范秀云，何佳美，侯欣怡，楊彩月

（國網(wǎng)冀北電力有限公司營銷服務中心（資金集約中心、計量中心），北京 100045）

關口電能計量裝置是電能計量的主要器具[1]，其是否能夠穩(wěn)定運行直接決定著電能計量數(shù)值的精準度。因此，對關口電能計量裝置運行狀態(tài)檢測、故障預警等相關研究具有一定的現(xiàn)實意義。

文獻[2]通過控制診斷信息延遲，實時挖掘電力計量裝置異常數(shù)據(jù)，然后通過診斷計量電壓電流異常實現(xiàn)電力計量裝置異常分析；文獻[3]利用加權(quán)融合貝葉斯融合多個極端環(huán)境應力和故障率。結(jié)合加權(quán)融合貝葉斯和k 近鄰方法實現(xiàn)小樣本條件下的電能計量裝置故障預測；文獻[4]采用決策樹過濾電能表誤差估計異常數(shù)據(jù)，并對其進行聚類后，采用遞推算法估計電能表誤差，以此為依據(jù)分析電能表是否因故障產(chǎn)生計量錯誤。但是上述方法無法及時掌握關口電能計量裝置自身的運行狀態(tài)、誤差、故障等信息?；诖?，提出基于深度置信網(wǎng)絡的關口電能計量裝置電壓回路故障自動預警方法，以期提高預警成功率。

1 關口電能計量裝置電壓回路故障預警

1.1 裝置運行狀態(tài)數(shù)據(jù)預處理

關口電能計量裝置運行狀態(tài)檢測的主要依據(jù)是電壓數(shù)據(jù)，由于規(guī)約不一致，數(shù)據(jù)量過大等原因，使得電壓數(shù)據(jù)存在著量綱不統(tǒng)一、缺失等現(xiàn)象，為電壓回路故障自動預警帶來極大的不利影響。因此，在電壓回路故障自動預警前，需要對關口電能計量裝置運行中個電壓數(shù)據(jù)進行預處理。

采用標準化法對電壓數(shù)據(jù)進行無量綱化處理，表達式為

式中：y 表示無量綱化處理后的電壓數(shù)據(jù)；x 表示原始電壓數(shù)據(jù)；表示原始電壓數(shù)據(jù)的平均數(shù)值；σo表示原始電壓數(shù)據(jù)的標準差數(shù)值。

依據(jù)時間將采集的電壓數(shù)據(jù)進行排序，尋找數(shù)據(jù)缺失點，以相鄰電壓數(shù)據(jù)為基礎添加插值擬合函數(shù)，以此來填充缺失電壓數(shù)據(jù)，表達式為

式中：yt′表示缺失時間點t′對應的填充電壓數(shù)據(jù)；yt′-2、yt′-1、yt′+1與yt′+2表示電壓數(shù)據(jù)缺失點t′的相鄰數(shù)據(jù)；F（t′）表示插值擬合函數(shù)。

依照式（2）將全部缺失值進行填充，即可完成電壓數(shù)據(jù)缺失值的處理，獲得完整的關口電能計量裝置電壓數(shù)據(jù)。

1.2 構(gòu)建電壓數(shù)據(jù)預測深度置信網(wǎng)絡模型

以上述預處理后的關口電能計量裝置電壓數(shù)據(jù)為基礎，基于深度置信網(wǎng)絡[5]預測下一時刻的電壓數(shù)據(jù)，為電壓異常檢測與預警提供依據(jù)。

在深度置信網(wǎng)絡應用過程中，影響其整體性能的主要參數(shù)為網(wǎng)絡深度與隱含層神經(jīng)元數(shù)量，故需要在應用之前對其進行確定。其中，網(wǎng)絡深度即是隱含層數(shù)，以預處理后的關口電能計量裝置電壓數(shù)據(jù)為基礎，以多個時間點電壓數(shù)據(jù)作為待預測數(shù)據(jù)，對深度置信網(wǎng)絡進行測試，獲得不同隱含層數(shù)背景下電壓數(shù)據(jù)預測平均絕對百分比誤差數(shù)值變化情況，如圖1 所示。

圖1 不同隱含層數(shù)影響下的數(shù)值變化Fig.1 Numerical variation under the influence of different hidden layers

當隱含層數(shù)為4 時，電壓數(shù)據(jù)預測平均絕對百分比誤差數(shù)值達到最小值0.5%。因此，確定網(wǎng)絡深度為4，即隱含層數(shù)為4。

隱含層神經(jīng)元數(shù)量是決定電壓數(shù)據(jù)預測效率與精度的關鍵因素之一，此研究采用逐層設計法對神經(jīng)元數(shù)量進行確定。為了簡化研究過程，將隱含層神經(jīng)元數(shù)量測試范圍規(guī)定在［15，42］之間?？紤]到多個隱含層神經(jīng)元數(shù)量確定過程一致，為此，以深度置信網(wǎng)絡[6]第一隱含層為例，獲得不同神經(jīng)元數(shù)量背景下電壓數(shù)據(jù)預測平均絕對百分比誤差數(shù)值變化情況，如圖2 所示。

圖2 不同神經(jīng)元數(shù)量影響下的數(shù)值變化Fig.2 Numerical changes under the influence of different neuron numbers

當神經(jīng)元數(shù)量為21 時，電壓數(shù)據(jù)預測平均絕對百分比誤差數(shù)值達到最小值0.2%。因此，確定神經(jīng)元數(shù)量（第1 隱含層）為21。依此類推，獲取第2、3、4 隱含層神經(jīng)元數(shù)量分別為15、6 與1，從而完成深度置信網(wǎng)絡結(jié)構(gòu)的確定。

以上述確定的深度置信網(wǎng)絡結(jié)構(gòu)為基礎，構(gòu)建電壓數(shù)據(jù)預測深度置信網(wǎng)絡模型，如圖3 所示。

圖3 電壓數(shù)據(jù)預測深度置信網(wǎng)絡模型Fig.3 Deep confidence network model for voltage data prediction

將預處理后的電壓數(shù)據(jù)輸入至圖3 所示框架中，其輸出結(jié)果即為下一時刻的電壓數(shù)據(jù)預測值，為電壓回路故障自動預警的實現(xiàn)打下堅實的基礎。

1.3 實現(xiàn)關口電能計量裝置電壓回路故障自動預警

（1）電壓數(shù)據(jù)特征選擇與提取

應用XGBoost 算法選擇并提取預測電壓數(shù)據(jù)特征，為后續(xù)電壓異常的檢測與預警提供便利。

XGBoost 算法表達式為

式（3）是一個復雜度較高的方程式，若是直接對其進行求解，需要花費較大的代價。因此，此研究添加損失函數(shù)提升優(yōu)化求解的效率，累加M 個集成樹模型，即可獲得最終的預測電壓數(shù)據(jù)特征向量。損失函數(shù)表達式為

對式（3）進行k 輪循環(huán)計算，目標函數(shù)表達式為

式中：δk表示第k 輪循環(huán)迭代計算目標函數(shù)表達式；表示第k-1 輪運算輸出的預測電壓數(shù)據(jù)特征值；Bk表示第k 輪訓練樹模型；ε 表示常數(shù)，由前k-1 輪樹模型復雜度累加獲得。

當目標函數(shù)δk達到最小值時，停止循環(huán)迭代計算，輸出結(jié)果即為預測電壓數(shù)據(jù)特征選擇結(jié)果，以此為基礎，提取關口電能計量裝置預測電壓數(shù)據(jù)的特征，將其集合Z=｛z1，z2，…，zn｝，為后續(xù)電壓異常的檢測與預警提供有力的依據(jù)。

（2）電壓回路故障自動預警

以上述提取的預測電壓數(shù)據(jù)特征Z=｛z1，z2，…，zn｝為依據(jù)，獲取電壓回路故障引起的異常電壓數(shù)據(jù)特征集合γ*。每個電壓數(shù)據(jù)特征對應的判別能力是不同的，采用Qi表示第i 個預測電壓數(shù)據(jù)特征的判別能力，以此為基礎，定義權(quán)值懲罰函數(shù)，記為R=｛rij｝，其取值規(guī)則為

式中：rij表示權(quán)值懲罰函數(shù)第i 個預測電壓數(shù)據(jù)第j個元素數(shù)值；τa表示權(quán)值懲罰函數(shù)中對角元素的伸縮因子。

以式（6）計算結(jié)果為基礎，獲取數(shù)值精準的權(quán)值懲罰函數(shù)R，刻畫支持向量機的優(yōu)化問題，表達式為

式中：G 表示優(yōu)化問題函數(shù)表達式；ω 表示間隔項；υ表示分類閾值。

求解式（7）獲取間隔項ω 與分類閾值υ，計算預測電壓數(shù)據(jù)特征與異常電壓數(shù)據(jù)特征之間的相似度，以此為基礎，制定電壓異常檢測規(guī)則為

式中：Pi表示預測電壓數(shù)據(jù)特征與異常電壓數(shù)據(jù)特征之間的相似度；ζ 表示相似度計算的輔助參數(shù)，取值范圍為［0，1］。

當電壓數(shù)據(jù)檢測結(jié)果為異常時，證明關口電能計量裝置發(fā)生了電壓回路故障，實時對其進行預警，提醒工作人員對關口電能計量裝置進行檢修，保障其運行的有效性。

2 實驗與結(jié)果分析

2.1 實驗對象選取

為了驗證提出方法的應用性能，選取關口電能計量裝置作為實驗對象，其工作原理如圖4 所示。

圖4 關口電能計量裝置工作原理Fig.4 Working principle of gateway electric energy metering device

設置圖4 所示關口電能計量裝置電壓數(shù)據(jù)正常區(qū)間為［205 V，242 V］。采用按照圖5 所示的傳感器獲取關口電能計量裝置的電壓數(shù)據(jù)，將其隨機劃分為10 個實驗組別，如表1 所示，以此來提升實驗結(jié)論的準確性。

表1 實驗數(shù)據(jù)Tab.1 Experimental data

圖5 基于傳感器的電能計量裝置電壓采集數(shù)據(jù)Fig.5 Voltage acquisition data of sensor based electric energy metering device

如表1 所示，每個實驗組別的實驗數(shù)據(jù)量、異常電壓數(shù)據(jù)占比均不一致，表明10 個實驗組別具備著完全不一致的實驗環(huán)境，能夠最大限度地驗證提出方法的應用性能，符合應用性能測試的需求。

2.2 深度置信網(wǎng)絡訓練

提出方法中應用的是深度置信網(wǎng)絡，為保證深度置信網(wǎng)絡性能對其進行訓練，以獲取最精準的實驗結(jié)論。深度置信網(wǎng)絡訓練程序如圖6 所示。

圖6 深度置信網(wǎng)絡訓練程序Fig.6 Deep confidence network training program

根據(jù)圖6 所示程序即可完成深度置信網(wǎng)絡的訓練，訓練精度損失曲線如圖7 所示。

圖7 訓練損失曲線Fig.7 Training loss curve

由圖7 可知，隨著迭代次數(shù)不斷增加，訓練集產(chǎn)生的精度損失逐漸降低，說明模型訓練效果良好。根據(jù)上述過程，確定最佳網(wǎng)絡參數(shù)，保障深度置信網(wǎng)絡功能的正常發(fā)揮，提升實驗結(jié)論的精準度。

2.3 實驗結(jié)果分析

為了突出提出方法應用性能的優(yōu)劣，選取文獻[2]基于特征向量的故障預警方法與文獻[3]加權(quán)融合貝葉斯故障預警方法作為對比方法1 與方法2進行實驗，具體實驗結(jié)果分析過程如下所示：

（1）異常電壓檢測比例

通過實驗獲得的異常電壓檢測比例，如圖8所示。

圖8 異常電壓檢測比例示意圖Fig.8 Schematic diagram of abnormal voltage detection ratio

根據(jù)圖8 可知，應用提出方法獲得的異常電壓檢測比例數(shù)值與表1 所示的異常電壓占比數(shù)值保持一致，而對比方法1 與對比方法2 獲得的異常電壓檢測比例數(shù)值與表1 所示的異常電壓占比數(shù)值偏差較大，表明提出方法異常電壓檢測效果更佳。

（2）電壓回路故障持續(xù)時長檢測

利用錄波器輸出關口電能計量裝置電壓回路故障導致的電壓現(xiàn)場實際錄波，并與所提方法、對比方法1 與方法2 的錄波輸出結(jié)果進行對比，如圖9 所示。

圖9 錄波輸出結(jié)果Fig.9 Record output results

從圖9 中可以看出，現(xiàn)場實際電壓最低跌落至200 V，電壓回路故障持續(xù)時間為1310 ms。所提方法的實際電壓最低跌落至205 V，未超出正常運行最低電壓值，但是此時電壓偏低，引起關口電能計量裝置運行不穩(wěn)定，電壓回路故障持續(xù)時間為1280 ms；對比方法1 的實際電壓最低跌落至204V，電壓回路故障持續(xù)時間為1380 ms；對比方法2 的實際電壓最低跌落至197 V，電壓回路故障持續(xù)時間為1400 ms。綜合上述數(shù)據(jù)結(jié)果可知，所提方法的錄波輸出結(jié)果與實際輸出結(jié)果相差最小。

（3）電壓回路故障預警成功概率

電壓回路故障自動預警成功概率指的是電壓回路故障引起電壓異常前完成預警的概率。通過實驗獲得電壓回路故障自動預警成功概率，如圖10所示。

圖10 電壓回路故障自動預警成功概率示意圖Fig.10 Schematic diagram of the success probability of automatic warning for voltage circuit faults

如圖10 數(shù)據(jù)所示，相較于對比方法1 與對比方法2 來看，應用提出方法獲得的電壓回路故障自動預警成功概率數(shù)值較高，最大值為96%。上述結(jié)果表明提出方法預警成功概率較高，其主要原因是所提方法應用XGBoost 算法選擇并提取預測電壓數(shù)據(jù)特征，獲取了電壓回路故障引起的異常電壓數(shù)據(jù)特征集合，優(yōu)化了預警效果。

3 結(jié)語

為保證關口電能計量裝置的穩(wěn)定運行，提出基于深度置信網(wǎng)絡的關口電能計量裝置電壓回路故障自動預警方法研究。通過實驗數(shù)據(jù)可知，提出方法異常電壓檢測精度與電壓回路故障自動預警成功概率較高，以此來提升電能計量的準確性，也為相關研究提供一定的借鑒。