基于极限学习机的用电数据异常动态监测系统

孙志杰，张艳丽，王利赛，刘继鹏

（国网冀北电力有限公司计量中心，北京 100045）

用电数据的运行状态会直接反映出用电系统的工作状态，任何数据之间都存在相关性，为了保障监测系统的准确性，一方面系统不仅对电力系统的运行条件、环境、状态进行监测[1]；另一方面还对仪器工作产生的数据进行监测，如果电力系统内用电数据出现超出或者与规定用电数据不达标的情况，即使对电力系统监测无误，也需要对异常电力数据进行分析[2]，及时诊断出电力系统的故障，保障电网的用电安全。传统的基于大数据挖掘的异常用电监测方法[3]与基于局部离群因子的电力系统数据检测方法[4]，在进行数据分析时不能降低网络权重，存在分析迭代次数多、分析范围小的问题。为了解决目前用电数据异常动态监测系统存在的应用问题，该文设计的系统不仅融入了极限学习机网络训练方法，还借助格兰杰因果关系理论，完成对用电数据的分析，提高异常数据的监测准确度。

1 系统硬件设计

该文设计的基于极限学习机[5]的用电数据异常动态监测系统硬件结构如图1 所示。

图1 系统硬件结构

1.1 服务器接收端

服务器接收端的工作任务是调用监测系统的发动机，协助软件区域的交叉监测方法完成监测任务[6]，为了提高系统的运行效率，选择Hg-56 服务器接收端完成系统的设计。此服务器的传输数据速率为20 M/s，器件运行后台与GPS 技术、电频测量器等器件相互协调[7]，完成监测任务。服务器接收端的负载率小于50%，向其他器件发送数据帧的频率为50 帧每秒，服务器每秒可以处理15 万个节点的数据。服务器接收端结构如图2 所示。

图2 服务器接收端结构

1.2 麒麟980芯片

考虑到基于极限学习机的用电数据异常动态监测系统的工作性质，该文选择麒麟980 系列的超薄芯片[8]，此芯片与其他器件连接遵守IEC0061970 组件的通信原则，可识别任何格式的编程语言，芯片内存储的内容可以根据实时的需求，进行维护和修改。芯片示意图如图3 所示。

图3 麒麟980芯片示意图

硬件区域内所有的连接接口都采用非实时的CIS 接口，可以完成数据访问和数据模型的导入。

1.3 数据通信器

数据通信器在该文设计系统中的作用是将监测到的数据传输给管理中心，并且在数据监测过程中完成监测需要的数据通信[9]。数据通信器的传输实验为10 ms，器件单个向量数据包的大小为64 字节，系统内各个器件之间数据的传输时间为5 ms，可以满足用电异常数据监测系统的需求。

2 系统软件设计

2.1 极限学习机工作原理

极限学习机算法简称为ELM，是目前最简便的单隐层神经网络训练方法，具有较高的训练学习速度和学习精度[10]。极限学习机算法的本质是一个集合，用来计算训练集合内部存储数据的状态。因为数据的性质，集合存在多个隐层，存储不同类型的节点，初始化极限学习机算法的集合网络如下：

其中，g(·)表示激活函数表示连接第i个隐层节点的输出权重向量；表示第i个隐层节点的输入权重向量；bi表示第i个隐层节点的偏置系数；l表示集合内隐层节点的数量；β表示单隐层训练网络；i表示集合内需要训练的数据样本。

极限学习机算法将需要训练的数据样本收纳到集合内，首先对集合内所有的数据进行分层处理[11]，将相同数据属性的数据存储在集合的同一隐层，为后期数据分析奠定数据基础。集合内部的分层遵守以下规则：

其中，T表示隐层节点的输出矩阵；p表示期望输出矩阵，其他未知数的意义同上。

每一个隐层内数据样本的个数是有限的，当每层存储满后，立即输出此隐层的逆矩阵，数据层不再接收数据[12]。集合内所有数据完成分层后，即可进行数据训练。算法对数据进行训练是以每个隐层为单位进行工作，根据每个隐层初始化的输出权重和隐层的偏置值完成数据的训练[13]，寻找集合内隐层的数据是否存在异常数据，如果存在则将隐层内的所有数据和异常数据输出，等待处理；如果不存在，则直接保存隐层内的数据。极限学习机算法的网络权重参数的值越小，表示数据训练的精度越大，此算法的优势在于根据最小范数参数可以保证数据集合的最小数据训练误差[14]，另外极限学习机算法对于数据训练速度快，并且在训练计算过程中可以保证数据的安全性。

2.2 格兰杰因果检验

因为极限学习机算法只是完成异常数据的初次筛选，为了提高该文设计系统监测的准确性，在极限学习机算法的基础上应用了格兰杰因果检验方法，对极限学习机算法训练结果进行检验[15]。格兰杰因果检验的原理是利用计量检验每个数据之间关系，一旦相同隐层内的数据变量关系不符合关系设定，那么此层次内存在异常数据。格兰杰因果检验方法要求被计算的变量时间序列具有平稳性，并且向量之间是同阶的关系。如果通过格兰杰因果检验方法计算出极限学习机算法输出的异常数据与对应隐层集合内的数据存在因果关系，那么此异常数据是误判的，应是正常数据。反之，此异常数据是真实的异常数据。

2.3 用电数据异常动态监测

该文设计的系统对异常数据动态监测的核心是观察异常数据帧的三相总功率的波动情况，当异常数据帧的三相总功率因子大于0.5，并且功率实时处于不规律的状态下，需要发出警告。通过以上算法计算出用电数据集合内的异常数据，然后调用系统持续对异常数据进行长期监测，保证用电系统的安全，具体监测流程如下：首先，调用系统的数据采集器采集需要监测的用电系统内近期的数据。然后，调用极限学习机算法和格兰杰因果检验方法对需要监测的用电系统进行数据训练和数据分析。最后，根据输出结果确定用电异常数据对应的数据帧[16]，利用用电系统有效功率的输出情况，开始实时动态监测。如果用电异常数据的有效功率和数据帧的异常率持续5 min 高于20%，则向调度员发送实时的告警信息。

3 实验分析

通过以上的论述，完成了基于极限学习机的用电数据异常动态监测系统的设计，为了检验系统的性能，进行了实验对比测试。测试选择基于大数据挖掘的异常用电监测方法（以下统称为传统系统1）和基于叶根载荷辨识方法的用电数据异常动态监测系统（以下统称为传统系统2）共同完成实验测试。实验测试选择的用电系统是沈阳市阳光街道的用电系统，将3 种监测方法同时接入用电系统中进行测试，测试时间为48 h，如果在规定前24 h 内，此用电系统内的数据不存在异常数据，那么在剩余的时间内，对此用电系统进行人工异常数据的干预，使得系统内的数据出现异常状态，完成系统性能的检验。如果存在数据异常情况，则不需对实验进行干预，在规定时间内结束实验即可。

1）准确性

实验结束后，首先将三套系统输出的用电异常数据帧的基本信息与人工干预形成的用电异常数据帧的信息进程匹配，匹配结果显示，传统系统1 和该文设计的系统都能准确定位到异常的用电数据，传统系统2 对于异常数据的定位存在偏差。因此传统系统2 不具有对比的条件。接下来计算两套系统输出用电异常数据与真实的用电异常数据的精准度，实验结果如图4 所示。

图4 精准度实验结果

由图4 可知，该文设计系统对于用电异常数据动态监测的精准度始终较高，但是传统系统1 的监测精准度随着用电异常数据样本增加而降低，不具有稳定性，并且个别异常数据帧的误差率超过了标准。

2）灵敏性

在用电异常数据准确定位的基础上，继续分析系统对用电异常数据动态监测的灵敏性，此灵敏性是系统性能的重要评估指标，监测系统的灵敏性越高，表示系统对于异常数据变化参数的捕获量越多，对于异常数据的波动监测效果越真实。系统灵敏性对比如图5 所示。

由图5 可知，该文设计的基于极限学习动态监测系统输出的用电异常监测数据绝对误差较小，两套传统系统对于系统输出的用电异常监测数据始终趋近于稳定，在数据中不能展现出异常数据的波动趋势以及其他信息，只是对异常用电数据进行追踪，没有对异常数据的波动进一步分析和预测。基于极限学习的用电数据异常动态监测系统却具有此功能，对异常用电数据进行深度解析，不仅监测异常数据的波动情况，而且对可能影响异常数据波动的因素也同时进行监测，从而使得用电异常数据动态变化时，系统响应的时间快于传统的系统，具有较高的灵敏性。

图5 系统灵敏性对比

综上所述，该文设计的基于极限学习机的用电数据异常动态监测系统对于异常数据的定位具有较高的准确性，在对异常数据监测的过程中，误差几乎为零，并可以在不同状态内作出反应，保障用电系统的运行安全。

4 结束语

数据监测是诊断用电系统运行状态的关键，该文设计的基于极限学习机的用电数据异常动态监测系统在对数据进行分析时，采用极限学习机方法，提高对用电数据分析训练的速度和精度，但是极限学习机方法在对数据进行训练时，具有不稳定性，为了解决该问题，在系统的软件区域增加了格兰杰因果检验策略，对系统监测的异常用电数据进行检验，提高监测系统工作的准确度。该文设计的监测系统，可以提前对电力系统的故障发出预警，促进用电系统安全性的发展。