能源互联网关联数据融合的互信息方法

信息物理融合框架下的能源互联网需要处理的数据是海量的,要从中提取知识或分析数据之间的关联特征难度很大。在此背景下,基于互信息(mutual information,MI)理论,将信息融合理论中的"数据—特征—决策"三层结构应用到能源互联网的海量监测数据中,构建了一种基于多层模式的数据融合方案。互信息方法能够度量条件属性与决策属性间的相关性、消除冗余特征,从而提取规则、形成知识。首先,采用互信息方法发现海量监测数据间的关联度,并在数据预处理过程中筛选出关联特征。接着,采用多层前馈神经网络(multiple-layer feedforward neural network,MLFNN)对海量数据进行决策融合。之后,将该方法与在大规模数据集并行计算领域中发展起来的著名的MapReduce模型相结合,构造能够处理海量数据融合的"MutualInformation-Multiple-layer Feedforward Neural Network-MapReduce"(3M)方法框架。最后,以风电场功率预测问题为例来说明所提出的方法。计算结果表明,与传统的变量筛选方法相比,所提出的方法在预测精度和计算效率方面都有明显改善。