基于神經網絡的輸電線路多傳感器時間序列異常檢測

劉 軍 劉文波 聶萬慶 鄒 兵

1.勝利石油管理局有限公司 山東東營 257000 2.勝利石油管理局有限公司電力分公司 山東東營 257000

1 研究背景

輸電線路作為電力系統的重要組成部分,承擔著保障整個電力系統正常運行的任務。我國國土幅員遼闊,輸電線路分布極為廣泛,工作環境千變萬化,各種異常事件經常發生,如由風偏引起的風偏放電、由雷擊引起的閃絡、由過高樹枝及其它環境因素引起的異常放電等。這些異常事件會導致電力系統工作異常,并可能會產生嚴重的經濟損失。因此,定期監測輸電線路的工作情況,正確識別異常工作狀態,具有重要意義。

隨著物聯網技術的快速發展,各種先進的傳感器技術不斷涌現,可以實現對輸電線路各種狀態的實時監控,如絕緣子串風偏角、溫濕度、電磁信號、天氣情況等,進而使技術人員能夠全面了解輸電線路的工作狀態,為桿塔異常工作狀態的識別奠定了堅實基礎。

在傳感器技術提供大量輸電線路數據的基礎上,對海量傳感器數據進行分析,并及時準確檢測異常事件,這是一項極具挑戰性的任務。對此,筆者提出基于神經網絡的輸電線路多傳感器時間序列異常檢測,引入人工神經網絡算法,與物聯網技術相結合,采用機器學習的方式訓練得到異常檢測模型,可以實時精確地對隱藏在數據中的異常事件進行檢測并報警,從而大幅降低電力系統事故發生的概率,提高輸電線路運維的智能化程度,并保障電力能源的安全。這一方法具有重要的現實意義。

2 基于多傳感器的輸電線路監測技術

針對輸電線路的狀態監測,在沿線分布式部署多種類型傳感器,以盡可能獲取詳盡的輸電線路狀態數據。所采用的傳感器包括:

(1) 振動傳感器,利用導線振動檢測儀實時獲取輸電線路的振動數據;

(2) 微型氣象觀測儀,包括獲取風速、風向、空氣溫濕度、大氣壓力等的傳感器,其中,風速風向傳感器采用全固態小型超聲共振型傳感器,用于對輸電線路周圍的風速和風向進行測量;

(3) 舞動狀態傳感器,利用慣性傳感器精確采集輸電線路舞動特征量。

輸電線路多傳感器監測系統邏輯架構如圖1所示。從圖1中可以看到,各種傳感器通過無線方式將數據傳送至上位機,算法服務器進行大數據分析,并將報警信息傳送至監控平臺。在數據傳輸方面,采用通用無線分組業務傳輸技術,在足夠的傳輸距離條件下保證傳輸效率,節省傳輸成本。以上技術的應用,為整個算法的后續數據處理奠定了堅實基礎。

3 基于神經網絡的輸電線路異常檢測

為了對海量傳感器數據中隱藏的異常信息進行挖掘,提出一種基于神經網絡的異常數據檢測算法,通過捕獲時空相關性,并盡量降低噪聲的影響,從而比較準確地檢測出異常信號。算法的主要思想是學習一種預測或重建時間序列信號的模型,并在真實值與預測值之間計算預測誤差,當預測誤差較大時,表明存在異常。算法整體流程如圖2所示,主要包括兩個步驟。第一,對多傳感器數據進行特征提取,對時序數據進行預測,并計算預測誤差。第二,將預測誤差與閾值相比較。

圖1 輸電線路多傳感器監測系統邏輯架構

圖2 算法整體流程

3.1 特征提取與預測模型

首先構建一個深度卷積自動編碼器,表征具有最大平均差異的多傳感器時間數據的空間依賴性,以更好地區分噪聲、正常數據和異常數據。然后構建一個由線性預測器和非線性預測器組成的記憶網絡,以從時間序列數據中捕獲時間依賴性,線性預測器對應自回歸模型,非線性預測器對應有注意力機制的雙向長短期記憶網絡。最后對各部分網絡進行聯合優化,避免局部最優問題。特征提取與預測模型算法流程如圖3所示,具體步驟有七步。

(1) 在時間軸上將每個樣本x∈RN×T轉化為x∈Rh×N×t。

(2) 對網絡參數進行隨機初始化。

(3) 計算每個時間步長的低維特征zf和重構誤差zr。

(4) 計算低維特征與高斯分布PZ間的最大均值差異LMMD(Z,PZ):

圖3 特征提取與預測模型算法流程

(1)

(5) 對于每個樣本,將低維特征zf和重構誤差zr合并,作為記憶網絡的輸入。

(2)

式中:Ωbatch為訓練數據樣本集。

(7) 通過最小化復合目標函數對模型進行聯合優化,目標函數為:

J(θ)=LMSE+λ1LMMD+λ2Llp+λ3Lnp

(3)

式中:λ1、λ2、λ3為控制損失函數重要性的參數;LMSE為重構誤差;Llp為線性預測器預測誤差;Lnp為非線性預測器預測誤差。

3.2 異常數據決策算法

采取異常數據決策算法,利用訓練數據集的數據計算出一個閾值TH,將待檢測的數據輸入模型,計算序列xi的損失函數之和Err(xi),然后與閾值TH比較,從而判斷是否為異常數據,具體步驟有三步。

(1) 利用訓練數據集計算決策閾值TH:

(4)

式中:μ為Err(xi)的平均值。

(2) 對每個輸入樣本xi計算Err(xi)。

(3) 將Err(xi)與閾值TH比較,若Err(xi)大于閾值TH,則xi為異常數據,否則xi為正常數據。

需要注意的是,閾值TH是在訓練過程中得到的,并在測試過程中保持不變。

3.3 輸電線路異常檢測

為了將算法應用于輸電線路,首先使用一定數量輸電桿塔正常工作狀態下傳感器測量數據對模型進行訓練,使模型能夠捕獲高維時間數據的時空相關性,并且計算出一個合適的閾值。確定閾值后,可以使用這一模型對任意傳感器測量數據進行處理。對于每組信號,都可以計算出一個特征值,再將此特征值與計算出的閾值進行比較。若特征值大于閾值,則說明測量數據是異常數據,此時的輸電桿塔正處于異常工作狀態。

4 試驗測試

4.1 試驗設置

將某輸電線路作為試驗對象。輸電線路總長為71.186 km,部分跨越山區,地理環境較為復雜,天氣變化較快,各種事故時有發生。為了對所提出的算法進行試驗測試,在該輸電線路選取四個測試點。測試點1和2所處的地理條件較為良好,測試點3和4位于山區,地理條件較為復雜。

采集輸電線路傳感器3 a的歷史測量數據,使用包括線路振動傳感器、風速傳感器、風向傳感器、溫度傳感器、舞動傳感器等的數據。試驗中的異常類型主要包括風力異常、振動異常、溫度異常。為了降低噪聲和無效數據對算法的影響,對傳感器原始數據進行了數據清洗,清除部分無效和錯誤數據。為了避免不同尺度對算法的影響,對各傳感器的數據進行歸一化處理。另外,還根據現場運維人員的記錄對數據集進行標注,正常數據標記為0,異常數據標記為1。

為了訓練模型,使用交叉驗證策略。將樣本隨機分為六份,以5∶1得到訓練集和測試集。模型訓練好后,將測試集中的數據輸入模型進行分析,以測試模型的檢測精度。使用經上述處理后的輸電桿塔傳感器采集的真實數據,對提出的算法在多種因素導致的異常狀況下不同采樣頻次的異常檢測結果進行評估。

由于異常檢測問題中的類別一般是高度不平衡的,因此準確性不適合作為評估指標。為了徹底評估提出算法的性能,采用平均正確率AP、平均召回率AR、平均F1分數AF1作為評估指標。

4.2 試驗結果

當輸電桿塔遭遇大風影響時,桿塔結構可能會受到破壞,輸電線路也有可能發生斷裂,這些情況都有可能造成電力網絡發生停電事故。除此之外,即使風速不大,在風力的影響下,輸電線路和接閃線可能會振動,也有可能發生事故。輸電線路的振動幅度較大時,同樣可能導致輸電桿塔發生倒伏或斷裂等事故。

風力異常試驗結果見表1。

表1 風力異常試驗結果

振動異常對輸電線路具有極大危害。例如,由于覆冰等因素造成的架空輸電線路異常大幅低頻振動可能導致輸電線路斷裂,進而造成供電中斷,引發大規模停電。

試驗中,根據巡檢記錄及經驗判斷對大量數據進行人工標注,然后使用所提算法對測試數據進行振動異常檢測,與人工標注進行對比。

振動異常試驗結果見表2。

表2 振動異常試驗結果

輸電線路桿塔所處環境的溫濕度也是重要的環境因素。

溫度對輸電線路的導電性、抗拉力性、抗剪力性都有一定影響。濕度對導線間的安全距離有重要影響,當濕度過大時,為了降低事故發生的概率,導線間的安全距離往往要增大。溫濕度還是輸電線路硬件壽命長短的重要影響因素。

溫度異常試驗結果見表3。

表3 溫度異常試驗結果

4.3 分析

對上述試驗結果進行分析。

(1) 通過不同異常狀態下的試驗結果,確認算法對不同異常狀態都有很好的識別效果,可以適用于各種傳感器的異常檢測。

(2) 算法可以在不同的線路段較好地識別出輸電線路的異常狀態,因此對于數據來源也具有很好的適用性。

(3) 算法對于傳感器采樣頻率并不敏感,未來將進一步深入研究如何在不影響檢測性能的前提下降低采樣頻率。

5 結束語

多傳感器融合的智能電力系統具有運行穩定、高效率、易操作、低成本等優點,結合異常數據檢測算法進行在線監測,可以大幅降低頻繁人工巡檢帶來的大量人力成本和偶然風險,有效提高高壓輸電線路的預警能力。實踐表明,筆者所提算法可以大幅降低線路巡檢的人力成本,并極大降低異常檢測的漏檢率。

通過試驗測試,筆者提出的基于神經網絡的輸電線路多傳感器時間序列異常檢測已經得到驗證,未來考慮在生產環境中進行部署,以提供輸電線路全天候異常狀態監測功能。