赵俊炜 张 锐

（广东电网有限责任公司东莞供电局，广东 东莞 523000）

0 引言

随着电网规模日益扩大，加上白皮书的发布，调控一体化得到全面推广，由此我国的电网调度与监控领域翻开了大数据时代的新篇章。在新形势下，故障录波器、智能保护开关、PMU等装置大量装设于电网中，由此构成了多种不同类型的信息源。

当电网发生故障时，大量一/二次设备告警、运行等信息涌现，需要监控人员及时处理、研判、传递给电网生产业务的各个环节。电网监控专业作为电网运行信息的第一感知人，在协同各专业参与监控电网安全运行与生产方面担负着重要的责任，但监控人员单兵协同任务日益复杂繁重，导致电网安全生产面临严峻挑战。

为了改变以往电网运行及业务信息低效率协同的模式[1]，满足相关专业对电网运行态势的实时乃至提前感知与交互需求，需要对电网运行事件的关联信息进行信息融合处理，再从应用场景、专业、权限等角度对融合后的数据进行划分，提供按需、定向信息服务。因此，本文提出了一种基于FCM-BP算法的多源信息融合方法，用以保证电网运行事件的实时感知与快速分发，提升多专业处置电网事件的协作效率，保障地区电网的安全稳定运行。

1 信息融合

1.1 信息融合发展现状

信息融合技术是信息科学中的一种新技术。20世纪70年代，随着科学技术的持续进步，特别是微电子技术、信号检测与处理技术、计算机和网络通信等技术的迅速发展，许多传感器系统涌现出来[2]。在此背景下，文献[3]提出了分布式融合方法，文献[4]采用Bayes方法提高信息融合的计算效率，文献[5]最早提出了语义信息融合方法。

信息融合是一种多源信息处理技术[6]，它通过对来自不同传感器的数据进行分析和综合，获得被测对象及其性质的最佳一致估计。多传感器数据融合是一种多层次、多方面的处理过程，每个层次代表了信息的不同抽象程度；数据融合过程包括对多源数据进行检测、互联、估计和组合；数据融合的输出包括低层次上的状态身份估计和高层次上的总战术态势评估。

张友等人[7]提出了一种基于多源信息融合和自适应深度卷积神经网络（ADCNN）的离心鼓风机故障诊断方法，通过运用ADCNN自适应地提取信息的特征，再把各异类信息的特征融合，该方法比传统的融合模式以及CNN、反向传播神经网络（BPNN）、支持向量机（SVM）方法具有更高的诊断精度与鲁棒性。文献[8]提出了一种基于深度卷积神经网络（Deep CNN，DCNN）的自适应多传感数据融合方法，该方法将多种传感器信号融合成单路信号，利用深度卷积神经网络挖掘原始数据的特征，并通过实验验证了所提方法的准确性。王虹等人[9]提出了多源直觉模糊决策信息系统中信息融合的加权多粒度方法，来解决现有多源决策信息系统中选择更多可靠的信息，最后形成单源决策信息系统而产生信息损失的问题。文献[6]通过变分模态分解（VMD）和希尔伯特变换（HT）方法将振动信号处理成与红外图像同维的时频图像，然后将得到的时频图像与红外图像进行数据级融合，最后将融合后的信号传入到多通道卷积神经网络中进行训练诊断。文献[10]融合了BP-ANN（BackPropagation-ArtificialNeuralNetwork）神经网络和CNN（Convolutional Neural Network）神经网络，分别提取融合数值类型、类别类型和图像类型数据的特征向量，再通过多层BP-ANN神经网络进行超短期母线负荷的预测。文献[11-14]主要是因为存在一些不确定信息，因此皆使用D-S证据理论对多源信息进行融合来诊断故障。

除上述研究外，还有诸如小麦品种分类、直觉模糊决策和基于步态的再识别等信息融合，在本文中，使用FCM-BP算法研究电网运行及业务信息融合问题。

1.2 神经网络

人工神经网络[15]是模拟生物神经网络进行信息处理的一种数学模型，人工神经元是人工神经网络操作的基本信息处理单位。处理模型如图1所示。

图1 人工神经元的处理模型

人工神经网络具有强大的分布式信息存储、并行处理和自适应学习能力。BP神经网络[16]是人工神经网络中一种特殊的多层前馈神经网络，它是基于神经网络理论来设计的，主要由信号的正向传播与误差的反向传播两个过程组成，具有较强的非线性映射能力，因而多用于函数拟合、模式识别、智能控制和状态预测等场景，在工业界具有较广泛的应用。

BP神经网络包括三个部分，即输入层、隐藏层和输出层。在正向传播时，数据从输入层传入，经过多层隐藏层处理后传向输出层。若输出结果与实际结果不同，则进入反向传播阶段。在反向传播时，网络将输出结果以某种形式通过隐藏层向输入层逐层传递，并将误差分摊到各隐藏层神经元，从而获得各隐藏层神经元的误差信号，以此来修正各隐藏层神经元权值。

2 基于FCM-BP算法的多源信息融合方法

为充分利用BP神经网络的自学习能力，本文的主要思想是在特征级利用神经网络信息融合方法来整合从多个数据源获得的信息。文献[17]就是将神经网络用于目标识别系统的多传感器数据的融合。基于此，本文提出基于神经网络的多源信息融合技术，具体流程如图2所示。

图2 基于FCM-BP算法的多源信息融合模型

系统将获取到的电网中的多源信息进行预处理，使用FCM对经过预处理的多源信息进行分析，将相似性较高的信息归为一类，再采用加权平均法对同一类信息进行数据级融合；其次，对经过数据级融合的信息进行特征提取，将提取的特征送入BP神经网络中进行特征级信息融合；最后，将融合后的信息分发至各专业。

2.1 信息预处理

电网中的信息来源广泛，包括SOE信息、录波数据、保信信息、电力系统广域测量信息（WAMS）等，因此在进行特征提取之前，需要对这些信息进行简单的信息预处理，主要包括异常数据的处理和数据归一化处理。

电网中的各类数据在采集、传输和存储的过程中，可能会由于设备异常或者网络堵塞等原因发生缺失或者偏差等异常情况，这些都会影响模型对数据的分析能力，降低模型的准确率。为了防止异常数据对模型造成不利影响，本文利用插值法、回归或者贝叶斯方法来推断可能的取值，解决数据缺失的问题。对于数据偏差问题，本文采用分箱法进行处理，常见的分箱法包括卡方分箱法、最小熵法分箱及决策树分箱法。

不同数据具有不同的量纲，会造成不同数据间具有较大的数值差异，从而干扰模型的训练结果。为了防止数值差异对模型的影响，本文对不同数据进行了归一化处理，将各类数据缩放到统一的合理范围内，提高了模型数据分析的准确性。

2.2 基于FCM算法和加权平均法的数据级信息融合

数据级融合是直接融合同类信息，可以提供很多细微信息。但电网信息来源广泛且具有异构性，同时多源异构数据具有难以进行数据级融合的特性。因此，本文使用模糊C均值聚类（FCM）算法对预处理后的电网运行及业务信息进行聚类分析，即将相似度最大的划分为一簇，而不同簇之间相似度最小。然后对被划分为一簇的信息使用加权平均法进行数据级融合。

收集到的多源信息矩阵为：

X的每一行为一个信息，每一列为一个信息的n个值。

FCM就是把n个信息xi（i=1，2，…，n）分为c类，并求c个类的聚类中心V={V1，V2，…，Vc}。其中，Vi={Vi1，Vi2，…，Vip}，i=1，2，…，c。

uik表示第k个样品xk属于第i类的隶属度，0≤uik≤1，根据归一化规定，数据集的隶属度总和为1。因此，目标函数可定义为：

其中，U=（uik）c×n为隶属度矩阵，dik=||xk-vi||。

FCM得到U、V的值使得J（U，V）取得最小值。

本文中，基于改进的FCM算法，数据级融合的处理步骤如下：

（1）确定类个数c，幂指数m＞1，初始隶属度矩阵U（0）=（uik（0）），通常取[0，1]上的均匀分布随机数来确定初始隶属度矩阵U（0）。xk表示第一步迭代。

（2）计算第l步的聚类中心V（l）：

（3）修正隶属度矩阵U（l），计算目标函数值J（l）。

（4）当给定的隶属度终止容限ε＞0，满足条件时，停止迭代，否则l=l+1，继续进行第二步。

（5）经过上述迭代计算，可以求得最终的隶属度矩阵U和聚类中心V，使得J（U，V）的值达到最小。通过最终得到的隶属度矩阵U确定信息的归类情况，当ujk=时，可将信息xk归为第j类。

（6）对经过FCM聚类分析之后被划分为同一类的信息，使用加权平均法进行数据级融合，融合规则如下：

本文使用FCM将预处理过的多源信息相似度较高的分为一类，然后采用加权平均法对同一类信息进行数据级融合。

2.3 基于BP神经网络的特征级信息融合

对经过数据级融合的各类信息提取数据特征，将提取的特征送入BP神经网络中进行特征级信息融合。

使用BP神经网络进行特征级信息融合的过程如下：

（1）定义BP神经网络中的连续非线性激活函数：

其中，netjk由以下方程式计算：

（2）输出层中的参数ωkj可以估计如下：

（3）与输出层不同，隐藏层的参数计算如下：

在BP神经网络中，每一层的输出被传输到下一层的神经元。也就是说，BP神经网络能够保持一个偏置神经元，从而在没有任何输入的情况下产生恒定的输出。3 基于FCM-BP 算法的多源信息融合技术在电网业务及运行信息中的应用

当电网发生故障时，产生大量运行、告警等信号，电网监控系统会对这些信息进行采集。首先，对采集到的多源信息进行预处理；其次，使用FCM算法对预处理过的信息进行聚类分析，将相似度最高的划分为一类，再采用加权平均法对同一类信息进行数据级融合；然后将经过数据级融合后的信息送入BP神经网络中进行特征级信息融合；最后将融合后的信息从应用场景、专业、权限等角度进行划分，提供按需、定向的信息服务，满足相关专业对电网运行态势的实时乃至提前感知与交互需求。

电网运行事件和告警信号是在电网发生故障时发出的信息，通过协同平台收集与故障相关的多源异构信息，即设备信息、运行信息和处置信息等。将这些多源信息进行信息融合，信息融合模块将收集的信息进行预处理，经过数据级融合和特征级融合得到最终的融合信息。融合后的信息更具有专业性，可以根据场景、专业和权限等进行划分，将划分好的信息分发至相关专业，能够提高信息分发速度，减少信息堵塞的可能性，提高相关专业对事故处理的工作效率。

4 结语

本文着重于电网运行及业务中多源异构信息的融合问题，并从不同的数据源中最大化获得数据。在该方法中，获得的电网运行及业务信息通过三个步骤进行处理：第一，对收集到的多源数据进行预处理；第二，使用FCM对经过预处理的多源信息进行分析，将相似性较高的信息归为一类，再采用加权平均法对同一类信息进行数据级融合；第三，对经过数据级融合的信息进行特征提取，将提取的特征送入BP神经网络中进行特征级信息融合。相较于传统的单一层信息融合技术，FCM-BP神经网络算法同时实现了电网多源异构信息在数据级和特征级的融合。改进后的算法显著提高了信息融合的质量，在后续的电网运行信息分发时更具有专业性，提高了信息分发速度，大幅降低了信息堵塞的可能性。