劉 波,王大鵬,閆永昶,劉通宇,張園園,袁培森

(1.國網(wǎng)蒙東電力供電服務(wù)監(jiān)管與支持中心,內(nèi)蒙古 通遼 028000;2.國網(wǎng)內(nèi)蒙古東部電力有限公司,內(nèi)蒙古 呼和浩特 010010;3.南京農(nóng)業(yè)大學(xué) 人工智能學(xué)院,江蘇 南京 210095)

目前,我國電力智能不斷推進(jìn),受益于“智能電網(wǎng)”技術(shù)的深入研究,電力企業(yè)的數(shù)據(jù)管理和服務(wù)水平近年來有顯著提高[1]。智能電網(wǎng)引入自動化技術(shù)等手段對電力機(jī)器進(jìn)行實時監(jiān)測,對有可能出現(xiàn)的問題進(jìn)行控制,實現(xiàn)故障快速診斷[2]。在電能數(shù)據(jù)管理中,電力企業(yè)普遍建立一個統(tǒng)一的、可復(fù)用的大數(shù)據(jù)平臺——數(shù)據(jù)中臺,將電能數(shù)據(jù)整合成數(shù)據(jù)資源并服務(wù)于各種電力業(yè)務(wù)[3]。但是隨著電力企業(yè)智能化的發(fā)展,電力數(shù)據(jù)中臺需要對不同時間、不同地理上離散的電能量大數(shù)據(jù)進(jìn)行統(tǒng)一和標(biāo)準(zhǔn)化管理[4]。當(dāng)前配電網(wǎng)主要依靠傳感器實現(xiàn)相關(guān)控制和監(jiān)督功能,傳感器收集的數(shù)據(jù)量龐大[5],亟需更高效的電能數(shù)據(jù)中心和人工智能平臺[6]對大數(shù)據(jù)特征的電能量進(jìn)行可靠的分析與挖掘,提高電力企業(yè)服務(wù)水平和經(jīng)濟(jì)效益。解決其問題的關(guān)鍵是如何提高電能量數(shù)據(jù)的分析水平和質(zhì)量。

電壓三相不平衡異常檢測是電力企業(yè)對電能量數(shù)據(jù)進(jìn)行分析處理的一個重要部分。三相不平衡是評價電能質(zhì)量評價體系中的一個重要指標(biāo),不平衡的電壓存在著正序、負(fù)序和零序3種電壓分量[7]。三相不平衡是指電力系統(tǒng)中這三相電流(或電壓)幅值不一致,且幅值差超過規(guī)定范圍[8]。引起三相不平衡的原因有多種,例如斷線故障,接地故障,因基頻諧振或分頻諧振引起供電電壓波動或閃變,三相負(fù)荷分配不合理等[9]。三相不平衡的所帶來常見危害包括：增加線路和配電變壓器的電能損耗,配變出力減少及產(chǎn)生零序電流,電動機(jī)效率降低,危害用電設(shè)備安全運行等[10]。相關(guān)學(xué)者對電壓三相不平衡異常檢測進(jìn)行了相關(guān)研究,文獻(xiàn)[11]提出了一種基于距離的離群點算法定位疑似竊電用戶,其中討論了三相電流不平衡對于臺區(qū)線損率的影響。文獻(xiàn)[12]提出了一種基于多目標(biāo)優(yōu)化模型三相電壓負(fù)荷不平衡的治理策略,對三相電壓數(shù)據(jù)的異常檢測和挖掘,有助于提高電力企業(yè)智能化服務(wù)水平,為電網(wǎng)維護(hù)和故障定位提供參考依據(jù)。文獻(xiàn)[13]研究了一種基于保留非線性的三相配網(wǎng)狀態(tài)估計算法,該算法計即三相不平衡,從方法上解決了三相模型的非線性狀態(tài)估計,適用于由功率的實時量測和偽量測建立起的基本可觀、并有部分電壓量測的系統(tǒng)。

目前,由于智能電網(wǎng)和物聯(lián)網(wǎng)的迅速發(fā)展,電能量數(shù)據(jù)產(chǎn)生的速度不斷提高[14]。由于數(shù)據(jù)是實時產(chǎn)生的,對數(shù)據(jù)進(jìn)行批處理耗費的成本過高,傳統(tǒng)的基于數(shù)據(jù)集的異常檢測已經(jīng)難以滿足行業(yè)需求。另一方面,電能量數(shù)據(jù)是一種時間序列數(shù)據(jù),由于異常是與時間和前后數(shù)據(jù)相關(guān)的,對于時間序列的異常檢測并不能孤立地考察每一個樣本點[15]。因此需要尋求一種面向數(shù)據(jù)流的異常檢測方法,去解決三相電壓的異常檢測問題。

根據(jù)對數(shù)據(jù)流的采樣建模方法,目前基于數(shù)據(jù)流的異常檢測方法主要可以分為基于神經(jīng)網(wǎng)絡(luò)的和基于隨機(jī)森林的。前者以Numenta公司提出的使用分級瞬時記憶(Hierarchical temporal memory,HTM)人工神經(jīng)網(wǎng)絡(luò)模型[16]為代表,這是一種自適應(yīng)的、無監(jiān)督的數(shù)據(jù)流異常檢測方法;后者以Amazon公司提出的魯棒性的隨機(jī)切割森林算法(Robust random cut forest,RRCF)[17]為代表,該方法基于隨機(jī)森林,提出了一種魯棒性的隨機(jī)森林結(jié)構(gòu),描述數(shù)據(jù)流和計算樣本異常評分。上述兩類方法在傳感器數(shù)據(jù)流和衛(wèi)星遙測數(shù)據(jù)流的異常檢測上,被證明具有可行性和有效性,具有良好的應(yīng)用前景。

本文通過神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)流的特征進(jìn)行建模,依據(jù)神經(jīng)網(wǎng)絡(luò)模型對數(shù)據(jù)流進(jìn)行判別。長短期記憶(Long short-term memory,LSTM)神經(jīng)網(wǎng)絡(luò)是一種改進(jìn)后的循環(huán)神經(jīng)網(wǎng)絡(luò)。基于LSTM可以進(jìn)行長短期記憶的特性,常用于時間序列的預(yù)測,例如網(wǎng)絡(luò)攻擊數(shù)據(jù)預(yù)測[18]和用電數(shù)據(jù)異常檢測[19]等。LSTM的預(yù)測體現(xiàn)了數(shù)據(jù)流的特征,這可以很好滿足通過預(yù)測結(jié)果判斷數(shù)據(jù)流的異常分析的需求。

在上述研究和相關(guān)理論的基礎(chǔ)上,本文針對電力企業(yè)的電壓三相不平衡異常檢測這一實際問題,提出一種數(shù)據(jù)流驅(qū)動的異常檢測方法。本文方法主要關(guān)注數(shù)據(jù)流的異常檢測,基于時間序列數(shù)據(jù)的相關(guān)性,使用LSTM神經(jīng)網(wǎng)絡(luò)三相電壓時間序列數(shù)據(jù)進(jìn)行預(yù)測;設(shè)定滑動窗口,使用指數(shù)加權(quán)移動平均對誤差進(jìn)行平滑,基于滑動窗口計算異常區(qū)間以判斷某一時間段是否出現(xiàn)異常。本文試驗部分選用電力企業(yè)提供的真實三相電壓時間序列數(shù)據(jù),實現(xiàn)上述方法并進(jìn)行試驗,試驗結(jié)果表明本方法相較于常用的異常檢測方法,包括孤立森林算法和支持向量機(jī),對于三相電壓時間序列數(shù)據(jù),召回率和綜合評價指標(biāo)F1表現(xiàn)較好,表明本方法具有可行性和有效性,為電力企業(yè)進(jìn)行三相不平衡異常檢測和分析提供了一種可行的方案。

1 電壓三相不平衡異常檢測框架

三相不平衡是評價電能質(zhì)量的一個重要指標(biāo),三相不平衡超過了配電網(wǎng)可以承受的范圍,會給整體電力系統(tǒng)的安全運行帶來危害。三相不平衡問題屬于基波負(fù)荷配置問題[10]。三相電壓不平衡度的計算,如式(1)所示

(1)

式中：UA、UB、UC分別表示A、B、C三相電壓有效值,單位是V,max{·}和min{·}分別表示取最大值和最小值。根據(jù)現(xiàn)行《國家標(biāo)準(zhǔn)GB/T 15543-2008》規(guī)定的三相電壓不平衡度限值,接于公共連接點的每個用戶引起該點負(fù)序電壓不平衡度允許值一般低于1.3%[20]。

因此,鑒于三相不平衡對電力企業(yè)的重要性和數(shù)據(jù)價值,本文提出一種數(shù)據(jù)流驅(qū)動的電壓三相不平衡異常檢測方法,幫助電力企業(yè)對電能異常情況及時預(yù)警和定位,以此提升電力企業(yè)排障能力和電能數(shù)據(jù)處理分析水平,進(jìn)而進(jìn)一步提高服務(wù)質(zhì)量和經(jīng)濟(jì)效益。

本文提出的數(shù)據(jù)流驅(qū)動的電壓三相不平衡異常檢測方法,處理框架如圖1所示。主要包含以下步驟：

圖1 數(shù)據(jù)流驅(qū)動的電壓三相不平衡異常檢測框架圖

(1)對原始三相電壓時間序列數(shù)據(jù)進(jìn)行預(yù)處理,檢查缺失值以及線性插值法對缺失值補(bǔ)充,提升數(shù)據(jù)質(zhì)量;

(2)對原始電壓數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理,計算為標(biāo)準(zhǔn)分?jǐn)?shù);

(3)利用LSTM神經(jīng)網(wǎng)絡(luò)對預(yù)處理和標(biāo)準(zhǔn)化后的三相電壓時間序列數(shù)據(jù)進(jìn)行預(yù)測,預(yù)測值與實際值計算誤差;

(4)確定滑動窗口大小,使用指數(shù)加權(quán)移動平均法對誤差進(jìn)行平滑;

(5)基于時間窗口,利用平滑誤差和描述統(tǒng)計方法計算給定異常區(qū)間,以此判斷時間窗口是否存在異常樣本點。

2 數(shù)據(jù)流驅(qū)動的異常檢測

2.1 數(shù)據(jù)預(yù)處理和標(biāo)準(zhǔn)化

從數(shù)據(jù)庫導(dǎo)出某臺區(qū)某段時間的三相電壓時間序列數(shù)據(jù),主要數(shù)據(jù)項包括A、B、C三相電壓實際值,每條記錄包括時間戳。數(shù)據(jù)記錄產(chǎn)生的速度為每15 min采集1次。

在進(jìn)行異常檢測前,需要對數(shù)據(jù)質(zhì)量進(jìn)行評估,原始數(shù)據(jù)通常會出現(xiàn)若干缺失值。對于時間序列數(shù)據(jù),簡單地刪除包含缺失值的記錄是不合適的,本文使用線性插值法(Linear interpolation,LI)對缺失值的記錄進(jìn)行插值補(bǔ)充。

為了體現(xiàn)原始電壓時間序列數(shù)據(jù)的模式特征,增強(qiáng)下一步驟的LSTM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果,需要對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理[21]。分別將A、B、C三相電壓值轉(zhuǎn)化為服從標(biāo)準(zhǔn)正態(tài)部分的標(biāo)準(zhǔn)分?jǐn)?shù),計算方法如式(2)所示

(2)

式中：xt是標(biāo)準(zhǔn)化三相電壓值,Xt是原始電壓值,μ和σ分別是原始電壓數(shù)據(jù)總體的均值和標(biāo)準(zhǔn)差。

經(jīng)過上述預(yù)處理和標(biāo)準(zhǔn)化,得到標(biāo)準(zhǔn)化三相電壓時間序列數(shù)據(jù)xt。

2.2 LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測

一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent neural network,RNN)改進(jìn)后的LSTM神經(jīng)網(wǎng)絡(luò)可有效解決一般循環(huán)神經(jīng)網(wǎng)絡(luò)存在的長期依賴問題[22],RNN能夠通過先前的事件推測后續(xù)的事件,使得信息的持久化保留和預(yù)測。RNN的隱藏層只有一個狀態(tài)h,對短期的輸入非常敏感,LSTM在此基礎(chǔ)上增加了一個長期狀態(tài)C,基于該特性,LSTM適合處理和預(yù)測時間序列。

如圖2所示,將神經(jīng)元按照時間維度進(jìn)行展開,使用LSTM對時間序列數(shù)據(jù)進(jìn)行預(yù)測。

圖2 使用LSTM對時間序列預(yù)測示意圖

在t時刻,LSTM神經(jīng)網(wǎng)絡(luò)的輸入有3個,當(dāng)前時刻網(wǎng)絡(luò)的輸入值xt,上一時刻LSTM的輸出值ht-1,上一時刻的單元狀態(tài)Ct-1。

對于每一個LSTM神經(jīng)網(wǎng)絡(luò),其結(jié)構(gòu)如圖3所示。圖3包含3個主要部分,分別是：①遺忘門,遺忘門保存了上一時刻的狀態(tài)Ct-1有多少保留至當(dāng)前時刻ct;②輸入門,輸入門當(dāng)前時刻的輸入xt有多少保留至單元狀態(tài)Ct;③輸出門,輸出門用于控制當(dāng)前單元狀態(tài)Ct有多少輸出至當(dāng)前輸出ht。系統(tǒng)最終輸出由狀態(tài)單元和輸出門共同決定。LSTM神經(jīng)網(wǎng)絡(luò)通過3個控制開關(guān)來控制狀態(tài)C。LSTM神經(jīng)網(wǎng)絡(luò)在t時刻的前向傳播,如式(3)所示[22]

圖3 LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

ft=σ(Wf·[ht-1,xt]+bf)

it=σ(Wi·[ht-1,xt]+bi)

ot=σ(Wo·[ht-1,xt]+bo)

ht=ot°tanh(Ct)

(3)

式中：Wf、Wi、Wc、Wo分別為遺忘門、輸入門、細(xì)胞狀態(tài)更新、輸出門的權(quán)重矩陣,bf、bi、bc、bo分別為上述權(quán)重矩陣對應(yīng)的偏置項,σ(·)代表sigmoid函數(shù),tanh(·)代表雙曲正切函數(shù),[·,·]表示向量的連接,符號st=βst-1+(1-β)et表示向量對應(yīng)分量相乘得到一個新的向量。

對于LSTM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,需要確定上述8個參數(shù)的取值。使用反向傳播訓(xùn)練算法進(jìn)行訓(xùn)練。其主要步驟[22]如下：

(1)首先,對每個神經(jīng)元輸出值,進(jìn)行前向計算,即按照式(3)計算ft、it、Ct、ot、ht的值;

(2)對每個神經(jīng)元的誤差項δt,進(jìn)行反向計算,沿2個方向傳播LSTM誤差項：①沿時間的反向傳播,即從當(dāng)前t時刻開始計算每個時刻的誤差項;②向上一層傳播;

(3)根據(jù)相應(yīng)誤差項δt,計算每個參數(shù)的梯度值,通過隨機(jī)梯度下降(Stochastic gradient descent,SGD)法迭代更新所有的參數(shù)。

在上一步驟中,將預(yù)處理和標(biāo)準(zhǔn)化后的三相電壓時間序列數(shù)據(jù)劃分為訓(xùn)練集和測試集。利用反向傳播算法對LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行在訓(xùn)練集上進(jìn)行模型訓(xùn)練,得到標(biāo)準(zhǔn)化電壓三相數(shù)據(jù)特征的模型,使用訓(xùn)練出的模型,利用前向傳播算法得到基于該模型的預(yù)測值。

2.3 指數(shù)加權(quán)移動平均

由于三相電壓存在正常的波動性,直接使用上一步驟得到的LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測值與實際值的誤差et進(jìn)行異常判斷會導(dǎo)致將大量正常樣本判定為異常樣本,因此需要對誤差et進(jìn)行平滑。由于電壓時序數(shù)據(jù)是一種流式數(shù)據(jù),本方法是數(shù)據(jù)流驅(qū)動的,因此需要充分考慮時間序列數(shù)據(jù)的相關(guān)性。

本文利用指數(shù)加權(quán)移動平均(Exponential weighted moving average,EWMA)[23]方法對誤差進(jìn)行平滑,EWMA是一種針對時間序列數(shù)據(jù)的預(yù)測方法,也是一種常用的時間序列處理方式,在各種優(yōu)化算法中有廣泛的應(yīng)用。

(4)

其平滑誤差st定義如式(5)所示

(5)

式中：st-1是前一時刻(即時刻t-1)的平滑誤差,參數(shù)β是權(quán)重,其取值由滑動窗口大小進(jìn)行確定。指數(shù)加權(quán)移動平均方法中,時刻t的預(yù)測值由上一期的預(yù)測值和前t-1期的實際值共同確定,其中從最近的時刻t-1到時刻0權(quán)重,以等比形式遞減。在優(yōu)化算法中通常取β≥0.9,又由

(6)

當(dāng)N足夠大時,βN≈0,其對應(yīng)項的系數(shù)也趨向于0,因此計算時刻t的預(yù)測值僅考慮其前N期的真實值,即相當(dāng)于維護(hù)一個長度為N的滑動窗口,N的取值由式(7)確定

N=1/1-β

(7)

三相電壓數(shù)據(jù)通常每15 min采集1次,在24 h內(nèi)共計采集96次?？紤]到電力企業(yè)實際應(yīng)用需要,通常以1 d為周期進(jìn)行分析,因此設(shè)定滑動窗口長度N=96,依據(jù)式(7)即可計算得到參數(shù)β的取值。

2.4 異常區(qū)間和異常樣本的判定

經(jīng)過指數(shù)加權(quán)移動平均的平滑誤差st,與之對應(yīng)的長度為N的滑動窗口的平滑誤差st的絕對值|st|體現(xiàn)了這段時間內(nèi)三相電壓數(shù)據(jù)的異常程度,平滑誤差越大,則說明樣本點的異常程度越大。因此在滑動窗口的范圍內(nèi),若存在超過某一范圍的樣本點,則說明該時間段存在異常,這一個范圍稱之為異常區(qū)間。對于電壓三相不平衡的異常檢測,本方法設(shè)定的異常區(qū)間如式(8)所示

(8)

3 試驗分析

3.1 試驗環(huán)境

本文基于Windows 10系統(tǒng),8 GB內(nèi)存,Intel(R)Core(TM)i5-7200U,2.5 GHz處理器進(jìn)行試驗。本方法全部基于Python 3.6實現(xiàn),主要依賴包括sklearn 2.4、pandas和keras。

3.2 數(shù)據(jù)集及其劃分

數(shù)據(jù)集采用電力公司提供的臺區(qū)配變監(jiān)測數(shù)據(jù),時間范圍從2020年6月1日至2021年4月8日,每15 min采集1次得到1條記錄。對同一臺區(qū)的記錄,提取其中A、B、C三相電壓原始數(shù)據(jù)UA、UB、UC以及時間戳Timestamp,共計29 790條記錄。

獲得的數(shù)據(jù)集是帶有正常和異常標(biāo)簽的,每一條記錄都帶有是否為異常的標(biāo)記。選取數(shù)據(jù)集中70%的數(shù)據(jù)作為訓(xùn)練集,30%的數(shù)據(jù)作為測試集。

3.3 評價指標(biāo)

本文的異常值檢測結(jié)果評價,通過精確率(Precision)、召回率(Recall)和綜合評價指標(biāo)F1(F1-measure)這3項指標(biāo)進(jìn)行評價,計算方式如式(9)～(11)所示

(9)

(10)

(11)

式中：TP、TN、FP、FN分別表示異常檢測為異常、正常檢測為正常、正常檢測為異常、異常檢測為正常的樣本點個數(shù)。精確率反映了方法識別得到異常是真實的比例,召回率反映了算法識別得到的異常覆蓋了真實異常的比例,綜合評價指標(biāo)F1是精確率和召回率的調(diào)和平均數(shù)。

對于電壓三相不平衡異常檢測問題,“漏報”比“誤報”導(dǎo)致的后果要更加嚴(yán)重,召回率反映了對異常檢測的覆蓋程度,因此在評判異常檢測效果時,應(yīng)當(dāng)首要考慮召回率,其次考慮精確率。

3.4 試驗結(jié)果和分析

依據(jù)本文提出的數(shù)據(jù)流驅(qū)動的電壓三相不平衡異常檢測方法,首先,對數(shù)據(jù)集進(jìn)行預(yù)處理和標(biāo)準(zhǔn)化。第二步,使用70%樣本構(gòu)成測試集,對LSTM神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,通過反向傳播訓(xùn)練算法訓(xùn)練得到LSTM網(wǎng)絡(luò)權(quán)重矩陣和偏置項的參數(shù)取值。測試集由30%樣本構(gòu)成,計算預(yù)測值和真實值的誤差,再通過指數(shù)加權(quán)移動平均得到的平滑誤差(滑動窗口大小N=96),計算異常區(qū)間判別是否產(chǎn)生異常(判斷異常的滑動窗口與指數(shù)加權(quán)移動平均的滑動窗口一致)。圖4給出了本方法所述的異常檢測過程和結(jié)果,包括數(shù)據(jù)標(biāo)準(zhǔn)化,LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測、計算誤差、指數(shù)加權(quán)移動平均平滑誤差、滑動窗口中異常區(qū)間的計算和檢測。

圖4 異常檢測的過程和結(jié)果

圖4(a)是原始的三相電壓數(shù)據(jù),為了更好地描述其特征,將其進(jìn)行標(biāo)準(zhǔn)化處理,得到圖4(b)的標(biāo)準(zhǔn)化三相電壓電壓數(shù)據(jù)。從圖4(b)可以看出,LSTM神經(jīng)網(wǎng)絡(luò)能夠很好地預(yù)測三相電壓的變化趨勢,對標(biāo)準(zhǔn)化后的三相電壓時間序列數(shù)據(jù)的特征有較好的擬合,能避免電壓正常的周期性波動。圖4(c)展示了誤差和經(jīng)過指數(shù)加權(quán)移動平均得到的平滑誤差,說明指數(shù)加權(quán)移動平均能夠顯著地在滑動窗口內(nèi)平滑誤差的波動。圖4(d)展示了檢測出的一次異常,陰影部分標(biāo)記了異常對應(yīng)的滑動窗口,上下水平線指出異常區(qū)間的范圍,可以看到標(biāo)記點由于落在了異常區(qū)間內(nèi),因此被判定為異常。

結(jié)合圖4(d)的異常檢測結(jié)果和圖4(a)的原始三相電壓值,可以看出在6月1日4時左右,電壓存在異常突變,表明本方法對于三相電壓數(shù)據(jù)流的異常檢測具有正確性和可行性。

對共計8 937個的樣本測試集,采用本方法進(jìn)行異常檢測,計算檢測結(jié)果的召回率、精確率和綜合評價指標(biāo)F1,試驗結(jié)果如表1所示。

表1 異常檢測結(jié)果和評價指標(biāo)

從表1可以看出,使用本方法進(jìn)行異常檢測,召回率表現(xiàn)較好,達(dá)到了98.01%,說明本方法對于真實異常的覆蓋表現(xiàn)較好,證明了本方法的對于電力企業(yè)具有一定的應(yīng)用價值。

為了對比不同方法對于三相電壓數(shù)據(jù)集異常檢測的效果,本文還選取2種目前常用的異常檢測方法進(jìn)行對比試驗,分別是孤立森林(Isolation forests,IF)[24]和支持向量機(jī)(Support vector machine,SVM)[25]。使用相同的數(shù)據(jù)集進(jìn)行對比試驗,其中IF的主要參數(shù)設(shè)定為MaxSamples的數(shù)目設(shè)置為128,即抽取用于訓(xùn)練每個基本估計量的樣本數(shù)量最大為128個,Trees的數(shù)目設(shè)置為100,即IF模型中包含的樹棵樹為100,Alpha參數(shù)設(shè)置為0.02,即學(xué)習(xí)速率為0.02;SVM的主要參數(shù)設(shè)定為C參數(shù)設(shè)置為1.0,即損失系數(shù)為0.1,Degree參數(shù)設(shè)置為3,即選擇的多項式最高次數(shù)為3次多項式,tol參數(shù)設(shè)置為0.001,即殘差收斂條件為0.000 1。數(shù)據(jù)集劃分的比例與之前的試驗保持一致,分別是訓(xùn)練集占70%,測試集占30%。試驗結(jié)果如表2所示。

表2 3種異常檢測方法的對比結(jié)果

由對比試驗結(jié)果可以看出,本方法相較于IF和SVM,在召回率指標(biāo)上提升顯著,分別提高6.87%和2.96%,說明本方法相較于IF和SVM,在對于真實異常的識別上,覆蓋程度較廣;在精確率指標(biāo)上,有一定程度的提高,分別提高4.75%和6.03%,說明本方法能一定程度上降低正常樣本點被誤判為異常(即第一類錯誤)發(fā)生的概率,但是仍有較大提升空間;在綜合評價指標(biāo)F1上,由于本方法在召回率上提升顯著,因此綜合評價指標(biāo)F1相較于IF和SVM分別提高5.73%和4.62%。

綜上測試結(jié)果,本方法對于三相電壓數(shù)據(jù)流的異常檢測問題,相較于常用的IF和SVM方法,有著較好的異常檢測效果,在召回率指標(biāo)和綜合評價指標(biāo)F1有良好的表現(xiàn),這驗證了數(shù)據(jù)流驅(qū)動的電壓三相不平衡異常檢測方法具有一定優(yōu)越性和可行性。

4 結(jié)束語

本文針對電力企業(yè)的電壓三相不平衡異常檢測這一實際問題,提出一種數(shù)據(jù)流驅(qū)動的異常檢測方法。主要利用LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測和指數(shù)滑動移動平均針對數(shù)據(jù)流進(jìn)行異常檢測。接著使用真實三相電壓時間序列數(shù)據(jù)進(jìn)行試驗,試驗結(jié)果表明本方法相較于常用的異常檢測方法,在召回率和綜合評價指標(biāo)F1上有提高。綜上所述,數(shù)據(jù)流驅(qū)動的電壓三相不平衡異常檢測方法具有可行性和有效性,為電力企業(yè)進(jìn)行三相不平衡異常檢測和分析提供了一種可行的方案。