基于極限學(xué)習(xí)機(jī)的電氣設(shè)備運(yùn)行數(shù)據(jù)異常檢測研究

摘要：由于現(xiàn)有的數(shù)據(jù)異常檢測方法檢測結(jié)果與實(shí)際負(fù)荷變化情況之間存在顯著差異，為此，文章研究基于極限學(xué)習(xí)機(jī)的電氣設(shè)備運(yùn)行數(shù)據(jù)異常檢測。文章利用經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）對電氣設(shè)備狀態(tài)噪聲信號進(jìn)行處理，將重構(gòu)信號與核函數(shù)的乘積進(jìn)行雙重求和，通過信號在模糊空間內(nèi)的重新映射，完成特征提取。運(yùn)用極限學(xué)習(xí)機(jī)優(yōu)化神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程，以輸出與目標(biāo)向量維度相匹配的預(yù)測結(jié)果。結(jié)合Parzen窗概率密度估計方法對設(shè)備運(yùn)行狀態(tài)展開判斷。通過實(shí)時采集設(shè)備數(shù)據(jù)，輸入已訓(xùn)練的概率神經(jīng)網(wǎng)絡(luò)（Probabilistic Neural Networks，PNN）模型中，輸出設(shè)備當(dāng)前運(yùn)行狀態(tài)的概率分布，根據(jù)分布判斷設(shè)備是否處于異常狀態(tài)。實(shí)驗(yàn)結(jié)果表明，實(shí)驗(yàn)組在400 min時準(zhǔn)確地捕捉到電氣設(shè)備負(fù)荷的異常變化，與實(shí)際情況高度吻合，有效驗(yàn)證所提出的異常檢測方法的準(zhǔn)確性。

關(guān)鍵詞：極限學(xué)習(xí)機(jī)；電氣設(shè)備；數(shù)據(jù)異常；檢測；運(yùn)行數(shù)據(jù)

中圖分類號：TM411

文獻(xiàn)標(biāo)志碼：A文獻(xiàn)標(biāo)志碼

0 引言

隨著設(shè)備規(guī)模擴(kuò)大，電氣設(shè)備運(yùn)行狀態(tài)監(jiān)測與異常檢測至關(guān)重要。深度挖掘運(yùn)行數(shù)據(jù)，能及時發(fā)現(xiàn)異常，為預(yù)防性維護(hù)和故障診斷提供科學(xué)依據(jù)。異常檢測技術(shù)通過智能化識別偏離正常狀態(tài)，降低故障率，延長壽命，減少損失風(fēng)險。因此，研究電氣設(shè)備運(yùn)行數(shù)據(jù)的異常檢測技術(shù)對提升設(shè)備運(yùn)行效率意義重大。在實(shí)際分析過程中，宋柯等^［1］利用經(jīng)驗(yàn)耦合函數(shù)對采樣得到的聯(lián)合分布進(jìn)行建模，計算每個數(shù)據(jù)點(diǎn)的異常分?jǐn)?shù)，根據(jù)該分?jǐn)?shù)判斷偏離正常運(yùn)行狀態(tài)的程度。但經(jīng)驗(yàn)耦合函數(shù)依賴于其參數(shù)的選擇，若參數(shù)設(shè)置不當(dāng)，可能會影響模型的準(zhǔn)確性和穩(wěn)定性。宋春雷等^［2］構(gòu)建異常檢測模型，將每個子序列的特征表示輸入其中，計算異常分?jǐn)?shù)。根據(jù)設(shè)定的閾值或排序結(jié)果判斷哪些子序列是異常的。但其特征提取方法可能無法完全捕捉到時間序列中的所有重要信息，特別是隱蔽的異常模式。為解決上述問題，文章以電氣設(shè)備運(yùn)行數(shù)據(jù)異常檢測為研究對象，運(yùn)用極限學(xué)習(xí)機(jī)方法，結(jié)合實(shí)際情況進(jìn)行實(shí)驗(yàn)與分析。

1 電氣設(shè)備運(yùn)行數(shù)據(jù)異常檢測

1.1 電氣設(shè)備運(yùn)行狀態(tài)特征提取

在實(shí)際應(yīng)用中，電力設(shè)備的狀態(tài)數(shù)據(jù)中含有大量噪聲，這些噪聲嚴(yán)重影響了數(shù)據(jù)檢測的準(zhǔn)確性^［3］。在特征提取之前，需對原始數(shù)據(jù)進(jìn)行降噪處理。文章運(yùn)用經(jīng)驗(yàn)?zāi)B(tài)分解法對電氣設(shè)備運(yùn)行狀態(tài)信號進(jìn)行分析，將復(fù)雜信號分解成一系列本征模態(tài)函數(shù)和一個殘差項(xiàng)，每個IMF代表信號中不同時間尺度的局部特征。利用EMD對電氣設(shè)備狀態(tài)噪聲信號r（t）進(jìn)行處理，然后根據(jù)IMF信號特性，選擇合適的IMF進(jìn)行重構(gòu)，以達(dá)到去除噪聲的目的。同時，文章引入模糊處理機(jī)制提取電氣設(shè)備的狀態(tài)特征^［4］。通過構(gòu)建模糊極坐標(biāo)z（ε，ν），對經(jīng)過經(jīng)驗(yàn)?zāi)B(tài)分解并重構(gòu)的信號進(jìn)行空間維度的變換。設(shè)定核函數(shù)為K，根據(jù)其平滑和特征增強(qiáng)能力，過濾了信號中的非必要信息，凸顯了關(guān)鍵特征，使得特征提取過程更為精確。因此，將重構(gòu)信號與核函數(shù)K的乘積進(jìn)行雙重求和，實(shí)現(xiàn)了信號在模糊空間內(nèi)的重新映射，從而完成對特征的提取。其公式為：

式中：p、q為兩相采集信號量；Δr為采樣間隔；α為包絡(luò)線。通過上述處理，得到了電氣設(shè)備狀態(tài)信號在模糊極坐標(biāo)下的時頻聯(lián)合分布，從而反映了信號在時間和頻率上的變化特性，直觀地展示了設(shè)備的運(yùn)行狀態(tài)^［5］。

1.2 極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)訓(xùn)練

文章運(yùn)用極限學(xué)習(xí)機(jī)在前饋型神經(jīng)網(wǎng)絡(luò)中進(jìn)行隨機(jī)初始化權(quán)值，以簡化神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程。極限學(xué)習(xí)機(jī)在處理復(fù)雜問題時，設(shè)定數(shù)據(jù)集中含有L個樣本，每個樣本由輸入向量x_i和對應(yīng)的目標(biāo)向量T_i=［T₁，T₂，…，T_n］組成，若采用具有k個隱藏層的極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）模型，具體如圖1所示。

根據(jù)圖1，輸出層包含m個神經(jīng)元，以精確匹配目標(biāo)向量T_i的維度。在ELM模型中，整個輸出層就能夠形成一個m維的向量，直接與目標(biāo)向量T_i進(jìn)行比對。ELM的數(shù)學(xué)模型在這種配置下可以表達(dá)為：

y=∑βf（wx+b）（2）

式中：β為輸出權(quán)重；w為神經(jīng)元輸入權(quán)重；b為偏差值；f（x）為激活函數(shù)。在極限學(xué)習(xí)機(jī)模型中，輸出層包含m個神經(jīng)元，這使得f（x）成為一個m維的向量，該向量代表模型對于輸入x_i的預(yù)測輸出。每一個分量f_k（x_i）都對應(yīng)著輸出層中的一個神經(jīng)元，各自負(fù)責(zé)預(yù)測目標(biāo)向量T_i中的第k個分量。每個輸出層神經(jīng)元都會接收來自所有K個隱藏層神經(jīng)元的加權(quán)輸入。文章通過將每個隱藏層神經(jīng)元的輸出與相應(yīng)的連接權(quán)重相乘并求和，經(jīng)過非線性激活函數(shù)處理，以產(chǎn)生最終的輸出值。

1.3 運(yùn)行數(shù)據(jù)異常檢測

在完成上述處理后，筆者對信號進(jìn)行解構(gòu)處理，得到信號特征，根據(jù)該特征構(gòu)建概率神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)設(shè)備運(yùn)行狀態(tài)的判斷。文章結(jié)合Parzen窗概率密度估計方法對設(shè)備的運(yùn)行狀態(tài)展開判斷。在構(gòu)建PNN時，文章定義了設(shè)備的異常k_i與正常狀態(tài)k_j，采用改進(jìn)的概率網(wǎng)絡(luò)優(yōu)化概率密度函數(shù)，以清晰界定狀態(tài)轉(zhuǎn)換邊界并提升對異常狀態(tài)的敏感度。此過程通過調(diào)整模型中的平滑參數(shù)實(shí)現(xiàn)。

概率密度函數(shù)的公式為：

k（a）=12π∑expa-a_i2λ²（3）

式中：a為檢測信號；a_i為分類信號；λ為平滑處理參數(shù)。當(dāng)概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成并達(dá)到預(yù)期的分類性能，可以被應(yīng)用于電氣設(shè)備的實(shí)時運(yùn)行狀態(tài)監(jiān)測中。神經(jīng)網(wǎng)絡(luò)識別異常后，分析其類型并生成預(yù)警報告，為運(yùn)維人員提供決策支持。

2 實(shí)驗(yàn)測試與分析

2.1 搭建實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)采用包含26列多維時間序列數(shù)據(jù)，記錄電氣設(shè)備全生命周期。使用Pytorch框架及Nvidia GPU加速，模型配置包括SGD優(yōu)化器（學(xué)習(xí)率0.003），特征提取至48維，注意力機(jī)制4層，最終映射至32維輸出，以構(gòu)建深度模型識別設(shè)備異常狀態(tài)。

2.2 結(jié)果與分析

選取電氣設(shè)備在線監(jiān)測數(shù)據(jù)作為訓(xùn)練樣本，用于異常檢測模型。所有監(jiān)測數(shù)據(jù)的采樣周期均為1min/組。根據(jù)實(shí)驗(yàn)需求，選擇3種異常檢測算法。其中，實(shí)驗(yàn)組運(yùn)用文章算法，2個對照組運(yùn)用其他算法。使用數(shù)據(jù)進(jìn)行驗(yàn)證，在數(shù)據(jù)點(diǎn)識別出負(fù)荷的變化趨勢，具體如圖2所示。

由圖2可知，2個對照組在時間點(diǎn)100min和500min時記錄了電氣設(shè)備負(fù)荷的異常變化。但與實(shí)際的負(fù)荷變化情況對比，發(fā)現(xiàn)為誤報。而實(shí)驗(yàn)組在400min時準(zhǔn)確地捕捉到了電氣設(shè)備負(fù)荷的異常變化。這一檢測結(jié)果與實(shí)際情況高度吻合，驗(yàn)證了所提的異常檢測方法的準(zhǔn)確性。

3 結(jié)語

此次從電氣設(shè)備運(yùn)行數(shù)據(jù)異常檢測入手，文章深入分析極限學(xué)習(xí)機(jī)的相關(guān)問題，研究基于極限學(xué)習(xí)機(jī)的電氣設(shè)備運(yùn)行數(shù)據(jù)異常檢測。文章利用提取的特征訓(xùn)練ELM模型。在訓(xùn)練過程中，確定ELM的隱含層節(jié)點(diǎn)數(shù)、激活函數(shù)等參數(shù)，通過最小化訓(xùn)練誤差來優(yōu)化模型性能，將待檢測的電氣設(shè)備運(yùn)行數(shù)據(jù)輸入訓(xùn)練好的ELM模型，根據(jù)模型輸出結(jié)果判斷是否存在異常。所提方法還存在不足之處，例如：隱層節(jié)點(diǎn)權(quán)重設(shè)置問題等。本研究將完善算法，以期能夠?qū)崟r或離線地對電氣設(shè)備的運(yùn)行數(shù)據(jù)進(jìn)行異常檢測，為電氣設(shè)備的維護(hù)和管理提供有力支持。

參考文獻(xiàn)

［1］宋柯，錢唐江，武彬，等.基于經(jīng)驗(yàn)耦合函數(shù)的動態(tài)運(yùn)行參數(shù)異常檢測［J］.科學(xué)技術(shù)與工程，2023（33）：14256-14263.

［2］宋春雷，趙旭俊，高亞星，等.采用分段特征表示的異常序列檢測算法［J］.計算機(jī)工程與應(yīng)用，2023（9）：262-271.

［3］周笑天，陳益玲，李蕓，等.一種基于特征曲線的自動土壤水分觀測數(shù)據(jù)異常值檢測方法［J］.中國農(nóng)業(yè)氣象，2022（3）：229-239.

［4］曾祥軍，馮琛，楊明，等.考慮運(yùn)行狀態(tài)相似性的風(fēng)電機(jī)組數(shù)據(jù)異常檢測方法［J］.電力系統(tǒng)自動化，2022（11）：170-180.

（編輯 王永超）

Study on anomaly detection of operation data of electrical equipment based on extreme learning machine

ZOU Zeqi

（Hubei Electric Power Planning and Design Institute Co.， Ltd.， Wuhan 430040， China）

Abstract：Due to the significant difference between the detection results of existing data anomaly detection methods and the actual load changes， this article studies the detection of electrical equipment operation data anomalies based on extreme learning machines. The article uses empirical mode decomposition （EMD） to process electrical equipment state noise signals， and double sums the product of the reconstructed signal and the kernel function. By remapping the signal in fuzzy space， feature extraction is completed. Optimize the neural network training process using extreme learning machines to output prediction results that match the target vector dimension. Use the Parzen window probability density estimation method to assess the operational status of devices. By collecting real-time device data and inputting it into a trained probabilistic neural network （PNN） model， the probability distribution of the current operating state of the device is output to determine whether the device is in an abnormal state based on the distribution. The experimental results showed that the experimental group accurately captured the abnormal changes in electrical equipment load at 400 minutes， which was highly consistent with the actual situation and effectively verified the accuracy of the proposed anomaly detection method.

Key words：extreme learning machine; electrical equipment; data abnormality; detection; operation data