基于kNN算法的電力系統(tǒng)設(shè)備隱患在線識別方法研究

段翔兮，張華，高藝文，孫永超，胡蓉

（國網(wǎng)四川省電力公司電力科學(xué)研究院，四川 成都 610041）

近年來，隨著信息技術(shù)的發(fā)展速度越來越快，電力系統(tǒng)設(shè)備越來越發(fā)達，但是電力系統(tǒng)設(shè)備一旦出現(xiàn)問題就會影響整個系統(tǒng)的正常運行，因此必須要對信息進行在線識別。最先進的識別技術(shù)便是近年來提出的新媒體交互技術(shù)，它的開放性、靈活性、交互性及連結(jié)性推動了我國信息社會構(gòu)建模式的改革，為信息技術(shù)的發(fā)展提供了有利的平臺。但新媒體交互技術(shù)在電力系統(tǒng)中的應(yīng)用還處在一個成長的階段，存在一些不足之處，比如說信息安全性不足，容易被入侵，導(dǎo)致隱患信息識別不準(zhǔn)確[1]。

因此，本文基于kNN（k-nearest neighbor）算法提出了一種新的電力系統(tǒng)設(shè)備隱患在線識別方法。kNN算法又稱k最近鄰分類算法，所謂k最近鄰，就是k個最近的鄰居的意思，說的是每個樣本都可以用它最接近的k個鄰近值來代表。kNN算法是一種非常特別的機器學(xué)習(xí)算法，通過測量不同特征值之間的距離來進行分類，它沒有一般意義上的學(xué)習(xí)過程，主要是利用訓(xùn)練數(shù)據(jù)對特征向量空間進行劃分，并將劃分結(jié)果作為最終算法模型[2]。本文采用kNN算法充分提取電力系統(tǒng)設(shè)備內(nèi)部隱患信息狀態(tài)，利用靜電力反饋波形對信息進行在線識別，提高電力系統(tǒng)設(shè)備隱患信息的識別效率和識別精度。

1 基于kNN算法的電力系統(tǒng)設(shè)備隱患信息提取

為實現(xiàn)本文研究的基于kNN算法的電力系統(tǒng)設(shè)備隱患在線識別方法，首先是該技術(shù)下電力系統(tǒng)設(shè)備隱患信息提取的設(shè)計。本文應(yīng)用了Vicon光學(xué)動作捕捉系統(tǒng)，Vicon系統(tǒng)是世界上第一個設(shè)計用于動畫制作的光學(xué)動作捕捉系統(tǒng)。通過使用Vicon完成設(shè)備狀態(tài)捕捉，以此來完成對于設(shè)備運行狀態(tài)的分析，使用定點攝像頭的Vicon系統(tǒng)將定位點附著于受試者需要被分析的部位，從而使動作捕捉系統(tǒng)能夠檢測到設(shè)備工作中的變化，設(shè)備檢測示意圖如圖1所示。

圖1 設(shè)備檢測節(jié)點示意圖Fig.1 Schematic diagram of device detection node

通過捕捉設(shè)備節(jié)點狀態(tài)，從而達到識別設(shè)備工作中變化過程與趨勢的目的，進而分析是否存在故障[3]。在圖1中，節(jié)點為主要的觸覺感知部位，因此使用了8個定位點對設(shè)備進行標(biāo)記，使得攝像頭可以捕捉到設(shè)備運行的動作，以此來判斷出是否存在故障，通過這些數(shù)據(jù)的采集，傳輸?shù)教摂M現(xiàn)實系統(tǒng)中，使用一款紅外三維運動捕捉系統(tǒng)的數(shù)據(jù)采集軟件Vicon Nexus進行故障數(shù)據(jù)識別處理，如圖2所示。

圖2 隱患信息捕捉過程Fig.2 Hidden danger information capture process

采用Vicon系統(tǒng)模型完成隱患信息捕捉后，運用kNN算法提取電力系統(tǒng)設(shè)備隱患信息，具體過程如下。

設(shè)電力系統(tǒng)設(shè)備隱患提取的最優(yōu)函數(shù)為f(xi,θ)，則構(gòu)建的提取誤差最小函數(shù)為

式中：L(yi)為電力設(shè)備隱患信息的誤差限定函數(shù)。

kNN算法主要是靠周圍有限的鄰近的樣本來確定所屬類別，因此，可通過測量不同特征值之間的距離來進行分類?；趉NN算法的電力系統(tǒng)設(shè)備隱患信息樣本與訓(xùn)練樣本之間的鄰近性一般采用歐式距離來度量，假設(shè)在電力系統(tǒng)設(shè)備隱患信息樣本中存在l，g兩點，則兩點間的歐式距離計算公式為

式中：li，gi分別為測試組向量與訓(xùn)練組向量中的元素。

在電力系統(tǒng)設(shè)備隱患信息中質(zhì)量B定義為所有信息樣本屬性值與質(zhì)心距離的平方和，則質(zhì)量B的計算公式為

對質(zhì)量信息B進行評價，則可以完成電力系統(tǒng)設(shè)備信息的提取。

當(dāng)滿足下式則判定電力系統(tǒng)設(shè)備隱患信息為可提取信息：

2 基于kNN算法的電力系統(tǒng)設(shè)備隱患信息識別

在完成了基于kNN算法的電力系統(tǒng)設(shè)備隱患信息提取的設(shè)計后，需要對基于kNN算法的電力系統(tǒng)設(shè)備隱患信息進行在線識別。在在線識別感官體驗的環(huán)節(jié)中，觸覺渲染是關(guān)鍵的一步，為了將設(shè)備中的各種信息進行反饋，達到更好的體驗效果，本文提出了基于kNN算法原理的圖像紋理特征提取技術(shù)，該技術(shù)可以根據(jù)設(shè)備的紋理特征來生成觸覺反應(yīng)，以此達到在線識別的效果[4]。

根據(jù)靜電力的凹凸特性，工作人員通過觸覺反饋方法去模擬采取靜電力的反饋的波形，這樣就可以高度地還原模型狀況的真實性，利用工作人員的觸覺采集指紋進行kNN算法和人工智能分析，儀器就可以得到靜電力的反饋波形[5]。當(dāng)工作人員進行觸覺試驗時，由摩擦力、靜電力、支持力三力的合力保持接觸的穩(wěn)定性，通過各個力的分解分析得出合力是觸覺點摩擦過程中受到的反作用力[6]。

人工觸感受力示意圖如圖3所示。

圖3 人工觸感受力示意圖Fig.3 Schematic diagram of the of artificial touch sensitivity forced

根據(jù)圖3力的分析，工作人員不同的觸摸方法或者不同位置的觸碰，最終得到的合力的大小和方向都不相同。通過工作人員觸覺反饋波形，判斷工作人員對屏幕的施加力，并將3個力進行正交分解[7]。因為工作人員的動作不可能百分百還原，所以每次觸覺反饋靜電力波形都不相同。靜電力觸覺示意圖如圖4所示。根據(jù)多次實驗結(jié)果并結(jié)合韋伯費希納定律分析得出規(guī)律，人的感觸量和力發(fā)生過程的時間成正比。當(dāng)工作人員在對屏幕完成一個動作，越靠近結(jié)束時，靜電力越大，這就完美地解釋了物體邊緣靜電力波形幅度越大的事實[8]。

圖4 靜電力觸覺示意圖Fig.4 Schematic diagram of electrostatic force and touch

在工作人員進行靜電力反饋波形提取前，電力系統(tǒng)設(shè)備信息分析要進行簡單地初始化操作，主要是為采取靜電力過程中波形圖進行數(shù)據(jù)化處理[9]。對采集的波形圖像的大小格式和像素點進行初始化設(shè)置[10]。采集掃描分為正常掃描和紅外定位掃描兩步驟。相關(guān)人員的觸覺高度反饋模型以圖像灰度值最為標(biāo)準(zhǔn)，反饋過的靜電力波形圖的像素高度設(shè)為a[11]。

本文構(gòu)建的基于kNN算法的電力系統(tǒng)設(shè)備在線識別方法，為了突出環(huán)境中物體的多維性，需改變傳統(tǒng)的二維元素虛擬環(huán)境。因此，本文在二維圖像為基礎(chǔ)的條件下，在靜電力波形反饋的同時，增加對虛擬環(huán)境中元素進行三維的渲染[12]。近年來比較簡單的虛擬三維實物構(gòu)建的方法為三維恢復(fù)解決方法[13]，主要是在二維圖像的基本配置中結(jié)合陰影恢復(fù)模型。這樣構(gòu)建出的虛擬環(huán)境的三維事物更加真實還原靜電力反饋波形圖，也有利于靜電力觸覺渲染過程的進行。靜電力反饋波形圖如圖5所示。

圖5 靜電力反饋波形圖Fig.5 Electrostatic force feedback waveforms

通過靜電力反饋波形圖分析設(shè)備的運行狀態(tài)[14]。因為本文創(chuàng)建虛擬環(huán)境借助的是unity3D的方法，此方法中的模型都具有各自的標(biāo)簽屬性，所以在陰影恢復(fù)模型中增加數(shù)據(jù)預(yù)處理，這樣才能在unity3D的環(huán)境中構(gòu)建虛擬現(xiàn)實環(huán)境[15]。陰影恢復(fù)法是圖像整體通過圖像的本身色差進行兩個部分分割，分割避免了可能由于色差過大對二維實物構(gòu)造的不準(zhǔn)確的問題。陰影恢復(fù)法可以忽略二維實物構(gòu)造過程中物體表面反射情況和不可避免的系統(tǒng)誤差帶來的影響。相對于傳統(tǒng)的陰影恢復(fù)法，本文的方法一方面優(yōu)化與默認了光源來自無限遠處，排除了圖像以及燈光聚焦的影響。另一方面優(yōu)化了構(gòu)建虛擬二維實物的朗伯體模型，提高了事物的反射質(zhì)量，也保證了成像的主視圖位置，從而更有利于對信息邊界進行提取和修改。三維對象的渲染和紋理邊界提取是在3D模型中進行的，對靜電力觸覺模型主要分為4個部分：

1）確定要構(gòu)造的實物；

2）識別視圖中的電力系統(tǒng)模型并確定電力系統(tǒng)事物的紋理邊界；

3）在unity3D模型系統(tǒng)中結(jié)合靜電力反饋波形圖對三維實物的渲染值進行確認；

4）對電力設(shè)備對象的紋理邊界進行提取。

具體操作流程圖如圖6所示。

圖6 靜電力觸覺模型操作流程Fig.6 Operation flow of electrostatic force haptic model

此次提取需要注意的是，在對電力系統(tǒng)設(shè)備對象進行紋理邊界提取時所采用的方法與二維圖像過程中渲染視圖的方法不同，二維圖像過程中渲染視圖的方法為平面的法線方法，此次渲染過程中采用的方法為俯視圖法[16]。必須要進行方法的調(diào)換否則會渲染視圖不成功。另外，二維圖像的紋理邊界提取過程中的高度還原是梯度還原，但是三維事物的紋理邊界提取是離散型還原，這個還原方法要注意更改，否則三維對象的高度還原模型和二維對象模型一樣，就無法進行下一步驟的視圖渲染。

3 實驗研究

3.1 實驗?zāi)康?/h3>

為了檢測本文所提出的基于kNN算法的電力系統(tǒng)設(shè)備隱患在線識別方法的效果，與傳統(tǒng)的在線識別方法進行對比，設(shè)計實驗并分析實驗結(jié)果。

3.2 實驗參數(shù)

設(shè)定實驗參數(shù)如下：處理器為ARM處理器，操作系統(tǒng)為Windows10，工作電壓120 V，工作電流150 A，工作頻率320 Hz，操作環(huán)境為TPU，編輯語言為C++語言，接口為I/O接口。

3.3 實驗過程

根據(jù)上述的實驗參數(shù)與實驗環(huán)境設(shè)置，進行實驗過程設(shè)置：在相同的實驗條件下，以電力系統(tǒng)設(shè)備隱患識別效率、識別精度為實驗指標(biāo)，將本文方法與傳統(tǒng)方法進行對比驗證，并將獲得的數(shù)據(jù)整理成折線圖，以便于觀察實驗對比結(jié)果。

3.4 實驗結(jié)果與分析

3.4.1 識別效率對比結(jié)果

本文方法與傳統(tǒng)方法的識別效率對比結(jié)果如圖7所示。

圖7 識別效率對比Fig.7 Comparison of recognition efficiency

從圖7中可以看出，在實驗次數(shù)不斷增加的情況下，所提方法的識別效率始終高于傳統(tǒng)方法，因此充分說明所提方法能夠有效提升電力系統(tǒng)設(shè)備隱患的識別效率。

3.4.2 識別精度對比結(jié)果

經(jīng)過一段時間的運行后，識別精準(zhǔn)度如圖8所示。

圖8 識別精準(zhǔn)度Fig.8 Recognition accuracy

根據(jù)圖8可知，當(dāng)識別時間為2 h時，傳統(tǒng)識別方法識別精準(zhǔn)度為29%，本文識別方法識別精準(zhǔn)度為72%；當(dāng)識別時間為6 h時，傳統(tǒng)識別方法識別精準(zhǔn)度為37%，本文識別方法識別精準(zhǔn)度為79%；當(dāng)識別時間為10 h時，傳統(tǒng)識別方法識別精準(zhǔn)度為39%，本文識別方法識別精準(zhǔn)度為92%；當(dāng)識別時間為14 h時，傳統(tǒng)識別方法識別精準(zhǔn)度為79%，本文識別方法識別精準(zhǔn)度為97%。

通過以上數(shù)據(jù)可以得出，本文所研究的基于kNN算法的電力系統(tǒng)設(shè)備隱患在線識別方法在識別精度、識別效率方面都遠遠高于傳統(tǒng)方法?？梢杂行У馗纳苽鹘y(tǒng)識別方法的不足，滿足電力系統(tǒng)設(shè)備提出的檢測要求。

4 結(jié)論

本文在傳統(tǒng)的電力系統(tǒng)設(shè)備隱患在線識別方法的基礎(chǔ)上，提出了基于kNN算法的電力系統(tǒng)設(shè)備隱患在線識別方法，得到以下結(jié)論：

1）采用Vicon系統(tǒng)模型完成隱患信息捕捉后，運用kNN算法提取電力系統(tǒng)設(shè)備隱患信息，可完成對于設(shè)備運行狀態(tài)的分析；

2）通過對基于感官體驗和虛擬現(xiàn)實的電力系統(tǒng)信息進行提取，利用圖像紋理特征提取技術(shù)，通過靜電力的反饋波形與觸覺渲染得到電力系統(tǒng)設(shè)備的圖片，可在線進行故障識別；

3）基于kNN算法的電力系統(tǒng)設(shè)備隱患在線識別方法識別準(zhǔn)確率高于傳統(tǒng)方法，識別能力更強。