云邊協同背景下基于融合RF算法的電網數據資產綜合處理技術

陳浩敏　梁錦照　馬贅　李晉偉

摘要：針對現有大多數方法難以充分挖掘出電網數據潛在價值的問題，提出了一種云邊協同背景下基于隨機森林算法結合BP神經網絡的電網數據資產綜合處理技術。該技術在靠近電網數據源一側部署邊緣計算節點，以構建云邊協同環境下的電網數字化資產管理系統。利用隨機森林算法設計分類器完成電網數據類型的劃分，并將各類型數據輸入至BP神經網絡中進行學習，通過不斷地迭代優化輸出相應的綜合處理結果。基于Python平臺進行的實驗分析結果表明，所提技術的分類準確率均超過了90%，能夠有效提升電網數據資產的處理效率。

關鍵詞：云邊協同；隨機森林算法；BP神經網絡；電網數據資產；電網數字化；分類器；數據處理；負荷預測

中圖分類號：TM743 文獻標志碼：A 文章編號：1000-1646（2024）01-0054-06

隨著電力信息智能化調度和電網設備管理的精細化要求日益提高，國內外對于電網實際資產規模管理、投資成本優化等問題提出了更高的要求。對于包含電網輸出參數、用戶信息以及設施設備信息的電網數據資產，由于其隨著電網運行時間的增加和規模的擴展而呈指數級增長，因此亟需進一步優化管理流程，以提高電網數據資產的管理水平。在大數據背景下，結合大數據信息處理方法對電網資產進行合理評估與調度是當前國內外研究的重點。

電網資產信息的綜合處理包含對相關數據的評估、調度，其本質是對基于大數據挖掘的電網資產信息時間序列分布進行分析，并結合優化調度及控制方法實現對電網資產信息的評估與處理。傳統分析方法大多基于大數據預測和調度方法，結合相關性與自適應評估方法對電網資產信息進行處理。張偉昌等提出了一種基于大數據挖掘的電網資產分析模型，該模型將模糊C均值聚類（fuzzy C-means，FCM）算法與關聯特征分解法相結合，進而對數據信息進行自適應重組，同時采用Lyapunov指數法完成對電網數據信息的預測。CHEN等基于電網資產管理技術的研究現狀，分析了狀態評估、可靠性和風險評估關鍵技術的重要性，指出數字化及信息化是資產管理中的重要支撐與關鍵技術。陳俊剛通過分析小波變化與Perona-Malik方程間的關系得到梯度擴散系數，并利用該系數改進電氣設備行波檢測模型，從而實現對故障的檢測及預警。但由于信息規模的不斷擴大，傳統云計算的大數據處理方法在時效性和可靠性方面均暴露出了一定的問題。隨著SG網絡的發展，云邊協同方法的優勢逐步凸顯。

針對傳統方法無法滿足電網數據資產信息處理體量大、可靠性及時效性要求較高的問題，在云邊協同技術背景下，本文提出了一種基于隨機森林（random forest，RF）算法結合BP（back propagation）神經網絡的電網數據資產綜合處理方法。該方法兼顧了數據處理的可靠性與時效性，提高了數據處理效率。

1 電網數字化資產管理系統設計

由于傳統數據處理方式已無法滿足云計算中數據實時處理的需求，因此需要對數據進行簡化，這就導致某些關乎用戶體驗細粒度的數據被舍棄，從而無法深入挖掘電網數據的潛在價值。而邊緣計算技術的興起恰好解決了這一問題。不同于云計算的處理方式，邊緣計算將數據處理下放到網絡邊緣側的數據源附近，以實現數據及相關需求的就近處理與快速響應。這種計算方式不僅提升了用戶側快速調度的響應速度，減小了計算延時，還有效緩解了云計算中心存儲和鏈路通信的壓力。因此，本文在云計算的基礎上，結合邊緣計算技術設計了電網數字化資產管理系統，其整體架構如圖1所示。

在該云邊協同架構中，云中心和邊緣計算節點各有分工：復雜度較高的非實時性與非全局性數據業務由云計算中心完成；而邊緣計算節點主要完成小型實時本地數據處理業務。由于本地處理數據對通信及內存的要求較低，因此整體處理成本低，具有較高的經濟性。用戶端則為數據源頭，可以提供精細化的多源信息，有助于支撐上層決策，并實現智能、便捷及個性的客戶服務。系統的主要組成部分如下：

1）終端。用戶端上傳智能電表、變電站運行設備以及地理氣象等數據至附近的邊緣計算節點。

2）邊緣端。邊緣計算節點在數據庫存儲的歷史數據基礎上，結合處理后的實時數據作為分類器輸入，利用隨機森林算法對電網數據類型進行分類，并將分類后的數據類型傳輸至云端。相較于傳統電網數據云端處理的統一管理，邊緣節點可看作云中心在各區域分派了多個“管理員”來承擔細粒度的區域管理任務。

3）云端。云中心利用BP神經網絡對各區域的各種數據類型進行深入分析，以完成相應的處理任務，如負荷預測、設備故障診斷等。同時云中心將分析得到的結果與管控措施發送至各邊緣節點，從而實現全系統數據的高效處理。

2 數據資產綜合處理技術

對于單一的處理技術難以合理、高效地利用電網海量數據資產的問題，本文提出了融合處理技術。所設計的技術方案首先通過隨機森林算法處理邊緣節點所獲取的各類電網數據，以區分其資產類型；然后再將各類型電網數據分別輸入至BP神經網絡中進行迭代學習，從而獲得相應的處理結果，如負荷預測、故障診斷等。

2.1 數據預處理

電網數據的覆蓋面廣、類型龐雜，在取值范圍、數量級甚至數據源種類方面均存在著較大差異。若未對電網數據進行預處理，可能會出現大量級數據覆蓋小量級數據信息的情況，從而導致網絡訓練時間過長且分類結果不準確。因此需要對電網數據進行預處理，采用歸一化數據處理方式，其數學表達式為

綜上可知，BP神經網絡在輸入數據方面無嚴格要求，且通過不斷地反向傳播，誤差將逐漸減小，并能處理輸入與輸出之間的非線性關系，從而實現應用服務預期值。因此，可以利用BP神經網絡對電網數據進行綜合處理，以充分挖掘數據資產的價值。例如在進行負荷預測時，通過智能電表等終端來采集各類負荷數據，并將其上傳至邊緣計算中心進行分類；在云平臺處將分類結果、天氣和用電習慣等數據輸入BP神經網絡，再經過學習分析，即可輸出下一時刻的負荷值；根據負荷的預測結果生成相應的調度方案，從而保證電網的可靠運行。

3 實驗結果與分析

實驗所使用的硬件設備為Intel⑩CoreTM i7-7500 CPU@2.7GHz，RAM32 GB的Windows 10操作系統，利用PyTorch平臺中深度學習框架與Scikit-Learn模塊分別完成BP神經網絡模型和隨機森林算法分類器的訓練。BP神經網絡的參數設置如表1所示。

實驗采用System Reg交叉編譯工具以及Matlab仿真平臺，設置電網數據資產信息的規模數為50000條，數據采樣頻率為1024kHz。

3.1 云邊協同的數據處理效率分析

本文設計的技術方案基于云邊協同的電網數據化資產管理系統而展開，在靠近數據源側部署邊緣計算節點能夠更快地響應服務需求，提高數據處理效率。為了對此進行驗證，將數據集分別在云計算測試組、云邊協同計算測試組中運行，所得計算時間如圖3所示。

從圖3中可以看出，當數據規模小于25000條時，云計算的耗時始終低于云邊協同。這是因為在云邊協同的數據處理模式下，邊緣計算節點會對數據進行預處理，然而其計算能力有限，因此比直接在云計算中心進行處理的耗時要長。但隨著數據量的增加，云計算中心的處理能力逐漸趨于飽和，并出現網絡擁塞等情況，所以耗時呈直線快速上升的趨勢，且最終接近100s。在云邊協同模式下，由于數據經過邊緣計算節點預處理，上傳至云中心的數據量大幅減少，因此當數據規模為50000條時，其耗時也僅為70s，明顯少于云計算的耗時，由此證明了云邊協同管理模式的有效性。

3.2 電網數據資產分類結果

利用隨機森林算法劃分電網數據資產的類型，不同數據類型的分類準確率如表2所示。其中，準確率Pr、召回率Re及F1值的計算公式為

式中：TP表示算法輸出為正，實際也為正的樣本數；FN表示算法輸出為負，實際為正的樣本數；FP表示算法輸出為正，但實際為負的樣本數。

從表2中可以看出，所提技術方案能夠準確地劃分電網的數據類型，尤其是用戶信息具有顯著的數據特征，其準確率可高達99.01%。而電網設備由于其設施眾多且規格繁雜，例如電流互感器與電壓互感器等易產生混淆。因此，其F1值僅為91.33%。但整體而言，所提技術能夠準確識別電網數據類型，并為數據資產的合理利用奠定基礎。

3.3 不同技術的處理結果

運用所提技術綜合處理電網數據資產，可以發掘其潛在價值，進而實現多種應用需求，本文以負荷預測為例進行實驗論證。為了驗證所提技術對電網負荷數據的處理性能，將其與文獻[6]方法進行對比，結果如圖4所示。

由圖4可知，所提技術得到的負荷預測值和真實值較為接近，而文獻[6]方法的波動明顯。例如當時間為65s時，負荷真實值約為120kW，而文獻[6]方法的預測值達到了140kW。這是由于所提技術結合了隨機森林分類器與BP神經網絡，能夠更好地處理繁雜的數據，因此預測效果更優。文獻[6]方法基于模糊C均值聚類法和關聯特征分解法來實現負荷預測，此種方法較為傳統，在處理數字化電網時的難度偏大，因此對于天氣驟變等一系列突發狀況，其預測效果并不理想。

4 結束語

在電網智能化發展的趨勢下，科學、合理地發掘電網數據價值將在電網資產管理中發揮重要作用。本文提出了一種云邊協同背景下基于隨機森林算法結合BP神經網絡的電網數據資產綜合處理技術。該技術在構建云邊協同環境下電網數字化資產管理系統的基礎上，利用隨機森林算法分類器劃分電網的數據類型，并將其輸入至BP神經網絡中進行分析學習，從而得到相應的系統服務需求結果。基于Python平臺的實驗結果表明，云邊協同的數據處理耗時明顯少于云計算，且所提技術的分類準確率均超過了90%，同時負荷預測結果誤差較小，由此論證了該技術的有效性與可靠性。

所提技術方案雖然取得了顯著的成效，但其在實驗中也存在一些不足。例如僅驗證了負荷預測效果，而未對用戶用電行為、電網設備運行情況等分析結果進行討論。因此，將在后續的研究中對該技術進行不斷地改進及完善，以提高其普適性。

（責任編輯：鐘媛 英文審校：尹淑英）