一種基于鏈形混合拓撲的輸電線路溫度異常檢測方法

梁花，李瑋，高爽，吳超，解紹詞

(1.國網重慶市電力公司電力科學研究院，重慶 401123；2.南瑞集團有限公司(國網電力科學研究院有限公司)，江蘇 南京 211106；3.南京南瑞信息通信科技有限公司，江蘇 南京 211106；4.重慶郵電大學 軟件工程學院，重慶 400065)

近年來，雷電、臺風、山火等極端自然災害頻發(fā)，給輸電線路運行帶來嚴峻考驗。面對復雜的輸電線路環(huán)境，目前還沒有完美的解決方案來對輸電線路安全進行監(jiān)控和緊急處理。傳統(tǒng)方法都是建立在數(shù)學模型的基礎上，能否有效地解決實際問題還有待驗證[1]。因此，使用物聯(lián)網(Internet of things, IoT)進行安全監(jiān)控和事故預警對于確保輸電線路的安全運行具有重要的現(xiàn)實意義。及時準確的安全警告仍然存在許多挑戰(zhàn)：無線網絡傳輸溫度數(shù)據(jù)不可靠，容易丟失數(shù)據(jù)；對環(huán)境溫度數(shù)據(jù)進行多源異常檢測時，準確率不高，以及在惡劣環(huán)境中基站會產生極大的能耗[2-3]。實時數(shù)據(jù)異常檢測具有重要的實際應用。在輸電線路中，不同的傳感器節(jié)點會定期收集環(huán)境數(shù)據(jù)信息，通過檢測傳感數(shù)據(jù)流的異常情況，可以預測發(fā)生異常事件的概率，從而及時進行響應和處理。首先，輸電線路需要部署多種類型的傳感器來收集數(shù)據(jù)，主要包括溫度、濕度、氣體、風速、應力、位移等，如何對多源傳感器數(shù)據(jù)進行異常檢測是一個挑戰(zhàn)。其次，針對異常數(shù)據(jù)檢測的安全預警需要考慮低延遲需求。最后，數(shù)據(jù)收集在地理上是相關的且對時間敏感，這在很大程度上取決于收集節(jié)點的時間和地理位置信息，如何確定其相關性和準確性是異常檢測的一個挑戰(zhàn)。

為了提高異常檢測率，本文提出基于鏈形混合拓撲的輸電線路溫度異常檢測方法，用于輸電線路的早期安全預警。本文的主要內容如下：

a)針對傳統(tǒng)的異常檢測算法功耗大、檢測率低的問題，設計單源數(shù)據(jù)異常檢測算法(single-source data anomaly detection algorithm，SDADA)，在保證低能耗的前提下，實現(xiàn)整個系統(tǒng)的負載均衡和低延遲數(shù)據(jù)處理。算法基于時間維度建立，同時考慮相鄰時刻的數(shù)據(jù)值，對多個連續(xù)時刻的異常數(shù)據(jù)檢測結果進行綜合分析，避免由于單側的異常而導致的異常檢測結果誤差。

b)針對輸電線路中特殊的結構，提出一種在基站端執(zhí)行的多源多維數(shù)據(jù)異常檢測算法(multi-source and multi-dimensional data anomaly detection algorithm,MDADA)。當異常檢測算法工作時，將選擇具有位置相關的傳感器數(shù)據(jù)進行綜合分析，避免由于某一個傳感器故障引起的錯誤。

c)將本文提出的方法與其他異常方法進行實驗比較，以證明本文方法的有效性。

1 相關研究

目前，對IoT的研究主要集中在實時處理、安全可靠傳輸?shù)确矫鎇4-9]。數(shù)據(jù)異常檢測的研究主要針對無線傳感器網絡(wireless sensor networks，WSN)。文獻[10]提出一種WSN中的數(shù)據(jù)異常檢測方法，但是無法解決實際的應用問題。文獻[11]提出了一種醫(yī)療無線傳感器網絡數(shù)據(jù)異常檢測方法，能夠有效地檢測異常變化，及時預警動態(tài)變化；然而，這種方法要求在無線環(huán)境下具有較高的可靠性和實時性。

無線傳感器網絡異常檢測的研究進展如下：

a)基于統(tǒng)計的異常檢測方法。該方法是一種古老而成熟的方法，它為數(shù)據(jù)集建立分布模型，與目標數(shù)據(jù)相吻合的正常數(shù)據(jù)落在高概率區(qū)間，而異常值落在低概率區(qū)間。根據(jù)模型中目標數(shù)據(jù)集中落的概率判斷異常。文獻[12]提出了一種MDADA，該方法通過統(tǒng)計的方法進行檢測，主要應用于平臺空間，利用二維坐標位置確定節(jié)點間的關系。文獻[13]研究了基于時間序列的異常檢測方法，提出了一種基于概率區(qū)間統(tǒng)計的異常檢測方法，該算法比聚合算法具有更高的數(shù)據(jù)識別率。文獻[14]研究了異常檢測方法在城市交通分析中的應用，重點研究了基于異常值的檢測方法。該方法能夠有效地分析交通數(shù)據(jù)，但在交通條件復雜的城市，應用效果有限。

b)基于距離的異常檢測方法。該方法通常建立在相同的基本假設基礎上，即正常數(shù)據(jù)對象之間的距離較近，異常數(shù)據(jù)對象與正常數(shù)據(jù)對象之間的距離較遠。在數(shù)據(jù)對象的屬性變量是連續(xù)的情況下，通常使用歐幾里德距離來測量數(shù)據(jù)對象之間的遠近關系。文獻[15]提出了一個確定相鄰節(jié)點之間關系的模型，基于密度估計的統(tǒng)計性質，導出了插入在樣本容量、樣本維數(shù)和潛在概率分布方面的偏差和方差。文獻[16]提出了一種基于鄰居節(jié)點信息的數(shù)據(jù)異常檢測方法。該方法采用機器學習算法，通過分布式處理實現(xiàn)數(shù)據(jù)異常檢測，減少通信開銷。

c)基于聚類的異常檢測方法。聚類是將相似或相關的數(shù)據(jù)對象分類到一個類別中[17]。如果一個數(shù)據(jù)對象在聚類過程中不能被歸類到任何一個聚類中，那么這個數(shù)據(jù)對象就可以被認為是異常的。文獻[18]分析了WSN中數(shù)據(jù)完整性的異常檢測，通過溫度、濕度、電壓等特性，采用聚類分析的方法，完成數(shù)據(jù)異常檢測，該方法能保證較高的檢測精度。文獻[19]提出了一種用于微聚類的數(shù)據(jù)異常檢測方法，并設計了一種利用局部異常點作為離線組件來檢測和指定異常點的方法。文獻[20]定義了無線傳感器網絡中數(shù)據(jù)的異常值，提出了一種基于數(shù)據(jù)分類的概率密度函數(shù)估計和計算方法，該方法已被證明適用于不同類型的數(shù)據(jù)測試，包括高斯分布。

d)基于人工智能的異常檢測方法。目前，人工智能理論已應用于數(shù)據(jù)異常檢測。其中，以深度學習和機器學習為代表的相關算法解決了一些問題。通過人工智能方法，可以訓練大數(shù)據(jù)集來提高檢測精度。文獻[21]提出了一種基于空間分析和光譜異常檢測的數(shù)據(jù)挖掘異常檢測方法，用于檢測原始損失。該方法可用于視頻流等連續(xù)性數(shù)據(jù)案例。目前無線傳感器網絡中有很多數(shù)據(jù)異常檢測方法[22]，并取得了很好的效果。然而，對于特殊領域的研究還很少，特別是氣溫數(shù)據(jù)的異常檢測還有待進一步研究。

2 基于鏈形混合拓撲的輸電線路溫度異常檢測方法

本方法主要由基于時間維度的SDADA、基于SDADA改進的MDADA和基于SDADA和MDADA的異常檢測模型3部分構成。異常檢測模型如圖1所示，它的主要部分由SDADA和MDADA構成。首先，傳感器對采集的數(shù)據(jù)預處理；其次，基站端執(zhí)行SDADA對數(shù)據(jù)進行異常檢測；最后，為了提高異常檢測率，MDADA分析位于不同基站的多個傳感器的數(shù)據(jù)，將空間維度添加到SDADA中，根據(jù)位置維度和時間維度判斷數(shù)據(jù)是否異常。

根據(jù)輸電線路環(huán)境要求，輸電線路安全監(jiān)控由多個有線總線型拓撲結構組成，每個基站包含多個傳感器，構成一個星形WSN的拓撲，不同干道通過主光纖連接到遠程云服務器。圖1描述了系統(tǒng)的整體拓撲。每個傳感器收集環(huán)境數(shù)據(jù)后簡單處理，定期將無線數(shù)據(jù)發(fā)送到基站，然后基站通過有線鏈路將其發(fā)送到服務器進行分析并處理。通常，每個干道的結構基本相同且彼此獨立。

圖1 系統(tǒng)拓撲結構

(1)

圖2 基站數(shù)據(jù)緩沖隊列

2.1 基于SDADA和MDADA的異常檢測模型

傳統(tǒng)的數(shù)據(jù)異常檢測算法通常在遠程云中執(zhí)行異常決策，并利用云平臺上的大數(shù)據(jù)存儲和分析功能對數(shù)據(jù)進行異常檢測和分析。但是，輸電操作復雜多變，隨時可能發(fā)生異常事件。這需要數(shù)據(jù)異常檢測同時滿足準確性和實時性要求。在許多輸電線路安全事故中，由于不能及時檢測環(huán)境異常，導致無法在災難發(fā)生時有效地安排疏散和救災工作。為此，本文提出將異常決策轉移到邊緣基站。

根據(jù)IoT中用于輸電線路的特殊拓撲結構，將數(shù)據(jù)異常檢測操作分布在不同的節(jié)點單元中進行處理。

異常檢測模型的整體架構如圖3所示。按照異常檢測的功能劃分，用于輸電線路安全監(jiān)控和預警的IoT系統(tǒng)主要由3部分組成：遠程云服務器、基站(匯聚節(jié)點)和傳感器。圖3(a)顯示了預警系統(tǒng)的物理架構，其中遠程云負責存儲和分析基站上傳的數(shù)據(jù)；傳感器負責定期收集諸如溫度、濕度、氣體濃度等數(shù)據(jù)，并通過無線介質將其發(fā)送到相應的基站；基站負責匯總傳感器收集的數(shù)據(jù)，并通過有線鏈路轉發(fā)該數(shù)據(jù)。圖3(b)顯示了預警系統(tǒng)的邏輯模型，該模型分為基站和傳感器2個單元；基站的硬件設備在處理能力和存儲容量方面均優(yōu)于傳感器，另外，基站設備通常由有線電源供電，備用電池容量也很大；因此，基站的任務主要是執(zhí)行MDADA，傳感器節(jié)點的任務是執(zhí)行SDADA。

圖3 異常檢測模型

預警系統(tǒng)的工作過程概括如下：

a)傳感器程序根據(jù)要求定期收集環(huán)境狀態(tài)數(shù)據(jù)。收集數(shù)據(jù)后，執(zhí)行SDADA。檢測完成后，原始數(shù)據(jù)和檢測結果將發(fā)送到基站。傳感器的處理器通常僅具有簡單的信息處理和無線傳輸功能，因此只能執(zhí)行簡單的數(shù)據(jù)異常檢測。

b)基站等待接收傳感器側發(fā)送的數(shù)據(jù)?；窘邮盏綌?shù)據(jù)后，進行多源異常檢測，并與接收到的單源異常檢測結果相結合，進行綜合分析，獲得最終的異常檢測結果，將其與原始數(shù)據(jù)一起發(fā)送到云中。基站設備具有相對強大的處理器，例如MSP430和ARM(Advanced RISC Machines)，因此在基站處部署多源多維異常檢測程序以執(zhí)行。此外，當數(shù)據(jù)檢測觸發(fā)異常事件時，系統(tǒng)將根據(jù)輸電線路的安全預防和預警級別啟動緊急預警和處理計劃。

c)云平臺側等待接收基站發(fā)送的數(shù)據(jù)。接收到數(shù)據(jù)后，將其存儲在云平臺的數(shù)據(jù)庫中。然后，決策中心使用數(shù)據(jù)挖掘、人工智能等算法對原始數(shù)據(jù)進行分析和決策，并實施相應的決策處理方案。

2.2 基于時間維度的SDADA

在輸電線路工作環(huán)境中，正常范圍內的不同數(shù)據(jù)也具有不同的含義。例如，假設2個溫度數(shù)據(jù)15 ℃和23 ℃均為正常溫度值，很明顯，這是不同的工作環(huán)境。因此，將異常數(shù)據(jù)定義為是否能反映實際情況。傳統(tǒng)的SDADA只會考慮單個基站所收集的數(shù)據(jù)，不能準確地判斷出該數(shù)據(jù)是否為正常數(shù)據(jù)，因此提出了基于時間維度的SDADA。

(2)

本文實驗數(shù)據(jù)集選取的是中國氣象數(shù)據(jù)網2018年北京市6個區(qū)每日24 h的平均氣溫。由于晝夜溫差較大且采集氣溫數(shù)據(jù)的基站之間距離較遠，使得基站之間采集的氣溫數(shù)據(jù)具有明顯的差異。例如，在夏天正午時刻的時候，農村地區(qū)的氣溫明顯比城市里低2～5 ℃，且農村地區(qū)升溫較慢，這就造成采集的氣溫數(shù)據(jù)集具有一定的波動性。因此，為了提高數(shù)據(jù)異常檢測的準確性，本文采用異常檢測方法結果進行分析，重新定義式(2)為

(3)

多源異常數(shù)據(jù)變化如圖4所示，假設在時間t，需要對時間t-w+1,...t-2,t-1,t之間的數(shù)據(jù)進行異常檢測，其中1

圖4 多源異常數(shù)據(jù)變化曲線

雖然傳感器B的值在時間t小于傳感器A的值，但傳感器B的數(shù)據(jù)為異常的。因此需要進行多源數(shù)據(jù)異常檢測，分析相鄰傳感器數(shù)據(jù)的結果。

?i∈[1,N],j∈[1,ci],t∈[1,T]有：

(4)

因為基站使用緩沖隊列來存儲傳感數(shù)據(jù)，因此傳感數(shù)據(jù)的存儲量不能超過緩沖區(qū)隊列的長度。假設在基站i，存儲隊列Qi最多存儲數(shù)據(jù)量為Cnt(Qi)，Pi為第i個基站的傳感器數(shù)量?；緄的第j個傳感器，可以在緩沖區(qū)隊列中存儲的數(shù)據(jù)量為|Cnt(Qi)/pi，即

(5)

根據(jù)式(4)、(5)，有

(6)

(7)

(8)

SDADA采用式(3)和(8)來檢測傳感器數(shù)據(jù)。對于第i基站的第j個傳感器在時間t處檢測異常數(shù)據(jù)的算法分為兩部分：首先，根據(jù)式(6)計算時間t處單源數(shù)據(jù)的異常值，并在傳感器處執(zhí)行該部分的算法；其次，根據(jù)式(8)，對時間t之前單源數(shù)據(jù)的異常值進行綜合分析。第i個基站的第j個傳感器在時間t時的SDADA如下：

a)在傳感器側，根據(jù)式(3)，計算時間t的異常數(shù)據(jù)值Dec(i,j,t)，將其余原始數(shù)據(jù)一起發(fā)送到基站，并存儲在基站的緩沖隊列Q中。

c)根據(jù)式(8)返回異常檢測結果?；就ㄟ^一個緩沖隊列發(fā)送傳感器數(shù)據(jù)，對于基站i，存儲隊列Qi最多存儲Cnt(Qi)數(shù)據(jù)。傳感器數(shù)據(jù)包括傳感器數(shù)量、時間、原始數(shù)據(jù)和簡單的異常檢測結果?；緦⒒咎?、來自傳感器的數(shù)據(jù)信息和SDADA的最終結果存儲在緩沖隊列。數(shù)據(jù)的存儲結構分別由傳感器數(shù)據(jù)幀(sensor data frame，SDF)和基站數(shù)據(jù)幀(base station data frame，BDF)表示。

傳感器將SDF數(shù)據(jù)發(fā)送到基站，基站將SDF數(shù)據(jù)存儲在本地緩存隊列中，依次遍歷緩沖區(qū)隊列中的SDF數(shù)據(jù)，并多次執(zhí)行SDADA，最終將檢測結果和SDF數(shù)據(jù)封裝為BDF數(shù)據(jù)。

2.3 基于SDADA改進的MDADA

SDADA往往依賴單個傳感器的數(shù)據(jù)，但是該異常檢測結果沒有考慮其他傳感器節(jié)點檢測結果，這就會造成準確率相對較低。例如，由于設備故障，傳感器收集的數(shù)據(jù)值異常，但是這種異常不是真實數(shù)據(jù)，因此需要考慮多個相似節(jié)點的異常數(shù)據(jù)值，于是提出了MDADA。

MDADA的目的是分析相同傳感器類型的多個傳感器數(shù)據(jù)。與SDADA不同，此方法不依賴單個傳感器的數(shù)據(jù)，而是分析位于不同基站的多個傳感器的數(shù)據(jù)。因此，將空間維度添加到等式(8)的時間維度。MDADA需要確定多個傳感器的位置，并根據(jù)位置獲取離傳感器較近的節(jié)點集。本文通過位置相關性定義不同傳感器之間的距離關系，用于確定候選異常數(shù)據(jù)隊列，并對特定時間的異常數(shù)據(jù)值進行綜合分析。

文獻[20]中提出了一種基于平面坐標位置的節(jié)點關聯(lián)計算方法，但是該方法計算復雜。輸電線路傳輸環(huán)境空間很大，為了便于設計，將二維坐標簡化為一維，如圖1的拓撲圖屬于混合網絡拓撲，它由基站的總線型結構和基站與傳感器的星形網絡結構組成。因此，在輸電線路中，傳感器的位置僅由距離確定。假設相鄰傳感器之間的距離相同，并且基站和傳感器根據(jù)其位置編號。傳感器的位置相關定義如下：

第i個基站的第j個傳感器與第m個基站的第n個傳感器之間的位置相關值

(9)

式中g(g≥2)是相關整數(shù)系數(shù)，根據(jù)輸電線路的具體要求設置。

如果相關值大于0，則表明存在相關；如果小于等于0，則表示沒有相關性。因此，本文選取相關大于0的數(shù)據(jù)作為候選數(shù)據(jù)分析，并使用H(i,j)作為第i個基站的第j個傳感器的候選節(jié)點集，?m∈[1,N],n∈[1,cm]，有：

(10)

第i基站的第j個傳感器在時間t的MDADA結果

(11)

3 實驗分析和結果

為了評估本文提出的異常檢測方法的有效性，構建驗證平臺開展大量實驗。本文實驗數(shù)據(jù)集[23]選取的是中國氣象數(shù)據(jù)網2018年北京市6個區(qū)每天24 h的平均氣溫。晝夜溫差較大且采集氣溫數(shù)據(jù)的基站之間距離較遠，使得基站之間采集的氣溫數(shù)據(jù)具有明顯的差異；例如，在夏天正午時刻的時候，農村地區(qū)的氣溫明顯比城市里低2 ～5 ℃，且農村地區(qū)升溫較慢，這就造成采集的氣溫數(shù)據(jù)集具有一定的波動性。用C語言編寫算法程序，數(shù)據(jù)結果用Python分析。為了檢測算法在不同實驗條件下的性能，對不同數(shù)據(jù)規(guī)模下的準確性和延遲指標進行測量。測試數(shù)據(jù)集隨機生成異常數(shù)據(jù)，整體數(shù)據(jù)值服從正態(tài)分布。式(8)、(9)、(11)中，設ξ=0.5，x=5，ψ=0.4。實驗平臺環(huán)境及參數(shù)設置見表1。

表1 實驗參數(shù)

與仿真不同，實驗主要探討如何在實際的嵌入式系統(tǒng)上執(zhí)行異常檢測，因此將根據(jù)情況簡化一些理論參數(shù)。例如，假定CPU處理速率為常數(shù)1。此設置也符合實際情況。

本文主要研究檢測算法的2個性能指標：檢測精度，算法執(zhí)行時間。檢測精度定義為數(shù)據(jù)異常檢測的結果數(shù)與異?？倲?shù)之比，該指標可以反映檢測算法的執(zhí)行效率。算法執(zhí)行時間定義為數(shù)據(jù)異常檢測所需的總時間，用于測量算法執(zhí)行的時間復雜度。平均延遲定義為異常檢測中所有數(shù)據(jù)的處理時間的平均值，用于測量檢測方案的時間敏感性。在當前的數(shù)據(jù)異常檢測方法中，基于聚類的方法被廣泛使用,主要方法包括具有噪聲的基于密度的聚類方法 (density-based spatial clustering of applications with noise,DBSCAN)、k均值聚類算法(k-means clustering algorithm,k-means)等。其中，DBSCAN是學術界研究最多的方法之一。因此，本文選擇基于DBSCAN的異常檢測方法進行比較分析。實驗探索3種異常檢測方案的性能：傳統(tǒng)的異常檢測方法(DBSCAN)、SDADA和MDADA。在相同數(shù)據(jù)集的情況下，實驗比較并分析不同方案之間檢測效率和成本的差異。

3種方案的精度比較如圖5所示，隨著數(shù)據(jù)量的增加，MDADA的檢測精度最高，這表明所提出的檢測方法可以有效地分析數(shù)據(jù)的時空變化并獲得合理的結果。此外，SDADA和MDADA方法的檢測精度都隨著數(shù)據(jù)量的增加而呈線性增長，而DBSCAN方法的檢測精度卻隨著數(shù)據(jù)量的增加而變化不大。這是因為DBSCAN主要依賴于單點數(shù)據(jù)值，并且數(shù)據(jù)規(guī)模的變化不會影響其檢測精度。隨著數(shù)據(jù)規(guī)模的增加，MDADA算法與SDADA的檢測精度增大。根據(jù)圖5中的數(shù)據(jù)變化情況，數(shù)據(jù)規(guī)模對DBSCAN的影響較小，而對MDADA的影響較大。因此，MDADA方法非常適合用于輸電線路的大規(guī)模無線傳感網絡中的大量數(shù)據(jù)異常檢測。根據(jù)實驗分析，當數(shù)據(jù)規(guī)模較大時，MDADA可以獲得更高的異常檢測精度。

圖5 數(shù)據(jù)異常檢測的準確率

3種檢測方案之間的執(zhí)行時間比較如圖6所示。從圖6可以看出，MDADA方法分析連續(xù)時間和相關位置節(jié)點的多個數(shù)據(jù)，因此執(zhí)行時間比SDADA方法多。從圖6可以看出隨著數(shù)據(jù)規(guī)模的增加，MDADA和DBSCAN的執(zhí)行時間都呈現(xiàn)出近似線性增長的趨勢?？傮w而言，DBSCAN比MDADA執(zhí)行更多的時間。特別是當數(shù)據(jù)規(guī)模很大時，2種算法執(zhí)行時間的差異就很明顯。從實驗結果可以看出，MDADA的執(zhí)行時間少于DBSCAN，并且數(shù)據(jù)規(guī)模對執(zhí)行時間的影響近似線性。這是因為MDADA執(zhí)行時間分散在基站和傳感器節(jié)點上，從而實現(xiàn)了有效的負載平衡并降低了節(jié)點能耗。

圖6 執(zhí)行時間

4 結束語

本文提出了一種基于鏈形混合拓撲的輸電線路溫度異常檢測方法，旨在對輸電環(huán)境中的物聯(lián)網進行事故預警。根據(jù)總線型網絡和鏈型網絡的特殊混合拓撲，首先提出基于SDADA和MDADA算法的異常檢測模型，該模型可以在基站端執(zhí)行MDADA，以實現(xiàn)負載均衡和低延遲數(shù)據(jù)處理。其次，提出基于時間維度的SDADA，該算法考慮了監(jiān)測數(shù)據(jù)的時間相關性。最后，設計考慮多源數(shù)據(jù)時空相關性的MDADA。實驗驗證結果表明，所提出的方案在檢測精度和執(zhí)行時間方面比傳統(tǒng)的方案表現(xiàn)更好。