用电信息采集系统的相关性数据压缩方案研究.docxVIP

用电信息采集系统的相关性数据压缩方案研究 0　引 言随着智能化系统的广泛应用，智能电表逐渐成为了智能电网的重要组成部分。智能电表数据在通信方式上遵循 DL/T 698.45 协议现有的用电信息采集系统数据压缩研究，常采用单一算法，如利用LZ77算法对封装好的协议数据进行整体压缩另外，在智能电表实际产生的海量用电采集数据中，由于硬件设备故障、电网突发事件、人为用电攻击等，不可避免地存在着数据异常与缺失1基本原理与实验准备1.1　帧解析与应用层数值数据分类 面向对象互操作交换协议（简称“DL/T 698.45协议”）的帧格式见表1。发送和响应数据的帧头帧尾包括长度域L、控制域C、地址域A、帧头校验HCS以及帧校验FCH和结束字符。根据帧结构（见表1）的分析，对于符合 DL/T 698.45 协议的数据，需要考虑长度不平均、相关性强、规律较复杂且占绝大部分的应用层数据。应用层帧结构在解析后存在着大量的电压、电流、功率以及总及费率电能量等数值数据，其类型多变，在空间和时间上具有相关性。实验所采用的是从某智能电表终端采集来的数据，选取该天一个固定终端的所有响应值，所记录的数据均为真实的电表数据，去掉帧头帧尾的应用层数据解析结果见表2。一个对象对应一个唯一标识，即对象标识（OI），用于对对象进行引用（见表2）。根据对象标识的分类可得每条数据的分别表示：有功功率、无功功率、电压、电流以及电表的总及费率电能量。电压、电流等数值型数据具有围绕中心值上下波动的分布特点，故采用自编码算法压缩，而电能量数据分布总体呈持续上升趋势，虽然数据的基值很大，但前后点差值较小，可使用差分编码来对这类数据进行处理。针对数值数据相关性的不同，需针对性考量，从而得到最佳的压缩方案以达到更好效果。1.2　应用层的相关性压缩算法原理介绍如上节分析，应用层的不同数值数据具有不同的分布特点，可针对性地采用不同的相关性压缩算法进行处理。（1）自编码网络压缩电压、电流等数据具有围绕中心值上下波动的分布特点，但不同终端间又存在一定差异，对其进行数据压缩可视为一个无监督特征学习和预测编码过程。自编码网络本文所设计的自编码网络，采用四层编码与四层解码结构（见图1）。将解析分类好的 DL/T 698.45 数据，以96个数据点为一条组成数据集。这96个点代表一天24小时每间隔15分钟采集一次数据所得到的所有值（电压、电流或功率数据）。96维原始数据输入后，先通过编码网络缩小维度，之后解码网络增大维度最终恢复为96维。网络结构最低维度处是自编码网络的解码位置，分别设计了64、32、24、16个神经元，各代表着近2/3、1/3、1/4和1/6数据压缩率。（2）差分编码压缩与电压、电流数据不同，电能量数据分布总体呈持续上升趋势。虽然数据的基值很大，但前后点的差值较小，可使用差分编码来对这类数据进行有效压缩。1.3　自编码网络的数据预处理数据集采用2019年8月5日一天的某终端用电信息采集数据（1）归一化处理在自编码网络训练之前，第一步工作是数据归一化。由上分析，这里做电压电流的处理。对电压数据，采用215到235间进行数据归一化处理，最终结果保留3位小数。对电流数据，采用0到25间进行归一化，结果为0到1的浮点数，保留3位小数。（2）数据增强根据机器学习项目工程，不到100条的数据是很难满足网络的训练。为使所设计的网络效果良好，需增加数据增强实验。对于电压，每条原始数据（归一化之前的数据）加一个3位小数的正负0.5间的随机数，循环29次，最终产生2 310条训练数据，取整去掉10条，以100条为一个batch训练，一共23个batch构成一个epoch。对于电流，则加一个3位小数的正负0.6间的随机数，循环29次，最终产生1 860条训练数据，取整去掉60条，以100条为一batch来进行训练。2应用层的相关性压缩算法研究2.1　三相电压数据的压缩测试先进行三相电压数据的压缩研究。取数据增强并归一化好的2 300条数据，将网络结构分为四类来进行训练，分别对应编码器的输出神经元个数为16、24、32和64个，压缩率为1/6、2/3、1/4和1/3。经反复测试与修正，在已有的网络结构基础上，为每类的网络设置了一组不同的最优参数，最终结果如表3所示。神经网络经充分训练后，为分析误差，得到了如图3～图6所示的拟合结果。其中一条曲线代表原始输入数据（96个归一化的电压值）；另一条是网络的解码输出结果，即恢复数据。三项电压数据的压缩效果较为显著（见图3～图6），这是由于电压数据的变化规律较统一所致。分析可得：随编码器输出神经元的个数增加，拟合效果会变得越好。这符合自编码网络的自身属性。考虑到对数据