張永旺， 歐振國(guó)， 鄧珊， 劉海斌， 舒曄， 黃博偉， 彭強(qiáng)

(廣東電網(wǎng)有限責(zé)任公司計(jì)量中心,廣東 廣州 510710)

0 引 言

在現(xiàn)有的電力計(jì)量流水線裝置檢測(cè)研究中，文獻(xiàn)[1]建立了一種3D動(dòng)態(tài)感知監(jiān)控系統(tǒng)，并對(duì)3D場(chǎng)景進(jìn)行了優(yōu)化。針對(duì)同步性和處理壓力問(wèn)題，采用了過(guò)程平滑處理和數(shù)據(jù)容錯(cuò)機(jī)制，提出了秒級(jí)生產(chǎn)數(shù)據(jù)同步與分流式處理技術(shù)。通過(guò)3D建模與監(jiān)控，工作人員能夠隨時(shí)掌握流水線的情況，但是人工檢測(cè)，難免會(huì)存在一些遺漏。文獻(xiàn)[2]針對(duì)電能表流水線故障檢測(cè)，結(jié)合模糊推理提出了一種故障診斷專(zhuān)家系統(tǒng)，并對(duì)系統(tǒng)的結(jié)構(gòu)進(jìn)行了設(shè)計(jì)。該方法雖然進(jìn)一步驗(yàn)證診斷結(jié)果，能夠提高故障診斷的準(zhǔn)確度，但是由于故障的類(lèi)型較多和程度不同，無(wú)法了解到故障的具體的形式。

基于以上內(nèi)容，本文提出了一種基于局部異常因子算法(LOF)的表位在線和3D建模相互結(jié)合的檢測(cè)方法。3D建模完成后，對(duì)流水的試驗(yàn)數(shù)據(jù)進(jìn)行采集和特征提取。采用局部異常因子算法(LOF)進(jìn)行檢測(cè)，根據(jù)檢定的結(jié)果通過(guò)3D建模來(lái)判斷檢定裝置的問(wèn)題。

1 基于電力計(jì)量檢定數(shù)字化車(chē)間的3D動(dòng)態(tài)感 知監(jiān)控系統(tǒng)

本文設(shè)計(jì)出一個(gè)3D動(dòng)態(tài)感知監(jiān)控系統(tǒng)[3]，其基本架構(gòu)如圖1所示。

圖1 3D動(dòng)態(tài)感知監(jiān)控系統(tǒng)架構(gòu)

系統(tǒng)可以分成四層：數(shù)據(jù)來(lái)源層、數(shù)據(jù)傳輸層、服務(wù)層和展示層。

電力計(jì)量檢定車(chē)間一般包含倉(cāng)儲(chǔ)系統(tǒng)、封印系統(tǒng)、互感器檢定系統(tǒng)和電能表檢定系統(tǒng)。數(shù)據(jù)源層分為調(diào)度控制系統(tǒng)和設(shè)備系統(tǒng)，數(shù)據(jù)的類(lèi)型一般分為調(diào)取數(shù)據(jù)和設(shè)備數(shù)據(jù)[4]。數(shù)據(jù)的采集一般都是通過(guò)傳感器和圖像采集器來(lái)完成。設(shè)備的數(shù)據(jù)分為運(yùn)行參數(shù)數(shù)據(jù)和運(yùn)行過(guò)程數(shù)據(jù)，運(yùn)行參數(shù)數(shù)據(jù)一般都是通過(guò)設(shè)備直接傳輸?shù)街鳈C(jī)中，運(yùn)行過(guò)程數(shù)據(jù)主要為設(shè)備的運(yùn)行圖像，通過(guò)圖像采集來(lái)采集圖像傳輸?shù)街鳈C(jī)中[5]。

數(shù)據(jù)傳輸層設(shè)置了兩個(gè)通信協(xié)議：數(shù)據(jù)傳輸和信息交互，其中：TCP和MQ主要負(fù)責(zé)數(shù)據(jù)的傳輸；Web Service負(fù)責(zé)系統(tǒng)之間服務(wù)器的信息交互。數(shù)據(jù)傳輸層主要是數(shù)據(jù)傳輸?shù)慕涌?，即?shù)據(jù)傳輸?shù)墓ぞ摺Ｔ跀?shù)據(jù)傳輸過(guò)程中會(huì)產(chǎn)生一些過(guò)程數(shù)據(jù)，這些過(guò)程數(shù)據(jù)的也會(huì)被采集傳輸?shù)街鳈C(jī)中[6]。

服務(wù)層主要是根據(jù)這些數(shù)據(jù)通過(guò)計(jì)算機(jī)建模仿真還原電力計(jì)量檢定過(guò)程。首先需要對(duì)場(chǎng)景和其他的配置進(jìn)行緩存，然后結(jié)合傳輸來(lái)的實(shí)時(shí)數(shù)據(jù)對(duì)一些模型進(jìn)行建模并存入模型庫(kù)，通過(guò)控制顯示來(lái)實(shí)現(xiàn)檢定過(guò)程的還原。建模采用分層設(shè)計(jì)理念，將建模的過(guò)程分為實(shí)物層、外觀服務(wù)層、動(dòng)作服務(wù)層、仿真算法層和場(chǎng)景搭建層[7-8]。

展示層是3D建模完成后整個(gè)電力計(jì)量檢定過(guò)程的展示，通過(guò)與實(shí)際的過(guò)程進(jìn)行對(duì)比，不斷地優(yōu)化模型組件，來(lái)減小誤差。通過(guò)3D建模來(lái)還原電力計(jì)量檢定過(guò)程，使得工作人員能夠準(zhǔn)確無(wú)誤地觀察整個(gè)過(guò)程，查找故障點(diǎn)。

2 基于局部異常因子算法的檢定流水線在線 檢測(cè)方法

2.1 局部異常因子算法原理

假設(shè)試驗(yàn)數(shù)據(jù)集為X={x1,x2,…,xn}，n為數(shù)據(jù)的大小。對(duì)于其中的任意一個(gè)樣本數(shù)據(jù)點(diǎn)xi∈X，都是形如M=(m1,m2,…,md)的多維數(shù)據(jù)，其中d為數(shù)據(jù)的維度。

LOF算法的數(shù)據(jù)處理思想為：對(duì)于數(shù)據(jù)中一個(gè)給定點(diǎn)p，首先計(jì)算其與其他數(shù)據(jù)點(diǎn)之間的歐氏距離，找到距離p點(diǎn)的最近的k個(gè)點(diǎn)，進(jìn)而形成點(diǎn)p的k鄰域Nk(p)；然后通過(guò)k鄰域中的點(diǎn)來(lái)計(jì)算點(diǎn)p的局部異常因子LOFk(p)，根據(jù)LOFk(p)的大小來(lái)判斷異常程度。

對(duì)于集合X中的給定的點(diǎn)p，可以將其他任意一個(gè)點(diǎn)o與點(diǎn)p的歐氏距離記為d(p,o)，將距離點(diǎn)p第k近的點(diǎn)與p點(diǎn)的歐氏距離記為dk(p)，則點(diǎn)o到點(diǎn)p的第k可達(dá)距離reach_distk(p,o)為：

reach_distk(p,o)=max{dk(o),d(p,o)}

(1)

根據(jù)式(1)可知，點(diǎn)o到點(diǎn)p的第k可達(dá)距離為點(diǎn)o的第k距離和兩點(diǎn)實(shí)際距離中的較大值。當(dāng)點(diǎn)p∈Nk(o)，點(diǎn)o到點(diǎn)p的第k可達(dá)距離為dk(o)；當(dāng)點(diǎn)p?Nk(o)，點(diǎn)o到點(diǎn)p的第k可達(dá)距離為兩點(diǎn)之間的歐氏距離d(p,o)。

根據(jù)可達(dá)距離的概念，提出局部可達(dá)密度lrdk(p)。對(duì)于點(diǎn)p，其局部可達(dá)密度的定義為：

(2)

式中：|Nk(p)|為第k鄰域包含的點(diǎn)的數(shù)量。從式(2)可以得到Nk(p)中的點(diǎn)到點(diǎn)p的平均可達(dá)距離的倒數(shù)。

通過(guò)計(jì)算集合X中所有點(diǎn)的局部可達(dá)密度，與點(diǎn)各自的k鄰域中的點(diǎn)進(jìn)行比較，就可以得到局部異常因子LOFk(p)。因此點(diǎn)p的局部異常因子的計(jì)算公式為：

(3)

通過(guò)式(3)可以得到Nk(p)中的點(diǎn)的局部可達(dá)密度與點(diǎn)p的局部可達(dá)密度的比值的平均值。當(dāng)LOF的數(shù)值越靠近1，表明點(diǎn)p與Nk(p)中的點(diǎn)的密度越接近，說(shuō)明點(diǎn)p不是離群點(diǎn)；LOF的數(shù)值越大，則表明點(diǎn)p的密度小于鄰域Nk(p)中的點(diǎn)的密度的平均水平，表明點(diǎn)p為離群點(diǎn)的可能性越大。

2.2 具體應(yīng)用

基于局部異常因子的檢定流水線檢測(cè)方法步驟為：

(1) 提取數(shù)據(jù)特征向量：選取某一條生產(chǎn)線中的一個(gè)檢定單元作為數(shù)據(jù)來(lái)源，從其所有的試驗(yàn)數(shù)據(jù)中抽取部分作為試驗(yàn)數(shù)據(jù)集X，一共有60個(gè)表位。計(jì)算每個(gè)表位10項(xiàng)試驗(yàn)數(shù)據(jù)的最大值、最小值、期望、方差、偏度和峰度，即形成了60個(gè)特征向量。對(duì)于一個(gè)隨機(jī)的數(shù)據(jù)樣本Xi，其特征向量Ti包含了60個(gè)特征值。

(4)

式中:Max為最大值；Min為最小值；E為期望；D為方差；Skew為偏度；Kurt為峰度。

(2) 特征縮放處理：由于數(shù)據(jù)樣本的數(shù)量較多，會(huì)導(dǎo)致特征值的尺度范圍較大，因此需要將所有的特征值進(jìn)行縮放處理到一個(gè)尺度，從而降低了較大尺度數(shù)據(jù)對(duì)預(yù)測(cè)結(jié)果的影響。特征縮放采用的是標(biāo)準(zhǔn)化特征縮放處理方法，其轉(zhuǎn)換公式為：

(5)

式中:x為待處理的數(shù)據(jù)；u為待處理數(shù)據(jù)的期望；S為待處理數(shù)據(jù)的方差；z為經(jīng)過(guò)處理后得到的數(shù)據(jù)。

(3) 數(shù)據(jù)分析：采用LOF算法對(duì)分析數(shù)據(jù)，首先調(diào)整參數(shù)k，對(duì)數(shù)據(jù)集X采用算法進(jìn)行分析，通過(guò)式(1)～式(3)計(jì)算得到所有樣本數(shù)據(jù)中的最大局部異常因子數(shù)值，即max{LOFk(p)|p∈X,k_min≤k≤k_max}，其中k_min和k_max分別為k取值的最小值和最大值。k值的大小會(huì)影響到LOF數(shù)值的大小。為了保證較為優(yōu)秀的異常檢測(cè)效果，提出一種k值的選取方法：根據(jù)選取的數(shù)據(jù)集，計(jì)算在不同k值情況的對(duì)應(yīng)的LOF數(shù)值，可以得到k值與LOF數(shù)值之間的關(guān)系，如圖2所示。

根據(jù)圖2可以看出LOF值隨k的變化是不斷變化的：當(dāng)k值較小時(shí)，LOF值的變動(dòng)范圍較大，此時(shí)預(yù)測(cè)的準(zhǔn)確率會(huì)偏低；當(dāng)k值接近樣本數(shù)量時(shí)，LOF數(shù)值大約為1，是因?yàn)閗鄰域的范圍增加后，異常點(diǎn)位置和正常點(diǎn)位置會(huì)在同一個(gè)k鄰域中，此時(shí)算法會(huì)將異常數(shù)據(jù)判斷為正常數(shù)據(jù)，從而導(dǎo)致預(yù)測(cè)結(jié)果不準(zhǔn)確。因此本文中k值的選取的范圍是10≤k≤50。在確定最終的k值時(shí)，通過(guò)計(jì)算每個(gè)k值下的LOF數(shù)值，選取其中最大LOF值對(duì)應(yīng)的k值即可。

(4) 判定異常LOF數(shù)值：LOF數(shù)值的異常判定采用的是格拉布斯(Grubbs)準(zhǔn)則，并對(duì)異常數(shù)值的表位進(jìn)行標(biāo)記。對(duì)于任意一個(gè)數(shù)據(jù)集，因?yàn)榇蟛糠直砦坏奶卣骰疽恢?，因此LOF數(shù)值會(huì)接近1，數(shù)量較少的異常表位其LOF數(shù)值會(huì)大于1。LOF數(shù)值為單側(cè)分布,而格拉布斯準(zhǔn)則對(duì)單側(cè)分布的數(shù)據(jù)處理效果不佳，因此需要進(jìn)行序列擴(kuò)展。本文將LOF以x=1為對(duì)稱(chēng)軸進(jìn)行擴(kuò)展為雙側(cè)分布。

(6)

圖3 檢測(cè)方法流程圖

將求出的Gn與格拉布斯臨界值G(α,n)進(jìn)行比較，如果Gn>G(α,n)，則說(shuō)明其為異常值，并將其標(biāo)記。G(α,n)的大小與置信度α和樣本數(shù)量n有關(guān)，當(dāng)檢測(cè)到xn為異常值時(shí)，將其從原來(lái)的序列中剔除，得到一個(gè)新的序列{x1,x2,x3,…,xn-1}，然后重復(fù)上述的檢測(cè)步驟，直到所有的異常值都被檢測(cè)出來(lái)。

基于以上內(nèi)容，可以得到本文中的電能計(jì)量檢定流水線異常檢測(cè)方法的流程，如圖3所示。

雖然上述的異常檢測(cè)算法能夠完全替代人工檢查，但是算法難免會(huì)出現(xiàn)一些失誤。除此之外智能電能表屬于精密儀器，需最大限度地保證檢定流水線的運(yùn)行正常，因此采用3D建模和人工對(duì)算法的結(jié)果進(jìn)行驗(yàn)證，并查找算法遺漏的問(wèn)題點(diǎn)。

3 仿真與分析

采集某電網(wǎng)公司計(jì)量中心的某條智能電能表檢定流水線的運(yùn)行數(shù)據(jù)作為樣本數(shù)據(jù)，數(shù)據(jù)包括檢定數(shù)據(jù)和設(shè)備的外形尺寸運(yùn)行狀況等數(shù)據(jù)，采集時(shí)間為2019年6月1日—6月15日，然后在實(shí)驗(yàn)室內(nèi)對(duì)上述檢測(cè)方法進(jìn)行仿真和驗(yàn)證。使用的計(jì)算機(jī)配置CPU為Inter Core i7-5700，運(yùn)行內(nèi)存16G 3 200 MHz，硬盤(pán)大小為512G。

對(duì)采集的數(shù)據(jù)進(jìn)行整理，試驗(yàn)誤差數(shù)據(jù)一共有343 285條，該檢定流水線完成對(duì)34 322個(gè)智能單相電能表的檢測(cè)。根據(jù)上述的采集到數(shù)據(jù)進(jìn)行特征提取，并根據(jù)特征建立相應(yīng)的數(shù)據(jù)集，然后采用LOF算法對(duì)數(shù)據(jù)進(jìn)行分析，成功找到異常表位并進(jìn)行標(biāo)記。由于篇幅的原因，選取了異常表位最多的15號(hào)檢測(cè)單元來(lái)表現(xiàn)算法的性能，采用LOF算法計(jì)算的15號(hào)檢測(cè)單元的60個(gè)表位的LOF數(shù)值如表1所示。

表1 15號(hào)檢測(cè)單元的LOF數(shù)值

根據(jù)表1中的數(shù)據(jù)，15號(hào)檢定單元中一共有6個(gè)表位的LOF值異常，分別是11、24、39、46、51和55號(hào)表位，在上表中對(duì)表位號(hào)進(jìn)行了加粗。然后選取置信度α=0.05，采用格拉布斯準(zhǔn)則對(duì)上述6個(gè)異常表位的LOF值進(jìn)行判定，判定的結(jié)果如表2所示。

表2 LOF值判定結(jié)果

根據(jù)表2的數(shù)據(jù)可知:15號(hào)檢定單元中6個(gè)LOF數(shù)值最大的表位被判定為異常表位;51號(hào)表位為G值的臨界值，剩余表位則為正常表位。將上述表位產(chǎn)生的試驗(yàn)數(shù)據(jù)進(jìn)行驗(yàn)證，發(fā)現(xiàn)數(shù)據(jù)全部正常，說(shuō)明異常表位對(duì)電能表的檢測(cè)會(huì)存在一些漏判現(xiàn)象，主要原因是一些機(jī)械裝備的磨損或者腐蝕引起的異常。

將整條生產(chǎn)線進(jìn)行3D建模，人工校準(zhǔn)每個(gè)模型，建模完成后，根據(jù)模型采用單獨(dú)的人工檢測(cè)、單獨(dú)的LOF算法檢測(cè)和兩者結(jié)合的檢測(cè)方法對(duì)生產(chǎn)線的所有表位進(jìn)行異常檢測(cè)，記錄整理數(shù)據(jù)，可以得到表3的檢測(cè)數(shù)據(jù)。

表3 檢測(cè)對(duì)比數(shù)據(jù)

圖4 三種方法的準(zhǔn)確率對(duì)比

根據(jù)表3數(shù)據(jù)可知：在檢測(cè)任務(wù)相同的情況下，單獨(dú)的人工檢測(cè)方法的檢測(cè)用時(shí)為6 000 s，檢測(cè)出的異常表位24個(gè)；單獨(dú)的LOF算法檢測(cè)用時(shí)為2 400 s，檢測(cè)出的異常表位為58個(gè)；兩者結(jié)合的檢測(cè)方法用時(shí)為3 000 s，檢測(cè)出的異常表位數(shù)量為63個(gè)。兩者結(jié)合的檢測(cè)方法雖然在檢測(cè)用時(shí)上相比單獨(dú)的LOF算法稍微具有劣勢(shì)，但是在檢測(cè)的準(zhǔn)確度上相比單獨(dú)的LOF算法更準(zhǔn)確。

一次檢測(cè)結(jié)果并不能反映出檢測(cè)方法的好壞，將上述步驟重復(fù)十次，記錄每次的檢測(cè)結(jié)果，計(jì)算每次的準(zhǔn)確率，可以得到圖4的準(zhǔn)確率對(duì)比圖。

根據(jù)圖4可以看出:兩者結(jié)合的檢測(cè)方法的準(zhǔn)確度最高，除此之外還具有可以查找異常的具體原因。主要原因是在LOF算法檢測(cè)完成后，人工根據(jù)3D建模對(duì)結(jié)果進(jìn)行校核以及查漏，從而進(jìn)一步提高了檢測(cè)的準(zhǔn)確率。

4 結(jié)束語(yǔ)

本文根據(jù)現(xiàn)有電力計(jì)量檢測(cè)數(shù)字化車(chē)間現(xiàn)狀，結(jié)合3D建模和計(jì)算機(jī)仿真技術(shù)，對(duì)檢定流水線的異常進(jìn)行檢測(cè)，通過(guò)試驗(yàn)和仿真驗(yàn)證了檢測(cè)方法的有效性，在電力計(jì)量檢定領(lǐng)域具有良好的應(yīng)用前景，但是由于試驗(yàn)不充足，可能還會(huì)存在一些問(wèn)題沒(méi)有發(fā)現(xiàn)，在后續(xù)的研究中需要進(jìn)一步地改進(jìn)和完善。