電力計量數(shù)據(jù)驅(qū)動的電力故障預測方法研究

付卿卿

(貴州電網(wǎng)有限責任公司， 貴州，貴陽 550002)

0 引言

隨著我國經(jīng)濟的發(fā)展和社會的進步，我國終端數(shù)據(jù)的接入量和采集量逐漸地上升，尤其是電力計量數(shù)據(jù)的積累呈現(xiàn)高儲備的趨勢。每天僅電力計量數(shù)據(jù)的積累就高達上億，故障問題也隨之頻繁發(fā)生，因此需要有效的電力故障診斷模型從儲備的電力計量數(shù)據(jù)中挖掘潛在的規(guī)律，科學準確地預測電力故障問題。電力故障的有效預測也可以幫助企業(yè)提高電網(wǎng)的運行效率，節(jié)約維護過程中所需的成本。針對該領域的研究正處于發(fā)展的階段，部分專家學者[1-2]利用回歸分析法建立預測模型，從多因素預測角度出發(fā)，分析因素變量間的相關性，判定不同因素對電力故障的影響。也有部分專家[3-4]學者從電力計量數(shù)據(jù)的角度出發(fā)，利用電力計量數(shù)據(jù)得到計量系統(tǒng)網(wǎng)絡阻抗與電流互感器一次、二次側(cè)短路故障之間的關系，將得到的規(guī)律應用在故障檢測中，但是并沒有真正地實現(xiàn)預測智能化，更好的還是將規(guī)律和主觀經(jīng)驗判斷相結(jié)合，再將判斷后的經(jīng)驗用于預測。還有部分專家學者[5-6]利用人工智能技術(shù)建立診斷模型，旨在從海量的電力計量數(shù)據(jù)中挖掘潛在的規(guī)律，但是模型更多是在理論上構(gòu)建，并未真正地實現(xiàn)故障的診斷，也未真正地將模型搭建起來。

綜上可知，目前利用電力計量數(shù)據(jù)實現(xiàn)電力故障的預測是一種大的趨勢，主要集中在知識經(jīng)驗判斷、數(shù)據(jù)理論模型分析等方面。這些診斷方法十分依賴人工操作和專家的經(jīng)驗，而采集海量的數(shù)據(jù)時，電力計量終端極容易出現(xiàn)問題，故障情況經(jīng)常發(fā)生。因此，本研究利用優(yōu)化的Tradaboost回歸算法建立電力故障預測模型，從大量的電力計量數(shù)據(jù)中挖掘潛在的規(guī)律，實現(xiàn)電力計量數(shù)據(jù)驅(qū)動。

1 故障分析

電力計量數(shù)據(jù)的獲取主要通過電度表、電壓互感器、電流互感器，并獲取二次側(cè)電流。對于高壓電力計量系統(tǒng)故障性質(zhì)深入分析可知，將故障分為直接可診斷的故障和間接可診斷的故障。直接可診斷的故障即直接通過電力儀表的測量結(jié)果，判斷是否可以直接發(fā)生，并不需要深入的研究潛在的故障特性。間接診斷的故障指電力計量數(shù)據(jù)長期儲存后，通過相應的模型算法可以實現(xiàn)對故障的提前預測，因為電力計量數(shù)據(jù)是多維度數(shù)據(jù)的綜合，因此可以在主觀觀測不到的情況下實現(xiàn)提前預測的功能。根據(jù)高壓電力計量系統(tǒng)的結(jié)構(gòu)，對計量回路的多個參數(shù)進行檢測和電力實時監(jiān)測樣本的采集。將歷史數(shù)據(jù)和實時監(jiān)測的數(shù)據(jù)輸入神經(jīng)網(wǎng)絡預測模型中，實現(xiàn)對監(jiān)測情況的提前預測，對故障問題進行處理和分析。

2 LR優(yōu)化Tradaboost回歸算法

在積累了大量的電力計量數(shù)據(jù)的基礎上，為解決Tradaboost算法權(quán)重初始化策略，利用LR()算法進行優(yōu)化，為得到源域中與目標域數(shù)據(jù)分布類似的數(shù)據(jù)集，以類似度為標準對數(shù)據(jù)進行權(quán)重初始化，本文引入LR算法來優(yōu)化Tradaboost源樣本權(quán)重初始化步驟，將數(shù)據(jù)先通過LR算法進行篩選。LR算法的本質(zhì)是二分類概率輸出器，通過LR算法分類后，可以認為更加靠近決策邊界的源域數(shù)據(jù)與目標域數(shù)據(jù)類似程度更高。假設源域數(shù)據(jù)分布為a，標記為0，目標域數(shù)據(jù)分布為b，標記為1。訓練LR模型，將得到分類概率，這個概率即可作為源域數(shù)據(jù)與目標域數(shù)據(jù)特征分布的類似程度。因此，LR被分類器判定為b的源域數(shù)據(jù)的初始權(quán)重更大。

原始Tradaboost算法是分類模型，子學習器為弱分類器，本文涉及的電力故障預測是回歸問題，因此需要子學習器換成SVR回歸器代替弱分類器。定義訓練集為(xi,yi),i=1,…,l,是xi∈Rn，l為數(shù)據(jù)總量，n為影響因素維數(shù)，xi∈Rn為輸入值，yi=R為輸出期望值。其目標回歸函數(shù)為

f(x)=ωφ(x)+b

(1)

式中，φ(x)為輸入空間到特征空間的非線性映射，ω為權(quán)重向量，b為優(yōu)化參數(shù)。再添加回歸損失函數(shù)ε，如式(2),SVR即可進行回歸預測。

(2)

如式(2)損失函數(shù)所示，若預測值與期望值的絕對差小于ε，即視預測值為正確，反之則認為預測錯誤。SVR算法引入了松弛變量ξi和懲罰系數(shù)C，優(yōu)化目標函數(shù)如式(3):

(3)

引入拉格朗日乘子法可得式(3)最優(yōu)解：

(4)

算法的步驟如下。

輸入：SVR回歸器，Ds,Dt,Test,μ,ρ,H。

輸出：預測故障發(fā)生的程度，基于目標域的強回歸器f(x)。

Step 1 源域樣本權(quán)重初始化。合并源域和目標域訓練集Ds和Dt，對訓練集數(shù)據(jù)進行歸一化。調(diào)用LR算法進行Tradaboost源樣本權(quán)重初始化，為源域中同目標域數(shù)據(jù)分布類似的數(shù)據(jù)賦予更大的初始權(quán)重。

Step 2 初始化源域樣本更新方式?(s)，ns為源域樣本總量。

(6)

Step 3 設置迭代次數(shù)H。Forth=1,2,3,4,…,H。

Step 6 計算暫定強學習器f(x)在目標域訓練集Dt上的誤差εi。

Step 7 重置Dt樣本權(quán)重更新方式。

(7)

Step 8 計算暫定強學習器f(x)在源域訓練集Dt上的誤差εi，更新合并訓練集樣本權(quán)重ωi+1。

(8)

ωi+1=ωi+1?(t+1)

(9)

Step 9 得到的源域樣本權(quán)重如小于樣本排除參數(shù)值μ，則排除該樣本，不參與下一次迭代。

Step 10 迭代次數(shù)m>M，結(jié)束循環(huán)，輸出最終強學習器。

3 實例應用

將電力計量數(shù)據(jù)輸入到LR-Tradaboost算法中，再將目標域前20組數(shù)據(jù)和源域全部數(shù)據(jù)合并成訓練集對模型進行訓練，將目標域后7組數(shù)據(jù)作為測試集驗證模型預測性能。為驗證傳統(tǒng)機器學習模型在電力故障預測問題上的適用性，將不同方法下的訓練結(jié)果進行對比。SVR算法訓練集為目標域前20組數(shù)據(jù)，測試集為目標域后7組數(shù)據(jù)。同時，為驗證LR-Tradaboost算法在預測性能方面的作用，利用針對回歸問題的Tradaboost-R2算法同LR-Tradaboost算法的訓練結(jié)果作以比較，Tradaboost-R2算法的訓練集和測試集與LR-Tradaboost算法相同。選用回歸算法評價指標均方根誤差RMSE以及R2作為算法訓練結(jié)果的評價指標，對比不同算法測試集預測結(jié)果的均方根誤差以及R2來對模型進行對比和評價，實現(xiàn)算法預測性能的驗證。見表1。

表1 電力計量數(shù)據(jù)發(fā)生異常的真實值與預測值對比表

為了對比LR-Tradaboost算法和Tradaboost-R2算法的學習效率，在2種算法的訓練過程中，每隔10次迭代過程，分別計算2種算法得到的暫定強學習器的R2，得到算法的收斂程度。圖1為LR-Tradaboost算法和Tradaboost-R2算法的回歸收斂速度的對比圖。由圖1得到，LR-Tradaboost算法在迭代次數(shù)為50時已經(jīng)收斂，模型分數(shù)R2達到了0.81，之后的迭代過程中R2不再增加?；诘玫矫黠@的收斂程度變化趨勢和減少計算工作量的考慮，本研究采用每10次迭代計算一次算法R2，實際上LR-Tradaboost算法的收斂發(fā)生在迭代次數(shù)40到50的閉區(qū)間內(nèi)，并非在第50次迭代后達到收斂。由圖2可得，Tradaboost-R2算法在進行50次迭代后，模型分數(shù)僅為0.21，且仍處于上升趨勢，事實上Trada-boost-R2算法在100到110次迭代之間才完成收斂。對比2種算法的收斂速度，發(fā)現(xiàn)LR-Tradaboost算法的收斂速度幾乎是Tradaboost-R2算法的2倍，證明了LR-Tradaboost算法在利用電力計量數(shù)據(jù)預測電力故障上效果更好，基于LR的優(yōu)化權(quán)重初始化策略有效提高了算法性能及效率。

圖1 算法回歸收斂對比圖

4 總結(jié)

本研究主要利用電力計量數(shù)據(jù)結(jié)合優(yōu)化Tradaboost回歸算法實現(xiàn)電力故障的預測，提出了LR算法優(yōu)化權(quán)重初始化策略的LR-Tradaboost算法，同Tradaboost-R2算法預測結(jié)果和收斂速度作對比,LR-Tradaboost預測誤差比Tradaboost-R2少，而收斂速度LR-Tradaboost幾乎是Tradaboost-R2的2倍,故LR-Tradaboost算法在電力故障預測中效果較好。