基于極限學習機的用電數據異常動態監測系統

孫志杰，張艷麗，王利賽，劉繼鵬

（國網冀北電力有限公司計量中心，北京 100045）

用電數據的運行狀態會直接反映出用電系統的工作狀態，任何數據之間都存在相關性，為了保障監測系統的準確性，一方面系統不僅對電力系統的運行條件、環境、狀態進行監測[1]；另一方面還對儀器工作產生的數據進行監測，如果電力系統內用電數據出現超出或者與規定用電數據不達標的情況，即使對電力系統監測無誤，也需要對異常電力數據進行分析[2]，及時診斷出電力系統的故障，保障電網的用電安全。傳統的基于大數據挖掘的異常用電監測方法[3]與基于局部離群因子的電力系統數據檢測方法[4]，在進行數據分析時不能降低網絡權重，存在分析迭代次數多、分析范圍小的問題。為了解決目前用電數據異常動態監測系統存在的應用問題，該文設計的系統不僅融入了極限學習機網絡訓練方法，還借助格蘭杰因果關系理論，完成對用電數據的分析，提高異常數據的監測準確度。

1 系統硬件設計

該文設計的基于極限學習機[5]的用電數據異常動態監測系統硬件結構如圖1 所示。

圖1 系統硬件結構

1.1 服務器接收端

服務器接收端的工作任務是調用監測系統的發動機，協助軟件區域的交叉監測方法完成監測任務[6]，為了提高系統的運行效率，選擇Hg-56 服務器接收端完成系統的設計。此服務器的傳輸數據速率為20 M/s，器件運行后臺與GPS 技術、電頻測量器等器件相互協調[7]，完成監測任務。服務器接收端的負載率小于50%，向其他器件發送數據幀的頻率為50 幀每秒，服務器每秒可以處理15 萬個節點的數據。服務器接收端結構如圖2 所示。

圖2 服務器接收端結構

1.2 麒麟980芯片

考慮到基于極限學習機的用電數據異常動態監測系統的工作性質，該文選擇麒麟980 系列的超薄芯片[8]，此芯片與其他器件連接遵守IEC0061970 組件的通信原則，可識別任何格式的編程語言，芯片內存儲的內容可以根據實時的需求，進行維護和修改。芯片示意圖如圖3 所示。

圖3 麒麟980芯片示意圖

硬件區域內所有的連接接口都采用非實時的CIS 接口，可以完成數據訪問和數據模型的導入。

1.3 數據通信器

數據通信器在該文設計系統中的作用是將監測到的數據傳輸給管理中心，并且在數據監測過程中完成監測需要的數據通信[9]。數據通信器的傳輸實驗為10 ms，器件單個向量數據包的大小為64 字節，系統內各個器件之間數據的傳輸時間為5 ms，可以滿足用電異常數據監測系統的需求。

2 系統軟件設計

2.1 極限學習機工作原理

極限學習機算法簡稱為ELM，是目前最簡便的單隱層神經網絡訓練方法，具有較高的訓練學習速度和學習精度[10]。極限學習機算法的本質是一個集合，用來計算訓練集合內部存儲數據的狀態。因為數據的性質，集合存在多個隱層，存儲不同類型的節點，初始化極限學習機算法的集合網絡如下：

其中，g(·)表示激活函數表示連接第i個隱層節點的輸出權重向量；表示第i個隱層節點的輸入權重向量；bi表示第i個隱層節點的偏置系數；l表示集合內隱層節點的數量；β表示單隱層訓練網絡；i表示集合內需要訓練的數據樣本。

極限學習機算法將需要訓練的數據樣本收納到集合內，首先對集合內所有的數據進行分層處理[11]，將相同數據屬性的數據存儲在集合的同一隱層，為后期數據分析奠定數據基礎。集合內部的分層遵守以下規則：

其中，T表示隱層節點的輸出矩陣；p表示期望輸出矩陣，其他未知數的意義同上。

每一個隱層內數據樣本的個數是有限的，當每層存儲滿后，立即輸出此隱層的逆矩陣，數據層不再接收數據[12]。集合內所有數據完成分層后，即可進行數據訓練。算法對數據進行訓練是以每個隱層為單位進行工作，根據每個隱層初始化的輸出權重和隱層的偏置值完成數據的訓練[13]，尋找集合內隱層的數據是否存在異常數據，如果存在則將隱層內的所有數據和異常數據輸出，等待處理；如果不存在，則直接保存隱層內的數據。極限學習機算法的網絡權重參數的值越小，表示數據訓練的精度越大，此算法的優勢在于根據最小范數參數可以保證數據集合的最小數據訓練誤差[14]，另外極限學習機算法對于數據訓練速度快，并且在訓練計算過程中可以保證數據的安全性。

2.2 格蘭杰因果檢驗

因為極限學習機算法只是完成異常數據的初次篩選，為了提高該文設計系統監測的準確性，在極限學習機算法的基礎上應用了格蘭杰因果檢驗方法，對極限學習機算法訓練結果進行檢驗[15]。格蘭杰因果檢驗的原理是利用計量檢驗每個數據之間關系，一旦相同隱層內的數據變量關系不符合關系設定，那么此層次內存在異常數據。格蘭杰因果檢驗方法要求被計算的變量時間序列具有平穩性，并且向量之間是同階的關系。如果通過格蘭杰因果檢驗方法計算出極限學習機算法輸出的異常數據與對應隱層集合內的數據存在因果關系，那么此異常數據是誤判的，應是正常數據。反之，此異常數據是真實的異常數據。

2.3 用電數據異常動態監測

該文設計的系統對異常數據動態監測的核心是觀察異常數據幀的三相總功率的波動情況，當異常數據幀的三相總功率因子大于0.5，并且功率實時處于不規律的狀態下，需要發出警告。通過以上算法計算出用電數據集合內的異常數據，然后調用系統持續對異常數據進行長期監測，保證用電系統的安全，具體監測流程如下：首先，調用系統的數據采集器采集需要監測的用電系統內近期的數據。然后，調用極限學習機算法和格蘭杰因果檢驗方法對需要監測的用電系統進行數據訓練和數據分析。最后，根據輸出結果確定用電異常數據對應的數據幀[16]，利用用電系統有效功率的輸出情況，開始實時動態監測。如果用電異常數據的有效功率和數據幀的異常率持續5 min 高于20%，則向調度員發送實時的告警信息。

3 實驗分析

通過以上的論述，完成了基于極限學習機的用電數據異常動態監測系統的設計，為了檢驗系統的性能，進行了實驗對比測試。測試選擇基于大數據挖掘的異常用電監測方法（以下統稱為傳統系統1）和基于葉根載荷辨識方法的用電數據異常動態監測系統（以下統稱為傳統系統2）共同完成實驗測試。實驗測試選擇的用電系統是沈陽市陽光街道的用電系統，將3 種監測方法同時接入用電系統中進行測試，測試時間為48 h，如果在規定前24 h 內，此用電系統內的數據不存在異常數據，那么在剩余的時間內，對此用電系統進行人工異常數據的干預，使得系統內的數據出現異常狀態，完成系統性能的檢驗。如果存在數據異常情況，則不需對實驗進行干預，在規定時間內結束實驗即可。

1）準確性

實驗結束后，首先將三套系統輸出的用電異常數據幀的基本信息與人工干預形成的用電異常數據幀的信息進程匹配，匹配結果顯示，傳統系統1 和該文設計的系統都能準確定位到異常的用電數據，傳統系統2 對于異常數據的定位存在偏差。因此傳統系統2 不具有對比的條件。接下來計算兩套系統輸出用電異常數據與真實的用電異常數據的精準度，實驗結果如圖4 所示。

圖4 精準度實驗結果

由圖4 可知，該文設計系統對于用電異常數據動態監測的精準度始終較高，但是傳統系統1 的監測精準度隨著用電異常數據樣本增加而降低，不具有穩定性，并且個別異常數據幀的誤差率超過了標準。

2）靈敏性

在用電異常數據準確定位的基礎上，繼續分析系統對用電異常數據動態監測的靈敏性，此靈敏性是系統性能的重要評估指標，監測系統的靈敏性越高，表示系統對于異常數據變化參數的捕獲量越多，對于異常數據的波動監測效果越真實。系統靈敏性對比如圖5 所示。

由圖5 可知，該文設計的基于極限學習動態監測系統輸出的用電異常監測數據絕對誤差較小，兩套傳統系統對于系統輸出的用電異常監測數據始終趨近于穩定，在數據中不能展現出異常數據的波動趨勢以及其他信息，只是對異常用電數據進行追蹤，沒有對異常數據的波動進一步分析和預測。基于極限學習的用電數據異常動態監測系統卻具有此功能，對異常用電數據進行深度解析，不僅監測異常數據的波動情況，而且對可能影響異常數據波動的因素也同時進行監測，從而使得用電異常數據動態變化時，系統響應的時間快于傳統的系統，具有較高的靈敏性。

圖5 系統靈敏性對比

綜上所述，該文設計的基于極限學習機的用電數據異常動態監測系統對于異常數據的定位具有較高的準確性，在對異常數據監測的過程中，誤差幾乎為零，并可以在不同狀態內作出反應，保障用電系統的運行安全。

4 結束語

數據監測是診斷用電系統運行狀態的關鍵，該文設計的基于極限學習機的用電數據異常動態監測系統在對數據進行分析時，采用極限學習機方法，提高對用電數據分析訓練的速度和精度，但是極限學習機方法在對數據進行訓練時，具有不穩定性，為了解決該問題，在系統的軟件區域增加了格蘭杰因果檢驗策略，對系統監測的異常用電數據進行檢驗，提高監測系統工作的準確度。該文設計的監測系統，可以提前對電力系統的故障發出預警，促進用電系統安全性的發展。