基于边缘计算的低压配电网多源数据融合处理研究

洪可祎

（黑龙江工商学院，黑龙江 哈尔滨 150000）

0 引 言

在传统低压配电网数据处理过程中，多源数据融合技术常被用来综合分析数据状态和形成原因，并实现系统对数据的实时监控[1]。作为一种良好的数据处理和管理技术，多源数据处理和融合技术在一定程度上能够保证系统的安全运行。传统多源数据处理和融合步骤烦琐，且存在难以多路径收集数据和难以保证数据集中处理结果的准确度等问题，不能满足系统可持续发展的要求[2]。因此本文提出将边缘计算方法融入到多源数据融合处理过程中，强化系统收集能力并提高系统的可操性，使其在免受外界干扰的同时实现自身防护性能的提升[3]。

该技术首先在获取数据源信息时采用数据匹配的方式对源信息进行集中匹配，并在此基础上完成数据的预处理，其次通过加大数据的监控和分析力度对数据进行集中管理，以此来完成数据的多源融合处理，最后通过划分不同的数据融合处理结果来记录系统状态，保证获取到可供参考的系统运行参数。与传统低压配电网数据处理相比，本次提出的结合边缘计算方法的低压配电网多源数据融合处理方式能够有效提升系统性能，具有广阔的发展前景。

1 低压配电网多源数据收集

数据收集是实现数据融合处理的前提，为实现低压配电网多源数据的融合处理，必须保证多源数据收集的准确性[4]。将用户地址预处理为符合系统需要的文本参数，并将其作为初始数据进行输入和存储操作，基于此对数据进行类别划分，实现相应数据的排列，从而获得需要的结果。此外，为保证数据的完整，中心管理系统需要对结果函数进行应用和处理。数据监测流程如图1所示。

图1 数据监测流程图

在构建数据收集模型时，为提升系统的多源数据收集性能，需要根据数据固有的特性，利用机器学习的方式有效划分数据，即对相同类别的数据进行分组[5]。在此基础上分析数据的内在规律和特征，通过对数据集进行合理分类和排序，选取出符合系统需要的数据。数据排序如图2所示。

图2 数据排序图

数据分类和排列是数据特征识别的基础。在对数据进行合理排序后，通过对数据特征进行有效识别可以完成对所需参数的获取和记录，通过选定的固定追踪函数可以保证数据在收集过程中免受外界的干扰，此外通过对参数结果的科学分析，可以实现对低压配电网多源数据的初步收集。

2 低压配电网多源数据预处理

完成数据收集后，通过预处理再次过滤已经初步分类和过滤的数据，剔除干扰数据，并在此基础上对数据进行匹配，匹配过程如图3所示。

图3 数据匹配图

可以通过数据匹配的方式对数据进行重组[6]。测量样本数据时应选取数据集中的区域，保证更容易获取到系统需要的数据，以便完成对异常数据的管理工作。在发现异常数据时，应能够及时提示并对异常数据进行处理，稳定系统的运行。在此基础上建立合理的验证模型，在分析数据需求的同时验证数据匹配和处理的正确性。数据解析如图4所示。

图4 数据解析图

系统内部设置有对数据进行顺序排除的装置，通过便捷的操作便可以在短时间内完成数据的顺序排除，精确控制数据的误差值，使其保持在合理范围[7]。将误差偏离值较小的数据进行特定存储，并对数据的损耗关联性进行监督，如果最终获得的数据不符合系统标准，则必须对数据进行再次过滤，保证最终获得的数据符合系统需要，以此完成数据的预处理工作。

3 低压配电网多源数据处理与融合

在完成多源数据预处理后应采用合理的手段对数据进行最终融合处理，通过数据传感器将数据的特征用函数的形式进行表示，比较数据的特征和检查数据特征之间的关联，最后完成数据特征向系统所需参数的转换。数据转换过程如图5所示。

图5 数据转换图

在对系统进行操作时，应筛选和检测电网信号，并正确设置相应的操作函数。利用相应的操作函数有效获取电网信号，通过A/D转换获得数字信号[8]。对获得的数字信号源信息进行预处理，过滤其中的噪声，降低噪声对数据融合处理的影响[9]。数据过滤过程如图6所示。

图6 数据过滤流程

利用智能算法对预处理后的数据信息进行特征提取，通过一系列监控装置检测数据状况，采用合适的算法将数据特征值进行融合，得到系统需要的信号数据集，同时采用较为先进的数据融合算法优化信号数据集，从而得到最终的融合信息[10]。

4 实验研究

4.1 实验目的

通过对比传统低压配电网数据处理和融合技术，检测本文提出的与边缘计算相结合的低压配电网多源数据融合处理技术的数据处理效果。

4.2 实验参数

实验的数据模型为验证模型，数据操作模式为数据操作模式，文本数据为用户地址数据，操作系统为Windows XP，参数设置如表1所示。

表1 实验参数

4.3 实验结果分析

实验结果从数据的处理准确率、融合耗时及融合准确率3个方面展开。

4.3.1 数据处理准确率

本文提出的数据融合处理方法和传统方法在准确率上的对比结果如图7所示。

图7 不同方法数据处理准确率对比

由图7可知，本文提出的低压配电网数据融合处理方法的准确度明显高于传统方法。本文方法准确度最高可达98%，而传统方法最高只能达到80%。造成这种差距的原因是本文方法对数据进行了集中收集和预处理，通过实时监控能够把握好数据的状态和特征。

4.3.2 融合耗时

传统方法和本文方法在融合耗时上的对比如表2所示。

表2 不同方法数据融合耗时分析

通过表2可以明显看出本文方法的融合耗时比传统方法少。例如，在样本数据为100时，传统方法的耗时为5.2 s，而本文提出的方法则为2.5 s。

4.3.3 数据融合准确率

本文提出的方法和传统方法在数据融合准确率上的对比如图8所示。

图8 不同方法数据融合准确率对比

通过图8可以看出本文方法的融合准确率明显高于传统方法。例如，当样本数量为50时，本文方法的融合准确率超过90%，而传统方法的准确率却为50%左右。造成这种差距的原因是本文方法对所采集的数据进行了进一步的预处理，在降低更多干扰因素的同时提升了数据在系统之间的流转性能。

4 结 论

本文主要从3个方面对提出的低压配电网多源数据处理和融合过程进行了阐述，一是数据的收集；二是数据的预处理；三是数据的最终处理和融合。与传统方法相比，本文提出的方法能够提升系统的信息收集、数据过滤以及数据分类处理等性能。在数据的处理速度、数据融合的速度还是在数据融合的准确率上，本文提出的低压配电网数据融合处理方法都具有显著的优势，应用效果较好。