基于關聯規則挖掘的電爐電能計量裝置異常診斷系統

楊子成,盧建生,王 超,郭海旭

(國網山西省電力公司,山西 太原 030000)

隨著國家電網企業在電能聯網工作中的層層部署,現在供電單位的電能數據采集系統已存儲了很多可以用于計量裝置異常診斷的數據信息。因為采集用電信息的工作量逐日增多,維護該數據信息[1]的工作也增加了不少風險,且傳統的異常診斷技術[2]太過于依賴人工處理,經常出現難以準確診斷計量裝置異常的現象,維護數據及檢查裝置異常仍存在一定困難,因此研究電能計量異常診斷系統并對其進行優化具有深遠的意義。

羅華富[3]等人建立了電能計量系統,該系統由分析診斷模塊、應用模塊、云計算平臺,采集數據模塊等組成,在傳統的電爐電能計量裝置系統上展開優化升級設計,將HDFS電能數據備份和存儲數據信息相結合優化計量與分析系統,大幅度提升了采集數據信息的效率等。但該系統存在易診斷失敗的問題。陳崇明[4]等人設計出全新電爐電能計量裝置診斷系統,此系統通過計量裝置異常的數據知識庫對電爐電能計量裝置展開監測診斷,具體為采集存儲數據信息,分析故障原因,診斷異常緣由等。為計量裝置的維修和技術改進提供現有依據,但該系統存在診斷系統的診斷準確率較低的問題。丁建順[5]等人采取跨間隔電能計量的多維測試技術完善計量裝置系統,其主要目的分析診斷計量裝置異常原因,同時對系統內傳輸分布式終端展開處理,但該系統存在診斷系統準確率低,檢測失敗等問題。為了解決上述系統中存在的問題,本文提出基于關聯規則挖掘的電爐電能計量裝置異常診斷系統。

1 系統功能模塊設計

電爐電能計量裝置異常診斷系統由主控模塊、遠程通信模塊和數據管理模塊組成。其中,主控模塊可以實現與人機和通信單元之間的互相傳輸,系統功能模塊結構如圖1所示。

圖1 系統功能模塊結構圖

1)主控模塊

主控模塊分別由電能誤差測試單元、脈沖采集切換單元、采集監測、電壓PT切換單元、電流CT切換單元、信號采集單元等構成[6-8]。該模塊是通過監測各個電爐電能計量裝置點,實現數據采集、讀取和儲存的目的。其中監測范圍包括計量裝置異常診斷系統內的各個單元。

2)遠程通信模塊

該模塊是在數據管理模塊及信號采集模塊的基礎上建立起來的,實現數據與通信的交互。建立連接的方式主要有以太網、Wifi無線、電話網絡及RSR232串行等[9-12]。

3)數據管理模塊

該模塊的原理是通過集中管理所有信息采集系統監測到的數據、參數的過程。且可以將監測到的數據信息反向輸出給需要的系統。該模塊具體為數據統計分析、遠程遙控、異常信息報警,數據共享等功能[13-15]。遠程遙控功能用于監測該系統采集單元中的參數測試,數據配置等;數據統計分析功能可查看歷史記錄;異常信息報警功能是對監測到的異常情況及時上報;數據分享功能可共享各個子系統中的數據參數。

2 系統軟件設計

2.1 電爐電能計量裝置異常診斷系統知識庫構建

電爐電能計量裝置異常診斷系統中還包含異常知識庫,該知識庫既可以儲存異常事件還可以進行查詢、修改及刪除等操作。為異常診斷結論提供了細致準確的參考數據[16-18]。電爐電能計量裝置異常診斷系統知識庫如圖2所示。

圖2 電爐電能計量裝置異常診斷系統知識庫圖

該知識庫中含有規則和模型,該模型主要是記錄其異常特征的;該規則主要是調整和改進異常事件的判定閾值,建立完善規范的異常事件庫[19-22]。專家庫模塊由導入、導出、變更等模塊組成。通過對計量裝置展開驗證,判別該裝置檢測異常事件及知識庫的問題。檢測出的異常知識庫事件概括為:電表超差誤差、斷相、電壓、電流不平衡、掉電等;異常事件概括為:電壓二次超差等。

2.2 基于關聯規則的電爐電能計量裝置異常數據挖掘

由于關聯規則挖掘技術善于發現知識庫內每個模塊間的聯系關系,為進一步挖掘計量裝置異常診斷系統內的知識庫內的信息奠定了基礎,為此,采取此項技術挖掘電爐電能計量裝置異常診斷系統知識庫內的異常數據。

關聯規則定義如下:假設O={i1,i2,i3,…,in}表示為n個項的電爐電能計量裝置異常數據的集合,任意一項il定義為數據項(item),在異常診斷數據集合中的任意一項子集C都可定義為數據項集(itemset),也可稱為項集;數據項集的長度可表示為l,則子集C存在于l數據項集中[23-25]。

假設Y是整體計量裝置異常診斷數據項集O中的任意子集,設yi={i1,i2,…,ij,ig},條件為Y?O,每個Y都表示為yid。由多個任意子集組成計量裝置異常診斷數據庫F,可表示為F={y1,y2,…,yi,yl}。數據集可用C表示,條件為C?O,定義N為F數據庫中含有C的數據數量,定義S為F數據庫全部的數據數量。關于項集的支持度公式如下:

(1)

式中:關聯規則的支持度sup()為數據項集C的重要程度。

關聯規則T的形式可表示為C?U的包含公式,且C?O,U?O及C∩U=?,C?U,假如C項集在F異常診斷數據庫中出現,那么U肯定也會出現,C決定著U的結果。由此證明挖掘到的異常數據集之間存在關聯規則。T支持度(support)表示為sup(T)=sup(C∪U),因為關聯規則T:C?U,關于T的置信度可用下式表示:

(2)

式中:conf()為關聯規則的置信度,可描述為可靠程度。

強關聯規則定義原理是數據空間內的關聯規則需同時滿足兩個條件才可以實現,分別為最小支持度和最小置信度[26]。

關聯規則的電爐電能計量裝置異常數據挖掘步驟如下:

(1)檢索挖掘出大于或等于最小支持度的全部異常診斷數據項集,也可表示為頻繁項集。

T:N?(S-N),sup(T)=sup(S),conf(T)=

sup(S)/sup(N)

設數據庫F={T1,T2,T3,T4,T5}如表1所示。

表1 關聯規則挖掘數據庫

設關聯規則的最小支持度min-sup=0.5,最小置信度min-conf=0.8,{N,R}定義為頻繁項,在{N,R}中,sup(N)=0.8,sup(R)=0.6,sup(N,R)=0.6;若sup(N,R)/sup(N)=0.75或sup(N,R)/sup(R)=1.0,通過以上過程得到唯一的強關聯規則R?N[27]。通過上述過程在系統知識庫中挖掘電爐電能計量裝置異常狀態之間存在的聯系,在后續卷積神經網絡模型異常診斷過程中提供電爐電能計量裝置異常類型的判斷依據,由此對挖掘的數據集內的異常數據展開關聯規則,實現檢測異常診斷。

2.3 基于卷積神經網絡模型的異常診斷

基于計量裝置異常診斷系統,將上述挖掘到的電爐電能計量裝置異常數據輸入到單卷積層和池化層的卷積神經網絡中,通過學習和訓練完成電爐電能計量裝置異常診斷。

采用一維過濾器對輸入數據特征展開提取,提取后輸進池化層降采樣處理,可降低輸出節點之間的數量,通過Softmax回歸層將結果變換為概率分布,過濾器提取數據特征的過程如圖3所示。

圖3 一維過濾器提取特征圖

該模型的數據樣本定義為變量C,含有12個特征。一維過濾器個數定義為變量n,尺寸為n×1,則每個一維過濾器相對的輸出尺寸為(13-n)×1,該模型的連接數為(13-n)×(n+1)×n,網絡訓練的估計數據數量為(n+1)×m,所以模型中卷積層第l個一維過濾器的結果表示如下:

(3)

池化層展開平均值方式操作,當抽取該系統數據的樣本尺寸為O×1,也滿足O可以被13-n整除,可得到對應的尺寸[(13-n)/O×1],過濾器相對的池化層輸出可用下式表示:

(4)

式中:βs2,j,l為過濾器池化層的第j個輸出。通過Softmax回歸層展開分類操作處理,得出分類概率。

本文采用反向傳播算法訓練模型,通過不斷的更新和迭代達到預設的目標范圍停止。該模型的目標函數表示為

(5)

式中:n為該模型輸入數據的數量;i為Ci的輸入數據;ui為輸出結果;G(Ci)為該模型的實際輸出。

卷積神經網絡模型在電爐電能計量裝置異常診斷過程中訓練過程可用描述為以下三個步驟:

(1)對該模型的各層級展開誤差項運算。

計算輸出誤差項為

ζ=[u-G(C)]

(6)

式中:u為卷積神經網絡模型的理想輸出;G(C)為該模型的實際輸出。若第K層和第K+1層的每個節點全部都和上層節點相連接,求第K層的誤差項為

ζ1=(E1)YζK+1×g′(xk)

(7)

式中:xK為卷積層第K層的過濾器節點的輸入;g′為求導函數;求卷積層的誤差項為

(8)

(2)對卷積神經網絡中的權重值E的偏導函數和偏置N的偏導函數展開如下計算:

(9)

式中:β1為K層的輸出結果。

(10)

(3)對卷積神經網絡中的權重值E的偏導函數和偏置N的偏導函數展開迭代處理:

(11)

式中:β為該模型的學習率,且β∈[0,1]。

3 實驗與分析

為了驗證本文設計的基于關聯規則挖掘的電爐電能計量裝置異常診斷系統的整體有效性,選取電能計量柜為實驗對象,對其異常進行診斷測試,如圖4所示。

圖4 電能計量柜異常診斷

對電能計量柜參數進行設置,如表2所示。

表2 實驗參數設置

對額定的故障信號采集,異常信號變化如圖5所示。

圖5 異常信號突變采集圖

通過信號采集裝置采集異常信號的幅值、系統的結構參數、噪聲強度和信號發生器的參數,來進行實時觀察發生故障異常后的過程。通過圖5可以看出,本文方法可以有效地采集相關的異常信號?，F采用本文設計的基于關聯規則挖掘的電爐電能計量裝置異常診斷系統、文獻[3]系統、文獻[4]系統和文獻[5]系統對電爐電能計量裝置展開異常診斷測試,測試結果如圖6～圖9所示。

圖6 本文設計的檢測結果

通過圖6得知,本文設計系統的計量裝置異常診斷檢測結果均是成功,分析圖7～圖9得知文獻[3]系統、文獻[4]系統和文獻[5]系統的檢測結果中均有部分檢測結果無法成功。由于本文設計系統在系統知識庫中通過數據挖掘獲取關聯規則,結合卷積神經網絡模型實現電爐電能計量裝置異常診斷,提高了異常診斷的成功率。為了進一步測試上述方法的異常診斷性能,采用上述方法對不同異常類型的電爐電能計量裝置展開診斷,診斷結果如圖10所示。

圖7 文獻[3]系統的檢測結果

圖8 文獻[4]系統的檢測結果

圖10 不同系統的診斷準確率

通過上述測試可知,在計量裝置異常診斷測試中本文設計系統的實際數據樣本類型與測試樣本類型診斷基本符合。而文獻[3]系統、文獻[4]系統和文獻[5]系統的診斷結果中存在大部分樣本與實際異常類型不符的問題,相比之下本文設計系統的診斷準確率更高。

4 結 語

由于電爐電能計量裝置目前應用于多個領域,因此針對電爐電能計量裝置異常診斷系統方面仍存在診斷成功率低和診斷準確率低的問題,應對匹配該裝置的異常診斷系統進行相對應的提升優化,對此,本文設計基于關聯規則挖掘的電爐電能計量裝置異常診斷系統。首先設計了系統的硬件部分,并組建了系統知識庫,在知識庫中挖掘關聯規則,結合卷積神經網絡實現電爐電能計量裝置的異常診斷,該系統有效解決了目前系統中存在的問題,為電爐電能計量裝置安全、穩定運行提供了保障。