基于小波分析的電力信息通信過程不良數據辨識研究

王 渭,馬夢軒,王圣杰,溫興賢,陳 崢

(國網寧夏電力有限公司信息通信公司，寧夏 銀川750001)

1 引言

在現代電力信息通訊系統中，歷史負荷數據的質量變得越來越重要[1]。我國的電力信息通信過程是指電力信息通訊系統將來源于SCADA(Supervisory Control And Data Acquisition，監控和數據采集系統)數據庫的歷史負荷數據以微波或電力線載波的形式進行數據傳輸。在數據的傳輸過程中不可避免會受到不同程度的隨機干擾，在各種影響因素的共同作用下可能造成SCADA數據庫的污染，導致傳輸數據的失真，使某些高級軟件無法識別和使用[2]。具體地說，電力信息通信過程不良數據包括遠程終端單元(Remote Terminal Unit，RTU)數據傳輸錯誤、RTU數據丟失兩種。傳統的不良數據辨識方法，如基于多視角低秩分析的電力不良數據辨識方法[3]、基于長短期記憶網絡的不良數據辨識檢測方法[4]，由于準確度較低、辨識速度較慢，難以滿足電力信息通信的需求。

小波變換是時頻分析的一種工具，通過物理的直觀和信號處理的實際經驗建立反演公式。為此，針對傳統方法存在的不足，本文基于小波分析研究了一種新的電力信息通信過程不良數據辨識方法。通過對電力信息通信局部奇異性檢測，從而檢測出不良數據并進行數據去噪處理。最后設計對比實驗，將本文研究的不良數據辨識方法與兩種傳統形式的方法進行對比，進一步證明本文研究的方法具有較高的辨識效率和準確性，并促進電力信息通訊技術的進一步發展和完善。

2 基于小波變換的電力信息通信局部奇異性檢測

負荷曲線是分析和預測電力信息通訊系統現狀和未來狀況的依據和基礎，實際上，電力信息通信所傳輸的歷史負荷數據可以看作是構成負荷曲線的點，而電力信息通訊不良數據可以看成是負荷曲線中的不規則點即奇異點。通常情況下，不良數據的奇異性有兩種表現形式：一種是在某一時刻，歷史負荷數據的傳輸信號的幅值發生突變，造成整體信號的不連續，而幅值突變點為傳輸信號的斷點，成為第一種情況的間斷點；另一種情況是，整體信號連續無突變幅值，但信號的一階微分出現間斷點呈現出不連續狀態，該斷點成為第二種情況的間斷點。若采集的歷史負荷數據傳輸信號具有這兩種間斷點，則稱該信號在間斷點處具有奇異性[5]。

設定具有有緊支集的二次樣條小波，通過樣條平滑函數一階導數。小波變化的變化結果在細微尺度上展現了原函數的局部性質，因此適用于對數據的局部特異性檢測，在小波變換中，局部特異性可以定義為：

定義1 設f(x)L2(R)(平方可積空間)，若f(x)對于任意x屬于δx0，小波G(x)是滿足連續且可微分的集小波函數，并具有n階數據消失矩陣，采用李普西茲指數計算奇異點指數，其具體計算方法如下公式(1)所示：

其中，s=2j，若在某一點x處滿足上式，則a 成為點x的奇異點指數[6]。

奇異性檢測流程如圖1所示。

根據圖1可知，信號的奇異點檢測可以看做為小波變化值的檢測，基于小波變換的電力信息通信局部奇異性檢測步驟如下：

(1) 采用離散二進小波的迭代公式對檢測信號作多尺度下的離散二進小波變換，且最大選取尺度小于j=4；

(2) 獲取尺度為1時信號的閾值，保留在該尺度上絕對值大于閾值的小波變換系數，將絕對值小于閾值的小波變換系數賦值為0，從而獲取奇異點的模的極大值點；

(3) 在每級尺度上，重復步驟(3)的計算方式，計算每級尺度上對應的奇異點的模的極大值點；

(4) 從第一個尺度開始，對該尺度上的奇異點的模的極大值點，采用即興算法探尋該點的極大值線，尋找該奇異點的模的極大值點對應的傳播點，并將不在極大值線的小波變換系數去掉，計算各點的位置，生成極大值線的函數表達式，利用公式(1)計算第2尺度上的奇異點指數；

(5) 去掉第一個尺度上所有小波變換系數大小，根據步驟(4)重新計算出第一個尺度的奇異點的模的極大值點，保持其位置的不變。

3 基于小波分析的電力信息通信過程不良數據辨識

3.1 通信過程不良數據檢測

不良數據的檢測是區分正常數據和不良數據的關鍵性技術，其檢測的原理是通過神經網絡算法將檢測的數據與參考數據的數學期望進行比較，若在某一點，檢測數據的期望曲線較參考期望曲線相比下降幅度較大，即同一位置二者之間的期望差較大，則該數據則可被認為不良數據[7]。

對于某組含有正常數據和不良數據的待檢測數據集，可以將其看作是一個n×p的矩陣，其中包括擾動序列和非擾動序列。通過奇異值檢測初步對局部數據進行分解。首先進行矩陣變換，在觀察值的范圍內以均勻分布的方式產生參考數據，最后通過矩陣變化得到參考數據集Z。

通信的電力數據序列如圖2所示。

生成參考數據集后，采用神經網絡算法，在輸入模塊中輸入待檢測數據與參考數據之間的期望差值ek，經過神經網絡計算后生成輸出結果Ok，同時計算各點期望差值與數據結果間的平方值(ek-Ok)2，將這組數據生成數據集作為聚類分析模塊的待檢測數據輸入，并在聚類模塊中采用GSA 算法判定，確定每個數據的最佳聚類值h。當聚類值為1 使，則可認為待檢測為正常數據，而當聚類值為0 時，則表示待檢測數據為不良數據。除此之外，還需計算(ek-Ok)2的平均值，將具有最小(ek-Ok)2平均值的數據集視為正常數據所在的類，而其他數據均可視為不良數據[8]。通過上述計算步驟，可以將正常數據歸到一個類中，并與不良數據準確分離，便于后期的數據處理。

3.2 基于小波分析的電力信息通信數據除噪

噪聲污染是一種難以控制、難以確定的隨機現象，不良數據對歷史負荷數據的隨機干擾可視為白噪聲，白噪聲的干擾會降低對歷史負荷預測的精度，因此需對電力通訊信息數據進行除噪處理。在小波變換的分解過程中可以根據信號頻率刪除噪聲信號，但易造成其他信號的丟失，難以保留初始信號的瞬時特征，因此本文采用優化后的軟閾值和硬閾值去噪方法消除某一設定值的細節部分，最大限度保證初始數據的完整。

其中，軟閾值是在信號小波變換后，將小波變化系數絕對值大于或等于閾值的點賦值為0，絕對值大于閾值的點賦值為該點與閾值之間的差值。硬閾值與軟閾值相同的是將小波變化系數絕對值大于或等于閾值的點賦值為0，不同的是硬閾值將絕對值大于閾值保持不變，一般來說，采用硬閾值處理過的數據信號相較于軟閾值更加粗糙。

電力通信數據去噪過程如圖3所示。

無論采用硬閾值還是軟閾值進行閾值確定，其步驟大體相似，首先第一步要對需處理數據進行噪聲強度的計算，其計算公式如公式(2)所示：

去噪后的數據如圖4所示。

4 實驗與分析

為驗證基于小波分析的電力信息通信過程不良數據辨識方法的有效性，將基于多視角低秩分析的電力不良數據辨識方法、基于長短期記憶網絡的不良數據辨識檢測方法作為對照，設計如下實驗。

設定實驗參數如表1所示。

表1 實驗參數

針對電力信息通信過程不良數據辨識的困難性，需對實驗環境進行不斷調整，使其滿足電力信息通訊系統的運行需求，并按照實驗參數確保實驗環境的統一性。實驗的操作步驟如下：

(1) 準備一組已知的含有不良數據的歷史負荷數據，按照電力信息通信對歷史負荷數據的傳輸準則，將所需傳輸的歷史負荷數據通過本文的傳輸通道進行傳輸，確保系統對數據的辨識過程處于本文的監視范圍內，并確保實驗環境不受其他因素的干擾，避免出現實驗誤差；

(2) 收集系統的運行信息，并將這些信息錄入控制系統，排查系統是否存在運行異常。對運行異常的系統及時調整運行狀態；

(3) 對系統的運行數據進行分析，計算各個算法對電力信息通信過程不良數據辨識的時間、數量，對照準確標準，從而生成辨識效率和準確率對比結果。

將上述實驗步驟重復10 次，為保證實驗更接近真實環境，每次選用的歷史負荷數據并不相同。對比不同方法的噪聲消除準確率，實驗結果如圖5所示。

根據圖5所示結果可知，本文方法的噪聲消除準確率更高，證明其消噪能力優于傳統方法，使得消噪效果更加明顯。

在此基礎上，對比通信過程中不良數據的辨識時間，結果如表2所示。

根據表2所示結果可知，兩種傳統方法對不良數據的辨識時間均高于本文方法，證明本文方法的辨識效率更高。

表2 通信數據辨識時間

由此可見，本文研究的基于小波分析的電力信息通信過程不良數據辨識方法的辨識效率以及準確率均優于其他傳統辨識方法。造成這種差異的原因在于：本文方法采用小波變換對歷史負荷數據的傳輸信號進行分析，能夠將交織在一起的由不同頻率組成的混合信號分解成單一的、清晰的不同頻率信號，通過對局部奇異點的檢測獲取奇異性信息辨識在電力信息通訊過程中存在的不良數據，具有較高的辨識準確性。整體上看，該方法的計算方式簡單、步驟間接，節約了不必要的計算時間，且適用于大量數據信號分析計算，因此辨識效率較高。而傳統的電力信息通信過程不良數據辨識方法，結構復雜，任何一個計算環節的失誤都會導致最終計算結果的錯誤，且過多的計算方式，對于處理大量的數據較為困難，計算速度過慢，導致整體的辨識準確率和效率均不夠理想。

5 結束語

綜上所述，本文研究的基于小波分析的電力信息通信過程不良數據辨識方法具有較高的辨識效率和準確率。該方法利用小波奇異性檢測理論對歷史負荷數據中的不良數據進行檢測，采用神經網絡算法區分正常數據和不良數據，并利用小波除噪原理對數據進行預處理，可以有效檢測出不良數據的存儲位置，避免由不良數據導致的信息紊亂和軟件無法識別問題，且相較于傳統的辨識方法更能適應未來電力信息通訊技術的發展。