之間的數(shù)值映射關(guān)系，隨著數(shù)字電網(wǎng)主機(jī)對于數(shù)據(jù)樣本承載能力的不斷增強(qiáng)，資源分配權(quán)限表達(dá)式的取值也在不斷增大[9-10]。在樣本容錯系數(shù)保持為定值的情況下，資源分配權(quán)限表達(dá)式的構(gòu)建受到邊緣側(cè)數(shù)據(jù)遷移特征的直接影響。假設(shè)邊緣側(cè)數(shù)據(jù)遷移特征最大值vmax、最小值vmin會對資源分配權(quán)限的取值標(biāo)準(zhǔn)產(chǎn)生一定影響，在深度神經(jīng)網(wǎng)絡(luò)模型的作用下，二者之間的差值越大，邊緣側(cè)數(shù)據(jù)樣本的單位遷移量也就越大。假設(shè)vˉ表示邊緣側(cè)數(shù)據(jù)遷移特征的平均值，β表示數(shù)字電網(wǎng)環(huán)境中的數(shù)據(jù)樣本匹配系數(shù)，聯(lián)立式（2），可將資源分配權(quán)限表達(dá)式定義為：

實(shí)施數(shù)字電網(wǎng)邊緣側(cè)數(shù)據(jù)遷移時(shí)，深度神經(jīng)網(wǎng)絡(luò)對于數(shù)據(jù)樣本的承載能力不可能為零，所以系數(shù)vmax、系數(shù)vmin、系數(shù)vˉ的取值都不可能等于零。

2 數(shù)字電網(wǎng)邊緣側(cè)數(shù)據(jù)遷移算法

2.1 FIFO調(diào)度器

FIFO 調(diào)度器是一個(gè)完整的數(shù)據(jù)調(diào)度閉環(huán)結(jié)構(gòu)，能夠?qū)?shù)字電網(wǎng)環(huán)境中的傳輸數(shù)據(jù)轉(zhuǎn)化成邊緣側(cè)數(shù)據(jù)樣本[11-12]，并可以借助深度神經(jīng)網(wǎng)絡(luò)模型，將這些數(shù)據(jù)參量轉(zhuǎn)存至遷移信息寄存結(jié)構(gòu)之中。FIFO 主機(jī)作為調(diào)度器閉環(huán)的核心應(yīng)用設(shè)備，可以控制數(shù)據(jù)追蹤器與電網(wǎng)調(diào)度設(shè)備之間的實(shí)時(shí)連接關(guān)系，在深度神經(jīng)網(wǎng)絡(luò)模型的作用下，邊緣側(cè)數(shù)據(jù)輸入量越大，F(xiàn)IFO 主機(jī)對于數(shù)據(jù)追蹤器元件的控制能力也就越強(qiáng)地影響原則。完整的FIFO 調(diào)度器閉環(huán)結(jié)構(gòu)如圖2所示。

圖2 FIFO調(diào)度器閉環(huán)結(jié)構(gòu)

數(shù)據(jù)追蹤器元件同時(shí)控制深度神經(jīng)網(wǎng)絡(luò)與數(shù)字電網(wǎng)體系的布局形式，可以更改邊緣側(cè)信息樣本的存儲狀態(tài)，從而使其能夠更好適應(yīng)遷移信息寄存結(jié)構(gòu)對于數(shù)據(jù)參量的存儲需求。

2.2 數(shù)據(jù)流獲取

數(shù)據(jù)流獲取是實(shí)現(xiàn)數(shù)字電網(wǎng)邊緣側(cè)數(shù)據(jù)遷移的關(guān)鍵處理環(huán)節(jié)，能夠更改電網(wǎng)信息樣本在深度神經(jīng)網(wǎng)絡(luò)模型中的存儲形式，最大程度降低電網(wǎng)邊緣側(cè)數(shù)據(jù)的遷移時(shí)長。假設(shè)ε、γ表示兩個(gè)隨機(jī)選取的電網(wǎng)邊緣側(cè)數(shù)據(jù)樣本標(biāo)記系數(shù)，其取值條件滿足公式（4）：

在式（4）的基礎(chǔ)上，設(shè)mε表示與系數(shù)ε匹配的電網(wǎng)邊緣側(cè)數(shù)據(jù)查詢特征[11-12]，mγ表示與系數(shù)γ匹配的電網(wǎng)邊緣側(cè)數(shù)據(jù)查詢特征，φ表示數(shù)據(jù)遷移標(biāo)準(zhǔn)值，φ表示數(shù)據(jù)樣本度量值[13-14]。在上述物理量的支持下，聯(lián)立式（3）、式（4），可將數(shù)據(jù)流獲取表達(dá)式定義為：

為了有效控制電網(wǎng)邊緣側(cè)數(shù)據(jù)遷移時(shí)長，mε、系數(shù)mγ的取值必須同時(shí)屬于數(shù)值區(qū)間[1,e)。

2.3 HBase遷移參量

HBase 遷移參量也稱HBase 促傳參量，在數(shù)字電網(wǎng)環(huán)境中，該指標(biāo)決定了邊緣側(cè)數(shù)據(jù)樣本的傳輸能力，對于數(shù)字化電網(wǎng)主機(jī)而言，在處理數(shù)據(jù)流信息參量時(shí)，HBase 遷移參量值的求解受到深度神經(jīng)網(wǎng)絡(luò)模型的直接影響[15-16]。假設(shè)fa表示第a次查詢到的數(shù)字電網(wǎng)邊緣側(cè)數(shù)據(jù)樣本中的信息參量，且f≠0 的不等式條件恒成立，F(xiàn)(fa)表示數(shù)據(jù)樣本取值函數(shù)，λ表示電網(wǎng)邊緣側(cè)數(shù)據(jù)樣本遷移指征，a表示電網(wǎng)邊緣側(cè)數(shù)據(jù)樣本的查詢次數(shù)，ΔS表示深度神經(jīng)網(wǎng)絡(luò)中數(shù)字電網(wǎng)邊緣側(cè)數(shù)據(jù)樣本的單位遷移量，η表示邊緣側(cè)數(shù)據(jù)在數(shù)字電網(wǎng)環(huán)境中的傳輸利用率，聯(lián)立上述物理量，可將HBase 遷移參量求解結(jié)果表示為：

至此，完成對各項(xiàng)指標(biāo)參量的計(jì)算與處理，在深度神經(jīng)網(wǎng)絡(luò)模型的支持下，實(shí)現(xiàn)數(shù)字電網(wǎng)邊緣側(cè)數(shù)據(jù)遷移方法的設(shè)計(jì)。

3 實(shí)驗(yàn)設(shè)計(jì)

3.1 實(shí)驗(yàn)環(huán)境搭建

該次實(shí)驗(yàn)的檢測環(huán)境為圖3 所示數(shù)字電網(wǎng)環(huán)境，調(diào)節(jié)集線器元件已接入部分的阻值水平，使數(shù)字電網(wǎng)環(huán)境環(huán)境中的負(fù)載電壓保持相對穩(wěn)定的數(shù)值狀態(tài)。

圖3 數(shù)字電網(wǎng)實(shí)驗(yàn)環(huán)境

數(shù)字電網(wǎng)的具體運(yùn)行環(huán)境如表1 所示。

表1 數(shù)字電網(wǎng)運(yùn)行環(huán)境

實(shí)驗(yàn)過程中，利用基于深度神經(jīng)網(wǎng)絡(luò)的數(shù)字電網(wǎng)邊緣側(cè)數(shù)據(jù)遷移方法控制Hive 0.8.1 數(shù)字主機(jī)，將所得數(shù)據(jù)作為實(shí)驗(yàn)組變量；然后利用基于容器技術(shù)的處理機(jī)制控制Hive 0.8.1 數(shù)字主機(jī)，將所得數(shù)據(jù)作為對照組變量；最后對比實(shí)驗(yàn)組、對照組實(shí)驗(yàn)數(shù)據(jù)，總結(jié)實(shí)驗(yàn)結(jié)果，得出實(shí)驗(yàn)規(guī)律。

3.2 結(jié)果分析

遷移時(shí)長影響邊緣側(cè)數(shù)據(jù)樣本在數(shù)字電網(wǎng)環(huán)境中的傳輸速率，在不考慮其他干擾條件的情況下，遷移時(shí)間越長，邊緣側(cè)數(shù)據(jù)樣本在數(shù)字電網(wǎng)環(huán)境中的傳輸速率就越慢，此情況下數(shù)據(jù)樣本極易在數(shù)字電網(wǎng)環(huán)境中出現(xiàn)過量累積的現(xiàn)象；反之，若遷移時(shí)間相對較短，則表示邊緣側(cè)數(shù)據(jù)樣本在數(shù)字電網(wǎng)環(huán)境中的傳輸速率較快，數(shù)據(jù)樣本也就不會出現(xiàn)明顯累積的表現(xiàn)情況[17]。

圖4 反映了隨著電網(wǎng)信息樣本總量增大，邊緣側(cè)數(shù)據(jù)遷移時(shí)間的數(shù)值變化情況。

圖4 邊緣側(cè)數(shù)據(jù)遷移時(shí)間

在順序傳輸情況下，實(shí)驗(yàn)組電網(wǎng)邊緣側(cè)數(shù)據(jù)遷移時(shí)間呈現(xiàn)出持續(xù)增大的趨勢，平均遷移時(shí)長為23.1 s；對照組電網(wǎng)邊緣側(cè)數(shù)據(jù)遷移時(shí)間也呈現(xiàn)出持續(xù)增大的趨勢，平均遷移時(shí)長為30.6 s，與實(shí)驗(yàn)組平均數(shù)值相比，增大了7.5 s。

在逆序傳輸情況下，實(shí)驗(yàn)組電網(wǎng)邊緣側(cè)數(shù)據(jù)遷移時(shí)間呈現(xiàn)出先不斷增大、再來回波動的趨勢，平均遷移時(shí)長為44.5 s；對照組電網(wǎng)邊緣側(cè)數(shù)據(jù)遷移時(shí)間依然保持不斷增大的趨勢，平均遷移時(shí)長為68.9 s，與實(shí)驗(yàn)組平均數(shù)值相比，增大了24.4 s。

綜上可知該次實(shí)驗(yàn)結(jié)論為：

1）在數(shù)字電網(wǎng)環(huán)境中，邊緣側(cè)數(shù)據(jù)逆序傳輸比順序傳輸所需的平均遷移時(shí)間更長；

2）基于容器技術(shù)的處理機(jī)制在控制邊緣側(cè)數(shù)據(jù)遷移時(shí)間方面的能力相對較差，故而該方法不符合提升電網(wǎng)邊緣側(cè)數(shù)據(jù)傳輸速率的應(yīng)用需求；

3）基于深度神經(jīng)網(wǎng)絡(luò)的數(shù)字電網(wǎng)邊緣側(cè)數(shù)據(jù)遷移方法能夠有效控制邊緣側(cè)數(shù)據(jù)的遷移時(shí)長，達(dá)到了提升數(shù)據(jù)遷移效率的目標(biāo)，有效解決了數(shù)據(jù)樣本過量累積問題，實(shí)際應(yīng)用效果較好。

4 結(jié)束語

數(shù)字電網(wǎng)邊緣側(cè)數(shù)據(jù)遷移方法按照深度神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建標(biāo)準(zhǔn)，求解樣本容錯系數(shù)的實(shí)際取值條件，又通過判斷資源分配權(quán)限的方式，完成對數(shù)據(jù)流參量的處理，在FIFO 調(diào)度器閉環(huán)結(jié)構(gòu)的支持下，控制HBase 遷移參量數(shù)值水平，保證了數(shù)字電網(wǎng)邊緣側(cè)數(shù)據(jù)遷移質(zhì)量與效率。該方法不但解決了數(shù)字電網(wǎng)環(huán)境中出現(xiàn)的數(shù)據(jù)樣本過量累積問題，還可以有效壓縮電網(wǎng)邊緣側(cè)數(shù)據(jù)的遷移時(shí)長，符合實(shí)際應(yīng)用需求。