基于循環(huán)神經(jīng)網(wǎng)絡(luò)的配網(wǎng)電壓異常數(shù)據(jù)檢測方法

柯子桓，羅楚楠，黎少凡

（1.中國南方電網(wǎng)有限責(zé)任公司，廣東廣州 510700；2.廣東電網(wǎng)能源發(fā)展有限公司，廣東廣州 510160）

隨著智能配電網(wǎng)絡(luò)的不斷發(fā)展，監(jiān)控、控制和智能調(diào)度成為了電網(wǎng)運(yùn)行的關(guān)鍵環(huán)節(jié)。分析電力監(jiān)控系統(tǒng)的大量數(shù)據(jù)可以為合理地進(jìn)行電網(wǎng)的控制和優(yōu)化調(diào)度提供參考。

對電網(wǎng)靜態(tài)、計(jì)量、會計(jì)數(shù)據(jù)進(jìn)行準(zhǔn)確合理分析，可達(dá)到對電網(wǎng)進(jìn)行實(shí)時(shí)監(jiān)測和調(diào)度的目的。反之，如果因監(jiān)控系統(tǒng)故障、信道傳輸丟失、延遲等原因造成的數(shù)據(jù)差錯(cuò)，則會使調(diào)度人員產(chǎn)生錯(cuò)誤的判斷。

為了維護(hù)電網(wǎng)的安全和穩(wěn)定，必須確保數(shù)據(jù)的質(zhì)量。因此，有必要對異常配網(wǎng)進(jìn)行監(jiān)測。為此，相關(guān)學(xué)者提出了一種并行K-means 聚類算法，該算法采用三支動(dòng)態(tài)閾值K-means 聚類方法，通過動(dòng)態(tài)調(diào)整閾值，優(yōu)化聚類數(shù)量，在一定程度上消除固定K 值對異常數(shù)據(jù)檢測結(jié)果[1]；也有學(xué)者提出極限學(xué)習(xí)機(jī)檢測方法，利用極限學(xué)習(xí)機(jī)制建立目標(biāo)函數(shù)，使用螢火蟲算法對目標(biāo)函數(shù)進(jìn)行優(yōu)化，并對其進(jìn)行全面評價(jià)[2]。然而，這兩種方法不能反映動(dòng)態(tài)數(shù)據(jù)間的變化規(guī)律，導(dǎo)致檢測效果不理想。

針對上述問題，提出了基于循環(huán)神經(jīng)網(wǎng)絡(luò)的配網(wǎng)電壓異常數(shù)據(jù)檢測方法。

1 構(gòu)建循環(huán)神經(jīng)網(wǎng)絡(luò)檢測模型

配網(wǎng)電壓值隨著時(shí)間的推移可以被視為一種時(shí)間序列，即當(dāng)前時(shí)刻的電壓與先前的電壓值（或先前的）之間存在著一個(gè)函數(shù)映射關(guān)系[3]。因此，該研究使用遞歸神經(jīng)網(wǎng)絡(luò)來逼近這一關(guān)系。循環(huán)神經(jīng)網(wǎng)絡(luò)示意圖如圖1 所示。

圖1 循環(huán)神經(jīng)網(wǎng)絡(luò)示意圖

為了便于“記憶”，在循環(huán)神經(jīng)網(wǎng)絡(luò)的最內(nèi)層加入一個(gè)循環(huán)層[4]。基于上述原理，計(jì)算循環(huán)神經(jīng)網(wǎng)絡(luò)輸出向量，公式為：

式中，ct表示隱藏門遺忘門數(shù)值；ω2表示隱藏層與輸出層權(quán)重系數(shù)；α(·) 表示兩層之間的激活函數(shù)。

隱藏層的遺忘門數(shù)值計(jì)算公式，如下所示：

式中，β(·) 表示隱藏層與輸入層之間的激活函數(shù)[5]。

輸出值與輸入值和隱藏值均有一定關(guān)系，能夠直觀體現(xiàn)循環(huán)神經(jīng)網(wǎng)絡(luò)的記憶功能。根據(jù)這一點(diǎn)，建立了一個(gè)用于檢測配網(wǎng)電壓異常數(shù)據(jù)的模型，其主要步驟如下：

步驟1：將歷史電壓數(shù)據(jù)劃分成訓(xùn)練組和測試組，測試組是要檢測的電壓資料；利用訓(xùn)練集的方法，訓(xùn)練網(wǎng)絡(luò)電壓數(shù)據(jù)，并以此來構(gòu)建檢測模型[6-8]。

步驟2：對多個(gè)電壓誤差進(jìn)行統(tǒng)計(jì)，并根據(jù)以下公式求出電壓誤差標(biāo)準(zhǔn)差值：

式中，m表示誤差值數(shù)量；et表示在t時(shí)間出現(xiàn)電壓誤差的數(shù)量；eˉ表示誤差標(biāo)準(zhǔn)值[9]。

步驟3：基于該標(biāo)準(zhǔn)差值，構(gòu)建配網(wǎng)電壓預(yù)測模型，公式為：

式中，M表示電壓質(zhì)量；ωj表示第j個(gè)電壓特征分布集。

利用上述構(gòu)建的配網(wǎng)電壓預(yù)測模型，能夠獲取配網(wǎng)電壓異常數(shù)據(jù)集。

2 配網(wǎng)電壓異常數(shù)據(jù)檢測

2.1 模型訓(xùn)練

使用歸一化處理方法訓(xùn)練配網(wǎng)電壓預(yù)測模型，提高電壓數(shù)據(jù)集收斂速度。歸一化具體方式可以由下列公式表示：

式中，Ut表示t時(shí)刻的實(shí)際電壓值；Umin、Umax分別表示檢測序列中最小和最大電壓值[10]。

在此基礎(chǔ)上，有必要從一系列的正規(guī)化電壓序列中生成一組數(shù)據(jù)以進(jìn)行循環(huán)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。該數(shù)據(jù)集由多條數(shù)據(jù)線路組成，每條線路由兩個(gè)部分組成：輸入數(shù)值和對應(yīng)標(biāo)識[11-12]。首先，把三個(gè)連續(xù)的序列值作為一條直線，并對其進(jìn)行標(biāo)識。然后，針對所得數(shù)據(jù)進(jìn)行重新分類，將其分為訓(xùn)練組和測驗(yàn)組；最后，通過訓(xùn)練集方法對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并對其進(jìn)行測試與評估。再將神經(jīng)網(wǎng)絡(luò)輸出層次的預(yù)測值與標(biāo)記值之間的平均偏差作為損耗函數(shù)進(jìn)行訓(xùn)練[13]。

循環(huán)神經(jīng)網(wǎng)絡(luò)損失函數(shù)計(jì)算公式如下所示：

2.2 異常數(shù)據(jù)標(biāo)注

由于大量的過電壓數(shù)據(jù)集都是由參數(shù)自動(dòng)迭代產(chǎn)生的，因此在大量的數(shù)據(jù)波形中，會存在一部分的異常波形，因此必須對數(shù)據(jù)進(jìn)行標(biāo)注[14]。

異常數(shù)據(jù)標(biāo)注步驟如下所示：以JPEG 格式存儲全部的時(shí)頻圖像；接著，根據(jù)異常數(shù)據(jù)標(biāo)注特征標(biāo)記該圖像，并將其保存在注釋中。然后，通過每幅圖像和標(biāo)記所產(chǎn)生的XML 文檔，在JPEG 圖像文件夾中訓(xùn)練任意圖像，使注釋中任何一個(gè)XML 文檔名稱保持一致[15]。

2.3 異常數(shù)據(jù)檢測流程

在循環(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上構(gòu)建的檢測模型能夠?qū)崟r(shí)檢測異常電壓數(shù)據(jù)。在該模型中輸入待檢測電壓數(shù)據(jù)集，根據(jù)檢測規(guī)則獲取預(yù)測結(jié)果。計(jì)算實(shí)際電壓與檢測電壓間的差值，能夠判定目標(biāo)電壓是否異常[16]。

主要的異常數(shù)據(jù)檢測流程如下：

步驟1：根據(jù)異常數(shù)據(jù)標(biāo)識特征，分析配網(wǎng)數(shù)據(jù)集中電網(wǎng)超負(fù)荷數(shù)據(jù)，這類數(shù)據(jù)是以毫秒級為單位的。對于由雷電引起的感應(yīng)電壓，難以在短期內(nèi)被發(fā)現(xiàn)。通常，內(nèi)變電壓的振幅不會超過額定值的兩倍。所以，以超過額定值兩倍的電壓數(shù)據(jù)質(zhì)量的初始值為測量突變閾值，當(dāng)待檢測電壓高于該閾值時(shí)，說明該電壓為異常電壓。

步驟2：在配電網(wǎng)絡(luò)中，由多個(gè)具有拓?fù)湎嚓P(guān)性的多個(gè)節(jié)點(diǎn)測量數(shù)據(jù)和線路參數(shù)，可以得到各節(jié)點(diǎn)的電壓幅度。在電壓振幅達(dá)到一定的準(zhǔn)確度后，可以對對應(yīng)的系統(tǒng)進(jìn)行電壓信號的檢測與修正。通過對多個(gè)具有拓?fù)潢P(guān)系的多個(gè)節(jié)點(diǎn)進(jìn)行檢測，得出了各個(gè)節(jié)點(diǎn)的電壓振幅。當(dāng)電壓幅度達(dá)到一定精度時(shí)，就能對相應(yīng)的配網(wǎng)電壓數(shù)據(jù)進(jìn)行檢測和校正。

在不考慮配電網(wǎng)并聯(lián)阻抗的前提下，可以用以下公式來表達(dá)線路兩端節(jié)點(diǎn)電壓關(guān)系：

式中，U0、Us分別表示配網(wǎng)初始端和末端節(jié)點(diǎn)電壓；UP、UQ分別表示配網(wǎng)初始端節(jié)點(diǎn)流向末端節(jié)點(diǎn)的有功和無功作用下的電壓。

步驟3：針對與檢測節(jié)點(diǎn)相連的多條線路上，存在一個(gè)該時(shí)刻電壓計(jì)算值最大可能誤差e，如果Us≤e時(shí)，則說明檢測結(jié)果中的數(shù)據(jù)是正常數(shù)據(jù)；如果Us＞e時(shí)，則說明檢測結(jié)果中的數(shù)據(jù)是異常數(shù)值。

3 實(shí)驗(yàn)與分析

3.1 數(shù)據(jù)集

選擇一個(gè)12 kV 配網(wǎng)為研究對象，其結(jié)構(gòu)如圖2所示。

圖2 配網(wǎng)結(jié)構(gòu)示意圖

在該配網(wǎng)結(jié)構(gòu)中設(shè)置一個(gè)可控有載調(diào)壓器，用于負(fù)責(zé)調(diào)整整個(gè)配網(wǎng)的結(jié)構(gòu)電壓。實(shí)時(shí)統(tǒng)計(jì)電壓數(shù)據(jù)集，從中隨機(jī)選擇了三組電壓數(shù)據(jù)，并將其分為A、B、C 三組，如表1 所示。

表1 實(shí)驗(yàn)數(shù)據(jù)集

在每一組中，選擇1 000 個(gè)數(shù)據(jù)，并按8∶2 的比例將其分為800 個(gè)、200 個(gè)。在測試集中添加10%的樣本以檢驗(yàn)基于循環(huán)神經(jīng)網(wǎng)絡(luò)的配網(wǎng)電壓異常數(shù)據(jù)檢測方法使用的正確性。在測試樣本中加入20 個(gè)異常數(shù)據(jù)，并加上1%～3%的噪音，以生成異常數(shù)據(jù)。

3.2 實(shí)驗(yàn)指標(biāo)

采用檢測準(zhǔn)確率和召回率為實(shí)驗(yàn)指標(biāo)：

式（8）、（9）中，TP 表示電壓實(shí)際是異常數(shù)據(jù)，且檢測結(jié)果為異常數(shù)據(jù)的數(shù)據(jù)量；TN 表示電壓實(shí)際是正常數(shù)據(jù)，且檢測結(jié)果為正常數(shù)據(jù)的數(shù)據(jù)量；FP 表示電壓實(shí)際是正常數(shù)據(jù)，但檢測結(jié)果為異常數(shù)據(jù)的數(shù)據(jù)量；FN 表示電壓實(shí)際是異常數(shù)據(jù)，但檢測結(jié)果為正常數(shù)據(jù)的數(shù)據(jù)量。

3.3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證該文方法的有效性，將其與并行K-means聚類算法、極限學(xué)習(xí)機(jī)檢測方法進(jìn)行對比分析，結(jié)果如圖3 所示。

圖3 三種方法電壓異常數(shù)據(jù)檢測結(jié)果對比

由圖3 可知，使用并行K-means 聚類算法檢測的A、B、C 異常電壓數(shù)據(jù)集，最高電壓和最低電壓均超過了電壓上限和下限，其中三種方法所對應(yīng)的異常電壓最大值分別為13 V、13 V、16 V，異常電壓最小值分別為-9 V、-5 V、-7 V；使用極限學(xué)習(xí)機(jī)檢測方法檢測的A、B、C 異常電壓數(shù)據(jù)集，最高電壓和最低電壓均超過了電壓上限和下限，其中三種方法所對應(yīng)的異常電壓最大值分別為16 V、14 V、12 V，異常電壓最小值均為-7 V；使用循環(huán)神經(jīng)網(wǎng)絡(luò)檢測方法檢測的A、B、C 異常電壓數(shù)據(jù)集，最高電壓和最低電壓均在電壓上限和下限范圍內(nèi)，與表1 所示實(shí)驗(yàn)集數(shù)據(jù)一致。

再次使用這三種方法對比分析異常電壓數(shù)據(jù)集A、B、C 的不同指標(biāo)，結(jié)果如表2 所示。

表2 三種方法不同數(shù)據(jù)集下指標(biāo)對比分析

由表2 可知，使用循環(huán)神經(jīng)網(wǎng)絡(luò)方法最高檢測準(zhǔn)確率為0.991，最高召回率為0.90，其數(shù)值明顯高于兩種對比方法。由此可知，使用所研究方法檢測精準(zhǔn)度較高。

4 結(jié)束語

面對傳統(tǒng)方法電壓異常數(shù)據(jù)檢測精準(zhǔn)度低的問題，該研究利用循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，提出了一種配網(wǎng)電壓異常數(shù)據(jù)檢測方法。通過構(gòu)建檢測模型，能夠?qū)崟r(shí)對異常電壓判定與評估，比對預(yù)測數(shù)據(jù)與實(shí)際數(shù)據(jù)之間的差值，獲取檢測結(jié)果。通過對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)研究可知，所研究方法檢測精準(zhǔn)度較高，為配網(wǎng)穩(wěn)定運(yùn)行奠定了基礎(chǔ)。