一种配电主设备分布式状态传感器可靠性评估方法

张世栋，左新斌，孙 勇，邵志敏，杨珊珊，李元诚

(1.国网山东省电力公司电力科学研究学院，山东 济南 250003；2.国网山东省电力公司，山东 济南 250001;3.华北电力大学 控制与计算机工程学院，北京 102206)

0 引 言

配电网作为连接输电与用户的关键环节，其安全可靠运行对电力系统稳定以及用户体验的重要性不言而喻[1]。在配电网上应用自感知技术，在配电主设备上安装分布式传感装置，是对配电网的运行情况进行全面采集，监测设备状态，实现全生命周期的设备管理的一个重要举措，有利于提高电力系统稳定性和用户体验感[2]。但是一旦传感器装置发生故障，则会对电网安全运行造成严重威胁。因此，开展配电主设备分布式状态传感器可靠性评估研究具有重要意义。

近年来，传感器可靠性问题引起了学术界的广泛关注，传感器领域相关学者，越来越注重对传感器可靠性的研究，设计高质量的传感器可靠性评估模型具有重要的应用意义。文献[3]从无线传感器网络(Wireless Sensor Networks，WSN)的拓扑结构、协议栈结构和可靠性机制的角度对可靠性进行了剖析，提取了影响可靠性的性能指标，提出了一种基于模糊神经网络的可靠性评估模型。面对海量传感器数据时，该模型评估效果可能不是很好。文献[4]考虑了不同因素对WSN的影响，构建了WSN可靠性评估指标体系。分别从对WSN故障状态评估和安全状态评估两方面完成对WSN可靠性评估。文献[5]对工业无线传感网络的主要性能指标进行了分析，建立了可靠性评估指标体系。文献[3-5]建立的指标体系都是针对WSN的，从中提取和分布式状态传感装置相关的指标，建立针对传感器装置的指标体系。文献[6]提出了一个贝叶斯分析框架来评估与安全相关的传感器信息的可靠性。虽然会有一定的效果，但由于传感器信息复杂，在使用贝叶斯分析框架进行可靠性评估时，确定贝叶斯网络结构存在一定的困难。文献[7]提出了评估WSNs可靠性的两个新的指标，即广义终端可靠性和平均广义终端可靠性，并给出了两个指标可靠性的基于代数图理论和蒙特卡罗仿真的计算方法。文献[8]在建立的传感器节点和通信链路的可靠性模型的基础上，提出了基于蒙特卡罗方法的监测网络可靠性模型。文献[9]提出一种改进的蒙特卡罗方法-递归方差约简(Recursive Variance Reduction，RVR)方法，并将该方法用于线性传感系统的可靠性问题。文献[10]基于学习自动机理论，提出一个基于博弈论的解决方案将传感器分为可靠和不可靠两类。文献[11]提出了一种基于证据理论和信念熵的传感器动态可靠性评价方法，以获得合理的可靠性参数。文献[12]利用多因子分析过程将无线传感器网络复杂的变量关系简单化，将这些因子输入神经网络模型中，构建无线传感器神经网络可靠性评估模型，完成无线传感器网络可靠性评估。文献[13]针对无线传感器网络，建立了考虑节点故障和能量消耗平衡的层次聚类模型，利用签名理论及其发展，计算了无线传感器网络的可靠性。以上文章所提出的可靠性评估方法大多都是针对WSN的，但目前鲜有文章对传感器装置的可靠性进行相关研究。

综上所述，国内外学者在无线传感器网络可靠性评估方面研究较多，但只针对传感器装置的可靠性评估的文章不多，目前还没有一个统一标准全面评估传感器装置可靠性。由于可靠性评估具有非线性、不确定等特点，上述的可靠性评估方法都有一定的局限性，计算复杂度高，相关分析和灵敏度分析不够准确，不确定性因素和人的主观因素对评估结果影响较大。深度学习的概念源于人工神经网络的研究，且能把原始数据通过一些非线性的模型转变成为更高层次的，更加抽象的表达，深度学习方法具有自适应能力，可以很好地应对可靠性评估非线性、不确定等问题，因此如何使用深度学习方法进行可靠性评估具有很大的研究意义。

近年来，许多研究者采用深度学习方法来处理高维时空数据，即采用卷积神经网络(CNN)来有效地提取数据的空间特征[14]；图卷积神经网络(GCN)用于描述数据的空间相关性[15]。文献[16]提出了一种基于时空注意力机制的图卷积网络(ASTGCN)模型来解决交通流预测问题。本文在文献[16]所提出的ASTGCN模型的基础上结合可靠性评估问题的特点对ASTGCN进行了一些改进，提出一种新的基于自注意力机制的时空图卷积网络(SASTGCN)模型。自注意力机制在文献[17]中被首次提出。自注意力机制是注意力机制的改进，其减少了对外部信息的依赖，更擅长捕捉数据或特征的内部相关性，所以SASTGCN能够准确地捕捉传感器数据中的相关性，进行准确的相关分析。另外，SASTGCN利用传感器数据进行训练，在训练过程中不断更新自身参数，最终达到最优的网络结构，因此不确定性因素和人的主观因素对评估结果影响较小。

针对以上问题，本文从传感器可靠性评估指标的多样性出发，采用改进的深度学习方法SASTGCN对配电主设备分布式状态传感器进行了可靠性评估，并通过实验说明了本文所提评估方法的有效性。

本文其余部分安排如下：第1节描述了配电主设备分布式状态传感器可靠性评估指标体系；第2节提出了基于SASTGCN的配电主设备分布式状态传感器可靠性评估模型；第3节和第4节分别为实验和结论。

1 配电主设备分布式状态传感器可靠性评估指标体系

要建立一个性能优异的配电主设备分布式状态传感器可靠性评估模型，首先要建立一个完整、科学的可靠性评估指标体系，指标体系直接影响评估模型能否准确描述传感器可靠性的各种影响因素，对评估时间也起着决定性作用。目前，针对传感器装置的性能指标并没有统一标准，为了全面评估配电主设备分布式状态传感器的可靠性，本文从评估指标的多样性出发，基于含义清楚、完整、易于量化的原则，参考相关研究对配电主设备分布式状态传感器可靠性评估指标体系[3-5]进行构建，可靠性评估指标体系如表1所示。

如表1所示，配电主设备分布式状态传感器可靠性评估指标体系包含了4个一级指标，52个二级指标。将所选取的性能指标分为两类。第一类为性能指标值越大，传感器越可靠，将该类指标称为正相关指标，如：采样频率、源节点链路可靠性、中继节点链路可靠性、信号传输性能、电源供给稳定性、产品工作时间、故障统计范围、设备占空比、最大重传次数、空载激磁电流百分比、节能金具占比、本地信息安全性、补丁安全、安全机制完善度、数据传输安全性、等级权限完备性、加密传输、传感器精度、链路能量可用性、协议距离适用性、实时接收数据量、业务成功率、节点能量可用性、平均无故障时间、节点连通概率、任务传输稳定性；第二类为性能指标值越大，传感器越不可靠，将该类指标称为负相关指标，如：节点冗余度、信道冗余度、平均电压偏差率、元器件响应时间、发送数据包能耗、接收数据包能耗、绕组升温、导线升温、总谐波畸变率、三相负荷不平衡率、额定空载损耗、额定负载损耗、配线长度超标率、配线截面积超标率、漂移偏差故障、精度下降故障、固定偏差故障、完全失效故障、信息泄露概率、拒绝服务的影响、网络攻击频率、通信网络干扰率、信道丢包率、信号传输中断概率、端到端时延、路由信令开销。在本文中，传感器可靠性评价分为4个等级，分别为优、良、中、差，每个等级对应的取值如表2所示。

表1 配电主设备分布式状态传感器可靠性评估指标体系

表2 可靠性等级划分

2 配电主设备分布式状态传感器可靠性评估模型

2.1 SASTGCN

本文对文献[16]所提出的ASTGCN模型进行了改进，提出一种新的基于自注意力机制的时空图卷积网络(SASTGCN)模型。SASTGCN主要由两部分组成：1)时空自注意力模块，有效捕捉数据中的动态时空关联；2)时空卷积模块，同时使用图卷积来捕捉数据中的空间特征和标准卷积来描述时间特征。最后用一个全连接层，生成最终的评估结果。SASTGCN模型总体框架如图1所示。

图1 SASTGCN模型

如图1所示，模型由多个时空块和一个全连接层组成。在每个时空块中又包括时空自注意力模块和时空卷积模块。时空自注意力模块包括空间自注意力机制和时间自注意力机制。时空自注意力模块的目标是对输入数据进行处理，从所有输入中选择对当前任务相对关键的信息。空间自注意力机制对输入数据进行处理，捕捉输入数据之间复杂的空间相关性；时间自注意力机制捕捉数据的动态时间相关性。将被空间自注意力层处理后的输入数据作为时间自注意力层的输入，时间自注意力层捕捉数据在时间上的关联性。经过时空自注意力模块处理后的输入数据被送入到时空卷积模块。时空图卷积模块包括图卷积层和卷积层。图卷积层首先提取每组输入数据的空间特征，标准卷积层沿时间轴做卷积操作，进一步提取数据的时间特征。最后一个全连接层，输出最终的评估结果。

2.1.1 时空自注意力模块

SASTGCN中使用时空自注意力模块来捕捉输入数据的动态时空相关性。这一模块又分为两部分：空间自注意力机制和时间自注意力机制。

(1)空间自注意力机制

在空间维度上，使用自注意力机制对输入数据进行处理，自适应地捕捉输入数据的内部关联性，使网络将注意力集中在更有价值的输入信息上，提高评估准确性。空间自注意力矩阵如式(1)所示。

S=VS·(W4tanh(((r-1)W1)W2(W3((r-1))T)+bS))

(1)

式(2)为softmax函数的表示形式，目的是将自注意力矩阵S进行归一化。

(2)

式中：S中的元素Si,j的值在语义上表示节点i和节点j之间的关联强度；使用softmax函数来保证一个节点的注意力权值的和为1。

为了使得矩阵S′的行与行之间数值尽可能差异化，同时每一行的权值尽可能集中，加入了Frobenius范数惩罚项，如公式(3)所示。

(3)

式中：‖‖F为矩阵的Frobenius范数；I为单位矩阵。

在进行图卷积时，将伴随着表示可靠性评估指标体系的图G的邻接矩阵A和空间自注意力矩阵S′∈RN×N动态调整节点间的影响权重。

(2)时间自注意力机制

在时间维度上，由于传感器装置运行时不同时间段的可靠性情况之间存在相关性，不同情况下的相关性也不同。同样，使用自注意力机制来自适应地赋予数据不同的权重。

E=Ve·(U4tanh((((r-1))TU1)U2(U3(r-1))+be))

(4)

(5)

(6)

2.1.2 时空卷积模块

时空自注意力模块使网络自动对有价值的信息进行相对较多的关注。由时空自注意力模块调整后的输入数据被输入到时空卷积模块。时空卷积模块由空间维上捕获数据空间相关性的图卷积和时间维上捕获相邻时间相关性的标准卷积组成。

(1)空间维上的图卷积

将时空自注意力模块的输出输入到该图卷积的过程为

(7)

(2)时间维上的卷积

通过空间维图卷积操作对数据的空间特征进行建模之后，再用标准2维卷积捕获时间维特征。

经过一层时间维卷积之后，节点的信息被该节点相邻时间片信息更新，而节点及其相邻时间片信息在经过图卷积操作后已包含其相邻节点同时刻的信息。因此，通过一层时空卷积操作之后，就会捕获到数据的时间维和空间维特征以及时空相关性。卷积操作过程如下公式所示。

r=RELU(Φ*(RELU(gθ*G(r-1))))∈RCr×N×Tr

(8)

r=(X1,(r),X2,(r),…,XCr-1,(r))∈RCr×N×Tr

(9)

上面介绍的时空自注意力模块和时空卷积模块构成了一个总的时空块，多个时空块叠加，可进一步提取更大范围的动态时空关联性。最终的全连接层使用RELU作为激活函数。

2.2 基于SASTGCN的配电主设备分布式状态传感器可靠性评估模型

可靠性评估问题的核心在于如何有效捕获数据的时空维特征及相关性，图卷积可以直接对图结构数据进行特征提取，自动挖掘数据和评估值的关联。沿时间轴做卷积操作，可以挖掘数据的时间特征。自注意力机制更擅长捕捉数据或特征的内部相关性。因此本文采用SASTGCN的深度学习模型同时捕获传感器数据的时空特性，有效解决可靠性评估问题。

将可靠性评估指标体系定义为无向图G=(V,E,A)，其中V为|V|=N个节点的集合；E是一组边，表示节点之间的连通性；A∈RN×N表示图G的邻接矩阵。设在图G上的每个节点都会检测到F个采样频率一致的时间序列数据，即每个节点在每个时间戳都会产生一个长度为F的特征向量。模型输入为X∈RN×F×T，输出为Y∈RT，其中N为节点个数，F为节点的特征向量的长度，T为输入的T个时间步，Y为输出的评估值。

该模型不需事先准确地知道评估值与传感器数据的关联，可以通过对可靠性评估的训练样本进行学习，建立配电主设备分布式状态传感器评估值与传感器数据之间的非线性关系，可以很好地模拟传感器数据和评估值间的复杂映射。

基于SASTGCN的配电主设备分布式状态传感器可靠性评估模型工作过程如下：

(1)根据1建立的评估指标体系，收集配电主设备分布式状态传感器样本数据。

(2)对传感器数据和评估期望值进行归一化处理。

(3)确定SASTGCN的结构，并初始化网络。

(4)将训练样本输入到SASTGCN进行学习，对模型进行训练，建立传感器可靠性评估模型。

(5)输入待评估样本，对模型进行测试，输出评估结果。

综上所述，基于SASTGCN的传感器可靠性评估模型框架如图2所示。

图2 基于SASTGCN的配电主设备分布式状态传感器可靠性评估模型

SASTGCN的训练过程如下所示：

(1)将经过归一化处理的传感器样本数据输入到模型中。

(2)模型的空间自注意力层对输入数据进行处理，捕捉指标数据之间的空间关联性。

(3)将经过空间自注意力层处理后的数据输入到时间自注意力层，捕捉数据在时间维上的关联性，使网络较多的关注有价值的信息。

(4)将经过时空自注意力模块处理的输入数据送入到图卷积层，图卷积层提取输入数据的空间特征。

(5)将图卷积层输出的特征送入到卷积层，卷积层提取输入数据在时间维上的特征。

(6)将以上的输出结果输入到全连接层，输出评估结果。

3 实 验

3.1 实验参数设置

基于Pytorch框架实现了SASTGCN模型。考虑到计算效率和评估性能，令K=3，即卷积核沿时间轴维度为3。图卷积使用64个相同大小的卷积核。时间维卷积同样使用64个相同大小的卷积核，通过控制步长调整时间维长度。均方误差(MSE)是反映估计量与被估计量之间差异程度的一种度量，因此，本文采用该度量指标作为损失函数，通过反向传播使其最小化。在训练阶段，批量大小为64，学习率为0.000 1。

3.2 实验结果及性能分析

根据建立的指标体系，收集某电网公司一段时间内的传感器数据，并将这些数据按照3∶1的比例分为训练样本和测试样本。为了评价本文所提出的可靠性评估模型的效果，首先采用SASTGCN对训练样本进行建模，构建基于SASTGCN的配电主设备分布式状态传感器可靠性评估模型。然后对1 000个测试样本进行评估。设4个可靠性等级优、良、中、差分别用数字4、3、2、1表示。我们随机选取了50个测试样本，这50个样本的评估测试结果如图3所示。

图3 评估测试结果

从图3可以看出，SASTGCN可以准确反映传感器可靠性变化趋势, 期望值与评估值之间的误差小, 评估正确率达到 96%以上。

为了分析SASTGCN的优越性，选择马尔可夫模型、贝叶斯网络、模糊神经网络等可靠性评估模型进行了对比实验。本文采用均方根误差(RMSE)和平均绝对误差(MAE)作为评价指标，将本文提出的模型与马尔可夫模型、贝叶斯网络、模糊神经网络等可靠性评估模型进行比较。RMSE和MAE的具体计算公式如下。表3和图4展示了各种模型的评估结果。

图4 不同方法的RMSE和MAE对比

表3 不同方法的RMSE和MAE对比

(10)

(11)

从表3和图4可以看出，模型在两种评价指标中均达到佳性能。还可以观察到，其它的可靠性评估方法评估结果并不理想。基于深度学习的方法获得了比传统方法更好的评估结果。

各个方法的评估准确率如表4和图5所示。评估正确率公式如下：

评估正确率=正确评估样本数/总样本数 100%

(12)

在图5中，方法1表示马尔可夫模型，方法2表示贝叶斯网络，方法3表示模糊神经网络，方法4表示SASTGCN。从图5和表4可以看出，所提模型的评估正确率比其它模型都高，表明了所提模型能够有效的进行可靠性评估。

图5 各方法评估正确率对比

表4 SASTGCN与其它模型性能对比

为了进一步研究比较深入的模型的性能，对模型的收敛性能进行了测试并与模糊神经网络方法进行了比较，结果如图6和图7所示。

图6 随迭代次数变化的RMSE曲线

图7 随训练时间变化的MAE曲线

从图6和图7可以看出，两种模型均收敛，但SASTGCN的收敛速度和训练时间明显优于模糊神经网络。实验结果表明，对比模糊神经网络方法，提出的模型收敛速度快，训练时间短，证明了所提模型的效率高，收敛性能好。

4 结 论

本文进行了配电主设备分布式状态传感器可靠性评估研究，主要展开了以下工作：(1)从传感器装置原理形式、信号传输等方面开展可靠性研究，构建了主设备状态传感器可靠性评估体系；(2)由于自注意力机制相较于注意力机制减少了对外部信息的依赖，更擅长捕捉数据或特征的内部相关性，更适合解决可靠性评估问题，所以在ASTGCN模型的基础上加入了自注意力机制，提出一种新的模型：SASTGCN；(3)考虑到可靠性评估的非线性、不确定性等特点，以提高评估的准确性为目标，将SASTGCN应用于可靠性评估中，提出了一种基于SASTGCN的可靠性评估模型。通过对比实验证明，本文所提模型是一种精度高、结果可靠评估模型，在配电主设备分布式状态传感器中具有广泛的应用场景。