基于極限學(xué)習(xí)機(jī)的電氣設(shè)備運(yùn)行數(shù)據(jù)異常檢測(cè)研究

摘要：由于現(xiàn)有的數(shù)據(jù)異常檢測(cè)方法檢測(cè)結(jié)果與實(shí)際負(fù)荷變化情況之間存在顯著差異，為此，文章研究基于極限學(xué)習(xí)機(jī)的電氣設(shè)備運(yùn)行數(shù)據(jù)異常檢測(cè)。文章利用經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）對(duì)電氣設(shè)備狀態(tài)噪聲信號(hào)進(jìn)行處理，將重構(gòu)信號(hào)與核函數(shù)的乘積進(jìn)行雙重求和，通過(guò)信號(hào)在模糊空間內(nèi)的重新映射，完成特征提取。運(yùn)用極限學(xué)習(xí)機(jī)優(yōu)化神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程，以輸出與目標(biāo)向量維度相匹配的預(yù)測(cè)結(jié)果。結(jié)合Parzen窗概率密度估計(jì)方法對(duì)設(shè)備運(yùn)行狀態(tài)展開(kāi)判斷。通過(guò)實(shí)時(shí)采集設(shè)備數(shù)據(jù)，輸入已訓(xùn)練的概率神經(jīng)網(wǎng)絡(luò)（Probabilistic Neural Networks，PNN）模型中，輸出設(shè)備當(dāng)前運(yùn)行狀態(tài)的概率分布，根據(jù)分布判斷設(shè)備是否處于異常狀態(tài)。實(shí)驗(yàn)結(jié)果表明，實(shí)驗(yàn)組在400 min時(shí)準(zhǔn)確地捕捉到電氣設(shè)備負(fù)荷的異常變化，與實(shí)際情況高度吻合，有效驗(yàn)證所提出的異常檢測(cè)方法的準(zhǔn)確性。

關(guān)鍵詞：極限學(xué)習(xí)機(jī)；電氣設(shè)備；數(shù)據(jù)異常；檢測(cè)；運(yùn)行數(shù)據(jù)

中圖分類(lèi)號(hào)：TM411

文獻(xiàn)標(biāo)志碼：A文獻(xiàn)標(biāo)志碼

0 引言

隨著設(shè)備規(guī)模擴(kuò)大，電氣設(shè)備運(yùn)行狀態(tài)監(jiān)測(cè)與異常檢測(cè)至關(guān)重要。深度挖掘運(yùn)行數(shù)據(jù)，能及時(shí)發(fā)現(xiàn)異常，為預(yù)防性維護(hù)和故障診斷提供科學(xué)依據(jù)。異常檢測(cè)技術(shù)通過(guò)智能化識(shí)別偏離正常狀態(tài)，降低故障率，延長(zhǎng)壽命，減少損失風(fēng)險(xiǎn)。因此，研究電氣設(shè)備運(yùn)行數(shù)據(jù)的異常檢測(cè)技術(shù)對(duì)提升設(shè)備運(yùn)行效率意義重大。在實(shí)際分析過(guò)程中，宋柯等^［1］利用經(jīng)驗(yàn)耦合函數(shù)對(duì)采樣得到的聯(lián)合分布進(jìn)行建模，計(jì)算每個(gè)數(shù)據(jù)點(diǎn)的異常分?jǐn)?shù)，根據(jù)該分?jǐn)?shù)判斷偏離正常運(yùn)行狀態(tài)的程度。但經(jīng)驗(yàn)耦合函數(shù)依賴(lài)于其參數(shù)的選擇，若參數(shù)設(shè)置不當(dāng)，可能會(huì)影響模型的準(zhǔn)確性和穩(wěn)定性。宋春雷等^［2］構(gòu)建異常檢測(cè)模型，將每個(gè)子序列的特征表示輸入其中，計(jì)算異常分?jǐn)?shù)。根據(jù)設(shè)定的閾值或排序結(jié)果判斷哪些子序列是異常的。但其特征提取方法可能無(wú)法完全捕捉到時(shí)間序列中的所有重要信息，特別是隱蔽的異常模式。為解決上述問(wèn)題，文章以電氣設(shè)備運(yùn)行數(shù)據(jù)異常檢測(cè)為研究對(duì)象，運(yùn)用極限學(xué)習(xí)機(jī)方法，結(jié)合實(shí)際情況進(jìn)行實(shí)驗(yàn)與分析。

1 電氣設(shè)備運(yùn)行數(shù)據(jù)異常檢測(cè)

1.1 電氣設(shè)備運(yùn)行狀態(tài)特征提取

在實(shí)際應(yīng)用中，電力設(shè)備的狀態(tài)數(shù)據(jù)中含有大量噪聲，這些噪聲嚴(yán)重影響了數(shù)據(jù)檢測(cè)的準(zhǔn)確性^［3］。在特征提取之前，需對(duì)原始數(shù)據(jù)進(jìn)行降噪處理。文章運(yùn)用經(jīng)驗(yàn)?zāi)B(tài)分解法對(duì)電氣設(shè)備運(yùn)行狀態(tài)信號(hào)進(jìn)行分析，將復(fù)雜信號(hào)分解成一系列本征模態(tài)函數(shù)和一個(gè)殘差項(xiàng)，每個(gè)IMF代表信號(hào)中不同時(shí)間尺度的局部特征。利用EMD對(duì)電氣設(shè)備狀態(tài)噪聲信號(hào)r（t）進(jìn)行處理，然后根據(jù)IMF信號(hào)特性，選擇合適的IMF進(jìn)行重構(gòu)，以達(dá)到去除噪聲的目的。同時(shí)，文章引入模糊處理機(jī)制提取電氣設(shè)備的狀態(tài)特征^［4］。通過(guò)構(gòu)建模糊極坐標(biāo)z（ε，ν），對(duì)經(jīng)過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解并重構(gòu)的信號(hào)進(jìn)行空間維度的變換。設(shè)定核函數(shù)為K，根據(jù)其平滑和特征增強(qiáng)能力，過(guò)濾了信號(hào)中的非必要信息，凸顯了關(guān)鍵特征，使得特征提取過(guò)程更為精確。因此，將重構(gòu)信號(hào)與核函數(shù)K的乘積進(jìn)行雙重求和，實(shí)現(xiàn)了信號(hào)在模糊空間內(nèi)的重新映射，從而完成對(duì)特征的提取。其公式為：

式中：p、q為兩相采集信號(hào)量；Δr為采樣間隔；α為包絡(luò)線。通過(guò)上述處理，得到了電氣設(shè)備狀態(tài)信號(hào)在模糊極坐標(biāo)下的時(shí)頻聯(lián)合分布，從而反映了信號(hào)在時(shí)間和頻率上的變化特性，直觀地展示了設(shè)備的運(yùn)行狀態(tài)^［5］。

1.2 極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)訓(xùn)練

文章運(yùn)用極限學(xué)習(xí)機(jī)在前饋型神經(jīng)網(wǎng)絡(luò)中進(jìn)行隨機(jī)初始化權(quán)值，以簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程。極限學(xué)習(xí)機(jī)在處理復(fù)雜問(wèn)題時(shí)，設(shè)定數(shù)據(jù)集中含有L個(gè)樣本，每個(gè)樣本由輸入向量x_i和對(duì)應(yīng)的目標(biāo)向量T_i=［T₁，T₂，…，T_n］組成，若采用具有k個(gè)隱藏層的極限學(xué)習(xí)機(jī)（Extreme Learning Machine，ELM）模型，具體如圖1所示。

根據(jù)圖1，輸出層包含m個(gè)神經(jīng)元，以精確匹配目標(biāo)向量T_i的維度。在ELM模型中，整個(gè)輸出層就能夠形成一個(gè)m維的向量，直接與目標(biāo)向量T_i進(jìn)行比對(duì)。ELM的數(shù)學(xué)模型在這種配置下可以表達(dá)為：

y=∑βf（wx+b）（2）

式中：β為輸出權(quán)重；w為神經(jīng)元輸入權(quán)重；b為偏差值；f（x）為激活函數(shù)。在極限學(xué)習(xí)機(jī)模型中，輸出層包含m個(gè)神經(jīng)元，這使得f（x）成為一個(gè)m維的向量，該向量代表模型對(duì)于輸入x_i的預(yù)測(cè)輸出。每一個(gè)分量f_k（x_i）都對(duì)應(yīng)著輸出層中的一個(gè)神經(jīng)元，各自負(fù)責(zé)預(yù)測(cè)目標(biāo)向量T_i中的第k個(gè)分量。每個(gè)輸出層神經(jīng)元都會(huì)接收來(lái)自所有K個(gè)隱藏層神經(jīng)元的加權(quán)輸入。文章通過(guò)將每個(gè)隱藏層神經(jīng)元的輸出與相應(yīng)的連接權(quán)重相乘并求和，經(jīng)過(guò)非線性激活函數(shù)處理，以產(chǎn)生最終的輸出值。

1.3 運(yùn)行數(shù)據(jù)異常檢測(cè)

在完成上述處理后，筆者對(duì)信號(hào)進(jìn)行解構(gòu)處理，得到信號(hào)特征，根據(jù)該特征構(gòu)建概率神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)設(shè)備運(yùn)行狀態(tài)的判斷。文章結(jié)合Parzen窗概率密度估計(jì)方法對(duì)設(shè)備的運(yùn)行狀態(tài)展開(kāi)判斷。在構(gòu)建PNN時(shí)，文章定義了設(shè)備的異常k_i與正常狀態(tài)k_j，采用改進(jìn)的概率網(wǎng)絡(luò)優(yōu)化概率密度函數(shù)，以清晰界定狀態(tài)轉(zhuǎn)換邊界并提升對(duì)異常狀態(tài)的敏感度。此過(guò)程通過(guò)調(diào)整模型中的平滑參數(shù)實(shí)現(xiàn)。

概率密度函數(shù)的公式為：

k（a）=12π∑expa-a_i2λ²（3）

式中：a為檢測(cè)信號(hào)；a_i為分類(lèi)信號(hào)；λ為平滑處理參數(shù)。當(dāng)概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成并達(dá)到預(yù)期的分類(lèi)性能，可以被應(yīng)用于電氣設(shè)備的實(shí)時(shí)運(yùn)行狀態(tài)監(jiān)測(cè)中。神經(jīng)網(wǎng)絡(luò)識(shí)別異常后，分析其類(lèi)型并生成預(yù)警報(bào)告，為運(yùn)維人員提供決策支持。

2 實(shí)驗(yàn)測(cè)試與分析

2.1 搭建實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)采用包含26列多維時(shí)間序列數(shù)據(jù)，記錄電氣設(shè)備全生命周期。使用Pytorch框架及Nvidia GPU加速，模型配置包括SGD優(yōu)化器（學(xué)習(xí)率0.003），特征提取至48維，注意力機(jī)制4層，最終映射至32維輸出，以構(gòu)建深度模型識(shí)別設(shè)備異常狀態(tài)。

2.2 結(jié)果與分析

選取電氣設(shè)備在線監(jiān)測(cè)數(shù)據(jù)作為訓(xùn)練樣本，用于異常檢測(cè)模型。所有監(jiān)測(cè)數(shù)據(jù)的采樣周期均為1min/組。根據(jù)實(shí)驗(yàn)需求，選擇3種異常檢測(cè)算法。其中，實(shí)驗(yàn)組運(yùn)用文章算法，2個(gè)對(duì)照組運(yùn)用其他算法。使用數(shù)據(jù)進(jìn)行驗(yàn)證，在數(shù)據(jù)點(diǎn)識(shí)別出負(fù)荷的變化趨勢(shì)，具體如圖2所示。

由圖2可知，2個(gè)對(duì)照組在時(shí)間點(diǎn)100min和500min時(shí)記錄了電氣設(shè)備負(fù)荷的異常變化。但與實(shí)際的負(fù)荷變化情況對(duì)比，發(fā)現(xiàn)為誤報(bào)。而實(shí)驗(yàn)組在400min時(shí)準(zhǔn)確地捕捉到了電氣設(shè)備負(fù)荷的異常變化。這一檢測(cè)結(jié)果與實(shí)際情況高度吻合，驗(yàn)證了所提的異常檢測(cè)方法的準(zhǔn)確性。

3 結(jié)語(yǔ)

此次從電氣設(shè)備運(yùn)行數(shù)據(jù)異常檢測(cè)入手，文章深入分析極限學(xué)習(xí)機(jī)的相關(guān)問(wèn)題，研究基于極限學(xué)習(xí)機(jī)的電氣設(shè)備運(yùn)行數(shù)據(jù)異常檢測(cè)。文章利用提取的特征訓(xùn)練ELM模型。在訓(xùn)練過(guò)程中，確定ELM的隱含層節(jié)點(diǎn)數(shù)、激活函數(shù)等參數(shù)，通過(guò)最小化訓(xùn)練誤差來(lái)優(yōu)化模型性能，將待檢測(cè)的電氣設(shè)備運(yùn)行數(shù)據(jù)輸入訓(xùn)練好的ELM模型，根據(jù)模型輸出結(jié)果判斷是否存在異常。所提方法還存在不足之處，例如：隱層節(jié)點(diǎn)權(quán)重設(shè)置問(wèn)題等。本研究將完善算法，以期能夠?qū)崟r(shí)或離線地對(duì)電氣設(shè)備的運(yùn)行數(shù)據(jù)進(jìn)行異常檢測(cè)，為電氣設(shè)備的維護(hù)和管理提供有力支持。

參考文獻(xiàn)

［1］宋柯，錢(qián)唐江，武彬，等.基于經(jīng)驗(yàn)耦合函數(shù)的動(dòng)態(tài)運(yùn)行參數(shù)異常檢測(cè)［J］.科學(xué)技術(shù)與工程，2023（33）：14256-14263.

［2］宋春雷，趙旭俊，高亞星，等.采用分段特征表示的異常序列檢測(cè)算法［J］.計(jì)算機(jī)工程與應(yīng)用，2023（9）：262-271.

［3］周笑天，陳益玲，李蕓，等.一種基于特征曲線的自動(dòng)土壤水分觀測(cè)數(shù)據(jù)異常值檢測(cè)方法［J］.中國(guó)農(nóng)業(yè)氣象，2022（3）：229-239.

［4］曾祥軍，馮琛，楊明，等.考慮運(yùn)行狀態(tài)相似性的風(fēng)電機(jī)組數(shù)據(jù)異常檢測(cè)方法［J］.電力系統(tǒng)自動(dòng)化，2022（11）：170-180.

（編輯 王永超）

Study on anomaly detection of operation data of electrical equipment based on extreme learning machine

ZOU Zeqi

（Hubei Electric Power Planning and Design Institute Co.， Ltd.， Wuhan 430040， China）

Abstract：Due to the significant difference between the detection results of existing data anomaly detection methods and the actual load changes， this article studies the detection of electrical equipment operation data anomalies based on extreme learning machines. The article uses empirical mode decomposition （EMD） to process electrical equipment state noise signals， and double sums the product of the reconstructed signal and the kernel function. By remapping the signal in fuzzy space， feature extraction is completed. Optimize the neural network training process using extreme learning machines to output prediction results that match the target vector dimension. Use the Parzen window probability density estimation method to assess the operational status of devices. By collecting real-time device data and inputting it into a trained probabilistic neural network （PNN） model， the probability distribution of the current operating state of the device is output to determine whether the device is in an abnormal state based on the distribution. The experimental results showed that the experimental group accurately captured the abnormal changes in electrical equipment load at 400 minutes， which was highly consistent with the actual situation and effectively verified the accuracy of the proposed anomaly detection method.

Key words：extreme learning machine; electrical equipment; data abnormality; detection; operation data