基于樽海鞘群優化網絡模型的計量裝置狀態識別方法

鄭克剛，袁安榮，雷 乾，張天旭，吳世強，馮小兵

（國網重慶市電力公司銅梁供電分公司，重慶 402560）

0 引 言

近些年，隨著互聯網和信息化的迅速發展，電力行業也逐漸推進智能化管理［1－2］，各電力公司和供電企業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鍵性的電力企業和用戶結算的儀表工具，其運行狀態的正常與否會關系到計量結果的準確性和可靠性，并繼而影響到后續相關電力業務的開展。 在傳統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建設，當前系統內已積累了海量計量裝置監測數據，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，節約時間和人工成本。

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

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，本文構建了基于樽海鞘群優化網絡模型的計量裝置狀態識別方法。 模型整體流程如圖1 所示。

圖1 系統結構框圖Fig. 1 Structure diagram of the system

本文首先利用小波分解對樣本集的數據進行分解，然后對分解出的高低頻數據特征作為計量裝置狀態的關聯時序特征，分析其與運行年限、生產廠家、狀態數據、運行環境等影響因素間的相關性，構建相應的運行年限、生產廠家和運行環境調整因子。將小波分解后的狀態關聯時序特征與調整因子作為長短期記憶網絡輸入，而后利用長短期記憶網絡（LSTM）進行計量裝置狀態分類，輸出分類結果，基于輸出結果與真實結果構建交叉熵損失函數，并根據損失函數進行反饋調參，再采用樽海鞘群算法優化模型的調參過程，以提升調參速度與識別精準性。

2 基于樽海鞘群優化調參的計量裝置狀態識別模型

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監測，異常狀態主要針對遠程數據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的數據庫獲取涉及電能計量裝置狀態的樣本數據，加以匯總整理后進行數據預處理，構建計量裝置狀態樣本集，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。 電能計量裝置狀態數據的主要特征包括電壓、電流、用電量、相位、開關量、運行時間、運行環境數據等。

2.1 基于小波分解的特征提取與分析

針對上述樣本集數據的電壓、電流、用電量等曲線特征，采用小波分解［9］算法中的wavedec函數將特征數據進行D層小波分解，獲取小波分解系數矩陣C和矩陣內系數的個數L：

其中，A為輸入的特征數據；M為分解層數；C為小波分解系數；sym4 表示小波變換方式；L為小波分解系數的個數，即矩陣內系數的個數。 如經過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 個高頻細節特征值。

根據分解出的數據特征結合計量裝置樣本狀態、運行年限、生產廠家、狀態數據、運行環境等與計量裝置樣本狀態的相關性，構建相應的運行年限、生產廠家和運行環境調整因子K。

2.2 構建計量裝置狀態識別模型

本次電能計量裝置的運行狀態分為正常狀態、注意狀態和異常狀態。 采用LSTM 算法構建計量裝置狀態識別模型，將小波分解后的狀態特征數據序列與調整因子K作為長短期記憶網絡的輸入，根據LSTM 算法中門控裝置的3 個控制門（輸入門、遺忘門和輸出門）來實現對輸入樣本集數據的識別和計量裝置狀態的判別。 3 個控制門控、記憶信息及輸出判別的數據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）記憶信息狀態為：

（3）更新輸出門輸出為：

更新當前樣本的計量裝置狀態判別預測輸出為：

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重參數；t －1 為上一神經單元；t為當前LSTM 神經單元；bf、bi、ba、bo為偏移量參數。

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

其中，yi為樣本計量裝置狀態判別的預測輸出值，C為分類的類別個數。

基于輸出結果與真實結果構建交叉熵損失函數，交叉熵損失函數定義如下：

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

根據損失函數構建梯度反饋函數進行調參，采用樽海鞘群算法［10］提升LSTM 網絡的調參速度與精準性。 樽海鞘群算法（salp swarm algorithm，SSA）對一個D 維空間進行尋優搜索，樽海鞘種群的個體數為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，樽海鞘個體領導者的位置根據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，L為最大迭代次數。c1在搜索前期值較大，便于全局尋優，迅速確定全局最優點；在搜索后期值變小，起到局部開發的作用。c1起到平衡全局探索和局部開發的作用，是樽海鞘群算法中最重要的參數。

樽海鞘種群追隨者的位置移動規律，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部的移動機制。

利用樽海鞘群算法尋找計量裝置狀態識別模型的最優參數的流程如下：

（1）初始化參數。 根據搜索空間每一維的上界與下界，初始化一個規模為D ×N的樽海鞘群，D表示參數個數，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，作為備選領導者的參數。

（2）選定目標位置。 由于實際調參過程中不知道目標參數的位置，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的樽海鞘的位置設為當前目標位置。

（3）選定領導者與追隨者。 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 的樽海鞘視為領導者，其余樽海鞘視為追隨者。

（4）位置更新。 先根據式（12）更新領導者的位置，再根據式（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，即返回全局最優解。

損失函數低于設定閾值后，固定參數，輸出計量裝置狀態識別模型，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，否則繼續進行反饋優化。

3 實驗結果與分析

實驗部分選取測試樣本集的數據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據，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 神經網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勢。 實驗結果表明，本文采用長短期記憶網絡構建計量裝置狀態識別模型，有效提升了狀態識別的準確率和召回率。

消融實驗分別對3 組測試數據進行測試，控制變量是采用樽海鞘群算法和不采用樽海鞘群算法，精確度實驗結果和時間對比實驗結果分別如圖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進行二次調參，對比傳統反饋調參方式，本文所提的樽海鞘群調參可在更短的時間內完成參數尋優過程，且由精確度對比數據可看出，樽海鞘群調參可基于全局探索跳出一定的局部最優，從而有效提高了模型的識別性能。 從實驗結果圖可以看到，3 組數據都表現出了同一種趨勢，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參速度，上述均表明本文所提計量裝置狀態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 參數調整時間對比圖Fig. 3 Recognition time comparison chart

4 結束語

文中提出了一種基于樽海鞘群優化網絡調參的計量裝置狀態識別模型，首先采用小波分解算法進行曲線特征分解，并構建多因素的影響因子，隨后采用LSTM 算法構建狀態識別模型，基于時序記憶的異常狀態識別提高了計量裝置狀態的識別準確率，并利用樽海鞘群算法提高了模型的調參速度，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。 本文計量裝置狀態識別模型的提出，有效增強了供電公司客戶服務部門的數據分析能力，提升了客戶服務精益化管理水平。