基于雙向長(zhǎng)短期記憶網(wǎng)絡(luò)的輸電線路狀態(tài)畫像與評(píng)估

吳晨曦，李博亞，孫弼洋，鐘素鵬

（國(guó)網(wǎng)浙江省電力有限公司超高壓分公司，杭州 310000）

0 引言

輸電線路是電力傳輸?shù)闹饕M成部分，也是電力系統(tǒng)安全運(yùn)行的重要保障［1］。輸電線路的運(yùn)行環(huán)境復(fù)雜多變、分布區(qū)域極廣、搭建成本高、運(yùn)維檢修難度大，正確判斷其運(yùn)行狀態(tài)對(duì)提高電力系統(tǒng)安全性具有重要意義。考慮到輸電線路種類繁多，關(guān)于其外部環(huán)境和內(nèi)部結(jié)構(gòu)的數(shù)據(jù)信息存在冗余，電網(wǎng)工作人員多依據(jù)主觀經(jīng)驗(yàn)提取重要指標(biāo)對(duì)線路進(jìn)行畫像構(gòu)建，采用基于自回歸［2］和主成分分析［3］的方法對(duì)輸電線路各狀態(tài)因素進(jìn)行權(quán)重評(píng)分，綜合總分對(duì)輸電線路進(jìn)行評(píng)估。該方法受人為主觀因素影響較大，很大程度上依靠電網(wǎng)技術(shù)人員的經(jīng)驗(yàn)，因而推廣泛化能力較弱。

在輸電線路畫像建立方面，傳統(tǒng)研究大多使用K-means［4］算法對(duì)海量輸電線路數(shù)據(jù)進(jìn)行降維和聚類，但K-means算法需要事先給定聚類數(shù)量，而且聚類數(shù)量的選取大多依據(jù)電網(wǎng)技術(shù)人員的主觀經(jīng)驗(yàn)，很大程度上影響了聚類效果。近年來(lái)，隨著機(jī)器學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺(jué)［5］、自然語(yǔ)言處理［6］、優(yōu)化調(diào)度［7］等諸多領(lǐng)域的廣泛應(yīng)用，電網(wǎng)技術(shù)人員嘗試基于網(wǎng)絡(luò)和學(xué)習(xí)的算法［8］對(duì)輸電線路建立狀態(tài)畫像。傳統(tǒng)的機(jī)器學(xué)習(xí)［9］算法主要有人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、貝葉斯方法、組合方法、K 近鄰方法、決策樹(shù)等。張琦等［10］結(jié)合粗糙集理論中的決策表化簡(jiǎn)算法，利用人工神經(jīng)網(wǎng)絡(luò)對(duì)輸電線路的歷史狀態(tài)信息進(jìn)行特征聚類；但是當(dāng)出現(xiàn)數(shù)據(jù)規(guī)模大、特征信息多的情況時(shí)，人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和收斂速度不夠理想。石萬(wàn)宇等［11］利用支持向量機(jī)對(duì)輸電線路狀態(tài)因素信息進(jìn)行聚類，然后依據(jù)輸電線路歷史狀態(tài)建立回歸模型；該回歸模型有較好的泛化能力，但特征提取能力不強(qiáng)。文獻(xiàn)［12］利用貝葉斯方法對(duì)輸電線路的外部環(huán)境和內(nèi)部結(jié)構(gòu)信息進(jìn)行聚類，評(píng)估當(dāng)前環(huán)境下輸電線路的狀態(tài)；貝葉斯方法雖然具有良好的聚類性能，但計(jì)算時(shí)間較長(zhǎng)，不利于實(shí)際應(yīng)用。上述算法雖然能夠完成一定程度的聚類分析，但對(duì)數(shù)據(jù)的特征提取和降維能力有限，需要人工提取海量數(shù)據(jù)特征，才能達(dá)到較好的評(píng)估效果。

在輸電線路狀態(tài)評(píng)估方面，目前流行的方法是自回歸綜合移動(dòng)平均線法［13］及其變體。該方法雖然在處理基于時(shí)間序列的設(shè)備狀態(tài)評(píng)估問(wèn)題上取得了較好效果，但仍存在如下不足：模型基于回歸方法進(jìn)行狀態(tài)評(píng)估，缺乏輸入與輸出之間的非線性表達(dá)；在統(tǒng)計(jì)檢驗(yàn)時(shí)，需要對(duì)數(shù)據(jù)分布等信息做出一些假設(shè)（比如滿足恒定標(biāo)準(zhǔn)差準(zhǔn)則），但是該假設(shè)在實(shí)際電網(wǎng)場(chǎng)景中并不適用；該方法不適用于輸入數(shù)據(jù)量較大情況下的狀態(tài)評(píng)估。隨著深度學(xué)習(xí)的不斷發(fā)展，深度神經(jīng)網(wǎng)絡(luò)［14］表現(xiàn)出良好的性能，能夠?qū)崿F(xiàn)對(duì)海量數(shù)據(jù)進(jìn)行非線性映射，具有更強(qiáng)的數(shù)據(jù)特征提取和理解能力。目前，以LSTM（長(zhǎng)短期記憶）網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和稀疏自動(dòng)編碼機(jī)為代表的深度學(xué)習(xí)模型在輸電線路狀態(tài)畫像與評(píng)估領(lǐng)域得到廣泛應(yīng)用。深度置信網(wǎng)絡(luò)［15］由多層受限玻爾茲曼機(jī)和單層反向傳播網(wǎng)絡(luò)構(gòu)成，可以利用海量輸電線路數(shù)據(jù)對(duì)輸電線路進(jìn)行狀態(tài)評(píng)估。但是，深度置信網(wǎng)絡(luò)需要大量帶標(biāo)簽的數(shù)據(jù)，收斂速度較慢，且容易陷入局部最優(yōu)困境。深度卷積神經(jīng)網(wǎng)絡(luò)［16］利用輸電線路的現(xiàn)場(chǎng)照片，對(duì)桿塔、導(dǎo)地線、絕緣子、金具等設(shè)備進(jìn)行目標(biāo)檢測(cè)和狀態(tài)評(píng)估，其評(píng)估準(zhǔn)確率受圖片質(zhì)量、數(shù)量及計(jì)算資源等影響較大。LSTM 網(wǎng)絡(luò)［17］采用遺忘門、輸入門和輸出門3種門控單元提取輸電線路畫像的固有特征和數(shù)據(jù)標(biāo)簽，具有較好的輸電線路狀態(tài)評(píng)估效果。上述深度學(xué)習(xí)模型需要大量的數(shù)據(jù)訓(xùn)練來(lái)提高網(wǎng)絡(luò)的特征提取能力，同時(shí)大規(guī)模的梯度反向傳播也給計(jì)算資源帶來(lái)嚴(yán)峻的挑戰(zhàn)。

基于此，本文按照先聚類后回歸的順序，提出一種基于自適應(yīng)自組織神經(jīng)網(wǎng)絡(luò)和雙向LSTM網(wǎng)絡(luò)的輸電線路狀態(tài)畫像與評(píng)估模型。首先，對(duì)輸電線路的海量數(shù)據(jù)進(jìn)行降維解耦，自適應(yīng)地提取出幾類最具代表性的核心數(shù)據(jù)信息。然后，將核心數(shù)據(jù)送入雙向LSTM 網(wǎng)絡(luò)，對(duì)模型進(jìn)行雙向訓(xùn)練，提升模型對(duì)輸電線路狀態(tài)的評(píng)估精度。自適應(yīng)自組織神經(jīng)網(wǎng)絡(luò)的引入極大地降低了數(shù)據(jù)規(guī)模，減少后續(xù)網(wǎng)絡(luò)的運(yùn)算量，同時(shí)有效避免了人為主觀因素的影響；雙向LSTM 網(wǎng)絡(luò)對(duì)降維后的代表性數(shù)據(jù)進(jìn)行監(jiān)督學(xué)習(xí)，其雙向?qū)W習(xí)與評(píng)估的特性可以更好地對(duì)樣本數(shù)據(jù)進(jìn)行特征提取，在合理運(yùn)算量下得到更高的輸電線路狀態(tài)評(píng)估精度。以某省部分輸電線路數(shù)據(jù)作為訓(xùn)練樣本，將本文方法與常用的人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、稀疏編碼器等方法進(jìn)行對(duì)比，以驗(yàn)證本文方法的評(píng)估準(zhǔn)確率。

1 狀態(tài)畫像與評(píng)估模型

1.1 問(wèn)題描述

本文聚焦輸電線路的畫像建立與狀態(tài)評(píng)估問(wèn)題。輸電線路設(shè)備畫像旨在從公共安全類（塔基滑坡、雷擊、覆冰等）、地理信息類（桿塔位置坐標(biāo)、標(biāo)識(shí)球坐標(biāo)等）、實(shí)時(shí)檢測(cè)類（絕緣子泄漏電流、架空線溫度等）、屬性標(biāo)簽類（電纜規(guī)格型號(hào)、家族缺陷等）和運(yùn)維信息類（基礎(chǔ)、金具、絕緣子、導(dǎo)地線、緊縮銷、接續(xù)管狀態(tài)）等多元數(shù)據(jù)中，提取出能夠描述線路運(yùn)行狀態(tài)的核心指標(biāo)，并進(jìn)行具象化展示。線路評(píng)估是根據(jù)當(dāng)前輸電線路信息，結(jié)合線路歷史數(shù)據(jù)，對(duì)線路的當(dāng)前狀態(tài)進(jìn)行評(píng)價(jià)（“正?！被颉爱惓！保?。由于輸電線路狀態(tài)量信息繁多冗雜，各數(shù)據(jù)信息之間存在耦合關(guān)聯(lián)，直接針對(duì)所有狀態(tài)信息進(jìn)行狀態(tài)畫像和評(píng)估會(huì)消耗大量的計(jì)算資源，評(píng)估結(jié)果也不理想。為此，本文引入一種先聚類后回歸的方法，提出一種基于自適應(yīng)自組織神經(jīng)網(wǎng)絡(luò)的輸電線路畫像模型：對(duì)輸電線路的狀態(tài)信息進(jìn)行降維聚類，提取核心特征，減少數(shù)據(jù)規(guī)模，建立線路的狀態(tài)畫像；基于具有核心代表性特征的線路信息，設(shè)計(jì)雙向LSTM 網(wǎng)絡(luò)，將前向?qū)W習(xí)和反向?qū)W習(xí)相結(jié)合，進(jìn)行模型的雙向訓(xùn)練與評(píng)估，建立輸電線路底層數(shù)據(jù)與其狀態(tài)的非線性映射關(guān)系。這種先聚類后回歸的方法可大幅減少計(jì)算時(shí)間，降低計(jì)算資源消耗，并可得到更好的評(píng)估效果。

1.2 基于自適應(yīng)自組織神經(jīng)網(wǎng)絡(luò)的輸電線路狀態(tài)畫像構(gòu)建

本文旨在對(duì)電網(wǎng)場(chǎng)景下輸電線路的海量數(shù)據(jù)信息進(jìn)行深入挖掘。輸電線路包括桿塔、導(dǎo)地線、絕緣子等內(nèi)部設(shè)施數(shù)據(jù)和雷擊、覆冰、污閃等外部條件數(shù)據(jù)，線路的數(shù)據(jù)信息量極大且存在較多冗余，因此引入自適應(yīng)自組織神經(jīng)網(wǎng)絡(luò)模型，提取出最具有代表性的幾類指標(biāo)信息，構(gòu)建輸電線路畫像，同時(shí)無(wú)需工作人員事先給出聚類數(shù)量，以便對(duì)輸電線路狀態(tài)進(jìn)行評(píng)估。

動(dòng)態(tài)生長(zhǎng)自組織神經(jīng)網(wǎng)絡(luò)為兩層人工神經(jīng)網(wǎng)絡(luò)，其輸入為某段輸電線路的多元數(shù)據(jù)信息X=(x1，x2，…，xN)∈RN。動(dòng)態(tài)生長(zhǎng)自組織神經(jīng)網(wǎng)絡(luò)的輸出為競(jìng)爭(zhēng)層神經(jīng)元的權(quán)重M=（m1，m2，…，mZ）∈RZ。令輸出神經(jīng)元的初始數(shù)量Z=4，對(duì)其權(quán)重進(jìn)行隨機(jī)初始化。與自組織神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程相似，在每個(gè)迭代時(shí)刻t隨機(jī)挑選一個(gè)輸入神經(jīng)元x(t)，在歐氏空間中，距離x(t)最近的輸出神經(jīng)元即為獲勝神經(jīng)元c(t)，計(jì)算公式為：

獲勝神經(jīng)元及鄰域神經(jīng)元向輸入神經(jīng)元x(t)靠近，滿足赫布學(xué)習(xí)規(guī)則：

式中：δ(t)為計(jì)算參數(shù)，δ(t)=0.8×0.97t-1；α(t)為學(xué)習(xí)率，其初始值為0.9，每20個(gè)迭代周期減少5%。隨著迭代過(guò)程不斷進(jìn)行，輸出神經(jīng)元逐步學(xué)習(xí)網(wǎng)絡(luò)輸入的模式和規(guī)律，逐漸成為輸入數(shù)據(jù)的類中心。

為使自組織神經(jīng)網(wǎng)絡(luò)［18］能夠自適應(yīng)尋找合適的聚類數(shù)，引入平均量化誤差概念來(lái)控制輸出神經(jīng)元的分裂與聚合。假設(shè)輸入神經(jīng)元的平均權(quán)重，則使用初始量化誤差einit作為衡量輸出神經(jīng)元分裂聚合的依據(jù)：

式中：ei為輸出神經(jīng)元mi(t)對(duì)輸入的量化誤差；N為輸入神經(jīng)元的數(shù)量；nC為以輸出神經(jīng)元mi(t)為類中心的輸入神經(jīng)元數(shù)量，這類輸入神經(jīng)元構(gòu)成集合Ci。若ei＞τ1·einit（τ1為分裂系數(shù)，取0.8），則該輸出神經(jīng)元分裂為兩個(gè)神經(jīng)元，否則不分裂；若ei＜τ2·einit（τ2為聚合系數(shù)，取0.2），則該神經(jīng)元進(jìn)行聚合操作，即與最近的其他輸出神經(jīng)元合二為一，形成新的輸出神經(jīng)元。

1.3 基于雙向LSTM網(wǎng)絡(luò)的輸電線路評(píng)估模型

輸電線路狀態(tài)評(píng)估模型通常利用人工或算法選取關(guān)鍵指標(biāo)，采用自回歸或主成分分析法來(lái)確定各指標(biāo)的權(quán)重。這些方法受技術(shù)人員主觀經(jīng)驗(yàn)影響，對(duì)線路狀態(tài)的評(píng)估不夠準(zhǔn)確。為此，本文基于上述自適應(yīng)自組織神經(jīng)網(wǎng)絡(luò)提取的輸電線路核心信息，使用雙向LSTM 網(wǎng)絡(luò)，將前向?qū)W習(xí)和反向?qū)W習(xí)相結(jié)合，進(jìn)行模型的雙向訓(xùn)練與評(píng)估，建立輸電線路底層數(shù)據(jù)與其狀態(tài)的非線性映射關(guān)系，提高電網(wǎng)場(chǎng)景［19］下輸電線路狀態(tài)評(píng)估的準(zhǔn)確率。LSTM 網(wǎng)絡(luò)一般包括遺忘門、輸入門和輸出門，如圖1所示，其中：下標(biāo)t表示當(dāng)前時(shí)刻，t-1表示上一時(shí)刻，下同；xt為連接輸入層的輸入向量；ht為隱含層輸出；ct為記憶單元狀態(tài)；σ為Sigmoid函數(shù)。遺忘門決定是否保留或刪除現(xiàn)有的信息；輸入門指定新信息將被添加到內(nèi)存的程度；輸出門控制單元中現(xiàn)有的值是否對(duì)輸出有貢獻(xiàn)。

圖1 LSTM網(wǎng)絡(luò)門控單元

在使用神經(jīng)網(wǎng)絡(luò)進(jìn)行評(píng)估前，通常使用歸一化方法將不同量綱、量級(jí)的數(shù)據(jù)統(tǒng)一化為同一個(gè)量級(jí)的無(wú)量綱數(shù)據(jù)，以加速網(wǎng)絡(luò)的訓(xùn)練和推理速度。常用的歸一化方法包括z-score歸一化和minmax 歸一化方法。z-score 歸一化是基于原始數(shù)據(jù)的均值和標(biāo)準(zhǔn)差來(lái)進(jìn)行數(shù)據(jù)的標(biāo)準(zhǔn)化，處理后的數(shù)據(jù)滿足均值為0、方差為1 的正態(tài)分布：xnorm=(x-μ)/σ，其中x為原始數(shù)據(jù)，μ為原始數(shù)據(jù)的平均值，σ為原始數(shù)據(jù)的標(biāo)準(zhǔn)差，xnorm為歸一化后的數(shù)據(jù)。min-max 歸一化也稱為離差標(biāo)準(zhǔn)化，是對(duì)原始數(shù)據(jù)的線性映射，使歸一化后的數(shù)據(jù)保持在［0，1］區(qū)間：xnorm=，其中xmin和xmax為原始數(shù)據(jù)的最小值和最大值。

1）遺忘門。遺忘門通常使用Sigmoid函數(shù)［20］來(lái)決定需要從LSTM 網(wǎng)絡(luò)中刪除哪些信息。遺忘門輸出ft的值介于0～1，當(dāng)ft趨近于0 表示傾向于遺忘該信息，當(dāng)ft趨近于1 表示傾向于保留該信息。遺忘門的輸出ft可以表示為：

2）輸入門。輸入門決定新信息添加到網(wǎng)絡(luò)內(nèi)存的程度。輸入門包括Sigmoid 和tanh 兩層網(wǎng)絡(luò)。Sigmoid 層決定需要更新值的向量it，tanh 層創(chuàng)建一個(gè)新的候選值向量，并將其添加到LSTM 網(wǎng)絡(luò)的內(nèi)存中。具體公式表達(dá)如下：

3）輸出門。輸出門首先使用一個(gè)Sigmoid層來(lái)決定網(wǎng)絡(luò)內(nèi)存的哪一部分用于輸出，執(zhí)行一個(gè)tanh 函數(shù)來(lái)映射-1～1 之間的值，將結(jié)果乘以一個(gè)Sigmoid層作為輸出。

式中：ot為輸出門的輸出；為權(quán)重矩陣；bo為偏置矩陣。

雙向LSTM 網(wǎng)絡(luò)是LSTM 網(wǎng)絡(luò)的變體，由兩個(gè)LSTM 網(wǎng)絡(luò)構(gòu)成，如圖2 所示。在第一輪中，輸入序列以前向傳播的方式輸入LSTM 網(wǎng)絡(luò)。在第二輪中，將輸入序列以反向傳播方式輸入到LSTM 網(wǎng)絡(luò)中。雙向LSTM 網(wǎng)絡(luò)將前向傳播與反向傳播相結(jié)合，使模型進(jìn)行雙向訓(xùn)練與評(píng)估，從而提高模型預(yù)測(cè)評(píng)估的準(zhǔn)確性。

圖2 雙向LSTM網(wǎng)絡(luò)結(jié)構(gòu)

2 實(shí)驗(yàn)與結(jié)果分析

2.1 實(shí)驗(yàn)描述

本文采用某省電網(wǎng)100條輸電線路的14 300個(gè)樣本信息作為模型評(píng)估數(shù)據(jù)集，并依據(jù)所處區(qū)域差異構(gòu)造Ⅰ、Ⅱ、Ⅲ3個(gè)子數(shù)據(jù)集?；谏a(chǎn)管理系統(tǒng)的設(shè)備臺(tái)賬信息、故障和計(jì)劃停電文本數(shù)據(jù)、斷面和告警類結(jié)構(gòu)化信息和外部氣象條件數(shù)據(jù)，建立輸電線路狀態(tài)評(píng)估樣本集。每個(gè)樣本包括共40 個(gè)維度的信息：基礎(chǔ)、金具、桿塔、絕緣子、導(dǎo)地線、緊縮銷、接續(xù)管等12 類內(nèi)部設(shè)施狀態(tài)數(shù)據(jù)（以桿塔為例，桿塔彎曲記為1，正常記為0）；塔基滑坡、雷擊、覆冰、風(fēng)偏、污閃等8類公共安全類數(shù)據(jù)（以雷擊為例，發(fā)生雷擊記為1，不發(fā)生則為0）；桿塔位置坐標(biāo)、標(biāo)識(shí)球坐標(biāo)等10類地理信息數(shù)據(jù)；電纜生產(chǎn)日期、規(guī)格型號(hào)、家族缺陷等6類屬性信息；絕緣子泄漏電流、架空線溫度等4類檢測(cè)數(shù)據(jù)。每個(gè)維度的數(shù)據(jù)均使用z-score進(jìn)行歸一化處理，各樣本依據(jù)DL/T 1249—2013《架空輸電線路運(yùn)行狀態(tài)評(píng)估技術(shù)導(dǎo)則》［21］要求標(biāo)注“正?！被颉爱惓！睒?biāo)簽。以隨機(jī)選取方式劃分?jǐn)?shù)據(jù)集，其中70%用于訓(xùn)練雙向LSTM 網(wǎng)絡(luò)模型，其余30%作為測(cè)試集。

網(wǎng)絡(luò)參數(shù)方面，本文使用Adam優(yōu)化器進(jìn)行優(yōu)化，學(xué)習(xí)率初始值設(shè)置為0.01，在前100輪訓(xùn)練過(guò)程中，每20 輪訓(xùn)練學(xué)習(xí)率減半，屬于模型粗調(diào)階段；在后150輪訓(xùn)練過(guò)程中，學(xué)習(xí)率保持不變，進(jìn)入模型微調(diào)階段。批量大小設(shè)置為12，共進(jìn)行250輪訓(xùn)練。每層網(wǎng)絡(luò)均使用Sigmoid激活函數(shù)以引入非線性成分，所有數(shù)據(jù)均進(jìn)行z-score歸一化。

2.2 輸電線路狀態(tài)畫像與評(píng)估

本文所有算法均在配備Intel（R）Core（TM）i7-8750H（2.20 GHz）處理器和8 GB 內(nèi)存的Windows 10 計(jì)算機(jī)上進(jìn)行測(cè)試。采用評(píng)估準(zhǔn)確率A、F1值和偽正類率R作為評(píng)價(jià)模型性能的指標(biāo)：評(píng)估準(zhǔn)確率A反映模型評(píng)估的總體性能；F1值可以看作精確率與召回率的加權(quán)，F(xiàn)1值越大，模型性能越好；電網(wǎng)對(duì)輸電線路實(shí)際異常但被評(píng)估為正常現(xiàn)象的容忍度很低，因此引入偽正類率R來(lái)表征模型對(duì)這種情況的錯(cuò)判率。表1為輸電線路狀態(tài)評(píng)估混淆矩陣，其中TP和FN分別為“正常”樣本被模型正確和錯(cuò)誤評(píng)估的數(shù)量，TN和FP分別為“異常”樣本被模型正確和錯(cuò)誤評(píng)估的數(shù)量。

表1 輸電線路狀態(tài)混淆矩陣

根據(jù)表1，評(píng)估準(zhǔn)確率A、F1值和偽正類率R的計(jì)算公式分別為：

2.2.1 狀態(tài)畫像

本文基于某省電網(wǎng)公司的輸電線路數(shù)據(jù)信息，利用自組織神經(jīng)網(wǎng)絡(luò)，自適應(yīng)地提取并聚類出6類影響輸電線路狀態(tài)的外部因素（即風(fēng)偏、覆冰、雷害、污閃、外力和其他故障程度），以及8 類影響輸電線路狀態(tài)的內(nèi)部因素（即基礎(chǔ)、桿塔、導(dǎo)地線、絕緣子、金具、接地裝置、附屬設(shè)施和通道環(huán)境），構(gòu)成輸電線路的狀態(tài)畫像。使用K-means算法對(duì)輸電線路數(shù)據(jù)進(jìn)行聚類，與自組織神經(jīng)網(wǎng)絡(luò)作對(duì)比，如圖3所示，其中數(shù)字表示該狀態(tài)因素在總體的外部或內(nèi)部因素中的權(quán)重占比。由圖3可知，采用自組織神經(jīng)網(wǎng)絡(luò)得到的輸電線路畫像中：覆冰在外部因素中的權(quán)重占比為0.33，高于采用K-means 得到的結(jié)果（0.23）；絕緣子在內(nèi)部因素中的權(quán)重占比為0.21，高于采用K-means 得到的結(jié)果（0.14）。

2.2.2 狀態(tài)評(píng)估

將聚類降維后的輸電線路數(shù)據(jù)作為雙向LSTM網(wǎng)絡(luò)的輸入，得到評(píng)估準(zhǔn)確率、F1值和偽正類率。將所提出的模型與目前用于輸電線路評(píng)估的主流模型（如人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、進(jìn)化計(jì)算、K 近鄰算法等機(jī)器學(xué)習(xí)模型，稀疏自動(dòng)編碼機(jī)、卷積神經(jīng)網(wǎng)絡(luò)、傳統(tǒng)LSTM網(wǎng)絡(luò)等深度學(xué)習(xí)模型）進(jìn)行對(duì)比，結(jié)果如表2和表3所示。

表2 基于K-means聚類的不同算法評(píng)估效果比較

表3 基于自適應(yīng)自組織神經(jīng)網(wǎng)絡(luò)聚類的不同算法評(píng)估效果比較

采用自適應(yīng)自組織神經(jīng)網(wǎng)絡(luò)聚類時(shí)：在數(shù)據(jù)集Ⅰ上，本文提出的雙向LSTM 網(wǎng)絡(luò)的評(píng)估準(zhǔn)確率比次優(yōu)的進(jìn)化計(jì)算高0.6%，偽正類率低0.6%；在數(shù)據(jù)集Ⅱ上，本文算法的評(píng)估準(zhǔn)確率比傳統(tǒng)的LSTM網(wǎng)絡(luò)高1.2%；在數(shù)據(jù)集Ⅲ上，本文算法的偽正類率比支持向量機(jī)低2.4%。同時(shí)，本文算法的求解速度明顯高于卷積神經(jīng)網(wǎng)絡(luò)、進(jìn)化計(jì)算和LSTM網(wǎng)絡(luò)等算法。

采用K-means 聚類時(shí)：本文算法的評(píng)估準(zhǔn)確率在數(shù)據(jù)集Ⅰ、Ⅱ、Ⅲ上比次優(yōu)的LSTM 網(wǎng)絡(luò)分別高0.5%、1.2%、0.6%，且計(jì)算時(shí)間分別少28 s、36 s、35 s。

實(shí)驗(yàn)結(jié)果表明，本文提出的算法可在更短時(shí)間內(nèi)獲得更好的輸電線路評(píng)估效果，有效地挖掘出海量輸電線路中的核心信息。

2.3 模型歸一化方法比較

將模型所采用的z-score 歸一化方法分別替換成min-max 和無(wú)歸一化方法，得到迭代過(guò)程的評(píng)估準(zhǔn)確率如圖4 所示。在整個(gè)迭代過(guò)程中，采用z-score 歸一化方法的模型的評(píng)估準(zhǔn)確率要明顯高于其他兩種方法。

圖4 模型評(píng)估準(zhǔn)確率比較

不同歸一化處理下的模型評(píng)估效果如表4 所示。采用z-score歸一化模型的評(píng)估準(zhǔn)確率比采用min-max 歸一化模型高3.2%，比無(wú)歸一化模型高9.9%。采用z-score歸一化模型的偽正類率也遠(yuǎn)小于其他兩種模型?？梢?jiàn)，對(duì)于雙向LSTM 網(wǎng)絡(luò)模型而言，z-score 歸一化方法要優(yōu)于min-max 歸一化方法和不采用歸一化的方法。

表4 不同歸一化處理下的模型評(píng)估效果

3 結(jié)語(yǔ)

本文提出一種基于深度學(xué)習(xí)的輸電線路狀態(tài)畫像與評(píng)估模型。具體而言，首先設(shè)計(jì)一種自組織神經(jīng)網(wǎng)絡(luò)對(duì)輸電線路數(shù)據(jù)進(jìn)行降維處理，提取出關(guān)鍵的幾類數(shù)據(jù)，進(jìn)而構(gòu)建出輸電線路的畫像模型，為輸電線路狀態(tài)評(píng)估提供全方位、多層次和多角度的數(shù)據(jù)支持。該網(wǎng)絡(luò)可以自適應(yīng)地提取幾類關(guān)鍵信息，無(wú)需人為事先設(shè)定聚類數(shù)量。之后，針對(duì)線路的設(shè)備畫像數(shù)據(jù)，提出基于雙向LSTM 網(wǎng)絡(luò)的輸電線路評(píng)估模型。雙向LSTM 網(wǎng)絡(luò)由兩個(gè)獨(dú)立的LSTM 網(wǎng)絡(luò)構(gòu)成，且參數(shù)彼此獨(dú)立。在訓(xùn)練過(guò)程中，模型將前向?qū)W習(xí)與反向?qū)W習(xí)相結(jié)合，建立了線路關(guān)鍵指標(biāo)與運(yùn)行狀態(tài)的非線性映射關(guān)系，提高了電網(wǎng)場(chǎng)景下輸電線路狀態(tài)評(píng)估的準(zhǔn)確率。

基于某省電網(wǎng)100條實(shí)際輸電線路狀態(tài)數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明，與常用的支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、稀疏自動(dòng)編碼機(jī)等方法相比，本文方法可以更好地對(duì)輸電線路進(jìn)行設(shè)備畫像和狀態(tài)評(píng)估。