基于智能感知与特征识别的电力工程数据处理技术研究

徐鑫乾，何宏杰，张 华，张可抒

（1.国网江苏省电力有限公司，江苏南京 210024；2.国网江苏省电力有限公司经济技术研究院，江苏南京 210008；3.常州常供电力设计院有限公司，江苏常州 213001）

随着电力行业的高速发展，发输配变等各环节的电力工程投资日益增加，电网公司对其工程投资效益的管控也日趋严格[1-2]。而在电力工程项目管理过程中，产生了海量的工程数据。如何结合物联网（Internet of Things，IoT）、人工智能（Artificial Intelligence，AI）等技术深度挖掘此类数据的潜在价值，实现电力工程项目的精准投资与智能管控仍是有待研究的问题。目前，人工智能技术在电力领域的应用主要集中于负荷预测、电网故障识别及智能运维等方面[3-6]。而针对造价预测的应用却较少，且预测准确度也有待提高[7-8]。

为此，文中利用导线截面、杆塔基数和地形系数等数据，再结合机器学习（Machine Learning，ML）算法实现电力工程项目造价的精准预测，进而为智能化管控提供辅助。

1 灰色关联度分析

灰色关联度分析（Grey Relation Analysis，GRA）采用不同的影响因子来表征发展态势的相似程度，再通过判断因子之间的关联性大小，实现对数据的精准分析[9-10]。基于上述特点，该文使用GRA 实现电力工程特征数据的提取。

假设电力工程静态造价数据序列为Y={y(k)|k=1,2,…,n}，且其可能存在关联的影响因子共有M个，而第m个影响因子数据序列为Xm={xm(k)|k=1,2,…,n}，m=1,2,…,M。则GRA 包括的步骤如下：

1）数据标准化

为消除不同影响因子取值单位对计算结果的影响，以每个数据序列中的第一个数据为基础，对数据序列进行标准化处理，即：

2）计算灰色关联系数

将电力工程静态造价序列Y与M个影响因子序列进行对比，并计算其在每个数据点的灰色关联系数。具体计算方式如下：

式中，|y(k)-xm(k) |为电力工程静态造价序列Y与第m个影响因子序列，在第k个数据点的绝对值。ρ为极大值平滑系数。

3）计算灰色关联度

将在各个数据点上的灰色关联系数求算术平均值，得到电力工程静态造价序列Y与第m个影响因子序列的关联度，计算方式为：

4）灰色关联度排序

式中，ro为灰色关联度阈值。

2 数据识别与处理方法设计

针对海量电力工程数据的特征识别与价值挖掘，提出了基于GRA-PSO-SVM 的电力工程数据识别与处理算法，实现对电力工程静态造价的精准预测。算法模型如图1 所示。

图1 GRA-PSO-SVM算法模型

首先，利用GRA从电力工程静态造价可能相关的众多影响因子中，筛选出主要影响因子，以降低后续数据处理与特征识别的维数，并提高算法的计算效率；其次，由于惩罚因子（Penalty Term）与核函数（Kernel Function）因子对支持向量机（Support Vector Machine，SVM）算法的性能影响较大，因此采用粒子群优化（Particle Swarm Optimization，PSO）算法对这两个关键参数进行优化；最后，通过SVM 算法实现电力工程数据特征识别，从而获得电力工程静态造价结果。

2.1 支持向量机

SVM 算法是一种基于机器学习的线性二分类器[11]，其通过将低维度非线性数据映射到高维度空间，从而实现非线性优化问题的线性转化[12]。该算法求解难度与样本空间维数无关，且适用于高维度数据样本，并具有优秀的泛化能力。

SVM 算法的核心思想是决策一个具有最大边距的超平面，进而将数据样本划分为正类与负类。算法原理如图2 所示。其中实心数据点属于正类，而空心数据点属于负类，正处于决策边界线上的数据点则称为支持向量。

图2 SVM算法原理

寻找的超平面可表述为：

式中，φ(x)为实现数据空间x到高维空间H的映射函数。w为超平面的法向量，b为超平面的截距。此外为了避免内积计算（Inner Product），φ(x)通常取为核函数。

通过引入松弛变量法（Relaxation Variable）来寻找最优超平面的决策问题，其可转化为以下优化模型：

式中，λ为可调节大小的惩罚因子；γi为引入的松弛变量；N为数据点的个数。

为求解式（6）的优化问题，建立Lagrange 函数，从而将其转换为：

式中，μi和νi为Lagrange 因子。

将式（7）左右两边同时对变量w、b、γi求偏导数，并分别令其值等于0，可得到以下计算公式：

结合式（7）-（8），利用原对偶理论可求解该优化问题，得到决策函数为：

为了方便计算，φ(xi)通常为核函数，其计算方式为：

式中，σ为核函数因子。

2.2 粒子群算法

SVM 算法中，核函数因子σ和惩罚因子λ均与算法的收敛速度、求解精度等性能相关。设置固定的因子取值，会导致算法出现过学习或欠学习现象，从而削弱算法的泛化能力。因此，为了提高SVM 算法对电力工程静态造价问题的适应能力，采用PSO算法对SVM 算法的核函数因子σ和惩罚因子λ进行合理优化，以提高算法的准确性及稳定性[13]。

PSO 算法是一种模拟鸟群飞行机制的智能仿生算法[14-16]。假设优化问题共有M维变量，粒子种群大小则为N，且每个粒子均具有当前位置x和飞行速度v两个特征。

当前位置x与飞行速度v的更新方法如下：

式中，x(t+1)和v(t+1)分别为粒子下一时刻的位置和飞行速度；q(t)为该粒子经过的最优位置，b(t)为粒子种群经过的最优位置；α1和α2为加速度参数；r1和r2为区间（0，1）范围内的随机数；w为惯性参数。

q(t)的更新方法如下：

式中，q(t+1)为下一时刻粒子的最优位置；f(·)为适应值计算函数。

b(t)的更新方法如下：

引入惯性参数w是为了让算法能够避开局部最优解，进而使得其具有良好的局部与全局寻优能力。该参数更新机制如下：

其中，wmax与wmin分别为惯性参数的上下限；g为种群代数，G为最大种群迭代。

3 算例分析

为了验证文中所提算法的有效性与正确性，从某省电网电力工程管理系统中筛选出了近5 年共220 条历史数据作为数据样本。同时将训练样本及测试样本按10∶1 的比例分配，并进行仿真测算。

3.1 主要影响因子分析

每条数据均包含图1 中的X1～X8共8 个影响因子及电力工程静态造价Y。对220 条历史数据进行灰色关联分析，且将关联度阈值设置为0.7，所得到的结果如表1 所示。

表1 GRA计算结果

由表可知，影响因子与静态造价间的灰色关联度排序为X4＞X3＞X6＞X5＞X8＞X7＞X2＞X1。其中，X4、X3、X6、X5和X8的关联度均大于阈值0.7。说明这些影响因子与电力工程静态造价存在较强的关联关系，因此将其作为主要的影响因子。

3.2 算法性能分析

经过PSO 算法优化后，SVM 算法中惩罚因子λ与核函数因子σ的最优值分别为36.12 和0.016。

利用20 组测试数据对所提GRA-PSO-SVM 算法进行测试，并将其与PSO-SVM 算法、SVM 算法进行对比，结果如图3 所示。

图3 算法对比结果

从图中可看出，所提算法的预测精度显著优于PSO-SVM 及SVM 算法。通过解析计算可得，其预测平均误差仅为4.77%，而其他两种算法分别为7.96%和11.33%。

此外，通过对比还可看出，PSO-SVM 相比SVM的预测准确度更高。这是由于其利用PSO 算法对SVM 算法的关键参数λ与σ进行了优化，由此提高了算法预测的精确度。

而对比该文所提算法与PSO-SVM 算法可知，该文算法准确度更高。原因在于GRA 算法筛选出了电力工程静态造价的主要影响因子，降低了次要影响因子对预测结果的干扰。

3.3 应用效果分析

将该文算法应用到10 个实际电力工程项目中，项目静态造价预测值与真实值的对比如表2 所示。由表可知，所提算法最大预测误差仅为7.20%，而平均预测误差则为4.62%，具有较好的预测精度，能够指导电力工程项目的成本管控。

表2 电力工程静态造价预测结果

4 结束语

该文利用电力工程项目数据，结合人工智能算法实现电力工程静态造价的预测。通过仿真分析表明，GRA 算法能够准确筛选出电力工程静态造价的主要影响因子。而所提算法相比于PSO-SVM 算法及SVM 算法在电力工程静态造价预测上具有更高的准确度。且在10 个实际的电力工程项目应用中，所提算法的平均预测误差仅为4.62%，具有较为理想的预测效果。但该算法仅能获得电力工程静态造价的预测结果，至于如何利用数据识别与处理技术来实现电力工程动态造价预测，将在未来的研究中开展。