基于量子濾波器的電能數(shù)據(jù)檢測(cè)與分析

吳浩瀚，蔣剛

?

基于量子濾波器的電能數(shù)據(jù)檢測(cè)與分析

吳浩瀚，蔣剛

（國網(wǎng)廣安供電公司信息通信分公司，四川廣安638099）

隨著以智能電表為核心的智能電網(wǎng)快速發(fā)展，電力大數(shù)據(jù)吸引了用戶、用電企業(yè)、政府的注意力。用電數(shù)據(jù)容易受到各種未知的隨機(jī)干擾。探索了將自適應(yīng)濾波技術(shù)引入電網(wǎng)信息監(jiān)測(cè)。而由于用電負(fù)荷曲線復(fù)雜、不能給出一個(gè)具體的模型，利用量子遞歸神經(jīng)網(wǎng)絡(luò)構(gòu)造了一個(gè)與模型無關(guān)的智能濾波器。最后提出了利用量子濾波器進(jìn)行電力負(fù)荷預(yù)測(cè)以及利用測(cè)量誤差的概率密度函數(shù)進(jìn)行用戶異常用電檢測(cè)的設(shè)想。

智能電網(wǎng)；用電信息檢測(cè)；現(xiàn)代濾波；量子計(jì)算

1 引言

經(jīng)濟(jì)全球化、化石能源的消耗以及生態(tài)日益嚴(yán)峻等必然需要能源的全球化配置。電能由于其清潔、高效、易于傳輸?shù)忍攸c(diǎn)是一種很好的能源配置介質(zhì)。智能電網(wǎng)技術(shù)是電能優(yōu)化配置的保障；智能電表是智能電網(wǎng)的重要組成部分，具有用戶用電信息采集、原始處理、用電信息存儲(chǔ)、雙向多費(fèi)率計(jì)算、用戶端控制以及雙向通信等功能。供電方可以每隔15 min讀取一次用戶用電數(shù)據(jù)，如此高頻率的數(shù)據(jù)采集產(chǎn)生了用電大數(shù)據(jù)，通過對(duì)這些用電數(shù)據(jù)進(jìn)行數(shù)據(jù)挖掘，可使客戶、供電公司、政府以及社會(huì)受益[1]。數(shù)據(jù)質(zhì)量是數(shù)據(jù)挖掘的基礎(chǔ)，又由于可用于數(shù)據(jù)挖掘的電力數(shù)據(jù)容易受到各種隨機(jī)干擾，使得原始采集數(shù)據(jù)不能真實(shí)反映客觀規(guī)律，這就需要對(duì)數(shù)據(jù)進(jìn)行過濾。由于用戶用電負(fù)荷曲線復(fù)雜，不能給出一個(gè)特定的模式進(jìn)行統(tǒng)一描述；測(cè)量噪聲雖然大部分是高斯噪聲，但也可能伴有其他隨機(jī)噪聲。所以需要一個(gè)既與觀測(cè)數(shù)據(jù)模型無關(guān)，又與噪聲統(tǒng)計(jì)特性無關(guān)的實(shí)時(shí)智能隨機(jī)濾波器對(duì)用電數(shù)據(jù)進(jìn)行實(shí)時(shí)過濾。目前只有量子濾波器滿足智能濾波的要求。

量子濾波器是在量子神經(jīng)動(dòng)力學(xué)的基礎(chǔ)上由Dawes R L[2]于1990年提出的，他給出了利用薛定諤方程進(jìn)行任意觀測(cè)信息動(dòng)態(tài)建模的理論解釋以及量子隨機(jī)濾波器的運(yùn)算框架，但他沒有給出薛定諤方程勢(shì)函數(shù)的構(gòu)造方法，同時(shí)由于當(dāng)時(shí)運(yùn)算能力的限制，量子濾波器沒有引起人們的重視。Behera L等人[3]分別采用線性神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)構(gòu)造勢(shì)函數(shù)，第一次實(shí)現(xiàn)了量子濾波算法，并用一些簡單信號(hào)對(duì)濾波器性能進(jìn)行了比較測(cè)試。Ghandi V等人[4,5]對(duì)量子濾波器進(jìn)行了若干改進(jìn)，并將它們應(yīng)用于肌電信號(hào)增強(qiáng)、腦電信號(hào)增強(qiáng)等領(lǐng)域，再進(jìn)行特征提取并分類。參考文獻(xiàn)[6]將量子濾波器應(yīng)用于通信信號(hào)處理。參考文獻(xiàn)[7]將量子濾波器應(yīng)用于語音信號(hào)增強(qiáng)。

最后本文再給出兩種基于量子濾波器對(duì)用電數(shù)據(jù)分析的新思維：通過將外影響因素加到薛定諤方程的勢(shì)函數(shù)上進(jìn)行電力負(fù)荷預(yù)測(cè)；通過對(duì)測(cè)量噪聲概率密度函數(shù)進(jìn)行估計(jì)實(shí)現(xiàn)對(duì)用戶用電狀態(tài)的估計(jì)。

2 智能電表用電信息在線采集

用戶用電信息通過安裝在用戶側(cè)的采集系統(tǒng)（如智能電表）進(jìn)行采集，并通過無線、電力線通信、電力光纖等方式回傳至供電公司，如圖1所示。

目前主要使用GSM無線設(shè)備進(jìn)行用電信息回傳。由于智能電表自身的誤差、采集過程的測(cè)量誤差、量化誤差、傳輸過程中容易受到噪聲干擾、信道衰落的干擾以及用電客戶本身的負(fù)荷波動(dòng)，使得供電公司收到的用電信息具有一定的隨機(jī)性；同時(shí)由于用戶用電過程中一些異?，F(xiàn)象、雷電影響等使得用電信息本身出現(xiàn)一些突發(fā)性變化。這些都對(duì)后續(xù)數(shù)據(jù)挖掘造成一定的干擾，不能真實(shí)地反映客觀規(guī)律。這時(shí)就需要采用隨機(jī)濾波器對(duì)采集信號(hào)進(jìn)行實(shí)時(shí)過濾。最好的隨機(jī)濾波器是卡爾曼濾波器，然而由于卡爾曼濾波器要求觀測(cè)信號(hào)的模型是線性的且噪聲為高斯噪聲。由于用電用戶的用電規(guī)律極其復(fù)雜，不能用某一個(gè)具體的模型歸納，其受到的干擾也不一定全是高斯噪聲（如量化噪聲就是均勻噪聲），這些都限制了以卡爾曼濾波器為代表的傳統(tǒng)隨機(jī)濾波器的使用。近些年開始進(jìn)入人們視線的量子濾波器能夠完成該任務(wù)。

3 量子濾波器

3.1 隨機(jī)濾波問題

隨機(jī)濾波就是從被隨機(jī)噪聲干擾的觀測(cè)信號(hào)中實(shí)時(shí)提取感興趣的量，考慮維觀測(cè)隨機(jī)過程：

(2)

其中，()為測(cè)量噪聲（濾波主要過濾的目標(biāo)）。要達(dá)到轉(zhuǎn)化目標(biāo)，需要預(yù)先假設(shè)一個(gè)狀態(tài)變量隨時(shí)間的演化模型：

(4)

對(duì)觀測(cè)變量進(jìn)行估算。其中，()為測(cè)量噪聲（濾波主要過濾的目標(biāo)）。注意這里假設(shè)的式(3)不一定是真實(shí)的狀態(tài)式(2)，所以存在狀態(tài)噪聲，當(dāng)假設(shè)的模型與真實(shí)模型一致時(shí)，()=0。只有當(dāng)假設(shè)的模型與真實(shí)模型相同或很接近時(shí)，這樣的轉(zhuǎn)換才有意義。當(dāng)完全不知道真實(shí)模型時(shí)，傳統(tǒng)隨機(jī)濾波方法（包括所謂的粒子濾波）不能實(shí)現(xiàn)。

3.2 量子神經(jīng)動(dòng)力學(xué)與量子濾波

當(dāng)客觀系統(tǒng)狀態(tài)模型未知時(shí)，將客觀系統(tǒng)的狀態(tài)變量抽象為生物觀測(cè)者的意識(shí)流，并假設(shè)意識(shí)具有量子現(xiàn)象，其狀態(tài)演化滿足薛定諤方程[9]：

(6)

這樣就不需要知道觀測(cè)信號(hào)的模型和測(cè)量噪聲的統(tǒng)計(jì)類型，實(shí)現(xiàn)了智能濾波。

量子濾波器實(shí)現(xiàn)的關(guān)鍵是將輸入觀測(cè)信號(hào)如何映射為薛定諤方程中的勢(shì)函數(shù)，目前都是采用神經(jīng)網(wǎng)絡(luò)方法，采用參考文獻(xiàn)[10]設(shè)計(jì)的濾波器結(jié)構(gòu)，其濾波結(jié)構(gòu)如圖2所示。

薛定諤方程的勢(shì)函數(shù)結(jié)構(gòu)為：

其中：

(8)

(10)

上述各式中的參數(shù)可以通過遺傳算法搜索得到。

3.3 濾波效果測(cè)試

假設(shè)原始信號(hào)受到非平穩(wěn)加性高斯白噪聲干擾，原始信號(hào)是正弦信號(hào)。分別用量子濾波器和遞歸最小二乘濾波（recursive least square，RLS）器對(duì)觀測(cè)信號(hào)進(jìn)行過濾，其效果如圖3、圖4所示。

對(duì)比圖3和圖4可以發(fā)現(xiàn)，量子濾波器濾波結(jié)果更加接近真實(shí)信號(hào)、更加光滑但是時(shí)延比RLS（特殊的卡爾曼濾波器）結(jié)果更大。這是由于RLS強(qiáng)制采用線性模型描述觀測(cè)信號(hào)，這就使得狀態(tài)噪聲比較大，導(dǎo)致濾波不準(zhǔn)確；而量子濾波器與觀測(cè)信號(hào)模型無關(guān)，沒有狀態(tài)噪聲。由于量子濾波器是一個(gè)基于量子神經(jīng)網(wǎng)絡(luò)的自適應(yīng)濾波器，它實(shí)質(zhì)是模擬生物智能的認(rèn)知方式，使得它的處理速度相對(duì)較慢，這也是量子濾波器的缺點(diǎn)。

4 基于量子濾波器的電力數(shù)據(jù)挖掘

通過量子濾波器采集得到的用電數(shù)據(jù)可進(jìn)行如電力負(fù)荷預(yù)測(cè)、異常用電檢測(cè)等分析。如果采用傳統(tǒng)方法，如回歸分析、指數(shù)平滑以及加權(quán)迭代最小二乘法等，進(jìn)行負(fù)荷預(yù)測(cè)需要對(duì)數(shù)據(jù)進(jìn)行二次處理，使得量子濾波器速度慢的缺點(diǎn)被放大，且這樣并沒有完全發(fā)揮量子濾波器的性能。由于量子濾波器不含有狀態(tài)噪聲、濾波結(jié)果較為準(zhǔn)確，可以較為準(zhǔn)確地提取出測(cè)量噪聲，可以利用測(cè)量噪聲概率密度函數(shù)來探究異常用電現(xiàn)象。

4.1 用電負(fù)荷預(yù)測(cè)

量子濾波器可以抽象為圖5所示。

稍加改進(jìn)就可以構(gòu)成任意預(yù)測(cè)器如圖6所示。

即步前向預(yù)測(cè)中，每一步觀測(cè)輸入都是前一次預(yù)測(cè)輸出，誤差輸入為本次預(yù)測(cè)輸出與初始輸入之差。由于存在一些可預(yù)見性外部事件，如國民經(jīng)濟(jì)增長水平、可替代能源增長水平、區(qū)域經(jīng)濟(jì)發(fā)展、用戶自身特性變化等，所以需要根據(jù)這些外部條件對(duì)誤差進(jìn)行重調(diào)整，其調(diào)整模型有待于進(jìn)一步研究與探索。圖7為某水泥廠2015年負(fù)荷曲線，可以看到受到的隨機(jī)干擾比較大；虛線為量子濾波器過濾后的負(fù)荷曲線，除了2月份負(fù)荷曲線近似具有周期性且7、8月份平均用電量略低。虛線的末端是利用圖6所示算法進(jìn)行的負(fù)荷預(yù)測(cè)。

4.2 基于測(cè)量噪聲概率密度函數(shù)估計(jì)的分析

當(dāng)前檢測(cè)用戶異常用電的方法已經(jīng)很多，但是對(duì)于如擴(kuò)差竊電等異常用電信息檢測(cè)，通過對(duì)檢測(cè)的“真實(shí)信號(hào)”進(jìn)行挖掘較難發(fā)現(xiàn)[11]。由于量子濾波器狀態(tài)方程不含有狀態(tài)誤差，所以測(cè)得的測(cè)量誤差是檢測(cè)設(shè)備、傳輸設(shè)備等的固有誤差的總和，可以將其看作設(shè)備的固有屬性，若其概率密度函數(shù)發(fā)生改變，則可以推斷檢測(cè)、傳輸信道發(fā)生了改變或用戶用電習(xí)慣發(fā)生的變化。測(cè)量噪聲概率密度函數(shù)估計(jì)可將觀測(cè)信號(hào)與估計(jì)信號(hào)作差然后利用Pasen窗核估計(jì)法進(jìn)行計(jì)算[12]。圖8為某水泥廠上、下半年負(fù)荷測(cè)量噪聲對(duì)比曲線，可以發(fā)現(xiàn)其概率密度函數(shù)都是高斯函數(shù)——符合大數(shù)定理，上下半年概率密度函數(shù)相當(dāng)且方差都相對(duì)較大。

圖9為某天然氣廠2015年上、下半年負(fù)荷測(cè)量噪聲概率密度函數(shù)，相對(duì)圖8中所示水泥廠的負(fù)荷噪聲方差小很多。

對(duì)比圖8和圖9還可以發(fā)現(xiàn)，測(cè)量噪聲更多的是客戶自身的負(fù)荷噪聲，即：由測(cè)量儀器和傳輸設(shè)備及通道引起的噪聲其實(shí)很小。如生產(chǎn)和管理都相對(duì)粗狂的水泥廠的噪聲方差較生產(chǎn)和管理都相對(duì)精細(xì)的天然氣廠更大。所以不同行業(yè)之間的概率密度函數(shù)具有差異性，同行業(yè)之間生產(chǎn)和管理精細(xì)化水平也會(huì)反映在噪聲概率密度函數(shù)上。注意，這里的測(cè)量噪聲是廣義的測(cè)量噪聲，它是相對(duì)于可用于數(shù)據(jù)挖掘的信號(hào)，而不是由測(cè)量設(shè)備和傳輸設(shè)備引起的狹義測(cè)量噪聲。

5 結(jié)束語

智能電網(wǎng)時(shí)代，以智能電表為代表的數(shù)據(jù)采集系統(tǒng)為電力大數(shù)據(jù)分析奠定了基礎(chǔ)，準(zhǔn)確采集數(shù)據(jù)是進(jìn)行數(shù)據(jù)挖掘的前提。本文提出了利用實(shí)時(shí)隨機(jī)濾波器對(duì)用電數(shù)據(jù)進(jìn)行在線檢測(cè)與過濾。利用量子隨機(jī)濾波器以適應(yīng)用戶負(fù)荷曲線模式不定、干擾噪聲統(tǒng)計(jì)特性未知難題并通過仿真驗(yàn)證了量子濾波器對(duì)于傳統(tǒng)隨機(jī)濾波器的優(yōu)越性。最后本文還利用量子濾波器天然的遞推性設(shè)計(jì)了一種新的負(fù)荷預(yù)測(cè)機(jī)；利用量子濾波器不含模式噪聲的特點(diǎn)，提出了利用測(cè)量噪聲概率密度函數(shù)進(jìn)行異常用電檢測(cè)的方法。

下一步工作要研究各種測(cè)量噪聲的特征概率密度函數(shù)與用戶用電方式的對(duì)應(yīng)關(guān)系，建立它們之間的模型；另一方面是：利用量子濾波器進(jìn)行負(fù)荷預(yù)測(cè)中確定宏觀預(yù)測(cè)與預(yù)測(cè)誤差之間的關(guān)系。

[1] 王亞東,高巖,金峰. 智能電表數(shù)據(jù)分析及應(yīng)用綜述研究[J].信息技術(shù), 2015, 18(2):64-68.

WANG Y D, GAO Y, JIN F. Review of smart watthour meter data analysis and applications[J]. Information Technology, 2015, 18(2):64-68.

[2] Dawes R L. Quantum neurodynamics: neural stochastic filtering with the schroedinger equation[C]//1992 International Joint Conference on Neural Networks, June 7-11, 1992, Baltimore, USA. New Jersey: IEEE Press, 1992:133-140.

[3] Behera L, Kar I. Quantum stochastic filtering[C]//2005 IEEE International Conference on System, Man and Cybernetics, October 10-12, 2005, Hawaii, USA. New Jersey: IEEE Press, 2005.

[4] Gandhi V, McGinnity T M. Quantum neural network based surface EMG signal filtering for control of robotic hand[C]//2013 International Joint Conference on Neural Networks, August 4-9, 2013, Dallas, USA. New Jersey: IEEE Press, 2013:1-7.

[5] Gandhi V, Prasad F, Coyle D H, et al. Quantum neural network-based EEG filtering for a brain-computer interface[J]. IEEE Transactions on Neural Networks and Learning System, 2014, 25(2):278~288.

[6] 朱仁祥, 吳樂南. 用于通信信號(hào)非線性時(shí)域?yàn)V波的量子隨機(jī)濾波器(英文)[J]. 東南大學(xué)學(xué)報(bào)(英文版), 2007,23(1):22-25.

ZHU R X, WU L N. Quantum stochastic filters for nonlinear time-domain filtering of communication signals[J]. Journal of Southeast University(English Edition), 2007,23(1):22-25.

[7] 賴聯(lián)有,金福江,吳浩瀚.語音信號(hào)的量子隨機(jī)濾波降噪方法[J]. 信息與控制, 2015, 44(5):598-603.

LAI L Y, JIN F J, WU H H. Speech de-noising method using quantum stochastic filter[J]. Information and Control, 2015, 44(5):598-603.

[8] Busy R S. Linear and nonlinear filtering [J]. Proceedings of the IEEE, 1970,58(6):854-864.

[9] COHEN-TANNOUDJI C, DIU B, LALOE F. 量子力學(xué)[M]. . 劉家謨,陳星奎,譯. 北京:高等教育出版社, 2014.

COHEN-TANNOUDJI C, DIU B, LALOE F. Mecanique quantique[M]. Translated by LIU J M, CHEN X K. Beijing: Higher Education Press, 2014.

[10] 吳浩瀚,金福江,賴聯(lián)有,等.基于薛定諤方程的隨機(jī)濾波算法(英文)[J]. 自動(dòng)化學(xué)報(bào), 2014,40(10):2370-2376.

WU H H, JIN F J, LAI L Y, et al. A stochastic filtering algorithm using Schr?odinger equation[J]. Acta Automatica Sinica, 2014, 40(10):2370-2376.

[11] 程梅花,李曉明,黃軍高,等. 電能量計(jì)量計(jì)費(fèi)系統(tǒng)的竊電檢測(cè)[J]. 電力自動(dòng)化設(shè)備,2002, 22(6): 64-67.

CHENG M H, LI X M, HUANG J G. Filching detection in electric energy measuring and billing system [J]. Electric Power Automation Equipment, 2002, 22(6): 64-67.

[12] Parzen E. On estimation of a probability density function and mode[J]. The Annals of Mathematical Statistics, 1962, 33(3): 1065-1076.

Detection and analysis of energy data by using quantum filter

WU Haohan, JIANG Gang

Communication Company of State Grid Guang’an Electric Power Supply Company, Guang’an 638099, China

With the rapid development of smart power grid as the core of smart meters, power big data has attracted the attention of users, power companies and the government. The introduction of adaptive filtering into the power grid information monitoring was explored. Due to the complexity of the power load curve, specific model cannot be described. A model-independent intelligent filter was constructed by using the recurrent quantum neural network. The quantum filter was tried to use in the power load forecasting and abnormal electrical testing.

smart grid, power information detection, modern filter, quantum computation

O455

A

10.11959/j.issn.1000?0801.2017070

2016?01?25；

2016?03?06

吳浩瀚（1988?），男，現(xiàn)就職于國網(wǎng)廣安供電公司信息通信分公司，主要研究方向?yàn)楝F(xiàn)代濾波理論尤其是量子濾波。

蔣剛（1970?），男，國網(wǎng)廣安供電公司信息通信分公司高級(jí)工程師、經(jīng)理，長期從事電力系統(tǒng)自動(dòng)化、信息、通信應(yīng)用研究與管理方面的工作。