基于Prophet模型的省級(jí)關(guān)口計(jì)量裝置異常判斷方法

林彤堯 黃天富 吳志武 王春光 黃漢斌 涂彥昭

(國(guó)網(wǎng)福建省電力公司營(yíng)銷服務(wù)中心,福建 福州 350000)

*通信作者:林彤堯,E-mail:tongyao_lin@163.com。

0 引言

關(guān)口計(jì)量裝置是準(zhǔn)確計(jì)量發(fā)、輸、用各方電能的關(guān)鍵設(shè)備,對(duì)購、售電客戶之間公平考核和決算電量起重要作用[1-2]。計(jì)量裝置的計(jì)量準(zhǔn)確性直接關(guān)系著各方經(jīng)濟(jì)效益[3],研判關(guān)口計(jì)量裝置運(yùn)行狀態(tài)是電力營(yíng)銷的重點(diǎn)工作之一。

判斷關(guān)口計(jì)量裝置運(yùn)行狀態(tài)的傳統(tǒng)方法是利用人工對(duì)裝置進(jìn)行實(shí)地周期巡檢,需要大量人力和物力[4]。然而,隨著電網(wǎng)規(guī)模不斷擴(kuò)大,關(guān)口計(jì)量設(shè)備不斷增多,人工巡檢的方式已然不能滿足監(jiān)測(cè)關(guān)口計(jì)量裝置運(yùn)行狀態(tài)的需求。因此,涌現(xiàn)出多種關(guān)口計(jì)量裝置在線監(jiān)測(cè)方法來實(shí)現(xiàn)遠(yuǎn)程研判計(jì)量裝置狀態(tài)[1,5-6]。高利明等[1]使用GPS技術(shù)和低壓寬帶載波通信技術(shù)實(shí)時(shí)采集關(guān)口電能表和電壓、電流互感器二次回路信號(hào),利用機(jī)器學(xué)習(xí)算法分析時(shí)空維度特征,實(shí)現(xiàn)遠(yuǎn)程在線異常研判;申莉等[5]采用GPS同步采樣和無線通信技術(shù)的高精度采樣遠(yuǎn)程獲取電力數(shù)據(jù),并通過故障診斷模型進(jìn)行狀態(tài)分析;徐嚴(yán)軍等[6]從14個(gè)特征中通過無監(jiān)督的預(yù)訓(xùn)練和有監(jiān)督微調(diào)構(gòu)建深度學(xué)習(xí)模型,自動(dòng)學(xué)習(xí)關(guān)口異常特征。但是,上述方法需要大量基礎(chǔ)數(shù)據(jù)進(jìn)行特征分析,在部分實(shí)際應(yīng)用場(chǎng)景無法使用。這是由于在當(dāng)前復(fù)雜的信息化背景下,發(fā)電廠、變電站的電力數(shù)據(jù)易被不法分子盯上,為保障信息安全,部分網(wǎng)省公司對(duì)變電站電壓、電流、電量數(shù)據(jù)實(shí)行保護(hù),計(jì)量系統(tǒng)無法直接獲取電壓、電流、功率因數(shù)等運(yùn)行數(shù)據(jù),僅能獲得電量數(shù)據(jù),數(shù)據(jù)特征較少,給遠(yuǎn)程研判帶來了極大的挑戰(zhàn)。

為了解決上述難點(diǎn),本文提出了一種能適用各類關(guān)口場(chǎng)景,并且僅使用電量數(shù)據(jù)便能遠(yuǎn)程研判關(guān)口計(jì)量裝置異常的方法。該方法基于能量守恒定律與Prophet預(yù)測(cè)方法,以廠站內(nèi)主變、母線或輸電線路為監(jiān)測(cè)單元,通過計(jì)量點(diǎn)的歷史輸入、輸出電量得到關(guān)口的損耗曲線,接著使用Prophet模型對(duì)關(guān)口的近4個(gè)月歷史損耗曲線進(jìn)行擬合,預(yù)測(cè)出其未來1個(gè)月的損耗率,并根據(jù)未來損耗率的95%置信區(qū)間設(shè)定損耗閾值。當(dāng)實(shí)際損耗超出損耗閾值時(shí),及時(shí)發(fā)出預(yù)警,由人工進(jìn)行復(fù)核分析關(guān)口計(jì)量裝置是否處于異常狀態(tài),并定位故障計(jì)量點(diǎn)[7]。

1 問題分析

由于部分變電站實(shí)行電力數(shù)據(jù)分區(qū)保護(hù),計(jì)量系統(tǒng)只能獲得關(guān)口的電量數(shù)據(jù)。為能遠(yuǎn)程監(jiān)測(cè)關(guān)口計(jì)量裝置的運(yùn)行狀態(tài),目前采用電量平衡法進(jìn)行監(jiān)測(cè),即通過關(guān)口的輸入和輸出電量數(shù)據(jù)得到對(duì)應(yīng)的損耗率曲線,隨后人工觀察該曲線是否存在突變進(jìn),從而研判計(jì)量裝置的運(yùn)行狀態(tài)。但由于部分關(guān)口曲線頻繁波動(dòng),人工觀察很容易誤判計(jì)量裝置運(yùn)行狀態(tài)。圖1為某兩個(gè)變電站1#主變某一時(shí)段的損耗率。

由圖1可知,A變電站主變損耗率一直為正損且波動(dòng)幅度較小,監(jiān)測(cè)人員很容易判斷關(guān)口運(yùn)行狀態(tài)是否正常;而B變電站主變受綜合倍率和采集精度的影響,損耗率出現(xiàn)正損和負(fù)損交替且頻繁波動(dòng)的情況,監(jiān)測(cè)人員難以分辨損耗率波動(dòng)是系統(tǒng)誤差,還是由計(jì)量裝置異常產(chǎn)生。針對(duì)上述問題,本文將探索Prophet閾值預(yù)測(cè)方法,預(yù)測(cè)關(guān)口損耗率的波動(dòng)范圍與規(guī)律,提出僅依靠電量數(shù)據(jù)便能高準(zhǔn)確率識(shí)別關(guān)口計(jì)量異常監(jiān)測(cè)的新方法。

(a)A變電站1#主變 (a)B變電站1#主變

2 算法原理與方法流程

2.1 Prophet預(yù)測(cè)原理

Prophet預(yù)測(cè)算法的原理是基于時(shí)間序列分解和機(jī)器學(xué)習(xí)擬合,該算法能夠快速得到未來的預(yù)測(cè)結(jié)果,并能自動(dòng)處理數(shù)據(jù)的異常值與缺失值,減少人工對(duì)數(shù)據(jù)集的預(yù)處理步驟。

該算法模型為3個(gè)關(guān)于時(shí)間t的函數(shù)和誤差項(xiàng)εt相加,時(shí)間函數(shù)分別包含趨勢(shì)函數(shù)g(t)、周期函數(shù)s(t)和節(jié)假日函數(shù)h(t),通過數(shù)據(jù)擬合函數(shù),得到時(shí)間預(yù)測(cè)序列,其公式為:

y(t)=g(t)+s(t)+h(t)+εt

(1)

式(1)中,g(t)為趨勢(shì)函數(shù),表示時(shí)間序列在非周期變化的趨勢(shì);s(t)為周期函數(shù),可表示以周、月、季節(jié)或年周期變化的趨勢(shì);h(t)為節(jié)假日函數(shù),表示節(jié)假日影響量;?t為誤差項(xiàng)。

Prophet模型中,趨勢(shì)函數(shù)g(t)是基于傳統(tǒng)邏輯回歸模型的趨勢(shì)項(xiàng),將邏輯回歸模型中的固定參數(shù)替換為隨時(shí)間變化的函數(shù),并加入時(shí)間變點(diǎn),以適應(yīng)潛在的非周期變化趨勢(shì),其公式為:

(2)

式(2)中,C(t)表示模型容量;m表示為偏移參數(shù);q表示增長(zhǎng)率。

其中,a(t)=(a1(t),a2(t),…,ad(t))T

δ=(δ1,δ2,…,δd)T

(3)

γ=(γ1,γ2,…,γd)T

式(3)中,a(t)為增長(zhǎng)率變化量參數(shù);δ為增長(zhǎng)率變化量;γ為時(shí)間變點(diǎn)函數(shù);d為時(shí)間變點(diǎn)的個(gè)數(shù)。

Prophet模型中周期函數(shù)s(t)是通過正弦余弦函數(shù)來表示周期的變化,為了更好地達(dá)到擬合效果,使用傅里葉級(jí)數(shù)來擬合周期性,其公式為:

(4)

式(4)中,β為周期變化參數(shù),初始為高斯分布,控制周期效應(yīng)的強(qiáng)弱;an、bn為傅里葉級(jí)數(shù)展開項(xiàng)系數(shù);P為時(shí)間序列的周期,若P=30,則表明以月為單位的周期變化,若P=90,則表明以季度為單位的周期變化。

Prophet模型中節(jié)假日函數(shù)h(t)是通過設(shè)定特殊的時(shí)間節(jié)點(diǎn),同樣使用變化參數(shù),達(dá)到節(jié)假日影響前后一段時(shí)間的時(shí)間序列的效果,其公式為:

h(t)=Z(t)×μ

(5)

式(5)中,t為自行設(shè)定的節(jié)假日時(shí)間節(jié)點(diǎn);μ為節(jié)假日參數(shù),初始為高斯分布,控制節(jié)假日效應(yīng)的強(qiáng)弱。

2.2 基于Prophet的省級(jí)關(guān)口計(jì)量裝置異常判斷方法

本文提出的計(jì)量關(guān)口異常判斷方法的流程如圖2所示。首先,需要獲取每個(gè)關(guān)口電量歷史數(shù)據(jù),并計(jì)算得到對(duì)應(yīng)的損耗率Dt={dt1,dt1,…,dtN};再根據(jù)全省關(guān)口電量的節(jié)假日特性、周期性,設(shè)置對(duì)應(yīng)Prophet模型參數(shù)。接著,使用Prophet模型對(duì)每個(gè)關(guān)口的未來損耗率作出預(yù)測(cè),并設(shè)置置信區(qū)間95%得到損耗閾值Et。若在此期間出現(xiàn)當(dāng)天損耗率A1超出當(dāng)天損耗閾值Et,則發(fā)出預(yù)警,由人工進(jìn)行復(fù)核分析關(guān)口計(jì)量裝置是否處于異常狀態(tài)。

圖2 基于Prophet的省級(jí)關(guān)口計(jì)量裝置異常判斷方法

在分析節(jié)假日特性、周期性步驟中,由于Prophet模型分別是用高斯分布和傅里葉級(jí)數(shù)擬合節(jié)假日特性和周期性,因此需要通過關(guān)口電量數(shù)據(jù)Dt分析節(jié)假日的影響時(shí)間區(qū)間和關(guān)口損耗率的傅里葉特性,以便確認(rèn)Prophet模型參數(shù)。

在使用Prophet模型預(yù)測(cè)步驟中,考慮到預(yù)測(cè)的準(zhǔn)確性和實(shí)際應(yīng)用情況,本文以30d為一個(gè)預(yù)測(cè)周期,每個(gè)監(jiān)測(cè)單元利用近4個(gè)月歷史損耗率來預(yù)測(cè)下一個(gè)周期閾值。

3 算例分析

3.1 實(shí)驗(yàn)參數(shù)設(shè)置與評(píng)價(jià)指標(biāo)

文本實(shí)驗(yàn)的集成開發(fā)環(huán)境為PyCharm,Prophet模型的搭建通過fbprophet實(shí)現(xiàn),系統(tǒng)運(yùn)行環(huán)境為Windows 11,CPU為AMD Ryzen 7-5800H,使用的數(shù)據(jù)由某省的省級(jí)計(jì)量關(guān)口管理平臺(tái)直接導(dǎo)出。在Prophet模型參數(shù)設(shè)置部分,節(jié)假日影響區(qū)間設(shè)為3d或1d,周期性設(shè)置為3d,并選擇線性方式預(yù)測(cè),變點(diǎn)影響數(shù)值設(shè)為默認(rèn)值0.1,選擇損耗閾值的置信度區(qū)間為95%。

本文使用召回率和精確度指標(biāo)用于衡量模型性能。召回率表示實(shí)際為正樣本的結(jié)果中,預(yù)測(cè)為正樣本的比例,召回率越高,模型對(duì)故障應(yīng)檢盡檢的效果越好,不易漏掉故障關(guān)口;精確度表示預(yù)測(cè)出來為正樣本的結(jié)果中,實(shí)際為正樣本的比例,精確度越高,模型判斷故障關(guān)口的正確率越高,減少判斷錯(cuò)誤造成復(fù)核資源的浪費(fèi)。

3.1.1 Prophet模型節(jié)假日參數(shù)

在設(shè)定Prophet模型節(jié)假日影響區(qū)間時(shí),根據(jù)近三年關(guān)口全電量歷史數(shù)據(jù),得到3年內(nèi)平均節(jié)假日期間全計(jì)量關(guān)口電量,如表1所示。

表1 節(jié)假日期間電量 單位:108kWh

由表1可知,除春節(jié)、國(guó)慶節(jié)外,計(jì)量關(guān)口電量均在節(jié)日前一天出現(xiàn)下降,在節(jié)日當(dāng)天下降到最低,在節(jié)日后兩天電量基本與節(jié)日前兩天電量持平,假日影響范圍區(qū)間較小。例如,五一節(jié)前兩天電量為3.22×108kWh,前一天電量為3.19×108kWh,電量無明顯變化,僅在五一節(jié)當(dāng)天降至低點(diǎn)2.75×108kWh,隨后電量開始爬升,節(jié)后兩天的電量為3.12×108kWh,與節(jié)前兩天電量基本持平。而春節(jié)與國(guó)慶節(jié)計(jì)量關(guān)口電量在節(jié)日后第四天才恢復(fù)到節(jié)前大小。綜上所述,將三天節(jié)假日的影響時(shí)間區(qū)間設(shè)定為1d,將春節(jié)與國(guó)慶節(jié)的影響時(shí)間區(qū)間設(shè)定為3d。

3.1.2 Prophet模型周期性參數(shù)

在設(shè)定Prophet模型周期性時(shí),本文對(duì)歷史關(guān)口電量數(shù)據(jù)使用傅里葉變換方法,將時(shí)域數(shù)據(jù)轉(zhuǎn)為頻域觀察,通過觀察最大振幅的正弦波周期,確認(rèn)周期性。為了便于展示,文章隨機(jī)選擇三個(gè)變電站計(jì)量點(diǎn)畫出幅值歸一化后的傅里葉頻域圖(圖3)。由圖3可知,三個(gè)計(jì)量點(diǎn)出現(xiàn)幅值高位均集中在2～3d,周期符合損耗率頻繁波動(dòng)的實(shí)際情況。因此,Prophet模型的周期性設(shè)置為3d。

圖3 幅值歸一化后的傅里葉頻域圖

3.2 Prophet模型預(yù)測(cè)實(shí)驗(yàn)

本文取每個(gè)監(jiān)測(cè)單元5個(gè)月的歷史損耗率,將其中前4個(gè)月歷史損耗率作為訓(xùn)練集,用來預(yù)測(cè)后1個(gè)月的損耗率,并將預(yù)測(cè)損耗率與實(shí)際損耗率作對(duì)比。此外,為了驗(yàn)證Prophet模型的性能,本文使用其他預(yù)測(cè)方法對(duì)同樣的數(shù)據(jù)進(jìn)行預(yù)測(cè),并進(jìn)行效果對(duì)比。圖4為4種不同方法預(yù)測(cè)某主變損耗的結(jié)果。

(a)Prophet預(yù)測(cè)模型(b)指數(shù)平滑預(yù)測(cè)模型

(c)LSTM預(yù)測(cè)模型(d)ARIMA預(yù)測(cè)模型

由圖4可知,在預(yù)測(cè)準(zhǔn)確率方面,指數(shù)平滑模型與LSTM模型將損耗率頻繁上下波動(dòng)現(xiàn)象識(shí)別成噪聲,認(rèn)為損耗率保持固定,因此,預(yù)測(cè)值為基本恒定值,無法跟隨實(shí)際值損耗,起不到預(yù)測(cè)與預(yù)警的作用。而Prophet與ARIMA模型的預(yù)測(cè)值可以較好地跟隨實(shí)際值,反映出損耗率的波動(dòng)情況。在預(yù)警閾值上下限方面,LSTM模型的閾值上下限差值過小,指數(shù)平滑模型差值過大,均無法起到預(yù)警作用。在Prophet模型中,閾值差值適中,而ARIMA模型預(yù)測(cè)的閾值較為粗放,閾值面積超出Prophet模型閾值的50%以上,對(duì)關(guān)口異常損耗率不敏感,不易發(fā)現(xiàn)異常點(diǎn)。

綜上所述,LSTM與指數(shù)平滑模型容易預(yù)測(cè)失敗,ARIMA模型預(yù)測(cè)的閾值面積過大,容易漏檢異常信息,Prophet模型雖然偶爾會(huì)誤判狀態(tài),但能對(duì)異常信息應(yīng)檢盡檢。因此,Prophet模型作為預(yù)測(cè)方法最為合適。

3.3 實(shí)驗(yàn)結(jié)果

為了進(jìn)一步驗(yàn)證Prophet模型性能,取近3年內(nèi)出現(xiàn)裝置故障的關(guān)口損耗率曲線。為保證樣本平衡,按1∶1比例加入正常運(yùn)行的損耗率曲線,共計(jì)124條曲線。以故障日的前3個(gè)月曲線作為訓(xùn)練集,后1個(gè)月作為預(yù)測(cè)驗(yàn)證集,驗(yàn)證Prophet模型能否正確對(duì)故障日作出預(yù)警,能否對(duì)正常運(yùn)行不誤報(bào),實(shí)驗(yàn)結(jié)果如表2所示。

表2 關(guān)口計(jì)量裝置異常計(jì)算結(jié)果

結(jié)果顯示,Prophet模型在計(jì)量關(guān)口異常識(shí)別上有較高的召回率和精確率,分別達(dá)到了93.5%和91.1%,優(yōu)于其他方法。

4 結(jié)束語

針對(duì)現(xiàn)有關(guān)口計(jì)量裝置運(yùn)行異常判斷的問題,提出了一種基于Prophet模型的計(jì)量關(guān)口異常判斷方法,結(jié)論如下:

①Prophet預(yù)測(cè)模型能適用于實(shí)行電力數(shù)據(jù)分區(qū)保護(hù)的變電站,僅依靠電量數(shù)據(jù)就能較好地預(yù)測(cè)出監(jiān)測(cè)單元未來損耗閾值,相比于其他方法模型,有計(jì)算速度快、性能好、適用節(jié)假日和周期性的特點(diǎn)。

②通過省級(jí)計(jì)量平臺(tái)導(dǎo)出的真實(shí)數(shù)據(jù)進(jìn)行分析驗(yàn)證,Prophet模型在計(jì)量關(guān)口異常計(jì)算上的召回率與精確率分別為93.5%和91.1%,優(yōu)于其他方法。