鄭克剛，袁安榮，雷 乾，張?zhí)煨?，吳世強，馮小兵

（國網(wǎng)重慶市電力公司銅梁供電分公司，重慶 402560）

0 引 言

近些年，隨著互聯(lián)網(wǎng)和信息化的迅速發(fā)展，電力行業(yè)也逐漸推進智能化管理［1－2］，各電力公司和供電企業(yè)不斷提升自身的客戶服務精益化管理水平。電能計量裝置作為關(guān)鍵性的電力企業(yè)和用戶結(jié)算的儀表工具，其運行狀態(tài)的正常與否會關(guān)系到計量結(jié)果的準確性和可靠性，并繼而影響到后續(xù)相關(guān)電力業(yè)務的開展。 在傳統(tǒng)的電能計量裝置的檢測工作中，主要是由人工巡檢完成，人工成本高且效率低；而隨著用電信息采集系統(tǒng)建設，當前系統(tǒng)內(nèi)已積累了海量計量裝置監(jiān)測數(shù)據(jù)，且計量裝置異常樣本也達到了一定的體量，故可開展遠程線上異常識別［3］，對計量裝置狀態(tài)進行識別。 從而可有效解決人工巡檢的不及時性和不準確性，節(jié)約時間和人工成本。

當前，部分研究機構(gòu)及專家已開展該方面的研究工作，如文獻［4］采用支持向量機構(gòu)建數(shù)據(jù)和任務并行化的故障診斷模型，實現(xiàn)對電能計量裝置運行異常特征、故障狀態(tài)的在線實時監(jiān)測。 文獻［5］基于電能表、電壓互感器和電流互感器的歷史故障、運行環(huán)境等數(shù)據(jù)，組建不同的評價指標，將模糊分析法與層次分析法相結(jié)合、對計量裝置的運行狀態(tài)進行評估。 文獻［6］使用營銷系統(tǒng)數(shù)據(jù)和計量生產(chǎn)調(diào)度平臺數(shù)據(jù)等參數(shù)，對電能表進行不同影響因素下的基礎(chǔ)測試，并以此建立評估模型對電能表進行狀態(tài)評估。 雖然上述方法均在一定程度上實現(xiàn)了計量裝置的遠程運行狀態(tài)監(jiān)測［7］，但由于未結(jié)合時序數(shù)據(jù)加以分析，導致監(jiān)測效果并不理想。 針對上述問題，本文提出了基于樽海鞘群優(yōu)化調(diào)參的計量裝置狀態(tài)識別模型。

1 整體過程描述

為了及時準確識別在電能計量裝置的運行狀態(tài)，本文構(gòu)建了基于樽海鞘群優(yōu)化網(wǎng)絡模型的計量裝置狀態(tài)識別方法。 模型整體流程如圖1 所示。

圖1 系統(tǒng)結(jié)構(gòu)框圖Fig. 1 Structure diagram of the system

本文首先利用小波分解對樣本集的數(shù)據(jù)進行分解，然后對分解出的高低頻數(shù)據(jù)特征作為計量裝置狀態(tài)的關(guān)聯(lián)時序特征，分析其與運行年限、生產(chǎn)廠家、狀態(tài)數(shù)據(jù)、運行環(huán)境等影響因素間的相關(guān)性，構(gòu)建相應的運行年限、生產(chǎn)廠家和運行環(huán)境調(diào)整因子。將小波分解后的狀態(tài)關(guān)聯(lián)時序特征與調(diào)整因子作為長短期記憶網(wǎng)絡輸入，而后利用長短期記憶網(wǎng)絡（LSTM）進行計量裝置狀態(tài)分類，輸出分類結(jié)果，基于輸出結(jié)果與真實結(jié)果構(gòu)建交叉熵損失函數(shù)，并根據(jù)損失函數(shù)進行反饋調(diào)參，再采用樽海鞘群算法優(yōu)化模型的調(diào)參過程，以提升調(diào)參速度與識別精準性。

2 基于樽海鞘群優(yōu)化調(diào)參的計量裝置狀態(tài)識別模型

本文針對電能計量裝置包含的電能表、電壓互感器、電流互感器進行遠程運行狀態(tài)監(jiān)測，異常狀態(tài)主要針對遠程數(shù)據(jù)可表征的電能表計量異常、電能表損壞、互感器損壞［8］。 通過用電信息采集系統(tǒng)的數(shù)據(jù)庫獲取涉及電能計量裝置狀態(tài)的樣本數(shù)據(jù)，加以匯總整理后進行數(shù)據(jù)預處理，構(gòu)建計量裝置狀態(tài)樣本集，然后按照70%、20%和10%比例分為訓練樣本集、驗證樣本集和測試樣本集。 電能計量裝置狀態(tài)數(shù)據(jù)的主要特征包括電壓、電流、用電量、相位、開關(guān)量、運行時間、運行環(huán)境數(shù)據(jù)等。

2.1 基于小波分解的特征提取與分析

針對上述樣本集數(shù)據(jù)的電壓、電流、用電量等曲線特征，采用小波分解［9］算法中的wavedec函數(shù)將特征數(shù)據(jù)進行D層小波分解，獲取小波分解系數(shù)矩陣C和矩陣內(nèi)系數(shù)的個數(shù)L：

其中，A為輸入的特征數(shù)據(jù)；M為分解層數(shù)；C為小波分解系數(shù)；sym4 表示小波變換方式；L為小波分解系數(shù)的個數(shù)，即矩陣內(nèi)系數(shù)的個數(shù)。 如經(jīng)過3層小波分解后，共包含4 個高低頻特征，分別是：1 個低頻近似特征值和3 個高頻細節(jié)特征值。

根據(jù)分解出的數(shù)據(jù)特征結(jié)合計量裝置樣本狀態(tài)、運行年限、生產(chǎn)廠家、狀態(tài)數(shù)據(jù)、運行環(huán)境等與計量裝置樣本狀態(tài)的相關(guān)性，構(gòu)建相應的運行年限、生產(chǎn)廠家和運行環(huán)境調(diào)整因子K。

2.2 構(gòu)建計量裝置狀態(tài)識別模型

本次電能計量裝置的運行狀態(tài)分為正常狀態(tài)、注意狀態(tài)和異常狀態(tài)。 采用LSTM 算法構(gòu)建計量裝置狀態(tài)識別模型，將小波分解后的狀態(tài)特征數(shù)據(jù)序列與調(diào)整因子K作為長短期記憶網(wǎng)絡的輸入，根據(jù)LSTM 算法中門控裝置的3 個控制門（輸入門、遺忘門和輸出門）來實現(xiàn)對輸入樣本集數(shù)據(jù)的識別和計量裝置狀態(tài)的判別。 3 個控制門控、記憶信息及輸出判別的數(shù)據(jù)處理過程可闡釋分述如下。

（1）更新忘記門輸出為：

更新輸入門2 部分輸出為：

（2）記憶信息狀態(tài)為：

（3）更新輸出門輸出為：

更新當前樣本的計量裝置狀態(tài)判別預測輸出為：

其中，Wf、Wi、Wa、Wo與Uf、Ui、Ua、Uo分別為輸入的隱藏層和輸入樣本的權(quán)重參數(shù)；t －1 為上一神經(jīng)單元；t為當前LSTM 神經(jīng)單元；bf、bi、ba、bo為偏移量參數(shù)。

將Softmax函數(shù)作為LSTM 神經(jīng)單元網(wǎng)絡訓練的最后一層，在經(jīng)過門控裝置的訓練后會輸出樣本狀態(tài)類別預測概率值，再利用多分類交叉熵損失函數(shù)計算出樣本數(shù)據(jù)的期望輸出預測概率值和實際輸出概率的誤差、即損失，Softmax函數(shù)定義如下：

其中，yi為樣本計量裝置狀態(tài)判別的預測輸出值，C為分類的類別個數(shù)。

基于輸出結(jié)果與真實結(jié)果構(gòu)建交叉熵損失函數(shù)，交叉熵損失函數(shù)定義如下：

其中，P為樣本的實際狀態(tài)類別；T為模型的判別輸出；C為分類的類別個數(shù)，這里，T ＝［softmax（y1），softmax（y2），…，softmax（yi ＝n）］。

根據(jù)損失函數(shù)構(gòu)建梯度反饋函數(shù)進行調(diào)參，采用樽海鞘群算法［10］提升LSTM 網(wǎng)絡的調(diào)參速度與精準性。 樽海鞘群算法（salp swarm algorithm，SSA）對一個D 維空間進行尋優(yōu)搜索，樽海鞘種群的個體數(shù)為N，樽海鞘種群的位置向量可由矩陣X表示：

食物的位置是所有樽海鞘個體的目標位置，樽海鞘個體領(lǐng)導者的位置根據(jù)食物的位置進行更新，其位置更新公式為：

其中，l為當前迭代次數(shù)，L為最大迭代次數(shù)。c1在搜索前期值較大，便于全局尋優(yōu)，迅速確定全局最優(yōu)點；在搜索后期值變小，起到局部開發(fā)的作用。c1起到平衡全局探索和局部開發(fā)的作用，是樽海鞘群算法中最重要的參數(shù)。

樽海鞘種群追隨者的位置移動規(guī)律，在求解過程中的時間就是迭代過程，設每次迭代過程中的時間t ＝1，每次迭代的初速度v0＝0，表示為：

式（12）和式（14）描述了整個樽海鞘群體內(nèi)部的移動機制。

利用樽海鞘群算法尋找計量裝置狀態(tài)識別模型的最優(yōu)參數(shù)的流程如下：

（1）初始化參數(shù)。 根據(jù)搜索空間每一維的上界與下界，初始化一個規(guī)模為D ×N的樽海鞘群，D表示參數(shù)個數(shù)，d∈［1，2，…，D］，在每一維空間中分別生成包含N個個體的隨機種群X，根據(jù)樽海鞘群算法，計算每個解xj（j ＝1，2，…，N） 的初始適應度，適應度為模型識別類別判別概率的提升，即參數(shù)θd為xi時，相比于當前θd值，其Softmax（yxj i） 概率值提升，則說明其適應度提升，二進制向量轉(zhuǎn)化為：

因此，只有對應于1 的xj被取出來表示適應度滿足條件，作為備選領(lǐng)導者的參數(shù)。

（2）選定目標位置。 由于實際調(diào)參過程中不知道目標參數(shù)的位置，因此，將樽海鞘群按照適應度值進行排序，排在首位的適應度最優(yōu)的樽海鞘的位置設為當前目標位置。

（3）選定領(lǐng)導者與追隨者。 選定目標位置后，群體中剩余N －1 個樽海鞘，按照樽海鞘群體的排序，將二進制向量為1 的樽海鞘視為領(lǐng)導者，其余樽海鞘視為追隨者。

（4）位置更新。 先根據(jù)式（12）更新領(lǐng)導者的位置，再根據(jù)式（14）更新追隨者的位置。

（6）重復步驟（3）～（5），直至達到一定迭代次數(shù)或適應度值達到終止門限、滿足終止條件后，輸出當前的解的位置作為目標的估計位置，即返回全局最優(yōu)解。

損失函數(shù)低于設定閾值后，固定參數(shù)，輸出計量裝置狀態(tài)識別模型，采用驗證集對該模型進行驗證，驗證準確率與召回率達到設定閾值后，輸出模型，否則繼續(xù)進行反饋優(yōu)化。

3 實驗結(jié)果與分析

實驗部分選取測試樣本集的數(shù)據(jù)對該模型的有效性進行測試。 在本文所提模型中輸入測試集中的樣本數(shù)據(jù)，記錄其準確率和召回率，同時，將本文算法與SVM、邏輯回歸、貝葉斯和BP 神經(jīng)網(wǎng)絡四種算法進行識別性能的對比。 在測試中，主要采用準確率、精確率和召回率三個指標來衡量，各指標定義具體如下。

（1） 準確率ACC（accuracy），計算公式為：

（2）精確率P（precision）。 計算公式為：

（3）召回率R（recall）。 計算公式為：

其中，TP、TN、FP、FN表示的含義見表1。

表1 參數(shù)含義Tab. 1 Parameters meaning

本文所提方法與其他4 種算法的性能對比結(jié)果見表2。

表2 算法性能對比Tab. 2 Performance comparison of algorithm%

此實驗分別對比了各種算法識別的準確率和召回率，可以看到，其他4 類算法雖也表現(xiàn)出不錯的識別性能，但是本文所提方法的準確率和召回率具有明顯的優(yōu)勢。 實驗結(jié)果表明，本文采用長短期記憶網(wǎng)絡構(gòu)建計量裝置狀態(tài)識別模型，有效提升了狀態(tài)識別的準確率和召回率。

消融實驗分別對3 組測試數(shù)據(jù)進行測試，控制變量是采用樽海鞘群算法和不采用樽海鞘群算法，精確度實驗結(jié)果和時間對比實驗結(jié)果分別如圖2 和圖3 所示。 其中，時間對比實驗是基于當前訓練完成后的模型，以測試樣本集作為二次訓練樣本集，將其識別準確度作為目標函數(shù)進行二次調(diào)參，對比傳統(tǒng)反饋調(diào)參方式，本文所提的樽海鞘群調(diào)參可在更短的時間內(nèi)完成參數(shù)尋優(yōu)過程，且由精確度對比數(shù)據(jù)可看出，樽海鞘群調(diào)參可基于全局探索跳出一定的局部最優(yōu)，從而有效提高了模型的識別性能。 從實驗結(jié)果圖可以看到，3 組數(shù)據(jù)都表現(xiàn)出了同一種趨勢，即采用樽海鞘群算法的模型具有更高的精確度和更快的調(diào)參速度，上述均表明本文所提計量裝置狀態(tài)識別模型具有良好的性能。

圖2 精度對比圖Fig. 2 Accuracy comparison chart

圖3 參數(shù)調(diào)整時間對比圖Fig. 3 Recognition time comparison chart

4 結(jié)束語

文中提出了一種基于樽海鞘群優(yōu)化網(wǎng)絡調(diào)參的計量裝置狀態(tài)識別模型，首先采用小波分解算法進行曲線特征分解，并構(gòu)建多因素的影響因子，隨后采用LSTM 算法構(gòu)建狀態(tài)識別模型，基于時序記憶的異常狀態(tài)識別提高了計量裝置狀態(tài)的識別準確率，并利用樽海鞘群算法提高了模型的調(diào)參速度，從而提升了整個異常識別方法的識別效率和準確率，模型具有極高的可用性和可靠性。 本文計量裝置狀態(tài)識別模型的提出，有效增強了供電公司客戶服務部門的數(shù)據(jù)分析能力，提升了客戶服務精益化管理水平。