融合数据挖掘的电能计量资产自动化智能库房管理方法

李 骁，赵 曦，王者龙，任大为

（国网山东省电力公司电力科学研究院，山东济南 250002）

电能在多种行业中发挥着至关重要的作用，这使得电能计量器具的需求量与日俱增[1]。由于电能计量器具种类繁多、规格多样、型号不一，如何对各种电能器具信息进行管理，成为当前热议的话题[2-3]。在现有技术中，库房管理大多采用人工管理，自动化程度较差，需要的人工劳动较多。随着电能计量技术的飞速发展，电能计量库房管理系统逐步向自动化、智能化的方向发展，电能计量数据的管理也逐步脱离人工作业，电能计量器具检定流水线逐步形成规模，而面向电能计量器具检定流水线的库房管理能力滞后。

文献[4]设计了试验器材库房管理系统，该技术通过C#语言和SQL Server 开发了Windows 平台，通过C/S 架构实现了试验器材库房管理系统，但缺乏底层设备数据的自动化采集和传输，在大量数据面前显得无能为力。文献[5]设计了新型的智能化仓储系统，该系统在国网湖南计量中心得到较好的应用，但是该方法仅仅对智能化仓储系统布局方式进行简单的介绍，对于大量电能计量数据资产的智能化、高效管理仍显得滞后。

1 管理系统结构设计

针对上述技术的不足，文中通过计算机管理系统将电气控制系统、物流仓储设备智能地结合在一起，实现物流管理高效化、货物存取自动化的仓储系统，采用先进的大数据管理平台，实现数据的快速处理。文中还结合RFID 射频识别技术、工业条码识别技术，实现了电能计量器具库房管理过程中的可靠信息识别与数据交换。仓储系统通过与其他物联网设备直接连接，实现物联网数据通信。物联网设备至少包含设置有RFID 标签的伸缩链板机、阅读器、射频门、激光制导的LGV 叉车、物联网识别的输送线、图像采集单元、数据传输单元、升降机、码垛机等设备。通过与上述设备接驳，能够实现电能计量资产信息的自动化、智能化传输[5]，系统架构如图1所示。

图1 库房管理系统架构示意图

图1 中的电能计量资产自动化资产库房管理系统包括设备层、数据传递层、中央控制层和上层系统。在设备层中，伸缩链板机能够实现电能计量资产器具的自动化承载，自动输送线用于实现电能计量资产器具的自动化运输，RFID 射频识别装置能够实现设备的条码识别，使得识别后的信息直接传递到信息管理系统。在运输过程中，借助于诸如CCD摄像机的监控设备实现监视、管理电能计量器具在运输过程中的状况[11]。通过提升机使得电能计量器具在运输过程中能够上升或下降到用户需要的位置；码垛机具有堆垛、码垛的功能，使得电能计量器具被堆叠在一起，或者使堆叠在一起的计量器具摊开。通过上述过程，能够自动化、智能化运输计量器具，并在该过程中对数据进行管理、计算、处理[6]。

在设计中，自动化智能库房管理系统大体上由以下部件组成：RFID 标签的伸缩链板机、阅读器、射频门、激光制导的LGV 叉车、物联网识别的输送线、图像采集单元、数据传输单元、升降机、码垛机等设备，还包括分拣系统（主要分拣合格表、不合格表）、监控装置、DPS 处理系统、底层设备信息采集系统及各种不同的传感器等。自动化电能计量设备智能库房管理系统在电能计量管理中具有重要的作用，其能够通过一体化计算机系统实现进库、出库的数据资产信息管理，其硬件结构布局合理，占地空间较小、信息存储量巨大，全程实现自动化管理，具有出库及入库效率高、错误率低等特点[12]。为了保证电能计量设备智能库房管理系统较高的可靠性，还采用无线通讯等传输方式，实现数据的快速传递[7]。

系统工作时，通过接收上层设备发出的检定任务，经由生产调度平台进行协调，从而接收由仓储系统送出的待检周转箱（其承载电能计量器具），通过码垛机逐层拆箱，将分散的周转箱依次输送到用户指定的相应电能计量器具上料模块，上料机械手在PLC 控制系统的作用下开始取表，将取出的表放入电能计量器具，用于检定输送线，在检定线上的各个工位上完成不同的功能检测，比如耐压试验、功耗测试、外观检测（其包括标志检查、编程与参数确等）、准确度检测、通讯检测以及多功能检定试验。根据检定结论，再进行下一步的处理，比如分拣、输送、异常表复检、处理等[8]。

2 大数据管理平台设计

在上述管理系统结构中，设计了新型的大数据管理平台，该数据管理平台包括数据库层、数据计算层和数据接口层，其架构如图2 所示。该大数据管理平台能够支持各种行业中物联网设备最初采集到的数据，实现各种不同数据的整体采集、存储、追溯、分类、管理等，进一步提供各种情况下的数据查询、数据分类、数据溯源、安全访问等，并且能够提供各种数据开放式采集和输入/输出接口，最终实现各种智能物联网设备的远程控制、监控等[9]。

图2 库房数据管理平台

在设计中，数据层包括数据管理接口、数据交互接口、数据采集接口以及电能计量器具检定输送线整个流程过程中不同阶段输出的数据信息。在数据计算层，设置了多种数据算法模型，以根据用户的不同需求，选择性地处理各种数据信息。大数据模型可以采用分类模型、关联模型、融合算法模型、数据优化模型、故障诊断模型和联机分析算法模型等，这需要根据用户的不同需求进行选择，最终实现库房数据库中各种电能表计量资产信息的计算、存储、传递和共享，大大提高数据的管理能力[10]。在研究的库房管理数据库中，包含了智能RFID 射频识别数据信息、机器人码垛机、AGV 自动激光传导数据新型、图像采集数据信息、监控信息、物流传递数据等多种信息。在进行库房数据管理中，使用最多的就是分类算法。文中采用了CART算法模型和BP神经网络算法模型，实现了电能表大数据的处理和分类[11]。

在进行大数据管理之前，需对接收到的数据信息进行数据融合，其中数据融合的模型为:

其中：

然后，启动CART 算法模型对接收的电能计量资产数据信息进行分类、管理。该方法通过决策树实现数据的分类。在应用该算法时，首先选定电能计量资产数据样本，令其为D，假设在数据样本中选择K个类别[12]，样本点属于第k类的概率设定为pk，则概率分布的基尼指数定义为：

对于数据样本D，有：

其中，Ck是数据样本D中第k类的数据样本，在特征为A的情况下，数据样本D的基尼指数为：

其中，D1和D2是在数据集合D中被特征A分割的部分，然后选择基尼指数最小的特征及其对应的切分点作为最优特征与最优切分点[13]。在计算决策树的根节点时，启动式（5），计算出基尼指数，然后比较计算出的基尼指数的大小，将基尼指数较大的属性选作为根节点。然后反复启动式（5），再次计算基尼指数，将基尼指数较小的属性选作为叶节点[14]。通过上述步骤，反复地应用式（5），梳理其计算值。当根节点的样本个数小于设置的阈值时，或样本集的基尼指数小于预定阈值时，停止计算，不再计算分类属性。根据上述方法可以确定构建决策树模型的根节点和叶节点，实现数据模型的构建[15]。

数据模型构建好后，为了提高分类的精度，需对构建出的决策树进行剪枝，通过最小化决策树整体的损失函数来实现，其中损失函数为：

其中，T为任意子树，C(T)是对训练数据的预测误差，|T|为子树的叶结点个数，其中α≥0，Cα(T)为参数是α时的子树T的整体损失，其中α值越大，Cα(T)越小，α值越小，Cα(T)越大。

通过上述方法完成不同类型、不同属性电能计资产信息的分类。为了提高其精度，通过BP 神经网络算法模型对构建的数学模型输出数据进行误差诊断。

在应用BP 神经网络算法模型进行误差诊断时，首先输入电能计量资产各种数据样本的输入向量和期望输出值，并设置BP 神经网络算法模型中输入层、隐含层和输出层中的参数值，在应用过程中，通过以下公式调整输出层权系数[16]：

采用以下公式调整隐含层权系数：

然后求出输出层输出与期望输出的误差，计算公式为：

判断误差是否满足要求，当满足要求时，计算隐含层误差，当不满足要求时，继续应用式（8）调整隐含层权系数。

通过上述论述，使用CART 算法能够实现电能计量大数据分布式层次模型的构建，简化了电能计量数据识别能力[17-19]。

3 试验对比分析

3.1 试验环境及数据

在试验时，应用的硬件计算机操作系统为Microsoft Windows 2015，64 位，主要开发工具为Visual Studio 2015，OpenCV 3.0。运行环境硬件参数为CPU：Inter（R）Core（TM）i7；主频为2.59 GHz；内存16G。在Visual Studio 2015 的环境下利用C++实现对库房管理数据的保存[20-23]。其中数据库中包含103 503 201 多条电能计量资产大数据。

图3 库房管理系统软件界面示意图

3.2 大数据挖掘准确率对比试验

文中采用文献[1]和文献[2]进行对比分析，文献[1]采用改进K-means 算法进行电能计量资产大数据挖掘，文献[2]采用随机矩阵理论进行电能计量资产大数据挖掘，分别在3个小时内进行试验，通过运用3种方法来对比分析大数据挖掘准确率，对比曲线图如图4 所示。

图4 大数据挖掘准确率对比结果

通过图4 的曲线图可以看出，随着测试数据集的增多，文献[1]基于改进K-means 算法的大数据挖掘准确率在逐渐提高，当测试数据集为70×103时，数据挖掘准确率接近60%，随后准确率逐步减少。文献[2]基于随机矩阵理论的大数据挖掘技术准确率高于文献[1]的准确率，但是仅提高了10%；而文中算法虽然在电能计量资产大数据测试数据集为10×103时的准确率只有24%，但是当电能计量资产大数据测试数据集为40×103时，其数据挖掘准确率就超过了文献[1]和文献[2]的准确率。当电能计量资产大数据测试数据集为100×103时，文中算法挖掘准确率高达93%。因此，文中算法具有最高的准确性[24-25]。

3.3 大数据训练集分类精度对比试验

在预处理电能计量资产信息大数据之后，在电能计量资产大数据训练集中，对分类精度进行对比分析，对比精度曲线如图5 所示。

通过图5 的曲线图可以看出，当电能计量资产大数据训练集为30×103时，文献[1]的训练集分类准确率为58%，文献[2]的训练集分类准确率为37%，而文中方法的训练集分类准确率为77%；当电能计量资产大数据训练集为100×103时，文献[1]的训练集分类准确率为64%，文献[2]的训练集分类准确率为60%，而文中方法的训练集分类准确率高达92%。由此可知，文中方法大数据训练集分类精度较高[26-27]。

图5 大数据训练集分类精度对比结果

3.4 大数据挖掘效率对比试验

针对大数据挖掘效率进行试验，假设在相同的时间范围内进行试验，比如100 s 内，结果曲线如图6所示。

图6 电能计量资产大数据挖掘效率对比结果

通过图6 的曲线图可以看出，当电能计量资产大数据训练集为50×103时，文献[1]的训练集处理时间为43 s，文献[2]的训练集处理时间为61 s，而文中方法的训练集处理时间为25 s；当电能计量资产大数据训练集为100×103时，文献[1]的训练集处理时间为60 s，文献[2]训练集处理时间为85 s，而文中方法的训练集处理时间为30 s。由此可知，文中方法的训练集处理时间较短，说明处理效率较高。

通过上述试验，文中方法的数据挖掘准确率、训练集分类精度和数据挖掘效率均最高。

4 结束语

文中基于物联网技术、自动化技术、传感器技术和大数据处理技术构建出新型的电能计量资产库房管理系统，实现各种电能计量资产不同数据信息的采集、存储、追溯、分类、管理等，进一步提供各种情况下的数据查询、数据分类、数据溯源、安全访问，实现了电能计量资产数据信息的进库、出库的等管理。随着电能技术的发展、电力计量器具的广泛使用、应用，在面对计量资产器具智能库房管理时，智能化库房管理已经成为电力行业广大用户的急需，也是计量资产管理、运营的发展趋势。