楊子成,盧建生,王 超,郭海旭

(國網(wǎng)山西省電力公司,山西 太原 030000)

隨著國家電網(wǎng)企業(yè)在電能聯(lián)網(wǎng)工作中的層層部署,現(xiàn)在供電單位的電能數(shù)據(jù)采集系統(tǒng)已存儲了很多可以用于計(jì)量裝置異常診斷的數(shù)據(jù)信息。因?yàn)椴杉秒娦畔⒌墓ぷ髁恐鹑赵龆?維護(hù)該數(shù)據(jù)信息[1]的工作也增加了不少風(fēng)險(xiǎn),且傳統(tǒng)的異常診斷技術(shù)[2]太過于依賴人工處理,經(jīng)常出現(xiàn)難以準(zhǔn)確診斷計(jì)量裝置異常的現(xiàn)象,維護(hù)數(shù)據(jù)及檢查裝置異常仍存在一定困難,因此研究電能計(jì)量異常診斷系統(tǒng)并對其進(jìn)行優(yōu)化具有深遠(yuǎn)的意義。

羅華富[3]等人建立了電能計(jì)量系統(tǒng),該系統(tǒng)由分析診斷模塊、應(yīng)用模塊、云計(jì)算平臺,采集數(shù)據(jù)模塊等組成,在傳統(tǒng)的電爐電能計(jì)量裝置系統(tǒng)上展開優(yōu)化升級設(shè)計(jì),將HDFS電能數(shù)據(jù)備份和存儲數(shù)據(jù)信息相結(jié)合優(yōu)化計(jì)量與分析系統(tǒng),大幅度提升了采集數(shù)據(jù)信息的效率等。但該系統(tǒng)存在易診斷失敗的問題。陳崇明[4]等人設(shè)計(jì)出全新電爐電能計(jì)量裝置診斷系統(tǒng),此系統(tǒng)通過計(jì)量裝置異常的數(shù)據(jù)知識庫對電爐電能計(jì)量裝置展開監(jiān)測診斷,具體為采集存儲數(shù)據(jù)信息,分析故障原因,診斷異常緣由等。為計(jì)量裝置的維修和技術(shù)改進(jìn)提供現(xiàn)有依據(jù),但該系統(tǒng)存在診斷系統(tǒng)的診斷準(zhǔn)確率較低的問題。丁建順[5]等人采取跨間隔電能計(jì)量的多維測試技術(shù)完善計(jì)量裝置系統(tǒng),其主要目的分析診斷計(jì)量裝置異常原因,同時(shí)對系統(tǒng)內(nèi)傳輸分布式終端展開處理,但該系統(tǒng)存在診斷系統(tǒng)準(zhǔn)確率低,檢測失敗等問題。為了解決上述系統(tǒng)中存在的問題,本文提出基于關(guān)聯(lián)規(guī)則挖掘的電爐電能計(jì)量裝置異常診斷系統(tǒng)。

1 系統(tǒng)功能模塊設(shè)計(jì)

電爐電能計(jì)量裝置異常診斷系統(tǒng)由主控模塊、遠(yuǎn)程通信模塊和數(shù)據(jù)管理模塊組成。其中,主控模塊可以實(shí)現(xiàn)與人機(jī)和通信單元之間的互相傳輸,系統(tǒng)功能模塊結(jié)構(gòu)如圖1所示。

圖1 系統(tǒng)功能模塊結(jié)構(gòu)圖

1)主控模塊

主控模塊分別由電能誤差測試單元、脈沖采集切換單元、采集監(jiān)測、電壓PT切換單元、電流CT切換單元、信號采集單元等構(gòu)成[6-8]。該模塊是通過監(jiān)測各個(gè)電爐電能計(jì)量裝置點(diǎn),實(shí)現(xiàn)數(shù)據(jù)采集、讀取和儲存的目的。其中監(jiān)測范圍包括計(jì)量裝置異常診斷系統(tǒng)內(nèi)的各個(gè)單元。

2)遠(yuǎn)程通信模塊

該模塊是在數(shù)據(jù)管理模塊及信號采集模塊的基礎(chǔ)上建立起來的,實(shí)現(xiàn)數(shù)據(jù)與通信的交互。建立連接的方式主要有以太網(wǎng)、Wifi無線、電話網(wǎng)絡(luò)及RSR232串行等[9-12]。

3)數(shù)據(jù)管理模塊

該模塊的原理是通過集中管理所有信息采集系統(tǒng)監(jiān)測到的數(shù)據(jù)、參數(shù)的過程。且可以將監(jiān)測到的數(shù)據(jù)信息反向輸出給需要的系統(tǒng)。該模塊具體為數(shù)據(jù)統(tǒng)計(jì)分析、遠(yuǎn)程遙控、異常信息報(bào)警,數(shù)據(jù)共享等功能[13-15]。遠(yuǎn)程遙控功能用于監(jiān)測該系統(tǒng)采集單元中的參數(shù)測試,數(shù)據(jù)配置等;數(shù)據(jù)統(tǒng)計(jì)分析功能可查看歷史記錄;異常信息報(bào)警功能是對監(jiān)測到的異常情況及時(shí)上報(bào);數(shù)據(jù)分享功能可共享各個(gè)子系統(tǒng)中的數(shù)據(jù)參數(shù)。

2 系統(tǒng)軟件設(shè)計(jì)

2.1 電爐電能計(jì)量裝置異常診斷系統(tǒng)知識庫構(gòu)建

電爐電能計(jì)量裝置異常診斷系統(tǒng)中還包含異常知識庫,該知識庫既可以儲存異常事件還可以進(jìn)行查詢、修改及刪除等操作。為異常診斷結(jié)論提供了細(xì)致準(zhǔn)確的參考數(shù)據(jù)[16-18]。電爐電能計(jì)量裝置異常診斷系統(tǒng)知識庫如圖2所示。

圖2 電爐電能計(jì)量裝置異常診斷系統(tǒng)知識庫圖

該知識庫中含有規(guī)則和模型,該模型主要是記錄其異常特征的;該規(guī)則主要是調(diào)整和改進(jìn)異常事件的判定閾值,建立完善規(guī)范的異常事件庫[19-22]。專家?guī)炷K由導(dǎo)入、導(dǎo)出、變更等模塊組成。通過對計(jì)量裝置展開驗(yàn)證,判別該裝置檢測異常事件及知識庫的問題。檢測出的異常知識庫事件概括為:電表超差誤差、斷相、電壓、電流不平衡、掉電等;異常事件概括為:電壓二次超差等。

2.2 基于關(guān)聯(lián)規(guī)則的電爐電能計(jì)量裝置異常數(shù)據(jù)挖掘

由于關(guān)聯(lián)規(guī)則挖掘技術(shù)善于發(fā)現(xiàn)知識庫內(nèi)每個(gè)模塊間的聯(lián)系關(guān)系,為進(jìn)一步挖掘計(jì)量裝置異常診斷系統(tǒng)內(nèi)的知識庫內(nèi)的信息奠定了基礎(chǔ),為此,采取此項(xiàng)技術(shù)挖掘電爐電能計(jì)量裝置異常診斷系統(tǒng)知識庫內(nèi)的異常數(shù)據(jù)。

關(guān)聯(lián)規(guī)則定義如下:假設(shè)O={i1,i2,i3,…,in}表示為n個(gè)項(xiàng)的電爐電能計(jì)量裝置異常數(shù)據(jù)的集合,任意一項(xiàng)il定義為數(shù)據(jù)項(xiàng)(item),在異常診斷數(shù)據(jù)集合中的任意一項(xiàng)子集C都可定義為數(shù)據(jù)項(xiàng)集(itemset),也可稱為項(xiàng)集;數(shù)據(jù)項(xiàng)集的長度可表示為l,則子集C存在于l數(shù)據(jù)項(xiàng)集中[23-25]。

假設(shè)Y是整體計(jì)量裝置異常診斷數(shù)據(jù)項(xiàng)集O中的任意子集,設(shè)yi={i1,i2,…,ij,ig},條件為Y?O,每個(gè)Y都表示為yid。由多個(gè)任意子集組成計(jì)量裝置異常診斷數(shù)據(jù)庫F,可表示為F={y1,y2,…,yi,yl}。數(shù)據(jù)集可用C表示,條件為C?O,定義N為F數(shù)據(jù)庫中含有C的數(shù)據(jù)數(shù)量,定義S為F數(shù)據(jù)庫全部的數(shù)據(jù)數(shù)量。關(guān)于項(xiàng)集的支持度公式如下:

(1)

式中:關(guān)聯(lián)規(guī)則的支持度sup()為數(shù)據(jù)項(xiàng)集C的重要程度。

關(guān)聯(lián)規(guī)則T的形式可表示為C?U的包含公式,且C?O,U?O及C∩U=?,C?U,假如C項(xiàng)集在F異常診斷數(shù)據(jù)庫中出現(xiàn),那么U肯定也會出現(xiàn),C決定著U的結(jié)果。由此證明挖掘到的異常數(shù)據(jù)集之間存在關(guān)聯(lián)規(guī)則。T支持度(support)表示為sup(T)=sup(C∪U),因?yàn)殛P(guān)聯(lián)規(guī)則T:C?U,關(guān)于T的置信度可用下式表示:

(2)

式中:conf()為關(guān)聯(lián)規(guī)則的置信度,可描述為可靠程度。

強(qiáng)關(guān)聯(lián)規(guī)則定義原理是數(shù)據(jù)空間內(nèi)的關(guān)聯(lián)規(guī)則需同時(shí)滿足兩個(gè)條件才可以實(shí)現(xiàn),分別為最小支持度和最小置信度[26]。

關(guān)聯(lián)規(guī)則的電爐電能計(jì)量裝置異常數(shù)據(jù)挖掘步驟如下:

(1)檢索挖掘出大于或等于最小支持度的全部異常診斷數(shù)據(jù)項(xiàng)集,也可表示為頻繁項(xiàng)集。

T:N?(S-N),sup(T)=sup(S),conf(T)=

sup(S)/sup(N)

設(shè)數(shù)據(jù)庫F={T1,T2,T3,T4,T5}如表1所示。

表1 關(guān)聯(lián)規(guī)則挖掘數(shù)據(jù)庫

設(shè)關(guān)聯(lián)規(guī)則的最小支持度min-sup=0.5,最小置信度min-conf=0.8,{N,R}定義為頻繁項(xiàng),在{N,R}中,sup(N)=0.8,sup(R)=0.6,sup(N,R)=0.6;若sup(N,R)/sup(N)=0.75或sup(N,R)/sup(R)=1.0,通過以上過程得到唯一的強(qiáng)關(guān)聯(lián)規(guī)則R?N[27]。通過上述過程在系統(tǒng)知識庫中挖掘電爐電能計(jì)量裝置異常狀態(tài)之間存在的聯(lián)系,在后續(xù)卷積神經(jīng)網(wǎng)絡(luò)模型異常診斷過程中提供電爐電能計(jì)量裝置異常類型的判斷依據(jù),由此對挖掘的數(shù)據(jù)集內(nèi)的異常數(shù)據(jù)展開關(guān)聯(lián)規(guī)則,實(shí)現(xiàn)檢測異常診斷。

2.3 基于卷積神經(jīng)網(wǎng)絡(luò)模型的異常診斷

基于計(jì)量裝置異常診斷系統(tǒng),將上述挖掘到的電爐電能計(jì)量裝置異常數(shù)據(jù)輸入到單卷積層和池化層的卷積神經(jīng)網(wǎng)絡(luò)中,通過學(xué)習(xí)和訓(xùn)練完成電爐電能計(jì)量裝置異常診斷。

采用一維過濾器對輸入數(shù)據(jù)特征展開提取,提取后輸進(jìn)池化層降采樣處理,可降低輸出節(jié)點(diǎn)之間的數(shù)量,通過Softmax回歸層將結(jié)果變換為概率分布,過濾器提取數(shù)據(jù)特征的過程如圖3所示。

圖3 一維過濾器提取特征圖

該模型的數(shù)據(jù)樣本定義為變量C,含有12個(gè)特征。一維過濾器個(gè)數(shù)定義為變量n,尺寸為n×1,則每個(gè)一維過濾器相對的輸出尺寸為(13-n)×1,該模型的連接數(shù)為(13-n)×(n+1)×n,網(wǎng)絡(luò)訓(xùn)練的估計(jì)數(shù)據(jù)數(shù)量為(n+1)×m,所以模型中卷積層第l個(gè)一維過濾器的結(jié)果表示如下:

(3)

池化層展開平均值方式操作,當(dāng)抽取該系統(tǒng)數(shù)據(jù)的樣本尺寸為O×1,也滿足O可以被13-n整除,可得到對應(yīng)的尺寸[(13-n)/O×1],過濾器相對的池化層輸出可用下式表示:

(4)

式中:βs2,j,l為過濾器池化層的第j個(gè)輸出。通過Softmax回歸層展開分類操作處理,得出分類概率。

本文采用反向傳播算法訓(xùn)練模型,通過不斷的更新和迭代達(dá)到預(yù)設(shè)的目標(biāo)范圍停止。該模型的目標(biāo)函數(shù)表示為

(5)

式中:n為該模型輸入數(shù)據(jù)的數(shù)量;i為Ci的輸入數(shù)據(jù);ui為輸出結(jié)果;G(Ci)為該模型的實(shí)際輸出。

卷積神經(jīng)網(wǎng)絡(luò)模型在電爐電能計(jì)量裝置異常診斷過程中訓(xùn)練過程可用描述為以下三個(gè)步驟:

(1)對該模型的各層級展開誤差項(xiàng)運(yùn)算。

計(jì)算輸出誤差項(xiàng)為

ζ=[u-G(C)]

(6)

式中:u為卷積神經(jīng)網(wǎng)絡(luò)模型的理想輸出;G(C)為該模型的實(shí)際輸出。若第K層和第K+1層的每個(gè)節(jié)點(diǎn)全部都和上層節(jié)點(diǎn)相連接,求第K層的誤差項(xiàng)為

ζ1=(E1)YζK+1×g′(xk)

(7)

式中:xK為卷積層第K層的過濾器節(jié)點(diǎn)的輸入;g′為求導(dǎo)函數(shù);求卷積層的誤差項(xiàng)為

(8)

(2)對卷積神經(jīng)網(wǎng)絡(luò)中的權(quán)重值E的偏導(dǎo)函數(shù)和偏置N的偏導(dǎo)函數(shù)展開如下計(jì)算:

(9)

式中:β1為K層的輸出結(jié)果。

(10)

(3)對卷積神經(jīng)網(wǎng)絡(luò)中的權(quán)重值E的偏導(dǎo)函數(shù)和偏置N的偏導(dǎo)函數(shù)展開迭代處理:

(11)

式中:β為該模型的學(xué)習(xí)率,且β∈[0,1]。

3 實(shí)驗(yàn)與分析

為了驗(yàn)證本文設(shè)計(jì)的基于關(guān)聯(lián)規(guī)則挖掘的電爐電能計(jì)量裝置異常診斷系統(tǒng)的整體有效性,選取電能計(jì)量柜為實(shí)驗(yàn)對象,對其異常進(jìn)行診斷測試,如圖4所示。

圖4 電能計(jì)量柜異常診斷

對電能計(jì)量柜參數(shù)進(jìn)行設(shè)置,如表2所示。

表2 實(shí)驗(yàn)參數(shù)設(shè)置

對額定的故障信號采集,異常信號變化如圖5所示。

圖5 異常信號突變采集圖

通過信號采集裝置采集異常信號的幅值、系統(tǒng)的結(jié)構(gòu)參數(shù)、噪聲強(qiáng)度和信號發(fā)生器的參數(shù),來進(jìn)行實(shí)時(shí)觀察發(fā)生故障異常后的過程。通過圖5可以看出,本文方法可以有效地采集相關(guān)的異常信號?，F(xiàn)采用本文設(shè)計(jì)的基于關(guān)聯(lián)規(guī)則挖掘的電爐電能計(jì)量裝置異常診斷系統(tǒng)、文獻(xiàn)[3]系統(tǒng)、文獻(xiàn)[4]系統(tǒng)和文獻(xiàn)[5]系統(tǒng)對電爐電能計(jì)量裝置展開異常診斷測試,測試結(jié)果如圖6～圖9所示。

圖6 本文設(shè)計(jì)的檢測結(jié)果

通過圖6得知,本文設(shè)計(jì)系統(tǒng)的計(jì)量裝置異常診斷檢測結(jié)果均是成功,分析圖7～圖9得知文獻(xiàn)[3]系統(tǒng)、文獻(xiàn)[4]系統(tǒng)和文獻(xiàn)[5]系統(tǒng)的檢測結(jié)果中均有部分檢測結(jié)果無法成功。由于本文設(shè)計(jì)系統(tǒng)在系統(tǒng)知識庫中通過數(shù)據(jù)挖掘獲取關(guān)聯(lián)規(guī)則,結(jié)合卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)電爐電能計(jì)量裝置異常診斷,提高了異常診斷的成功率。為了進(jìn)一步測試上述方法的異常診斷性能,采用上述方法對不同異常類型的電爐電能計(jì)量裝置展開診斷,診斷結(jié)果如圖10所示。

圖7 文獻(xiàn)[3]系統(tǒng)的檢測結(jié)果

圖8 文獻(xiàn)[4]系統(tǒng)的檢測結(jié)果

圖10 不同系統(tǒng)的診斷準(zhǔn)確率

通過上述測試可知,在計(jì)量裝置異常診斷測試中本文設(shè)計(jì)系統(tǒng)的實(shí)際數(shù)據(jù)樣本類型與測試樣本類型診斷基本符合。而文獻(xiàn)[3]系統(tǒng)、文獻(xiàn)[4]系統(tǒng)和文獻(xiàn)[5]系統(tǒng)的診斷結(jié)果中存在大部分樣本與實(shí)際異常類型不符的問題,相比之下本文設(shè)計(jì)系統(tǒng)的診斷準(zhǔn)確率更高。

4 結(jié) 語

由于電爐電能計(jì)量裝置目前應(yīng)用于多個(gè)領(lǐng)域,因此針對電爐電能計(jì)量裝置異常診斷系統(tǒng)方面仍存在診斷成功率低和診斷準(zhǔn)確率低的問題,應(yīng)對匹配該裝置的異常診斷系統(tǒng)進(jìn)行相對應(yīng)的提升優(yōu)化,對此,本文設(shè)計(jì)基于關(guān)聯(lián)規(guī)則挖掘的電爐電能計(jì)量裝置異常診斷系統(tǒng)。首先設(shè)計(jì)了系統(tǒng)的硬件部分,并組建了系統(tǒng)知識庫,在知識庫中挖掘關(guān)聯(lián)規(guī)則,結(jié)合卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)電爐電能計(jì)量裝置的異常診斷,該系統(tǒng)有效解決了目前系統(tǒng)中存在的問題,為電爐電能計(jì)量裝置安全、穩(wěn)定運(yùn)行提供了保障。