范敏， 孟鑫余， 夏嘉璐， 劉志宏， 張可

(1.重慶大學(xué) 自動(dòng)化學(xué)院，重慶 400044； 2.國網(wǎng)重慶市電力公司，重慶 400015)

0 引 言

在電力系統(tǒng)中，配電臺區(qū)是指一臺或幾臺配電變壓器(以下簡稱配變)的供電范圍或區(qū)域。開展配電臺區(qū)的運(yùn)行工況監(jiān)測與診斷，對可能發(fā)生的異常進(jìn)行診斷和預(yù)測，對保證配電臺區(qū)可靠、連續(xù)和穩(wěn)定運(yùn)行，減少經(jīng)濟(jì)損失，降低運(yùn)行成本以及避免重大事故發(fā)生，具有十分重要的現(xiàn)實(shí)意義[1-2]。配電臺區(qū)異常工況主要包括重過載異常、三相不平衡異常、低電壓異常等。目前的診斷方法主要有閾值判斷方法[3-6]和基于數(shù)據(jù)驅(qū)動(dòng)的異常診斷方法[7-20]。

閾值判斷方法通過設(shè)定異常閾值，相應(yīng)實(shí)時(shí)工況超過該閾值即診斷為異常[3]。工程應(yīng)用中閾值判斷使用較為廣泛。這種診斷方法能快速響應(yīng)臺區(qū)狀態(tài)變化，較為準(zhǔn)確地判斷臺區(qū)實(shí)時(shí)工況。但是，簡單的二分類會(huì)帶來報(bào)警頻繁，運(yùn)維人員對其的重視程度不高等問題，難以輔助運(yùn)維人員決策。且該診斷方法忽略了歷史狀態(tài)、累積效應(yīng)對診斷結(jié)果的影響；同時(shí)，提取的配電臺區(qū)數(shù)據(jù)不全面，沒有考慮到供電半徑、天氣和配變類型等因素對配電臺區(qū)運(yùn)行工況造成的影響[4-6]。隨著配電臺區(qū)下的綜合設(shè)備不斷增加，數(shù)據(jù)豐富度提升，為更精細(xì)化的配電臺區(qū)異常工況診斷提供了現(xiàn)實(shí)基礎(chǔ)。

基于數(shù)據(jù)驅(qū)動(dòng)的異常診斷方法通?？煞譃榛趥鹘y(tǒng)機(jī)器學(xué)習(xí)的智能診斷方法、基于深度學(xué)習(xí)的智能診斷方法和基于遷移學(xué)習(xí)的智能診斷方法[7]。文獻(xiàn)[8]通過在線損異常分析中引入聚類算法和機(jī)器學(xué)習(xí)技術(shù)，實(shí)現(xiàn)配電臺區(qū)線損的狀態(tài)監(jiān)測和診斷。文獻(xiàn)[9]運(yùn)用反向追蹤決策樹技術(shù), 通過關(guān)聯(lián)關(guān)系挖掘找出電網(wǎng)異常誘因，對異常診斷技術(shù)進(jìn)行顯著優(yōu)化。文獻(xiàn)[10]提出改進(jìn)貝葉斯網(wǎng)絡(luò)的模型來對電力系統(tǒng)異常進(jìn)行診斷，可以處理與診斷相關(guān)的不確定或不完整的數(shù)據(jù)和特征。但傳統(tǒng)機(jī)器學(xué)習(xí)方法通?；跍\層網(wǎng)絡(luò)結(jié)構(gòu)，難以支撐基于時(shí)間尺度的配電臺區(qū)異常工況多維特征挖掘。深度學(xué)習(xí)方法由于其強(qiáng)大的自動(dòng)特征學(xué)習(xí)能力在異常診斷領(lǐng)域已得到廣泛應(yīng)用，文獻(xiàn)[11]針對變壓器異常診斷精度低的問題，提出雙向長短時(shí)記憶網(wǎng)絡(luò)的變壓器異常診斷模型，雖然該方法依靠深度學(xué)習(xí)自動(dòng)提取特征的能力取得較好的分類結(jié)果，但僅支持同種類型的變壓器異常診斷，且受現(xiàn)場監(jiān)測條件限制。文獻(xiàn)[12]在卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上對電網(wǎng)的異常分類檢測做出了建模與研究，但其分類結(jié)果的好壞依賴于測試集與訓(xùn)練集需滿足獨(dú)立同分布。文獻(xiàn)[13]提出基于改進(jìn)動(dòng)態(tài)自適應(yīng)模糊Petri網(wǎng)與三層反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)相融合的電網(wǎng)異常診斷方法，但該模型在異常信息不完備的情況下容錯(cuò)性有待增強(qiáng)。

在實(shí)際應(yīng)用場景中，配電臺區(qū)異常工況診斷面臨以下問題：1)單個(gè)配電臺區(qū)的異常信息有限，難以采集到足夠的標(biāo)簽信息，且利用單一臺區(qū)信息難以訓(xùn)練出一個(gè)準(zhǔn)確度高的異常診斷器。2)配變臺區(qū)中，配變等設(shè)備類型多、參數(shù)差異大，即使選擇相似配電臺區(qū)的有效異常信息融合，使用深度學(xué)習(xí)方法集中訓(xùn)練后的異常診斷器仍沒有較強(qiáng)的泛化能力[14]。這些問題在一定程度上限制了深度學(xué)習(xí)方法的運(yùn)用，需探索新的解決方案。遷移學(xué)習(xí)放寬了傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)中測試數(shù)據(jù)和訓(xùn)練數(shù)據(jù)須服從獨(dú)立同分布的約束，具有較強(qiáng)的自適應(yīng)性，可以在不同任務(wù)之間遷移，訓(xùn)練和測試數(shù)據(jù)可以服從不同分布，目標(biāo)域無須標(biāo)簽數(shù)據(jù)[15-17]，因此能有效解決配電臺區(qū)異常工況診斷面臨的問題。文獻(xiàn)[18]利用關(guān)聯(lián)關(guān)系挖掘影響配變工況的特征，利用遷移學(xué)習(xí)算法 TrAdaBoost調(diào)節(jié)源域和目標(biāo)域的權(quán)重，構(gòu)建配變的異常診斷模型，但其只用到采集的基本數(shù)據(jù)，未考慮累計(jì)效應(yīng)的影響，且自主提取特征沒有很好地結(jié)合深度神經(jīng)網(wǎng)絡(luò)的特性。文獻(xiàn)[19]基于深度學(xué)習(xí)和遷移學(xué)習(xí)提出電網(wǎng)線路故障診斷模型，引入最大均值差異(maximum mean discrepancy，MMD)算法計(jì)算源域和目標(biāo)域數(shù)據(jù)分布差異，對源域模型參數(shù)結(jié)構(gòu)進(jìn)行微調(diào)，獲得目標(biāo)域模型，但該模型迭代沒有考慮防止過擬合狀態(tài)的機(jī)制，遷移優(yōu)化效果不明顯，獲取最優(yōu)遷移模型的方法有待研究。文獻(xiàn)[20]提出基于深度遷移學(xué)習(xí)的電力系統(tǒng)狀態(tài)估計(jì)方法，保存源域模型參數(shù)，根據(jù)目標(biāo)域數(shù)據(jù)，從最后一層開始微調(diào)源域模型參數(shù)，尋找結(jié)果最優(yōu)的微調(diào)層數(shù)，但其結(jié)果需要對比所有層的微調(diào)情況，普適性有待提高。

目前的遷移診斷方法主要是用目標(biāo)域和源域數(shù)據(jù)集中構(gòu)建遷移診斷模型，但配電云主站對每個(gè)配電臺區(qū)集中訓(xùn)練診斷模型需要大量的計(jì)算資源和管理成本，難以匹配遷移診斷的大規(guī)模應(yīng)用。近些年來，配電網(wǎng)逐漸融合物聯(lián)網(wǎng)的云邊協(xié)同理念并開展應(yīng)用，提出“云管邊端”的建設(shè)模式[21-22]，為解決基于遷移學(xué)習(xí)的配電臺區(qū)異常工況診斷提供了思路：云中心負(fù)責(zé)數(shù)據(jù)深度挖掘，建立并訓(xùn)練源域診斷模型；部署在目標(biāo)域配電臺區(qū)側(cè)的智能融合終端作為邊緣節(jié)點(diǎn)，對配電臺區(qū)運(yùn)行狀態(tài)在線監(jiān)測、存儲(chǔ)，建立并訓(xùn)練目標(biāo)域遷移診斷模型，協(xié)同云中心完成遷移診斷任務(wù)[23-24]。因此，本文提出云邊協(xié)同下基于深度遷移網(wǎng)絡(luò)的低壓臺區(qū)異常工況診斷方法。針對某種異常工況，在云中心將多個(gè)相似配電臺區(qū)的異常工況樣本匯集作為遷移模型的源域，構(gòu)建源域診斷模型；然后通過云邊協(xié)同機(jī)制在邊緣節(jié)點(diǎn)的目標(biāo)域上重構(gòu)并訓(xùn)練目標(biāo)域診斷模型；最后根據(jù)最大均值差異算法對源域與目標(biāo)域特征和分類的概率分布差異進(jìn)行度量和優(yōu)化，使目標(biāo)域與源域自適應(yīng)匹配，從而有效提高異常診斷精度和泛化能力。

1 云邊協(xié)同下基于深度遷移網(wǎng)絡(luò)的配電臺區(qū)異常工況診斷方案

1.1 云邊協(xié)同下基于深度遷移網(wǎng)絡(luò)診斷架構(gòu)

本文所提云邊協(xié)同下基于深度遷移網(wǎng)絡(luò)診斷方法的部署架構(gòu)如圖1所示。架構(gòu)由感知端側(cè)、邊緣側(cè)和云中心構(gòu)成。

具體診斷流程如圖2所示，表現(xiàn)為：

1)云中心基于源域某種異常工況的程度標(biāo)簽，利用XGBoost重要性排序方法篩選對該異常工況影響較大的狀態(tài)量，形成源域異常工況樣本。

2)云中心構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)和源域全連接分類器，由于云中心和邊緣節(jié)點(diǎn)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)相同，故將卷積神經(jīng)網(wǎng)絡(luò)記為凍結(jié)層網(wǎng)絡(luò)。

圖1 云邊協(xié)同下基于深度遷移網(wǎng)絡(luò)的診斷架構(gòu)Fig.1 Diagnosis architecture based on deep migration network under cloud edge cooperation

3)云中心將源域樣本的訓(xùn)練數(shù)據(jù)輸入到凍結(jié)層網(wǎng)絡(luò)和源域全連接分類器中，利用反向傳播算法，對凍結(jié)層網(wǎng)絡(luò)和源域全連接分類器的權(quán)重參數(shù)進(jìn)行監(jiān)督訓(xùn)練，獲取源域凍結(jié)層網(wǎng)絡(luò)特征分布和分類器結(jié)果分布，并將凍結(jié)層網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)和權(quán)重參數(shù)下發(fā)至含有目標(biāo)域樣本的邊緣節(jié)點(diǎn)。

4)邊緣節(jié)點(diǎn)重構(gòu)凍結(jié)層網(wǎng)絡(luò)和獨(dú)立的目標(biāo)域全連接分類器，將目標(biāo)域樣本的訓(xùn)練數(shù)據(jù)輸入到重構(gòu)的凍結(jié)層網(wǎng)絡(luò)和目標(biāo)域全連接分類器中，獲取目標(biāo)域的凍結(jié)層網(wǎng)絡(luò)特征分布和分類器結(jié)果分布，并上傳到云中心。

5)云中心計(jì)算源域與目標(biāo)域的分類分布差異、特征分布差異、源域分類器判別損失和懲罰項(xiàng)系數(shù)，使用梯度下降算法最小化目標(biāo)損失函數(shù)，優(yōu)化凍結(jié)層網(wǎng)絡(luò)參數(shù)，使源域和目標(biāo)域數(shù)據(jù)盡可能自動(dòng)匹配。

6)重復(fù)3)～5)，直到達(dá)到給定的迭代次數(shù)，最后輸出優(yōu)化的遷移診斷模型。

7)邊緣節(jié)點(diǎn)部署好遷移診斷模型后，根據(jù)實(shí)時(shí)采集的運(yùn)行工況數(shù)據(jù)，對該異常工況的程度進(jìn)行診斷。將運(yùn)行工況數(shù)據(jù)實(shí)時(shí)保存至終端數(shù)據(jù)庫，數(shù)據(jù)庫中數(shù)據(jù)增量達(dá)到閾值后，觸發(fā)模型更新，重新執(zhí)行1)～6)。

圖2 所提方案的診斷流程圖Fig.2 Diagnosis flow chart of the proposed scheme

1.2 影響配電臺區(qū)異常工況的關(guān)鍵狀態(tài)量篩選

1.2.1 相似臺區(qū)選擇

為了有效避免由于特征差異過大帶來的負(fù)遷移，這里首先選擇與目標(biāo)域配電臺區(qū)環(huán)境條件相近且設(shè)備參數(shù)相似的具有大量歷史數(shù)據(jù)的多個(gè)配電臺區(qū)作為源域。

本文采用分布檢驗(yàn)方法庫爾巴克-萊布勒(Kullback-Leibler,KL)散度來選擇相似臺區(qū)，KL散度可用于衡量不同臺區(qū)數(shù)據(jù)分布的差異性，其計(jì)算公式為

(1)

式中：P、Q表述兩組不同的數(shù)據(jù)集；U表示樣本總數(shù)；P與Q分布越相似，KL散度越小。

故本文相似臺區(qū)的選擇標(biāo)準(zhǔn)設(shè)置為投運(yùn)年份相差不超過2年，配電變壓器、低壓電纜、低壓分支箱等設(shè)備類型和型號相同，日臺區(qū)用電負(fù)荷總量、供電半徑、溫度、濕度的全年數(shù)據(jù)滿足KL散度小于0.2。

1.2.2 配電臺區(qū)的異常工況狀態(tài)量匯集

配電臺區(qū)每種異常工況可能受多類狀態(tài)量影響，根據(jù)狀態(tài)特性可以將狀態(tài)量類型分為環(huán)境類、電氣類、統(tǒng)計(jì)類和參變類據(jù)。環(huán)境類狀態(tài)量是配電臺區(qū)所處區(qū)域的氣象參考特征，可以通過配電臺區(qū)中的溫度傳感器、濕度傳感器和計(jì)時(shí)器得到；電氣類狀態(tài)量是配電臺區(qū)運(yùn)行時(shí)的量測特征，可以通過電表實(shí)時(shí)采集；參變類狀態(tài)量是配電臺區(qū)及其綜合設(shè)備的額定特征，可以通過設(shè)備型號查詢等獲??；統(tǒng)計(jì)類狀態(tài)量可以通過電氣類狀態(tài)量和參變類狀態(tài)量計(jì)算實(shí)時(shí)得到[25]。不同的異常工況受不同的狀態(tài)量影響，表1列出了影響配電臺區(qū)各異常工況的狀態(tài)量。

表1 配電臺區(qū)各異常工況的狀態(tài)量

1.2.3 關(guān)鍵狀態(tài)量篩選

匯集相似臺區(qū)的異常工況狀態(tài)量后，為提高分類精度，需要針對具體異常工況進(jìn)行關(guān)鍵狀態(tài)量篩選，剔除噪聲與冗余。本文選擇具有集成策略的 XGBoost算法建立模型,在特征工程中引入特征重要性篩選方法Null Importance，判斷每個(gè)特征在XGBoost中的每棵樹上做的貢獻(xiàn)，然后取平均值，最后比較特征之間的貢獻(xiàn)大小。關(guān)于貢獻(xiàn)的計(jì)算方式采用基尼指數(shù)，表達(dá)式為

(2)

式中：Z表示z個(gè)類別；pz代表類別z的樣本權(quán)重。

某狀態(tài)量Xj重要性指數(shù)采用下式計(jì)算[26-27]，即

(3)

式中：N是樹的總數(shù)量；φc(c=1,…,N)是模型中的基學(xué)習(xí)器；g是決策樹上的節(jié)點(diǎn)；ΔG(p)是在替換了數(shù)據(jù)后，g節(jié)點(diǎn)上的基尼系數(shù)的變化值；I(Dj)越大，該狀態(tài)量的重要性越大，即對異常工況的影響越顯著。

狀態(tài)量排序篩選后仍可能存在狀態(tài)量冗余，影響診斷模型的性能。為了更好地對模型空間進(jìn)行擬合，本文采用序列前向選擇方法輔助對狀態(tài)量的篩選，丟棄對異常工況影響顯著但對源域診斷模型帶來負(fù)增益的狀態(tài)量，其基本步驟如下：

1)初始化狀態(tài)量集合S0，剩余狀態(tài)量集合S1；

2)從剩余狀態(tài)量集合中不放回地取出一個(gè)狀態(tài)量加入S0，并從剩余狀態(tài)量集合S1中去掉；

3)利用源域診斷模型對狀態(tài)量集合進(jìn)行評估，并與未加入之前相比較；

4)若模型比未加入之前效果更好，則保留狀態(tài)量，反之，從S0中去掉該狀態(tài)量；

5)重復(fù)步驟3)～4)，直到S1中所有狀態(tài)量處理完畢。

1.3 深度遷移網(wǎng)絡(luò)模型

將篩選的關(guān)鍵狀態(tài)量組成源域異常工況樣本，設(shè)計(jì)深度遷移網(wǎng)絡(luò)診斷模型如圖3所示。模型的網(wǎng)絡(luò)結(jié)構(gòu)由凍結(jié)層網(wǎng)絡(luò)f和兩個(gè)獨(dú)立的全連接分類器y1和y2構(gòu)成。

圖3 深度遷移網(wǎng)絡(luò)診斷模型Fig.3 Deep migration network diagnosis model

1.3.1 凍結(jié)層卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在凍結(jié)層網(wǎng)絡(luò)中，卷積神經(jīng)網(wǎng)絡(luò)的輸入是源域的異常工況樣本Xs和目標(biāo)域異常工況樣本Xt，共計(jì)N組樣本。凍結(jié)層網(wǎng)絡(luò)由多個(gè)卷積層和池化層組成，能從樣本中學(xué)習(xí)得到隱含的性能狀態(tài)特征知識。卷積層采用ReLU函數(shù)作為激活函數(shù)，增大了網(wǎng)絡(luò)的稀疏性。池化層使用最大池化計(jì)算方式。針對不同類型的異常工況，凍結(jié)層網(wǎng)絡(luò)層數(shù)可以動(dòng)態(tài)調(diào)節(jié)。

1.3.2 全連接分類器的遷移機(jī)制設(shè)計(jì)

經(jīng)過多次卷積和池化運(yùn)算，凍結(jié)層網(wǎng)絡(luò)從輸入樣本學(xué)習(xí)得到信號中所隱含的特征，然后將特征輸入全連接層，進(jìn)行更高層的特征整合并進(jìn)行工況診斷。本文設(shè)計(jì)的源域分類器y1和目標(biāo)域分類器y2均由全連接層組成，分別對源域和目標(biāo)域的異常工況樣本進(jìn)行分類。

(4)

映射函數(shù)φ(·)與特有核u相關(guān)，通過MMD推導(dǎo)，MK-MMD度量公式為

(5)

式中：Es[·]代表源域分布的數(shù)學(xué)期望；‖‖H是可再生希爾伯特空間；U是核的總數(shù)；βu是核u在多核中的權(quán)重；vu表示核u的MMD度量結(jié)果。

1.3.3 目標(biāo)損失函數(shù)優(yōu)化

在模型訓(xùn)練時(shí)，為了最小化源域異常工況樣本和目標(biāo)域異常工況樣本特征概率分布差異和分類結(jié)果分布差異[30-31]，建立目標(biāo)損失函數(shù)為

(6)

源域診斷模型的異常診斷誤差Lc(Ys)選用分類問題中經(jīng)常使用的交叉熵?fù)p失函數(shù)來量化，多分類的交叉熵?fù)p失函數(shù)為

(7)

式中：M代表源域樣本數(shù)量；K代表類別數(shù)量；Yik代表符號函數(shù)(0或1)，如果樣本i的真實(shí)類別等于k，取1，否則取0；pik代表樣本i屬于類別k的預(yù)測概率。

為防止遷移訓(xùn)練過擬合，取得更優(yōu)的遷移故障診斷結(jié)果，本文設(shè)計(jì)與迭代次數(shù)相關(guān)的懲罰項(xiàng)變化系數(shù)λ為

(8)

式中q是當(dāng)前訓(xùn)練次數(shù)占總訓(xùn)練次數(shù)的比值。

根據(jù)設(shè)計(jì)的多核最大均值差異方法與懲罰項(xiàng)系數(shù)建立目標(biāo)損失函數(shù)，可表示為

(9)

上述目標(biāo)損失函數(shù)通過隨機(jī)梯度下降法進(jìn)行凍結(jié)層網(wǎng)絡(luò)的參數(shù)更新，完成一次模型訓(xùn)練。

2 遷移診斷實(shí)驗(yàn)與算法驗(yàn)證

2.1 實(shí)驗(yàn)環(huán)境

本次實(shí)驗(yàn)選用1核CPU、2 G內(nèi)存、硬盤40 G、2 M帶寬的彈性云服務(wù)器作為訓(xùn)練源域診斷模型的云中心；選用4核、內(nèi)嵌GPU增強(qiáng)芯片、搭載4G通信模塊、安裝有Linux操作系統(tǒng)的智能融合終端作為訓(xùn)練目標(biāo)域診斷模型的臺區(qū)邊緣設(shè)備。云中心與智能融合終端使用MQTT協(xié)議進(jìn)行模型參數(shù)、特征分布、分類分布等信息的交互。

2.2 實(shí)驗(yàn)數(shù)據(jù)

為評估所提方法的性能，采用2017年上半年重慶市部分配電臺區(qū)作為分析對象，選擇投運(yùn)年份相差不超過2年，配電變壓器、低壓電纜、低壓分支箱等設(shè)備類型和型號相同，日臺區(qū)用電負(fù)荷總量、供電半徑、溫度、濕度的半年數(shù)據(jù)滿足KL散度小于0.2的10個(gè)相似臺區(qū)，總共43 187條數(shù)據(jù)，進(jìn)行云邊協(xié)同下異常工況的遷移診斷實(shí)驗(yàn)。其中，8組相似臺區(qū)監(jiān)測數(shù)據(jù)作為源域A，同時(shí)選擇2組臺區(qū)數(shù)據(jù)作為目標(biāo)域B和目標(biāo)域C。為驗(yàn)證本文所提方法，實(shí)現(xiàn)異常工況的精細(xì)化診斷，對重過載工況場景進(jìn)行兩次遷移實(shí)驗(yàn)，具體設(shè)置如表2所示。表中，箭頭左側(cè)數(shù)據(jù)集合代表源域數(shù)據(jù)集合，右側(cè)數(shù)據(jù)集合代表目標(biāo)域數(shù)據(jù)集合。

表2 異常工況遷移診斷實(shí)驗(yàn)數(shù)據(jù)集

2.3 重過載工況遷移診斷實(shí)驗(yàn)

通過數(shù)據(jù)匯總歸納和實(shí)際運(yùn)維結(jié)果分析，重過載工況細(xì)分為三類，包括正常、異常和嚴(yán)重。設(shè)置滑動(dòng)時(shí)間窗口為24 h，即每個(gè)狀態(tài)量由當(dāng)前時(shí)刻采樣點(diǎn)結(jié)合過去23 h的采樣點(diǎn)組成。根據(jù)XGBoost算法計(jì)算的特征重要性，迭代次數(shù)200次，篩選重要性排序前20的狀態(tài)量，如圖4所示。

針對目標(biāo)域B和C運(yùn)用所提方法進(jìn)行重過載異常程度的遷移診斷，在凍結(jié)層網(wǎng)絡(luò)中設(shè)置4層卷積層和2層全連接層，全連接分類器設(shè)置為2層全連接層，卷積核尺寸為2×2，步幅為 1，池化尺寸為2×1，步幅為1，用隨機(jī)梯度下降法，參數(shù)為0.9，學(xué)習(xí)率采用“inv”的方式，參數(shù)為0.75，初始學(xué)習(xí)率為0.01。

圖4 重過載工況下的狀態(tài)量重要性排序Fig.4 Ranking of the importance of state quantities under overload conditions

選擇重要性排序前6的狀態(tài)量作為初始狀態(tài)量集合，其余14個(gè)狀態(tài)量作為剩余狀態(tài)量集合，采用序列前向選擇方法，向初始狀態(tài)量集合中逐次加入剩余狀態(tài)量進(jìn)行模型訓(xùn)練，丟棄對診斷模型效果有負(fù)增益的狀態(tài)量，實(shí)驗(yàn)結(jié)果如圖5所示。丟棄使模型診斷準(zhǔn)確率下降的5個(gè)狀態(tài)量，故選用15個(gè)狀態(tài)量進(jìn)行重過載工況遷移診斷實(shí)驗(yàn)。

圖5 不同狀態(tài)量加入下的重過載異常診斷結(jié)果Fig.5 Diagnosis results of overload abnormality with different state quantities

設(shè)置懲罰項(xiàng)為[0.2,0.5,1,10]和所提的懲罰項(xiàng)變化系數(shù)對比，重復(fù)10次A→B和A→C的遷移診斷實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖6所示。在所有的懲罰項(xiàng)系數(shù)中，本文構(gòu)造的懲罰項(xiàng)系數(shù)取得了最好的診斷結(jié)果。

圖6 不同懲罰項(xiàng)系數(shù)的重過載異常診斷結(jié)果Fig.6 Diagnosis results of overload abnormality with different penalty term coefficients

為驗(yàn)證提出算法在重過載異常診斷中的有效性，在兩個(gè)遷移任務(wù)上將本文所提方法與不同的診斷方法進(jìn)行對比實(shí)驗(yàn)。本文采用未遷移的CNN方法、遷移學(xué)習(xí)中的域適配網(wǎng)絡(luò)(domain adaptive network，DAN)、深度對抗卷積神經(jīng)網(wǎng)絡(luò)(deep adversarial convolutional neural network，DACNN)進(jìn)行對比，DAN采用卷積神經(jīng)網(wǎng)絡(luò)提取源域和目標(biāo)域的高維特征，并用 MMD來度量源域和目標(biāo)域的分類器差異，再通過反向傳播算法實(shí)現(xiàn)目標(biāo)域自適應(yīng)遷移。DACNN網(wǎng)絡(luò)包含特征提取器、標(biāo)簽預(yù)測器和域分類器，特征提取器和標(biāo)簽預(yù)測器由CNN提取特征。引入對抗訓(xùn)練的思想，域分類器引入梯度反轉(zhuǎn)層，對源域和目標(biāo)域執(zhí)行域適配。各方法在目標(biāo)域測試集上的診斷結(jié)果如表3所示，直觀對比如圖7所示，由對比結(jié)果可以看出：1)提出方法的遷移診斷精度要大于沒有遷移過程的深度卷積神經(jīng)網(wǎng)絡(luò)的遷移診斷精度，說明源域樣本與目標(biāo)域樣本的特征和分類分布差異的度量與匹配遷移了樣本特征，從而有效改善了跨臺區(qū)間的診斷結(jié)果；2)相對于DAN和DACNN的遷移診斷方法，本文所提方法取得了更好的遷移診斷結(jié)果，能夠更有效地減少源域和目標(biāo)域的分布差異，獲得更好的域適配能力和分類性能。

表3 各方法在測試集上的診斷準(zhǔn)確率

圖7 不同方法的重過載異常診斷結(jié)果Fig.7 Diagnosis results of overload abnormality by different methods

采用t-SNE技術(shù)對不同方法學(xué)習(xí)的特征進(jìn)行可視化。為了便于在二維空間中觀測，對所學(xué)特征進(jìn)一步降維，由橫縱坐標(biāo)分別表征降維后的兩維特征。在二維空間內(nèi)可視化源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)的特征分布，如圖8所示。其中：“S”表示源域數(shù)據(jù)；“T”表示目標(biāo)域數(shù)據(jù)； “S-1”代表源域正常類別；“S-2”代表源域異常類別；“S-3”代表源域嚴(yán)重類別；而“T-1”代表目標(biāo)域正常類別；“T-2”代表目標(biāo)域異常類別；“T-3”代表目標(biāo)域嚴(yán)重類別。

圖8 特征可視化分析Fig.8 Feature visualization analysis

從圖8可以看出，在重過載異常診斷的單一源域任務(wù)上(S-1、S-2和S-3)，3種遷移方法都有很強(qiáng)的特征學(xué)習(xí)能力：相同異常程度能很好聚類，不同異常程度也能明顯區(qū)分；實(shí)驗(yàn)效果明顯優(yōu)于CNN方法。然而綜合考慮源域和目標(biāo)域的聚類性，在DAN和DACNN中，來自源域和目標(biāo)域的樣本盡管屬于同種類別，但類別邊界有較多的類別區(qū)域重疊，容易被誤分類，表明兩種方法域適配能力的局限性；本文所提方法在遷移任務(wù)上，比其他兩種遷移比較方法表現(xiàn)更好，樣本分散在3種類別中且具有較少的類別區(qū)域重疊。

2.4 本文方法的泛化性分析

本文所提方法在滿足相似臺區(qū)數(shù)量不少于10臺，相似臺區(qū)數(shù)據(jù)樣本全面，且均包含至少半年的數(shù)據(jù)樣本的情況下，對配電臺區(qū)三相不平衡、低電壓等異常工況場景仍適用，但需要對不同異常工況篩選出不同的狀態(tài)量，調(diào)整深度遷移網(wǎng)絡(luò)的層數(shù)、輸入輸出二維張量的尺寸，建立不同的遷移診斷模型。為驗(yàn)證本文所提方法的泛化性，根據(jù)已有的數(shù)據(jù)集合，依次對三相不平衡工況和低電壓工況場景進(jìn)行遷移診斷實(shí)驗(yàn)。

通過數(shù)據(jù)匯總歸納和實(shí)際運(yùn)維結(jié)果分析，三相不平衡工況分為4類，包括正常、輕微、異常和嚴(yán)重；低電壓工況分為3類，包括正常、異常、嚴(yán)重。針對源域A、目標(biāo)域B和C，分別使用三相不平衡工況樣本和低電壓工況樣本，運(yùn)用所提方法，調(diào)整深度遷移網(wǎng)絡(luò)的結(jié)構(gòu)，進(jìn)行三相不平衡異常程度和低電壓異常程度的遷移診斷，診斷結(jié)果如表4所示，可以看出，本文所提方法仍能取得較好的遷移診斷結(jié)果。采用t-SNE技術(shù)在二維空間內(nèi)可視化源域數(shù)據(jù)和目標(biāo)域數(shù)據(jù)的特征分布，如圖9所示?？梢钥吹剑谌嗖黄胶猱惓Ｔ\斷和低電壓異常診斷中，本文所提方法能使樣本分散在類別中且具有較少的類別區(qū)域重疊，表明本文方法在有效保證異常工況類別間可分性的同時(shí)匹配了不同域樣本間的分布差異，進(jìn)一步驗(yàn)證了本文方法的泛化性。

表4 各遷移場景的診斷準(zhǔn)確率

2.5 本文方法的可行性分析

本文方法部署在云邊協(xié)同機(jī)制下，在計(jì)算資源合理利用、模型訓(xùn)練時(shí)間方面相較于云服務(wù)器集中訓(xùn)練有較大優(yōu)勢。針對目標(biāo)域B和C訓(xùn)練重過載工況的遷移診斷模型，相對于在彈性云服務(wù)器上并行集中訓(xùn)練，本文方法將異常診斷模型的源域訓(xùn)練部分部署在云服務(wù)器上，目標(biāo)域遷移訓(xùn)練部分部署在B和C的智能融合終端上。將涉及深度遷移學(xué)習(xí)的DAN、DANN和本文方法通過云邊協(xié)同機(jī)制進(jìn)行遷移訓(xùn)練，結(jié)果如表5所示，可以看出，所有遷移學(xué)習(xí)方法在云邊協(xié)同機(jī)制下訓(xùn)練時(shí)長和CPU利用率都大大降低，本文方法效果更為顯著，協(xié)同訓(xùn)練時(shí)間較短，比集中訓(xùn)練節(jié)省17.4%，CPU利用率最低，比集中訓(xùn)練降低7%，進(jìn)一步驗(yàn)證了本文方法的可行性。當(dāng)需要對多個(gè)配電臺區(qū)訓(xùn)練遷移診斷模型時(shí)，本文方法的優(yōu)勢將更為突出。

圖9 特征可視化分析Fig.9 Feature visualization analysis

表5 各方法在云邊協(xié)同前后的計(jì)算資源對比

3 結(jié) 論

本文提出一種在云邊協(xié)同下基于深度遷移網(wǎng)絡(luò)的配電臺區(qū)異常診斷方法，通過理論推導(dǎo)和3種異常工況場景下的對比實(shí)驗(yàn)，驗(yàn)證本文所提方法在配電臺區(qū)異常工況診斷中的可行性，得到以下結(jié)論：

1)利用配電臺區(qū)狀態(tài)量進(jìn)行異常工況診斷時(shí)，根據(jù)某種異常工況的程度標(biāo)簽，采用基于XGBoost和序列前向選擇方法，對狀態(tài)量進(jìn)行重要性排序與篩選，組成該異常工況樣本，能夠提高異常工況診斷精確度。

2)本文構(gòu)建的深度遷移網(wǎng)絡(luò)具有更好的跨域泛化能力和特征學(xué)習(xí)能力，能匹配不同域之間的數(shù)據(jù)分布差異，可有效提高目標(biāo)域配電臺區(qū)異常工況的診斷準(zhǔn)確率。

3)本文方法在配電物聯(lián)網(wǎng)的云邊協(xié)同機(jī)制支持下部署，將配電臺區(qū)的遷移診斷模型部署在其智能融合終端中，能夠降低云計(jì)算中心帶寬的壓力和計(jì)算資源需求，使得異常工況診斷業(yè)務(wù)穩(wěn)定高效運(yùn)行。

上述實(shí)驗(yàn)與結(jié)論表明本文方法可一定程度上平衡計(jì)算資源、提高響應(yīng)能力、實(shí)現(xiàn)配電臺區(qū)的異常工況精細(xì)化診斷，為異常工況診斷方法的應(yīng)用探索了一種可行的新型方案。但是，本文方法更適用于相似臺區(qū)下的模型遷移，在不同類型的配電臺區(qū)之間的遷移場景下，需要考慮對源域數(shù)據(jù)使用特定的權(quán)重調(diào)整策略，以達(dá)到最小化特征差異的目的。下一步將重點(diǎn)研究配電臺區(qū)特征差異較大時(shí)遷移診斷模型的權(quán)重調(diào)整策略，進(jìn)一步提高遷移診斷方法的普適性。