基于三維卷積神經(jīng)網(wǎng)絡(luò)的配電物聯(lián)網(wǎng)異常辨識方法

殷浩然，苗世洪，韓 佶，王子欣，毛萬登，牛榮澤

（1. 強(qiáng)電磁工程與新技術(shù)國家重點(diǎn)實(shí)驗(yàn)室（華中科技大學(xué)），湖北省武漢市 430074；2. 電力安全與高效湖北省重點(diǎn)實(shí)驗(yàn)室（華中科技大學(xué)電氣與電子工程學(xué)院），湖北省武漢市 430074；3. 國網(wǎng)河南省電力公司電力科學(xué)研究院，河南省鄭州市 450052）

0 引言

當(dāng)前，能源革命和數(shù)字革命正在深度融合，為適應(yīng)能源互聯(lián)和“30·60 目標(biāo)”要求，配電網(wǎng)不斷融入先進(jìn)的傳感測量、保護(hù)控制和數(shù)據(jù)通信等技術(shù)，正逐步由傳統(tǒng)的電力網(wǎng)轉(zhuǎn)變?yōu)殡娏W(wǎng)和通信網(wǎng)高度耦合的配電物聯(lián)網(wǎng)［1］。當(dāng)電力網(wǎng)出現(xiàn)異常狀態(tài)時，可能會引起通信網(wǎng)絡(luò)擁塞，降低通信網(wǎng)絡(luò)性能，進(jìn)一步導(dǎo)致電力網(wǎng)故障擴(kuò)大；當(dāng)通信網(wǎng)出現(xiàn)通信中斷、數(shù)據(jù)異常等異常狀態(tài)時，可能會引起電力網(wǎng)智能終端誤動或拒動，造成電力網(wǎng)故障。因此，為全面、準(zhǔn)確地辨識配電物聯(lián)網(wǎng)異動源的類型和位置，需充分考慮電力網(wǎng)和通信網(wǎng)的交互影響，綜合分析電力網(wǎng)和通信網(wǎng)的異動信息，以實(shí)現(xiàn)電力網(wǎng)和通信網(wǎng)異常類型和位置的統(tǒng)一辨識。

針對配電物聯(lián)網(wǎng)，當(dāng)前研究主要從通信網(wǎng)流量特征分析及建模、配電網(wǎng)信息物理系統(tǒng)仿真平臺構(gòu)建和通信網(wǎng)異常流量檢測等方面開展，針對電力網(wǎng)和通信網(wǎng)異常辨識的研究較少。文獻(xiàn)［2］分析了配電網(wǎng)的信息架構(gòu)，為電力網(wǎng)與通信網(wǎng)的交互分析奠定了基礎(chǔ)；文獻(xiàn)［3-5］分析了配電通信業(yè)務(wù)特點(diǎn)和數(shù)據(jù)流量的自相似特征，文獻(xiàn)［6-8］分析了電力網(wǎng)和通信網(wǎng)出現(xiàn)異常時通信流量的特征，并建立了相應(yīng)的信源模型；在上述研究的基礎(chǔ)上，文獻(xiàn)［9-13］提出了基于通信流量差分序列方差、小波分解能量值、時頻混合特征的通信網(wǎng)異常辨識方法。然而，上述研究主要針對通信網(wǎng)異常開展，未考慮通信網(wǎng)異常對電力網(wǎng)造成的影響。文獻(xiàn)［14］指出需要對電力網(wǎng)故障和通信節(jié)點(diǎn)故障進(jìn)行統(tǒng)一辨識，并提出了基于多維尺度分析和局部異常因子的配電網(wǎng)故障辨識方法，但該方法僅考慮了電力網(wǎng)或通信網(wǎng)故障后最終反映到電氣量的特征，難以準(zhǔn)確辨識通信網(wǎng)的異常狀態(tài)。綜上，現(xiàn)有研究多單獨(dú)針對電力網(wǎng)或通信網(wǎng)開展，較少考慮電力網(wǎng)和通信網(wǎng)的交互影響，難以實(shí)現(xiàn)配電物聯(lián)網(wǎng)異常的統(tǒng)一辨識。

深度學(xué)習(xí)由數(shù)據(jù)驅(qū)動構(gòu)建深層神經(jīng)網(wǎng)絡(luò)，可自動提取輸入數(shù)據(jù)特征并進(jìn)行歸納分類［15］。近年來有學(xué)者將卷積神經(jīng)網(wǎng)絡(luò)（CNN）算法應(yīng)用于輸電線路故障選相［16］、區(qū)內(nèi)外故障判別［17］、故障定位［18］和輸電網(wǎng)故障線路判定［19］等問題。然而，上述研究均基于二維卷積神經(jīng)網(wǎng)絡(luò)（2D-CNN）開展，當(dāng)原始樣本數(shù)據(jù)較為復(fù)雜時，直接由時序數(shù)據(jù)排列形成的二維樣本往往難以滿足要求，需要利用復(fù)雜的預(yù)處理方法將電氣量時序數(shù)據(jù)構(gòu)建成二維圖形［19-21］，最終效果也依賴于數(shù)據(jù)預(yù)處理過程，限制了CNN 在時序數(shù)據(jù)特征提取方面的應(yīng)用。文獻(xiàn)［22］在2D-CNN的基礎(chǔ)上引入時間維度，提出了三維卷積神經(jīng)網(wǎng)絡(luò)（3D-CNN），并被應(yīng)用于視頻檢測［23］和三維圖像辨識［24］等問題，取得了良好效果，但還未被應(yīng)用于電力領(lǐng)域。

因此，本文提出一種配電物聯(lián)網(wǎng)異常辨識方法，利用3D-CNN 提取電氣量、通信量與配電物聯(lián)網(wǎng)異常狀態(tài)之間的映射關(guān)系，實(shí)現(xiàn)了配電物聯(lián)網(wǎng)異常類型和異動源位置的統(tǒng)一辨識，并通過仿真數(shù)據(jù)驗(yàn)證了本文方法的有效性。

1 配電物聯(lián)網(wǎng)異常分析與交互仿真

1.1 配電物聯(lián)網(wǎng)異常狀態(tài)分析

配電物聯(lián)網(wǎng)的分層結(jié)構(gòu)如圖1 所示，由于電力網(wǎng)與通信網(wǎng)的深度耦合，二者之間的交互作用易使故障范圍擴(kuò)大，給電力網(wǎng)與通信網(wǎng)的統(tǒng)一異常辨識增加了難度。

圖1 配電物聯(lián)網(wǎng)電力網(wǎng)和通信網(wǎng)耦合關(guān)系Fig.1 Coupling relation between power grid and communication network in distribution Internet of Things

1）電力網(wǎng)異常

電力網(wǎng)通過配電終端與通信網(wǎng)進(jìn)行信息交互，當(dāng)電力網(wǎng)正常運(yùn)行時，通信網(wǎng)數(shù)據(jù)流包含配電終端周期性上傳的采樣值報文、量測值和狀態(tài)信息組成的周期性數(shù)據(jù)流，以及由開關(guān)操作命令、跳閘命令等外部事件驅(qū)動的隨機(jī)性數(shù)據(jù)流；當(dāng)電力網(wǎng)出現(xiàn)短路故障等異常狀態(tài)時，配電終端需彼此發(fā)送跳閘信號，間隔層設(shè)備需上傳保護(hù)動作信息和開關(guān)變位信息，產(chǎn)生突發(fā)性數(shù)據(jù)流。因此，當(dāng)電力網(wǎng)出現(xiàn)異常狀態(tài)時，通信網(wǎng)數(shù)據(jù)流量突發(fā)性上升，可能引起通信延遲甚至網(wǎng)絡(luò)擁塞，造成停電范圍擴(kuò)大。

2）通信網(wǎng)異常

相較于輸電通信網(wǎng)，配電通信網(wǎng)建設(shè)相對落后，部分通信業(yè)務(wù)需要由公網(wǎng)承擔(dān)，這增加了配電通信網(wǎng)的可靠性風(fēng)險［4］。當(dāng)某條通信鏈路發(fā)生故障時，會導(dǎo)致主站喪失對相應(yīng)終端的感知和控制能力，無法及時對配電網(wǎng)故障進(jìn)行處理；當(dāng)通信網(wǎng)遭受數(shù)據(jù)侵入攻擊等信息安全事件時，可能導(dǎo)致傳輸錯誤、虛假信息，進(jìn)一步造成智能終端的拒動或誤動。

1.2 通信網(wǎng)流量建模

1）周期性數(shù)據(jù)流

周期性數(shù)據(jù)流由配電終端周期性上傳的采樣值報文、量測值和狀態(tài)信息構(gòu)成，屬于時間驅(qū)動型數(shù)據(jù)流，可用周期性間隔、恒定長度的周期性報文來模擬，其數(shù)學(xué)模型如式（1）所示。

式中:Fp為周期性數(shù)據(jù)流量；L為報文長度；P為數(shù)據(jù)流間隔周期；T為端對端時延；D為允許的最大時延，且滿足T≤D。

2）隨機(jī)性數(shù)據(jù)流

隨機(jī)性數(shù)據(jù)流主要包含開關(guān)操作、跳閘命令、保護(hù)功能連鎖和保護(hù)定值修改、事件記錄查看、錄波數(shù)據(jù)傳輸?shù)龋瑢儆谕獠渴录?qū)動型數(shù)據(jù)流，由故障等外部事件觸發(fā)，可以用Poisson 過程來近似［3］。

設(shè)N（t）表示t時刻的報文總數(shù)，λ表示報文平均到達(dá)速率，則在［s，s+t］時間段內(nèi)到達(dá)k個報文的概率滿足式（2）。

報文到達(dá)時間間隔服從參數(shù)為1/λ的負(fù)指數(shù)分布，其分布密度函數(shù)式（3）所示。

3）突發(fā)性數(shù)據(jù)流

突發(fā)性數(shù)據(jù)流主要包含故障情況下間隔層設(shè)備上傳的保護(hù)動作信息、開關(guān)變位信息，以及事件順序記錄信號，具有自相似性，可以用服從廣義Pareto 分布的On/Off 數(shù)據(jù)源模擬其數(shù)據(jù)流［4］，Pareto 分布函數(shù)如式（4）所示。

式中:μ為位置參數(shù)；δ為尺度參數(shù)。

1.3 交互仿真模型

基于數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)模型需要利用大量樣本數(shù)據(jù)進(jìn)行訓(xùn)練，以獲取樣本特征信息與配電物聯(lián)網(wǎng)異常狀態(tài)之間的映射關(guān)系，而實(shí)際配電網(wǎng)異常數(shù)據(jù)難以滿足訓(xùn)練要求。因此，需構(gòu)建配電物聯(lián)網(wǎng)仿真模型。

配電物聯(lián)網(wǎng)屬于典型的信息物理系統(tǒng)，單一的電氣仿真無法準(zhǔn)確描述通信系統(tǒng)特征，目前學(xué)者多采用混合仿真方案構(gòu)建其仿真模型，即基于通信仿真平臺和電氣仿真平臺分別建立通信模型和電氣模型，再實(shí)現(xiàn)二者的信息交互［25-27］?；谏鲜鏊枷?，本文分別在Simulink 和OPNET 仿真平臺中構(gòu)建了IEEE 33 節(jié)點(diǎn)網(wǎng)絡(luò)的電力網(wǎng)和通信網(wǎng)仿真模型，其拓?fù)浣Y(jié)構(gòu)如附錄A 圖A1 所示?；谖墨I(xiàn)［28］提出的Simulink 和OPNET 聯(lián)合仿真架構(gòu)，通過二者提供的外部接口實(shí)現(xiàn)二者的信息交互和時間同步，從而模擬配電物聯(lián)網(wǎng)出現(xiàn)異常時電力網(wǎng)與通信網(wǎng)之間的交互影響，原理框圖見附錄A 圖A2，其中Fp、Fr和Fb分別表示周期性數(shù)據(jù)流、隨機(jī)性數(shù)據(jù)流和突發(fā)性數(shù)據(jù)流。

2 基于3D-CNN 的異常辨識模型

配電物聯(lián)網(wǎng)各節(jié)點(diǎn)電氣量和通信流量的時序動態(tài)變化可以反映系統(tǒng)的運(yùn)行狀態(tài)，當(dāng)電力網(wǎng)或通信網(wǎng)出現(xiàn)異常狀態(tài)時，整個系統(tǒng)的電氣量與通信流量存在由正常狀態(tài)到異常狀態(tài)的動態(tài)過程，本文通過提取該動態(tài)過程的特征信息，以實(shí)現(xiàn)對配電物聯(lián)網(wǎng)的異常類型辨識和定位。

2.1 立方樣本矩陣構(gòu)建

3D-CNN 的輸入樣本為x×y×t的三維矩陣，可以看作由t幀x×y的畫面組成。受文獻(xiàn)［21］提出的二維畫面構(gòu)建方法啟發(fā)，可以將每個時刻的配電物聯(lián)網(wǎng)運(yùn)行狀態(tài)視為一幀x×y的畫面，因此通過t幀畫面堆疊即可反映配電物聯(lián)網(wǎng)在時間段（t0，t0+t）內(nèi)運(yùn)行狀態(tài)的動態(tài)過程。如圖2 所示，首先，采集配電物聯(lián)網(wǎng)各節(jié)點(diǎn)的電氣量和終端通信流量時序數(shù)據(jù)，在分別歸一化后對齊電氣量和通信流量的時間標(biāo)度；其次，針對每個時刻的采樣值，將每個節(jié)點(diǎn)的電氣量和通信流量組合為一個特征子像素，將所有節(jié)點(diǎn)對應(yīng)的特征子像素按照拓?fù)涔?jié)點(diǎn)編號順序排列形成x×y的特征幀畫面；最后，將（t0，t0+t）內(nèi)的特征幀畫面進(jìn)行堆疊，即可構(gòu)成面向3D-CNN 的立方樣本矩陣Cxyt。

圖2 面向3D-CNN 的立方樣本矩陣構(gòu)建過程Fig.2 Construction process of cubic sample matrix for 3D-CNN

2.2 三維特征提取網(wǎng)絡(luò)

為了提取配電物聯(lián)網(wǎng)運(yùn)行狀態(tài)的動態(tài)變化過程，需要同時捕獲立方樣本矩陣3 個維度的信息，因此本文基于3D-CNN 構(gòu)建了三維特征提取網(wǎng)絡(luò)，如圖3 所示。

圖3 三維特征提取網(wǎng)絡(luò)與層級softmax 分類器Fig.3 Three-dimensional feature extraction network and hierarchical softmax classifier

首先，當(dāng)判定系統(tǒng)出現(xiàn)異常狀態(tài)時，截取階數(shù)為x×y×t的立方樣本矩陣作為網(wǎng)絡(luò)輸入，利用多個三維卷積核（階數(shù)為kx1×ky1×kt1）對輸入的立方樣本矩陣從3 個維度進(jìn)行滑步卷積計算，如式（5）所示，獲得多個三維特征體（階數(shù)為mx×my×mt），三維特征體的階數(shù)滿足式（6），每個三維特征體均記錄著輸入樣本不同區(qū)域的高維特征。

式中:l為網(wǎng)絡(luò)層序號；為第l層網(wǎng)絡(luò)輸出的三維特征體矩陣；為第l層網(wǎng)絡(luò)的輸入矩陣，也是第l-1 層網(wǎng)絡(luò)的輸出；?表示滑步卷積運(yùn)算過程；和b(l)分別為第l層的三維卷積核和偏置量；f(x)為ReLU 激活函數(shù)；和分別為第l層和第l-1層三維特征體的階數(shù)；kxyt為三維卷積核的階數(shù)；p和s均為網(wǎng)絡(luò)訓(xùn)練時設(shè)置的結(jié)構(gòu)參數(shù)，分別表示對輸入矩陣的填補(bǔ)值和卷積運(yùn)算的跨步值。

隨后，在每個三維特征體后連接池化核（階數(shù)為kx2×ky2×kt2），對特征體進(jìn)行降分辨率采樣，進(jìn)一步得到二次特征矩陣（階數(shù)為sx×sy×sz）。本文采用最大值池化方法，如式（7）所示，即輸出池化核連接的域中的最大值。通過池化操作可以對高維特征進(jìn)行二次提取，并使網(wǎng)絡(luò)具有空間不變性［29］，增強(qiáng)網(wǎng)絡(luò)的泛化能力。

式中:Ksub為池化核矩陣；fmax(·)為取最大值函數(shù)。

特征提取網(wǎng)絡(luò)由若干組“卷積-池化”結(jié)構(gòu)組成，深度越深，特征空間的維度越高，網(wǎng)絡(luò)的學(xué)習(xí)能力也越強(qiáng)，但同時會增大網(wǎng)絡(luò)的計算復(fù)雜度和過擬合可能性，因此網(wǎng)絡(luò)深度應(yīng)結(jié)合實(shí)際問題確定。

最后，在特征提取網(wǎng)絡(luò)末端加入全連接網(wǎng)絡(luò)，與前一層的所有神經(jīng)元相連接，整合由“卷積-池化”結(jié)構(gòu)提取的高維特征，用于后續(xù)的異常類型辨識及定位。同時，在全連接層加入Dropout［30］環(huán)節(jié)，以降低模型發(fā)生過擬合的可能性，提高泛化能力。

2.3 層級softmax 分類器

為實(shí)現(xiàn)對特征的辨識，通常利用softmax 分類器對網(wǎng)絡(luò)的輸出結(jié)果進(jìn)行分類。傳統(tǒng)的softmax 屬于單層分類器，通過選擇全連接層輸出向量中最大元素，得到深度學(xué)習(xí)模型的分類結(jié)果，因此僅能針對單一問題進(jìn)行分類。為利用一個神經(jīng)網(wǎng)絡(luò)統(tǒng)一辨識配電物聯(lián)網(wǎng)異常類型和異動源位置，本文提出層級softmax 分類器，針對全連接層輸出向量，利用第一層級計算樣本屬于不同異常類型的概率，進(jìn)一步利用第二層級計算樣本異動源位于不同位置的概率，最后輸出兩層的綜合判斷結(jié)果。

2.4 模型訓(xùn)練策略

三維特征提取網(wǎng)絡(luò)的監(jiān)督學(xué)習(xí)訓(xùn)練過程通過小批量梯度下降算法（SGDM）進(jìn)行，包含網(wǎng)絡(luò)初始化、前向傳播、反向傳播3 個步驟。

1）網(wǎng)絡(luò)初始化:訓(xùn)練前，按式（8）對三維卷積核和池化核參數(shù)進(jìn)行隨機(jī)初始化，從而使網(wǎng)絡(luò)獲得學(xué)習(xí)能力。

式中:kijl為三維卷積核或池化核中的元素；rand {·}表示取隨機(jī)數(shù)運(yùn)算。

2）前向傳播:每次以一組立方樣本矩陣Cxyt作為輸入，按照式（9），逐層經(jīng)過三維卷積運(yùn)算、池化運(yùn)算、全連接網(wǎng)絡(luò)運(yùn)算3 個環(huán)節(jié)，得到輸出向量O，表示網(wǎng)絡(luò)判定該組輸入樣本對應(yīng)的異常類型和異動源位置。

式中:fC(·)表示三維卷積運(yùn)算過程；fS(·)表示池化過程；fF(·)表示全連接網(wǎng)絡(luò)運(yùn)算。

3）反向傳播:通過比較網(wǎng)絡(luò)輸出與訓(xùn)練數(shù)據(jù)標(biāo)簽之間的誤差，并按式（10）反向傳播至池化層和卷積層，向降低誤差的方向調(diào)整核參數(shù)。

式中:kxyt0和kxyt1分別為調(diào)整前后的核參數(shù)；Bp(·)表示小批量梯度反向傳播的運(yùn)算過程；E12為網(wǎng)絡(luò)輸出與數(shù)據(jù)標(biāo)簽之間的誤差，通常表示為二者的方差；α為網(wǎng)絡(luò)的學(xué)習(xí)率，用于設(shè)定反向傳播過程的調(diào)整幅度。

訓(xùn)練過程基于SGDM 算法，將訓(xùn)練樣本分批輸入三維特征提取網(wǎng)絡(luò)，進(jìn)行多次前向傳播與反向傳播過程。由于每批輸入樣本的梯度具有一定的隨機(jī)性，從而使模型在訓(xùn)練過程中更易跳出局部最優(yōu)點(diǎn)。隨著核參數(shù)隨訓(xùn)練過程的逐步調(diào)整，即可使網(wǎng)絡(luò)具備將輸入樣本映射到配電物聯(lián)網(wǎng)異常類型和異動源位置的能力。同時，為避免網(wǎng)絡(luò)優(yōu)化過程中的參數(shù)過擬合問題，本文在訓(xùn)練集生成過程中盡可能覆蓋配電物聯(lián)網(wǎng)的運(yùn)行場景，以使模型學(xué)習(xí)的規(guī)則和理想規(guī)則趨于一致［31］，從而避免網(wǎng)絡(luò)參數(shù)過擬合問題。

2.5 特征幀異常度

深度學(xué)習(xí)算法運(yùn)算過程較為復(fù)雜，運(yùn)算時長難以滿足對配電網(wǎng)異常狀態(tài)的實(shí)時辨識。因此，本文用式（11）所示的異常度衡量每個特征幀相較于配電物聯(lián)網(wǎng)額定運(yùn)行狀態(tài)下特征幀的差異程度，當(dāng)異常度大于特定閾值時調(diào)用深度學(xué)習(xí)異常辨識算法，從而降低工程應(yīng)用時對服務(wù)器的算力要求。

式中:ΔD為當(dāng)前時刻特征幀的異常度；aij為當(dāng)前時刻特征幀第i行第j列的元素值；bij為電壓和負(fù)荷在正常范圍波動時特征幀第i行第j列元素的平均值；nij為額定運(yùn)行狀態(tài)下特征幀第i行第j列的元素值；X、Y分別為特征幀的行數(shù)和列數(shù)。

理論上，ΔD可以利用數(shù)學(xué)計算方法得到精確結(jié)果。但是，考慮到配電物聯(lián)網(wǎng)中異常場景的復(fù)雜性、通信流量變化的差異性，實(shí)際中難以通過理論計算得到該閾值。因此，本文利用仿真的方式覆蓋了異常場景中各個數(shù)據(jù)的取值范圍，通過試驗(yàn)的方式確定ΔD的取值。根據(jù)大量仿真結(jié)果，當(dāng)ΔD≥1.1時認(rèn)為配電物聯(lián)網(wǎng)出現(xiàn)異常狀態(tài)。

3 算例分析

3.1 典型樣本生成

實(shí)際工程中的故障數(shù)據(jù)由于數(shù)量少、質(zhì)量低、標(biāo)簽不全，很難滿足深度學(xué)習(xí)的訓(xùn)練要求，本文考慮配電物聯(lián)網(wǎng)實(shí)際運(yùn)行特點(diǎn)，利用1.3 節(jié)所述的IEEE 33節(jié)點(diǎn)配電物聯(lián)網(wǎng)仿真模型生成數(shù)量充足的典型樣本，用于異常辨識模型的訓(xùn)練。

配電物聯(lián)網(wǎng)運(yùn)行過程中，其電壓、負(fù)荷、異常位置、異常類型等均可能分布在一定范圍內(nèi)，理論上有無窮種運(yùn)行場景。本文首先對上述可變參數(shù)取有限個典型值，見附錄A 表A1，對參數(shù)典型值進(jìn)行遍歷構(gòu)成22 400 個故障場景；隨后采集故障前后共0.1 s各節(jié)點(diǎn)對應(yīng)的配電終端通信流量、節(jié)點(diǎn)電壓、支路電流時序數(shù)據(jù)，并記錄故障標(biāo)簽，生成典型參數(shù)數(shù)據(jù)集；最后，基于2.1 節(jié)所述方法，將每個節(jié)點(diǎn)對應(yīng)的支路電流、通信流量和每條干線的末端電壓時序數(shù)據(jù)構(gòu)建為17×17×50 的立方樣本矩陣，共生成22 400 組典型樣本數(shù)據(jù)集?；诘湫蜆颖緮?shù)據(jù)集對深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，可以使模型通過學(xué)習(xí)得到異常辨識的規(guī)則，從而具備應(yīng)對相似“新樣本”的泛化能力，當(dāng)配電物聯(lián)網(wǎng)運(yùn)行場景與上述典型場景相近時，模型依然有效。

3.2 模型結(jié)構(gòu)參數(shù)和超參數(shù)調(diào)整

目前，神經(jīng)網(wǎng)絡(luò)層數(shù)的確定并沒有普適性方法，需要根據(jù)所解決的問題特點(diǎn)進(jìn)行試驗(yàn)。由于本文中的樣本立方矩陣由采集的電氣量和通信量構(gòu)成，其樣本特征與像素取值復(fù)雜度不高，利用深度較淺的網(wǎng)絡(luò)即可得到高精度的故障辨識結(jié)果。因此，本文基于復(fù)雜度適中的LeNet-5 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計了深度學(xué)習(xí)網(wǎng)絡(luò)，故障辨識模型中的特征提取網(wǎng)絡(luò)主體結(jié)構(gòu)采用“卷積層Ⅰ-池化層Ⅰ-卷積層Ⅱ-池化層Ⅱ”，在此基礎(chǔ)上需根據(jù)模型的訓(xùn)練效果調(diào)整結(jié)構(gòu)參數(shù)和超參數(shù)，以生成效果較好、訓(xùn)練速度較快的異常辨識模型。網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)和超參數(shù)如表1 所示。

表1 特征提取網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)和超參數(shù)Table 1 Structure parameters and hyperparameters of feature extraction network

本文采取由結(jié)構(gòu)參數(shù)到超參數(shù)的分步調(diào)整步驟，具體如下。

1）將超參數(shù)設(shè)置為典型值，如附錄A 表A2 所示。根據(jù)輸入立方樣本矩陣的階數(shù)確定結(jié)構(gòu)參數(shù)的可選值，構(gòu)建結(jié)構(gòu)參數(shù)不同的多個特征提取網(wǎng)絡(luò)，并利用典型樣本集對所有模型進(jìn)行訓(xùn)練和驗(yàn)證，記錄各組結(jié)構(gòu)參數(shù)下模型的準(zhǔn)確率和訓(xùn)練時間，如附錄A 圖A3 所示。根據(jù)不同結(jié)構(gòu)參數(shù)下模型的準(zhǔn)確率和訓(xùn)練時間，確定特征提取網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)。附錄A 圖A3 中net1～net20 表示不同結(jié)構(gòu)參數(shù)下的特征提取網(wǎng)絡(luò)，具體結(jié)構(gòu)參數(shù)見附錄A 表A3，其中下標(biāo)Ⅰ、Ⅱ分別對應(yīng)層Ⅰ、層Ⅱ。由該結(jié)果可知，net10、net12 和net17 準(zhǔn)確率較高且訓(xùn)練時間較短，其網(wǎng)絡(luò)結(jié)構(gòu)較適合配電物聯(lián)網(wǎng)異常辨識問題。

2）針對net10、net12 和net17，進(jìn)一步利用控制變量法分別調(diào)整各超參數(shù)取值，記錄不同超參數(shù)下模型的準(zhǔn)確率和訓(xùn)練時間，附錄A 圖A4 和表A4 展示了net10、net12 和net17 在改變單一超參數(shù)時準(zhǔn)確率的分布情況。結(jié)果表明:Ba與準(zhǔn)確率呈非線性關(guān)系，其值增大有助于減小訓(xùn)練時間；α對準(zhǔn)確率和訓(xùn)練時間影響不大；β增大有助于提高準(zhǔn)確率，但增大到一定程度后對準(zhǔn)確率提升的效果較小，而與訓(xùn)練時間基本成正比；Dp增大對準(zhǔn)確率有小幅提升作用，且對訓(xùn)練時間影響不大。

根據(jù)上述測試結(jié)果，綜合考慮準(zhǔn)確率和訓(xùn)練時間，確定異常辨識模型的結(jié)構(gòu)參數(shù)和超參數(shù)如表2所示。將訓(xùn)練好的模型保存后，后續(xù)測試可直接調(diào)用模型進(jìn)行異常辨識和定位，無需重復(fù)訓(xùn)練。

表2 異常辨識模型結(jié)構(gòu)參數(shù)及超參數(shù)Table 2 Structure parameters and hyperparameters of anomaly identification model

3.3 異常辨識模型效果測試

調(diào)整配電物聯(lián)網(wǎng)交互仿真模型的參數(shù)形成不同于訓(xùn)練樣本的35 種參數(shù)組合，同時考慮32 種異常位置和4 種異常類型，共生成35×32×4=4 480 組故障數(shù)據(jù)，構(gòu)成測試樣本集。以其中一組故障數(shù)據(jù)為例，當(dāng)電力網(wǎng)節(jié)點(diǎn)13 和14 之間的線路L14發(fā)生AB相接地短路故障時，附錄A 圖A5 展示了故障前后節(jié)點(diǎn)13 處的電氣量和智能終端通信流量變化情況，在-50～0 ms 時，電力網(wǎng)正常運(yùn)行，只觸發(fā)周期性數(shù)據(jù)流，在0～50 ms 時，電力網(wǎng)出現(xiàn)短路故障，會觸發(fā)相應(yīng)通信線路的隨機(jī)數(shù)據(jù)流和突發(fā)數(shù)據(jù)流。在交互仿真模型中，不同的異常類型會觸發(fā)OPNET 中異常節(jié)點(diǎn)相應(yīng)類型的數(shù)據(jù)流，從而產(chǎn)生不同特征的通信流量。

圖4 全連接層輸出結(jié)果Fig.4 Output results of full connection layer

圖4 表明，訓(xùn)練好的異常辨識模型能以較高的可靠性對輸入樣本對應(yīng)的異常類型和異動源位置進(jìn)行準(zhǔn)確辨識。對于圖4 所示結(jié)果，層級softmax 分類器輸出的綜合判斷結(jié)果為“A-14”，即輸入樣本表明配電物聯(lián)網(wǎng)異常類型為短路故障，且故障位置位于線路L14，辨識結(jié)果與實(shí)際異常類型和異動源位置一致。

將4 種異常類型共計4 480 組測試樣本均按上述過程依次輸入訓(xùn)練好的異常辨識模型進(jìn)行測試，共耗時40.86 ms，辨識結(jié)果如附錄A 圖A6 所示。由附錄A 圖A6 可見，測試樣本的異常類型均識別正確，其中A、B、D 這3 類異常的異動源位置均識別準(zhǔn)確，C 類異常中有59 組樣本的異動源位置識別錯誤，具體見附錄A 表A5，異動源位置準(zhǔn)確率為98.68%。結(jié)合附錄A 圖A1 所示拓?fù)浣Y(jié)構(gòu)進(jìn)行了分析，對于59 組異動源位置錯誤樣本，模型識別結(jié)果均與真實(shí)異動源位置相鄰，其主要原因在于相鄰位置發(fā)生異常狀態(tài)時在立方樣本矩陣中的特征極為相似。

3.4 單數(shù)據(jù)源與統(tǒng)一數(shù)據(jù)源模型效果對比測試

為測試電氣量和通信流量數(shù)據(jù)分別對模型訓(xùn)練效果的影響，針對同樣的3D-CNN 網(wǎng)絡(luò)結(jié)構(gòu)，分別利用電氣量數(shù)據(jù)、通信流量數(shù)據(jù)、電氣量和通信流量統(tǒng)一數(shù)據(jù)對模型進(jìn)行訓(xùn)練和測試，3 組數(shù)據(jù)集對應(yīng)的特征子像素如附錄A 圖A7 所示。

圖5 展示了3 組數(shù)據(jù)集訓(xùn)練過程的損失值和準(zhǔn)確率，3 組數(shù)據(jù)集訓(xùn)練過程的損失值均接近0，表明模型已經(jīng)對訓(xùn)練數(shù)據(jù)進(jìn)行了充分的擬合；當(dāng)僅利用電氣量數(shù)據(jù)訓(xùn)練模型時，訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率趨勢相同，但增大到約90%時無法繼續(xù)提高；當(dāng)僅利用通信流量數(shù)據(jù)訓(xùn)練模型時，訓(xùn)練集準(zhǔn)確率約為50%，但驗(yàn)證集準(zhǔn)確率達(dá)到100%，說明模型出現(xiàn)了過擬合，說明單獨(dú)利用通信流量判斷異常類型和位置的可學(xué)習(xí)性較差。

將4 480 組測試集數(shù)據(jù)輸入上述3 個訓(xùn)練后的網(wǎng)絡(luò)，全連接層的輸出可視化后如附錄A 圖A8 所示。結(jié)果表明，僅利用電氣量數(shù)據(jù)訓(xùn)練的網(wǎng)絡(luò)無法區(qū)分部分區(qū)域發(fā)生的異常類型A 和異常類型B，其綜合準(zhǔn)確率為89.67%；僅利用通信流量數(shù)據(jù)訓(xùn)練的網(wǎng)絡(luò)會將異常類型C 和異常類型D 完全混淆，部分異常類型B 也會定位錯誤，其綜合準(zhǔn)確率為50.00%；利用電氣量和通信流量綜合數(shù)據(jù)訓(xùn)練的網(wǎng)絡(luò)可以準(zhǔn)確判別4 種異常類型，且定位準(zhǔn)確率很高，其綜合準(zhǔn)確率為98.68%。

上述結(jié)果表明，由于配電物聯(lián)網(wǎng)出現(xiàn)異常狀態(tài)時電力網(wǎng)與通信網(wǎng)存在交互影響，僅電氣量數(shù)據(jù)或通信流量數(shù)據(jù)隱含的特征信息難以全面反映異常類型和位置，需要綜合提取異常后的電氣量和通信流量數(shù)據(jù)以準(zhǔn)確辨識異常類型和位置。

3.5 3D-CNN 與2D-CNN 模型效果對比測試

為測試針對時序數(shù)據(jù)時3D-CNN 相較于2D-CNN 的優(yōu)勢，基于文獻(xiàn)［16］中的二維矩陣直接排列構(gòu)建方法，首先對節(jié)點(diǎn)的電氣量和對應(yīng)通信鏈路的通信流量時序數(shù)據(jù)進(jìn)行與2.1 節(jié)相同的歸一化和間隔采樣過程，形成離散時間序列；然后，按照線路編號依次對上述時間序列進(jìn)行排列，從而形成二維樣本矩陣，構(gòu)建過程如附錄A 圖A9 所示。

附錄A 圖A10 展示了基于2D-CNN 的異常辨識模型訓(xùn)練過程的損失值和準(zhǔn)確率，相較于圖5（c）中的3D-CNN 訓(xùn)練過程，訓(xùn)練集和驗(yàn)證集的損失值隨著訓(xùn)練過程無明顯下降，且正確率較低。上述結(jié)果表明，基于直接排列形成的二維矩陣訓(xùn)練的2D-CNN 模型難以適用于配電物聯(lián)網(wǎng)異常類型辨識及定位問題。

圖5 基于單數(shù)據(jù)源和統(tǒng)一數(shù)據(jù)源的模型訓(xùn)練過程Fig.5 Model training process based on single data source and unified data source

從2D-CNN 和3D-CNN 的訓(xùn)練效果對比可以看出，若不采取經(jīng)過設(shè)計的樣本矩陣，2D-CNN 難以應(yīng)對較為復(fù)雜的時序數(shù)據(jù)特征提取和分類問題。當(dāng)均采用直接排列或堆疊方法構(gòu)建樣本矩陣時，3D-CNN 在提取時序數(shù)據(jù)特征方面具有較大優(yōu)勢。

4 結(jié)語

由于配電物聯(lián)網(wǎng)中電力網(wǎng)與通信網(wǎng)高度耦合，二者在出現(xiàn)異常時會產(chǎn)生交互影響，單獨(dú)采用電力網(wǎng)或通信網(wǎng)的異動信息難以全面、準(zhǔn)確地進(jìn)行異常類型和位置的判斷。針對上述問題，本文引入了3D-CNN 綜合提取電力網(wǎng)和通信網(wǎng)的時序異動信息，實(shí)現(xiàn)了配電物聯(lián)網(wǎng)異常類型和位置的統(tǒng)一判定。通過理論和算例分析結(jié)果可以得出如下結(jié)論:

1）配電物聯(lián)網(wǎng)出現(xiàn)異常時，由于電力網(wǎng)和通信網(wǎng)都存在異動信息，單獨(dú)采用電力網(wǎng)或通信網(wǎng)異動信息時難以區(qū)分不同的異常類型，準(zhǔn)確率較低；

2）3D-CNN 在數(shù)據(jù)預(yù)處理階段無需復(fù)雜的數(shù)學(xué)計算方法，通過對時序數(shù)據(jù)的依次堆疊即可形成效果較好的立方樣本矩陣，其異常類型辨識及定位效果優(yōu)于使用直接排列二維矩陣的2D-CNN；

3）本文構(gòu)建的立方樣本矩陣可以反映配電物聯(lián)網(wǎng)異常前后的動態(tài)過程，利用3D-CNN 提取立方樣本矩陣中隱含的異動信息，可以實(shí)現(xiàn)對電力網(wǎng)短路故障、通信中斷故障、通信數(shù)據(jù)異常引起的保護(hù)誤動和拒動等幾種異常的準(zhǔn)確分類和定位。

多種傳感監(jiān)測裝置的引入為配電網(wǎng)的態(tài)勢感知提供了數(shù)據(jù)基礎(chǔ)，在本文構(gòu)建的立方樣本矩陣的基礎(chǔ)上，融入更多類型的傳感監(jiān)測數(shù)據(jù)，實(shí)現(xiàn)配電網(wǎng)的精確運(yùn)行態(tài)勢感知，是后續(xù)研究的方向之一。

附錄見本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。