盧翔智 吳曉強(qiáng) 李慧 杜錦陽 鄭茵

摘 要：針對計(jì)量自動(dòng)化終端在運(yùn)行過程中因性能退化或故障，導(dǎo)致整個(gè)電力系統(tǒng)運(yùn)行不穩(wěn)定，而現(xiàn)有計(jì)量自動(dòng)化終端自動(dòng)診斷無法及時(shí)或提前預(yù)判其故障的問題，研究基于邊緣計(jì)算框架，通過引入GBDT故障檢測模型，提出一種基于邊緣計(jì)算的計(jì)量自動(dòng)化終端自我評估診斷系統(tǒng)，并完成了系統(tǒng)的硬件和軟件設(shè)計(jì)。最后通過仿真實(shí)驗(yàn)，對GBDT故障檢測模型進(jìn)行了驗(yàn)證，以及對整個(gè)系統(tǒng)進(jìn)行了測試。結(jié)果表明，GBDT模型在精準(zhǔn)率、召回率、F1值上表現(xiàn)良好，識別的準(zhǔn)確率高于CART模型、RF模型，達(dá)到98.82%，具有一定的優(yōu)越性，可用于計(jì)量自動(dòng)化終端故障的檢測與識別;本系統(tǒng)可實(shí)現(xiàn)計(jì)量自動(dòng)化終端的趨勢監(jiān)測和故障預(yù)測，相較于傳統(tǒng)計(jì)量自動(dòng)化終端診斷系統(tǒng)，具有更高安全性和實(shí)時(shí)性，可用于實(shí)際計(jì)量自動(dòng)化終端自我評估診斷。

關(guān)鍵詞：GBDT模型;邊緣計(jì)算;計(jì)量自動(dòng)化終端;自動(dòng)診斷

中圖分類號：TM933.4 文獻(xiàn)標(biāo)識碼：A 文章編號：1001-5922（2021）05-0088-05

Research on self Evaluation and Diagnosis technology of Measurement Automation Terminal based on edge Computing

Lu Xiangzhi， Wu Xiaoqiang，Li Hui，Du Jinyang，Zhen Yin

（Measurement center of Guangzhou Power Supply Co.， Ltd.， Guangzhou 510700， China）

Abstract：Due to the performance degradation or fault of metering automation terminal in the operation process， the whole power system is unsTab， and the existing metering automation terminal automatic diagnosis can not predict the fault in time or in advance. Based on the edge computing framework， by introducing the gbdt fault detection model， a self-evaluation diagnosis method of metering automation terminal based on edge computing is proposed The hardware and software of the system are designed. Finally， through the simulation experiment， the gbdt fault detection model is verified，and the whole system is tested. The results show that gbdt model performs well in accuracy， recall rate and F1 value，and the recognition accuracy is higher than cart model and RF model， reaching 98.82%. which has certain advantages and can be used for fault detection and recognition of metering automation terminal; this system can realize trend monitoring and fault prediction of metering automation terminal， and is more effective than traditional metering automation terminal diagnosis system It has higher security and real-time，and can be used for self-evaluation and diagnosis of actual measurement automation terminal.

Key words：Gbdt model; Edge computing; Measurement automation terminal; Automatic diagnosis

隨著電力工業(yè)的快速發(fā)展，電力計(jì)量自動(dòng)化終端的應(yīng)用越來越廣泛。電力計(jì)量自動(dòng)化終端是電力系統(tǒng)的關(guān)鍵組成，其是否健康穩(wěn)定運(yùn)行決定了整個(gè)電力系統(tǒng)的運(yùn)行情況。然而由于外部環(huán)境和系統(tǒng)干擾等因素的影響，計(jì)量自動(dòng)化終端容易出現(xiàn)各種故障問題。為確保計(jì)量自動(dòng)化終端的穩(wěn)定運(yùn)行，有必要對其進(jìn)行故障檢測。目前，主要是通過人工定期檢測或校準(zhǔn)以發(fā)現(xiàn)計(jì)量自動(dòng)化終端的故障和潛在故障。這種方法雖然可排除一定的計(jì)量自動(dòng)化終端故障，但其對故障的識別率不高，且工作量較大，工作效率也較低。近年來，人工智能技術(shù)的發(fā)展為計(jì)量自動(dòng)化終端的故障診斷帶來了新的契機(jī)。王宏等（2021）[1]、吳瀛等（2021）[2]、張金金等（2021）[3]基于CART模型和RF模型等故障檢測技術(shù)，實(shí)現(xiàn)了對關(guān)口計(jì)量裝置的運(yùn)行狀態(tài)的快速評估，提高了計(jì)量裝置的評估效率。但由于上述方法通常存在泛化能力較低的問題。因此，為解決該問題，研究通過GBDT故障檢測技術(shù)，并采用邊緣計(jì)算技術(shù)框架，提出一種基于邊緣計(jì)算的計(jì)量自動(dòng)化終端自我評估與診斷系統(tǒng)，實(shí)現(xiàn)了計(jì)量自動(dòng)化終端自我評估診斷。

1 基本方法

1.1 GBDT故障檢測

GBDT模型是一種迭代的決策樹算法。該模型以決策樹作為基分類器，通過迭代可在殘差減少的梯度方向建立新的決策樹，并累加所有樹的結(jié)果，改進(jìn)了決策樹算法，具有良好的分類效果和較強(qiáng)的泛化能力[4]。其基本原理是假設(shè)第k-1輪迭代的強(qiáng)學(xué)習(xí)器為，損失函數(shù)為，第k輪迭代目標(biāo)是得到一個(gè)弱學(xué)習(xí)器hk（x），讓第k輪的損失函數(shù)最小;然后對k進(jìn)行迭代，以使最終損失最小。

對于二分類問題，假設(shè)，i=1，2，…，n為訓(xùn)練樣本，q為模型特征數(shù)量。其中，n表示樣本數(shù)量，yi表示第i個(gè)樣本的實(shí)際標(biāo)簽，? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 表示第i個(gè)樣本的輸入數(shù)據(jù)。采用GBDT模型選取對數(shù)損失函數(shù)，即：

1.2 邊緣計(jì)算

邊緣計(jì)算是一種在物聯(lián)網(wǎng)、高帶寬背景下發(fā)展起來的新興技術(shù)，其核心在于可集中應(yīng)用服務(wù)、計(jì)算、存儲(chǔ)等于數(shù)據(jù)源的一端，進(jìn)而降低數(shù)據(jù)中心的壓力，提高數(shù)據(jù)的安全性[5]。整個(gè)邊緣計(jì)算包括設(shè)備層、邊緣主機(jī)層、終端云層，如圖1所示。其中，設(shè)備層主要負(fù)責(zé)監(jiān)測、采集信號數(shù)據(jù)，包括各種監(jiān)測部件、監(jiān)測設(shè)備、監(jiān)測系統(tǒng)等;邊緣主機(jī)層主要負(fù)責(zé)對設(shè)備層采集的信號數(shù)據(jù)進(jìn)行處理分析，并將結(jié)果上傳到終端云層;終端云層主要負(fù)責(zé)對接收的信號結(jié)果進(jìn)行進(jìn)一步分析，并通過控制軟件將用戶需要查看的數(shù)據(jù)進(jìn)行上傳，以降低數(shù)據(jù)的傳輸量。

考慮到計(jì)量自動(dòng)化終端的特殊應(yīng)用環(huán)境，本研究結(jié)合邊緣計(jì)算技術(shù)與GBDT故障預(yù)測技術(shù)，設(shè)計(jì)了一種計(jì)量自動(dòng)化終端自我評估診斷系統(tǒng)，通過將計(jì)算和存儲(chǔ)前移到數(shù)據(jù)采集前端，在平臺端使用GBDT故障預(yù)測技術(shù)進(jìn)行預(yù)測和健康狀態(tài)評估，實(shí)現(xiàn)了計(jì)量自動(dòng)化終端自我評估診斷。

2 系統(tǒng)架構(gòu)

基于邊緣計(jì)算的計(jì)量自動(dòng)化終端自我評估診斷系統(tǒng)的主要功能是通過處理分析計(jì)量自動(dòng)化終端的狀態(tài)數(shù)據(jù)，實(shí)現(xiàn)其的自我評估診斷。因此，根據(jù)系統(tǒng)功能需求，研究將系統(tǒng)整體架構(gòu)設(shè)計(jì)為如圖2所示。系統(tǒng)包括數(shù)據(jù)感知、數(shù)據(jù)處理、上位機(jī)三個(gè)模塊。數(shù)據(jù)感知模塊主要通過變頻器等傳感器采集計(jì)量自動(dòng)化終端狀態(tài)的信號數(shù)據(jù)，并將數(shù)據(jù)傳送到數(shù)據(jù)處理模塊;數(shù)據(jù)處理模塊接收到數(shù)據(jù)后，主要負(fù)責(zé)對數(shù)據(jù)進(jìn)行特征提取、故障預(yù)測等處理，并上傳處理結(jié)果到上位機(jī)模塊，同時(shí)進(jìn)行存儲(chǔ);上位機(jī)模塊主要負(fù)責(zé)配置系統(tǒng)采樣參數(shù)和顯示預(yù)測結(jié)果及數(shù)據(jù)管理等。其中，數(shù)據(jù)處理模塊是整個(gè)系統(tǒng)的核心模塊，本研究將重點(diǎn)對該模塊進(jìn)行設(shè)計(jì)。

3 系統(tǒng)設(shè)計(jì)

3.1 硬件設(shè)計(jì)

3.1.1 數(shù)據(jù)感知模塊

數(shù)據(jù)感知主要用于獲取計(jì)量自動(dòng)化終端的全面狀態(tài)信息，可通過震動(dòng)傳感器、溫度傳感器、壓力傳感器采集計(jì)量自動(dòng)化終端的信號，通過總線可采集計(jì)量自動(dòng)化總段的電壓電流信號、溫度信號和電源機(jī)柜的電壓信號。

3.1.2 數(shù)據(jù)處理模塊

數(shù)據(jù)處理模塊是計(jì)量自動(dòng)化終端自我評估診斷系統(tǒng)的核心組成，主要包括電源數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)輸入、集成控制器四個(gè)子模塊。本系統(tǒng)電源由控制器提供;數(shù)據(jù)輸入用戶解析和預(yù)處理BIT總線信號數(shù)據(jù);數(shù)據(jù)存儲(chǔ)用于存儲(chǔ)采集的數(shù)據(jù);集成控制器主要負(fù)責(zé)數(shù)據(jù)特征提取、狀態(tài)識別和故障預(yù)測，以及上傳結(jié)果至上位機(jī)等功能實(shí)現(xiàn)，如圖3所示，安裝于加固機(jī)箱內(nèi)。

其中，集成控制器主要采用GBDT算法構(gòu)建計(jì)量自動(dòng)化終端監(jiān)測或提前預(yù)判故障模型，以實(shí)現(xiàn)計(jì)量自動(dòng)化終端的狀態(tài)識別和故障預(yù)判，進(jìn)而實(shí)現(xiàn)計(jì)量自動(dòng)化終端的自我評估與診斷?；贕BDT的計(jì)量自動(dòng)化終端識別模型具體構(gòu)建步驟如下：

步驟1：提取計(jì)量自動(dòng)化終端的特征指標(biāo)，包括計(jì)量自動(dòng)化終端的屬性數(shù)據(jù)、故障數(shù)據(jù)、電量數(shù)據(jù)等相關(guān)數(shù)據(jù)，假設(shè)計(jì)量自動(dòng)化終端異常的發(fā)現(xiàn)時(shí)間前k（k=15）天，按照一定規(guī)則提取電量特征、時(shí)間特征、天氣特征三個(gè)維度的特征，即可得到計(jì)量自動(dòng)化終端的29個(gè)特征指標(biāo)，如表1[6]所示。

步驟2：對提取的特征指標(biāo)進(jìn)行預(yù)處理，包括數(shù)據(jù)清洗、數(shù)據(jù)融合等處理，形成計(jì)量自動(dòng)化終端數(shù)據(jù)寬表。

步驟3：將處理后的數(shù)據(jù)樣本輸入GBDT模型進(jìn)行訓(xùn)練，其輸出項(xiàng)即為計(jì)量自動(dòng)化終端是否發(fā)生故障和預(yù)測故障的概率。

步驟4：將訓(xùn)練好的GBDT模型應(yīng)用到測試集評價(jià)模型，若模型識別故障效果良好，則直接輸出該模型結(jié)果;若模型識別故障效果不佳，則優(yōu)化模型參數(shù)重新建立模型，直到模型達(dá)到最佳，并輸出最佳模型識別結(jié)果。

上述構(gòu)建流程可用圖4表示。

最后，將GBDT模型輸出結(jié)果上傳至上位機(jī)進(jìn)行顯示與管理，即實(shí)現(xiàn)了計(jì)量自動(dòng)化終端的數(shù)據(jù)處理。

3.1.3 上位機(jī)模塊

為滿足實(shí)際計(jì)量自動(dòng)化縱斷的狀態(tài)監(jiān)測和故障預(yù)測需求，研究將上位機(jī)模塊分為參數(shù)配置、數(shù)據(jù)管理、數(shù)據(jù)顯示、數(shù)據(jù)分析四個(gè)子模塊進(jìn)行設(shè)計(jì)。參數(shù)配置主要是對通道和信號采集的采樣率進(jìn)行配置，以滿足計(jì)量自動(dòng)化終端的實(shí)際需求;數(shù)據(jù)管理主要是將下位機(jī)硬盤中的數(shù)據(jù)傳輸?shù)缴衔粰C(jī)電腦中，以便于后續(xù)的數(shù)據(jù)分析;數(shù)據(jù)顯示與數(shù)據(jù)管理相互配合，可向用戶展示計(jì)量自動(dòng)化終端的實(shí)時(shí)監(jiān)測情況;數(shù)據(jù)分析配合數(shù)據(jù)管理，主要是對上位機(jī)的狀態(tài)識別和故障預(yù)測等數(shù)據(jù)進(jìn)行分析。

3.2 軟件設(shè)計(jì)

本系統(tǒng)軟件Labview軟件進(jìn)行開發(fā)，使系統(tǒng)具備數(shù)據(jù)采集與存儲(chǔ)、數(shù)據(jù)顯示與查看、網(wǎng)絡(luò)通信等功能。對于數(shù)據(jù)任務(wù)配置，可由測試人員根據(jù)實(shí)際需求在上位機(jī)上進(jìn)行靈活配置;對于數(shù)據(jù)存儲(chǔ)，采用支持多種文件格式的存儲(chǔ)的形式。系統(tǒng)軟件平臺結(jié)構(gòu)如圖5所示。

4 仿真實(shí)驗(yàn)

4.1 系統(tǒng)環(huán)境

本系統(tǒng)采用NI公司的Labview軟件進(jìn)行開發(fā)。該軟件安裝于上位機(jī)模塊中的計(jì)算機(jī)，進(jìn)而實(shí)現(xiàn)對系統(tǒng)的操作于控制。

4.2 界面展示

由于篇幅限制，本研究僅對系統(tǒng)主要界面，數(shù)據(jù)管理界面、數(shù)據(jù)分析界面、數(shù)據(jù)顯示界面進(jìn)行展示，如圖6～8所示，用戶根據(jù)界面提示可進(jìn)行相應(yīng)操作。

4.3 模型驗(yàn)證

4.3.1 評價(jià)指標(biāo)

本研究選用精準(zhǔn)率（P）、召回率（R）、F1值、真正率（TPR）、假正率（FPR）作為評估模型性能的指標(biāo)，計(jì)算方法如式（2）～（6）[7-8]。P值、R值、F1值表示模型性能越好。

P=TP/（TP+FP）

R=TP/（TP+FN）

F1=2PR/（P+R）

TPR=TP/（TP+FN）

FPR=FP/（FP+TN）

式中，TP表示真正例、FP表示假正例、FN表示假反例，TN真反例。

4.3.2 數(shù)據(jù)來源

研究選用某地區(qū)2020年1月至6月低壓用戶的單相電能表相關(guān)數(shù)據(jù)，通過篩選得到12760只單相電能表相關(guān)數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)集。采用隨機(jī)劃分方法選取數(shù)據(jù)集的20%作為測試集，80%作為訓(xùn)練集，對模型進(jìn)行訓(xùn)練和測試。

4.3.3 結(jié)果與分析

（1）模型對比。為驗(yàn)證GBDT模型的分類性能，研究在同等條件下（故障發(fā)生前天數(shù)k=15）對比了該模型與常用于計(jì)量自動(dòng)化終端故障識別的分決策樹CART和隨機(jī)森林RF模型的識別效果。其中，GBDT模型參數(shù)和CART模型參數(shù)設(shè)置均參考文獻(xiàn)[9]，GBDT模型參數(shù)最大深度設(shè)置為4，決策樹棵數(shù)設(shè)置為16，CART模型參數(shù)最優(yōu)決策樹棵數(shù)為10。將訓(xùn)練好的GBDT模型、CART模型、RF模型應(yīng)用于測試集，得到不同模型的分類結(jié)果結(jié)果如表2所示。由表可知，相較于CART模型和RF模型，本研究的GBDT模型在精準(zhǔn)率、召回率、F1值上表現(xiàn)良好，識別的準(zhǔn)確率最高，達(dá)到98.82%，說明GBDT模型具有一定的優(yōu)越性。

為進(jìn)一步證明GBDT模型的優(yōu)越性，研究將三種模型的假正率和真正率作為橫坐標(biāo)，繪制了三種模型的ROC曲線圖，如圖9所示。ROC曲線越接近點(diǎn)（0，1），則曲線下的面積AUC值越接近1，表示模型性能越好[10]。由圖可知，GBDT模型的曲線更接近點(diǎn)（0，1），其AUC值最大，為0.995。由此說明，相較于CART模型和RF模型，本研究的GBDT模型性能更好。

綜上可知，GBDT模型具有一定分類優(yōu)越性，可用于計(jì)量自動(dòng)化終端的故障識別。

（2）模型應(yīng)用。為驗(yàn)證GBDT模型的可行性和有效性，研究選用某地區(qū)2020年7月至8月的6760只低壓用戶單向電能表數(shù)據(jù)進(jìn)行驗(yàn)證，結(jié)果如表3所示。由表可知，GBDT模型診斷正確識別出5320只故障電能表，漏判271只故障電能表，誤判693只故障電能表。

為更直觀地展示模型檢測結(jié)果，研究將上表轉(zhuǎn)化為評價(jià)指標(biāo)結(jié)果，如表4所示。由表可知，GBDT模型在精準(zhǔn)率、召回率、F1值上表現(xiàn)良好，達(dá)到85%以上，說明GBDT模型的故障診斷整體準(zhǔn)確率較高，可用于計(jì)量自動(dòng)化終端電能表的日常檢測和維護(hù)，在線實(shí)時(shí)診斷、提前預(yù)判計(jì)量自動(dòng)化終端故障，提高計(jì)量自動(dòng)化終端的故障管控能力。

4.4 系統(tǒng)測試

為驗(yàn)證本系統(tǒng)的有效性，研究在同等條件下，分別采用本系統(tǒng)與傳統(tǒng)計(jì)量自動(dòng)化終端故障檢測系統(tǒng)對計(jì)量自動(dòng)化終端進(jìn)行狀態(tài)監(jiān)測，結(jié)果如表5所示。由表可知，相較于大部分傳統(tǒng)計(jì)量自動(dòng)化終端故障監(jiān)測系統(tǒng)，本系統(tǒng)可實(shí)現(xiàn)計(jì)量自動(dòng)化終端的趨勢監(jiān)測和故障預(yù)測，具有更高安全性和實(shí)時(shí)性，提高了系統(tǒng)故障診斷的工作效率，且本系統(tǒng)對硬件、軟件要求更低，同時(shí)還可優(yōu)化備件，降低了系統(tǒng)維護(hù)成本，具有更大的推廣潛力。

5 結(jié)語

綜上所述，本研究基于邊緣計(jì)算的計(jì)量自動(dòng)化終端自我評估與診斷系統(tǒng)，可通過引入的GBDT模型實(shí)現(xiàn)對計(jì)量自動(dòng)化終端故障的準(zhǔn)確識別，識別準(zhǔn)確率達(dá)到98.82%，優(yōu)于傳統(tǒng)計(jì)量自動(dòng)化終端故障識別模型CART模型和RF模型;將GBDT模型應(yīng)用于本系統(tǒng)，可實(shí)現(xiàn)計(jì)量自動(dòng)化終端故障的在線實(shí)時(shí)診斷和提前預(yù)判，提高了計(jì)量自動(dòng)化終端的故障管控能力;本系統(tǒng)具有較高安全性和實(shí)時(shí)性，可應(yīng)用于實(shí)際計(jì)量自動(dòng)化終端的自我評估與診斷，具有一定的實(shí)際意義。

參考文獻(xiàn)

[1]王宏，張強(qiáng)，王穎，等. 基于ELM的改進(jìn)CART決策樹回歸算法[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用，2021，30（02）：201-206.

[2]吳瀛，陳崇明，姚棟方. 基于決策樹算法的關(guān)口計(jì)量裝置運(yùn)行狀態(tài)評估[J]. 電測與儀表，2021，58（02）：183-189.

[3]張金金，張倩，馬愿，等. 基于IRF和DBSCAN的短期負(fù)荷頻域預(yù)測方法[J/OL]. 控制理論與應(yīng)用：1-9[2021-04-08].

[4]趙金超，李儀，王冬，等.基于優(yōu)化的隨機(jī)森林心臟病預(yù)測算法[J]. 青島科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，42（02）：112-118.

[5]李聰，劉通. 融合區(qū)塊鏈與邊緣計(jì)算系統(tǒng)中基于最小化網(wǎng)絡(luò)時(shí)延的TOSML優(yōu)化方案[J/OL]. 南陽師范學(xué)院學(xué)報(bào)：1-6[2021-04-08].

[6]李彬，郝一浩，祁兵，等. 邊緣計(jì)算在需求響應(yīng)中的應(yīng)用現(xiàn)狀及發(fā)展思路[J].華電技術(shù)，2021，43（03）：1-8.

[7]賈慶民，丁瑞，劉輝，等. 算力網(wǎng)絡(luò)研究進(jìn)展綜述[J/OL]. 網(wǎng)絡(luò)與信息安全學(xué)報(bào)：1-12[2021-04-08].

[8]李煒，蔣越，閔江松，等.邊緣計(jì)算環(huán)境下自適應(yīng)移動(dòng)路徑感知的用戶分配算法[J/OL].計(jì)算機(jī)集成制造系統(tǒng)：1-17[2021-04-08].

[9]魏健，趙紅濤，劉敦楠，等. 基于集成模型的超短時(shí)負(fù)荷預(yù)測方法[J]. 計(jì)算機(jī)與現(xiàn)代化，2021（03）：12-17.

[10]谷宇峰，張道勇，鮑志東. PSO-GBDT識別致密砂巖儲(chǔ)集層巖性研究——以姬塬油田西部長4+5段為例[J/OL]. 礦物巖石地球化學(xué)通報(bào)：1-11[2021-04-08].