一种面向电力大数据可视化的信息融合方法
【技术领域】
[0001] 本发明属于电力大数据数据融合与处理技术领域，特别是设及一种面向电力大数 据可视化的信息融合方法。
【背景技术】
[0002] 信息融合（information fusion)起初被称为数据融合（data fusion)，起源于 1973年美国国防部资助开发的声纳信号处理系统，其概念在20世纪70年代就出现在一些文 献中。在20世纪90年代，随着信息技术的广泛发展，具有更广义化概念的"信息融合"被提出 来。在美国研发成功声纳信号处理系统之后，信息融合技术在军事应用中受到了越来越广 泛的青睐。20世纪80年代，为了满足军事领域中作战的需要，多传感器数据融合MSDF (Multi-sensor Data Fusion)技术应运而生。1988年，美国将C3I(Command，Cont;rol， Communication and Intelligence)系统中的数据融合技术列为国防部重点开发的二十项 关键技术之一。由于信息融合技术在海湾战争中表现出的巨大潜力，在战争结束后，美国国 防部又在C3I系统中加入计算机(computer),开发了 W信息融合为中屯、的C4I系统。此外，英 国陆军开发了炮兵智能信息融合系统(Al孤)和机动与控制系统(WAVELL)。欧洲五国还制定 了联合开展多传感器信号与知识综合系统(SKIDS)的研究计划。法国也研发了多平台态势 感知演示验证系统(TsMPF)。军事领域是信息融合的诞生地，也是信息融合技术应用最为成 功的地方。特别是在伊拉克战争和阿富汗战争中，美国军方的信息融合系统都发挥了重要 作用。当前，信息融合技术在军事中的应用研究己经从低层的目标检测、识别和跟踪转向了 态势评估和威胁估计等高层应用。20世纪90年代W来，传感器技术和计算机技术的迅速发 展大大推动了信息融合技术的研究，信息融合技术的应用领域也从军事迅速扩展到了民 用。目前，信息融合技术己在许多民用领域取得成效。运些领域主要包括:机器人和智能仪 器系统、智能制造系统、战场任务与无人驾驶飞机、航天应用、目标检测与跟踪、图像分析与 理解、惯性导航、模式识别等领域。
[0003] 在我国，随着云计算、大数据、物联网、移动计算（简称"云大物移"）等新兴技术的 快速发展，W及智慧城市发展需求的提出，"互联网+"在各行各业中产生的数据成爆炸性增 长，形成具有各领域特色的大数据集合。TB甚至PB规模的数据已经很常见，远远超出了现有 信息系统和传统计算技术的处理能力，因此，寻找高效的大数据处理技术已经迫在眉睫。将 信号转化为数据、将数据分析为信息、将信息提炼为知识、W知识促成决策和行动是大数据 技术的根本驱动力。
[0004] 在智能电网系统中，大数据产生于整个系统的各个环节。比如在用电侧，随着大量 智能电表及智能终端的安装部署，电力公司和用户之间的交互行为迅猛增长，电力公司可 W每隔一段时间获取用户的用电信息，从而收集了比W往粒度更细的海量电力消费数据， 构成智能电网中用电侧大数据。通过对数据进行分析可W更好地理解电力客户的电行为、 合理地设计电力需求响应系统和短期负荷预测系统等。但目前尚缺少有效的面向电力大数 据可视化的信息融合方法。
【发明内容】
[0005] 为了解决上述问题，本发明的目的在于提供一种面向电力大数据可视化的信息融 合方法。
[0006] 为了达到上述目的，本发明提供的面向电力大数据可视化的信息融合方法包括按 顺序执行的下列步骤：
[0007] 步骤一:获取智能电网系统中的电力大数据信息；
[0008] 步骤二:将上述电力大数据中依赖于查询主题的特征进行一种标准化操作，而将 独立查询的特征进行另一种标准化操作，之后采用简单的线性方法联合依赖于查询主题和 独立查询的特征，从而将各个特征融合成统一的格式；
[0009] 步骤利用差分进化法和粒子群优化法，对上述步骤二中联合依赖于查询主题 和独立查询的特征时所得到的权重参数〇1，|3^进行优化，得到优化后的权重参数4;
[0010] 步骤四：利用上述优化后的权重参数y建立BM25和狄利克雷平滑一元语言两种数 据检索模型，然后在上述数据检索模型中输入电力大数据，最后输出电力大数据的融合结 果。
[0011] 在步骤二中，所述的将依赖于查询主题的特征进行标准化操作的计算公式为：
[0013] 其中；
[0014] F代表输入，Q代表查询，qcLfeatk是依赖于查询主题的特征之一，预示下一步，C是 输入的集合；
[0015] 所述的将依赖于独立查询的特征进行标准化操作的计算公式为：
[0017] 其中F代表输入，qi_featk(F)是依赖于独立查询的特征之一，预示下一步，C是输 入的集合；
[0018] 所述的采用简单的线性方法联合依赖于查询主题和独立查询的特征的计算公式 为：
[0020] 其中，F代表输入，Q代表查询，qtfeatn。?是依赖于查询主题特征的标准化操作， qi_featnDrm是依赖于独立查询特征的标准化操作，Qi ,Pj是权重参数。
[0021] 在步骤=中，所述的粒子群优化方法是一个W电力用户为基础的随机方法，其包 括下列步骤：
[0022] 步骤1)初始化操作:初始化所有粒子i的随机位置，捜索空间若W及随机速度诗， 将粒子的最佳已知位置（)初始化到初始位置；
[0023] 步骤2)计算初始群的最佳已知位置glA
[0024] 步骤3)对所有粒子群中的颗粒i，选取随机数：(0, I)，根据公式 矿1二a * ^ + A *;?,*(如;-如更新粒子的速度，计算粒子的新位置:矿1 = Y: +r:";
[0025] 步骤4)计算新位置与最佳位置的适应度值，值较小的点为新的最佳位置，并更新 粒子的最佳位置；
[00%] 步骤5)循环步骤3)-步骤4)，直到满足终止准则，返回最佳已知位置gb。
[0027] 在步骤=中，所述的差分进化法是一个W电力用户为基础的捜索方法，其包括下 列步骤：
[0028] 步骤1)初始化随机种群；
[0029] 步骤2)对所有用户中的种群X，随机获得Xi, X2，X3 Epopulation，{Xi,X2，X3，X彼此 不同};
[0030] 步骤3)随机获得3￡{1，...，11}，{11为长链}，在区间（0，1)选择'1￡1](0，1)^1符合 均匀变分布；如果i=R或者ri<CR，则yi = xii+F(X2i-X3i)，否则yi = xi，得至Ijy= [yi，y2. . .yn]， 产生新的候选集；
[0031] 步骤4)比较f(x)与f(y)的值，将较大值中的自变量代替较小值中的自变量；
[0032] 步骤5)重复步骤2)-步骤4)，直到满足终止条件，返回zepopulation，满足 V化辦卿括饼，/材么/巧。
[0033] 在步骤四中，所述的建立BM25模型的计算公式为：
[0035]其中，tft,D代表文档D中查询关键词t的频率，tft,Q代表查询Q中查询关键词t的频 率，Ld和Lave分别是整个集合中的文档长度和平均电力数据文档长度，W定义为一个逆文档 频率的权重Q壯）：
[0037] 其中，N是集合中的文档总数，n是包含查询关键词t的文档数量；
[0038] 所述的建立狄利克雷平滑一元语言模型的计算公式为：
[0040] 其中D是一个文档，n为查询条件的数量，tf(qi，D)是qi在D中的原频率，Id I是文档 长度(项数），y是优化后的权重参数;y ? P(qi I C)是在集合C中术语qi发生的概率，通常可W 从集合中获得最大似然估计值计算。
[0041] 本发明提供的面向电力大数据可视化的信息融合方法可W通过对电力大数据进 行分析来更好地理解电力客户的电行为、合理地设计电力需求响应系统和短期负荷预测系 统。
【附图说明】
[0042] 图1为本发明提供的基于面向电力大数据可视化的信息融合方法流程图。
【具体实施方式】
[0043] 下面结合附图和具体实施例对本发明提供的面向电力大数据可视化的信息融合 方法进行详细说明。
[0044] 如图1所示，本发明提供的面向电力大数据可视化的信息融合方法包括按顺序执 行的下列步骤：
[0045] 步骤一:获取智能电网系统中的电力大数据信息；
[0046] 步骤二:将上述电力大数据中依赖于查询主题的特征进行一种标准化操作，而将 独立查询的特征进行另一种标准化操作，之后采用简单的线性方法联合依赖于查询主题和 独立查询的特征，从而将各个特征融合成统一的格式；
[0047] 由于电力大数据中一些选定的特征是依赖于查询主题的内容匹配的特征，而其它 的特征，例如基于时间或基于社会的特征，是独立查询的，因此，为了有效地将运些特征结 合起来，需要将它们的数值限定在同一个范围（[0，1 ])。
[0048] 通过线性组合的方法(线性方法)联合特征是一种简单而有效的方法，W克罗夫特 信息检索组合方法的验证表明，线性方法在结合多个来源的特征方面可W产生最佳的整体 性能。
[0049] 所述的将依赖于查询主题的特征进行标准化操作的计算公式为：
[0051] 其中；
[0052] F代表输入，Q代表查询，qcLfeatk是依赖于查询主题的特征之一，预示下一步，C是 输入的集合。
[0053] 所述的将依赖于独立查询的特征进行标准化操作的计算公式为：
[0055] 其中F代表输入，qi_featk(F)是