鄧 穎
（貴州電網(wǎng)有限責(zé)任公司貴陽(yáng)白云供電局，貴州 貴陽(yáng) 550014）
0 引 言
電能計(jì)量裝置通常用于測(cè)量并記錄發(fā)電量與供電量、電力調(diào)度等工作�，F(xiàn)有的電能計(jì)量裝置運(yùn)行一般為單元形式，設(shè)備在日常運(yùn)行過程中會(huì)形成大量數(shù)據(jù)和信息。異常數(shù)據(jù)是電能計(jì)量裝置應(yīng)用中較為常見的問題，為降低異常數(shù)據(jù)對(duì)電力調(diào)度和管控的影響，相關(guān)人員制定了對(duì)應(yīng)的識(shí)別方法。文獻(xiàn)[1]和文獻(xiàn)[2]分別設(shè)計(jì)了傳統(tǒng)無(wú)線傳感器網(wǎng)絡(luò)（Wireless Sensor Network，WSN）動(dòng)態(tài)電能計(jì)量裝置異常數(shù)據(jù)識(shí)別方法和傳統(tǒng)速度-關(guān)聯(lián)約束電能計(jì)量裝置異常數(shù)據(jù)識(shí)別方法，雖然可以實(shí)現(xiàn)預(yù)期的任務(wù)和目標(biāo)，但是缺乏針對(duì)性與可靠性，對(duì)于異常數(shù)據(jù)的捕捉精度較低。此外，在外部環(huán)境和其他特定因素的影響下，電能計(jì)量裝置異常數(shù)據(jù)的識(shí)別與采集效率也會(huì)大幅降低，最終形成不可控的識(shí)別誤差[3]。因此，文章提出基于Logistic算法的電能計(jì)量裝置異常數(shù)據(jù)識(shí)別方法的設(shè)計(jì)與驗(yàn)證研究。將Logistic 算法與當(dāng)前的設(shè)備異常數(shù)據(jù)識(shí)別工作相融合，可以擴(kuò)大當(dāng)前的測(cè)試環(huán)境，在最短的時(shí)間內(nèi)捕捉到異常數(shù)據(jù)發(fā)出的異常信號(hào)，快速辨識(shí)并鎖定異常數(shù)據(jù)的位置，構(gòu)建更加靈活、多變的識(shí)別結(jié)構(gòu)[4]。
1 設(shè)計(jì)電能計(jì)量裝置異常數(shù)據(jù)Logistic 測(cè)算識(shí)別方法
1.1 提取異常數(shù)據(jù)識(shí)別特征
當(dāng)前電能計(jì)量裝置在實(shí)際運(yùn)行中，會(huì)形成大量具有一定的周期性規(guī)律的數(shù)據(jù)和信息[5]。在出現(xiàn)異常數(shù)據(jù)時(shí)，會(huì)形成特定的識(shí)別特征[6]。為了更好地識(shí)別這些異常數(shù)據(jù)，需要在當(dāng)前的背景環(huán)境下，明確異常數(shù)據(jù)的覆蓋采集范圍，并設(shè)置一定數(shù)量異常監(jiān)測(cè)識(shí)別節(jié)點(diǎn)。節(jié)點(diǎn)通常設(shè)置為獨(dú)立的，但在實(shí)際應(yīng)用時(shí)應(yīng)盡量進(jìn)行節(jié)點(diǎn)的關(guān)聯(lián)與整合，以便在預(yù)設(shè)的周期內(nèi)完成數(shù)據(jù)和信息的基礎(chǔ)性采集處理，從而方便后續(xù)的識(shí)別處理[7]。先設(shè)置6 個(gè)周期，每一個(gè)周期均需要設(shè)置對(duì)應(yīng)的識(shí)別標(biāo)準(zhǔn)，并對(duì)基礎(chǔ)的指標(biāo)參數(shù)進(jìn)行設(shè)置，具體如表1 所示。
表1 異常數(shù)據(jù)識(shí)別特征指標(biāo)參數(shù)設(shè)置表
根據(jù)表1，完成對(duì)異常數(shù)據(jù)識(shí)別特征指標(biāo)參數(shù)的設(shè)置。在此基礎(chǔ)上，總結(jié)在一定周期內(nèi)采集的數(shù)據(jù)信息波動(dòng)規(guī)律[8]。
1.2 設(shè)計(jì)SVD+多目標(biāo)快速辨識(shí)矩陣
奇 異 值 分 解（Singular Value Decomposition，SVD）是一種處理開源型數(shù)據(jù)的穩(wěn)定框架，自身具有較強(qiáng)的針對(duì)性和可靠性。結(jié)合多目標(biāo)的數(shù)據(jù)識(shí)別框架，設(shè)計(jì)組合式的快速辨識(shí)矩陣。在Client、Driver、SparkContext 識(shí)別應(yīng)用模塊的輔助下，分類處理采集的數(shù)據(jù)信息文件。按照SVD 執(zhí)行異常數(shù)據(jù)識(shí)別標(biāo)準(zhǔn)，先測(cè)定異常數(shù)據(jù)的可控識(shí)別范圍，結(jié)合測(cè)定結(jié)果完成對(duì)矩陣快速識(shí)別范圍的劃定與計(jì)算，然后結(jié)合SVD框架設(shè)計(jì)多目標(biāo)的矩陣執(zhí)行結(jié)構(gòu)，如圖1 所示。
圖1 SVD+多目標(biāo)快速辨識(shí)矩陣執(zhí)行結(jié)構(gòu)
完成對(duì)SVD+多目標(biāo)快速辨識(shí)矩陣執(zhí)行結(jié)構(gòu)的設(shè)置后，將設(shè)置的節(jié)點(diǎn)與矩陣融合，形成一個(gè)穩(wěn)定的識(shí)別環(huán)境。
1.3 構(gòu)建Logistic 測(cè)算電能計(jì)量裝置異常數(shù)據(jù)識(shí)別模型
為了確保電能計(jì)量裝置的穩(wěn)定運(yùn)行，需要實(shí)時(shí)監(jiān)測(cè)設(shè)備運(yùn)行狀態(tài)，獲取周期性數(shù)據(jù)。綜合Logistic算法，設(shè)計(jì)電能計(jì)量裝置異常數(shù)據(jù)識(shí)別模型。分階段進(jìn)行異常數(shù)據(jù)的篩選，并設(shè)置識(shí)別結(jié)構(gòu)，如圖2 所示。
圖2 Logistic 測(cè)算異常數(shù)據(jù)識(shí)別模型結(jié)構(gòu)
整合異常數(shù)據(jù)，同時(shí)設(shè)計(jì)識(shí)別時(shí)序，利用Logistic 算法計(jì)算識(shí)別限值差。結(jié)合當(dāng)前的測(cè)定，完成對(duì)識(shí)別值差的計(jì)算，將其設(shè)置在識(shí)別模型中，明確對(duì)應(yīng)的識(shí)別區(qū)域，加強(qiáng)對(duì)識(shí)別誤差的控制，提高模型的整體應(yīng)用效果。
1.4 多區(qū)間邊界修正實(shí)現(xiàn)數(shù)據(jù)識(shí)別處理
通過多區(qū)間邊界修正的方式強(qiáng)化異常數(shù)據(jù)的識(shí)別效果。結(jié)合實(shí)際的識(shí)別需求，先設(shè)定一個(gè)約束區(qū)間，建立集合Sr（r=1,2,…,m），并制定約束邊界標(biāo)準(zhǔn)，即
2 方法測(cè)試
考慮最終測(cè)試結(jié)果的可靠性，對(duì)傳統(tǒng)WSN 動(dòng)態(tài)電能計(jì)量裝置異常數(shù)據(jù)識(shí)別測(cè)試組、傳統(tǒng)速度-關(guān)聯(lián)約束電能計(jì)量裝置異常數(shù)據(jù)識(shí)別測(cè)試組以及文章設(shè)計(jì)的Logistic 算法電能計(jì)量裝置異常數(shù)據(jù)識(shí)別測(cè)試組進(jìn)行對(duì)比分析，驗(yàn)證設(shè)計(jì)方法的實(shí)際應(yīng)用效果。
2.1 測(cè)試準(zhǔn)備
布設(shè)一個(gè)主節(jié)點(diǎn)裝置，另一個(gè)為輔助檢測(cè)控制裝置。按照SVD 原理，采集普通數(shù)據(jù)和異常數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行分類處理。先提取出基礎(chǔ)的異常數(shù)據(jù)特征，并對(duì)數(shù)據(jù)進(jìn)行范圍篩查，如圖3 所示。
圖3 異常數(shù)據(jù)范圍篩查結(jié)構(gòu)
調(diào)整當(dāng)前異常數(shù)據(jù)的識(shí)別范圍，并利用節(jié)點(diǎn)對(duì)各個(gè)電能計(jì)量裝置進(jìn)行實(shí)時(shí)監(jiān)測(cè)，完成對(duì)測(cè)試環(huán)境的搭建。
2.2 測(cè)試過程及結(jié)果分析
隨機(jī)選定5 臺(tái)關(guān)聯(lián)的電能計(jì)量裝置搭接附近的監(jiān)測(cè)節(jié)點(diǎn)，并在一定周期內(nèi)實(shí)現(xiàn)數(shù)據(jù)采集。將預(yù)先設(shè)定的異常測(cè)試指令導(dǎo)入測(cè)試程序，形成異常數(shù)據(jù)。通過Logistic 算法測(cè)定異常數(shù)據(jù)的識(shí)別速率，結(jié)合當(dāng)前測(cè)定結(jié)果完成對(duì)測(cè)試結(jié)果的對(duì)比分析，如圖4 所示。
圖4 測(cè)試結(jié)果對(duì)比分析
根據(jù)圖4，與傳統(tǒng)WSN 動(dòng)態(tài)電能計(jì)量裝置異常數(shù)據(jù)識(shí)別測(cè)試組、傳統(tǒng)速度-關(guān)聯(lián)約束電能計(jì)量裝置異常數(shù)據(jù)識(shí)別測(cè)試組相比，文章設(shè)計(jì)的Logistic 算法電能計(jì)量裝置異常數(shù)據(jù)識(shí)別測(cè)試組最終得出的異常數(shù)據(jù)識(shí)別速率均可以達(dá)到6 Mb/s 以上，表明所設(shè)計(jì)的異常數(shù)據(jù)識(shí)別效果更佳，誤差可控，具有較好的實(shí)際應(yīng)用價(jià)值。
3 結(jié) 論
與初始的電能計(jì)量裝置異常數(shù)據(jù)識(shí)別結(jié)構(gòu)相比，結(jié)合Logistic 算法構(gòu)建的異常數(shù)據(jù)識(shí)別方法更加靈活、多變，具有更強(qiáng)的穩(wěn)定性與針對(duì)性。該方法能夠根據(jù)不同的設(shè)備運(yùn)行環(huán)境、電能計(jì)量裝置的運(yùn)行狀態(tài)及負(fù)荷情況，提取異常數(shù)據(jù)的特征量，并采用SVD 框架輔助測(cè)算，從多個(gè)角度進(jìn)行異常數(shù)據(jù)的識(shí)別、分類和篩選，逐步提高識(shí)別精準(zhǔn)度。通過這種改進(jìn)的異常數(shù)據(jù)識(shí)別方法，可以明確劃分正常數(shù)據(jù)與異常數(shù)據(jù)，同時(shí)大幅提升異常數(shù)據(jù)的辨識(shí)速率，擴(kuò)大識(shí)別的覆蓋范圍，為電力計(jì)量設(shè)備后續(xù)的實(shí)踐應(yīng)用提供一定的幫助，改善電力系統(tǒng)的穩(wěn)定性和可靠性。
