基于神经网络的输电线路多传感器时间序列异常检测

2023-01-10刘文波聂万庆

上海电气技术 2022年4期

刘军刘文波聂万庆邹兵

1.胜利石油管理局有限公司山东东营 257000 2.胜利石油管理局有限公司电力分公司山东东营 257000

1 研究背景

输电线路作为电力系统的重要组成部分,承担着保障整个电力系统正常运行的任务。我国国土幅员辽阔,输电线路分布极为广泛,工作环境千变万化,各种异常事件经常发生,如由风偏引起的风偏放电、由雷击引起的闪络、由过高树枝及其它环境因素引起的异常放电等。这些异常事件会导致电力系统工作异常,并可能会产生严重的经济损失。因此,定期监测输电线路的工作情况,正确识别异常工作状态,具有重要意义。

随着物联网技术的快速发展,各种先进的传感器技术不断涌现,可以实现对输电线路各种状态的实时监控,如绝缘子串风偏角、温湿度、电磁信号、天气情况等,进而使技术人员能够全面了解输电线路的工作状态,为杆塔异常工作状态的识别奠定了坚实基础。

在传感器技术提供大量输电线路数据的基础上,对海量传感器数据进行分析,并及时准确检测异常事件,这是一项极具挑战性的任务。对此,笔者提出基于神经网络的输电线路多传感器时间序列异常检测,引入人工神经网络算法,与物联网技术相结合,采用机器学习的方式训练得到异常检测模型,可以实时精确地对隐藏在数据中的异常事件进行检测并报警,从而大幅降低电力系统事故发生的概率,提高输电线路运维的智能化程度,并保障电力能源的安全。这一方法具有重要的现实意义。

2 基于多传感器的输电线路监测技术

针对输电线路的状态监测,在沿线分布式部署多种类型传感器,以尽可能获取详尽的输电线路状态数据。所采用的传感器包括:

(1) 振动传感器,利用导线振动检测仪实时获取输电线路的振动数据;

(2) 微型气象观测仪,包括获取风速、风向、空气温湿度、大气压力等的传感器,其中,风速风向传感器采用全固态小型超声共振型传感器,用于对输电线路周围的风速和风向进行测量;

(3) 舞动状态传感器,利用惯性传感器精确采集输电线路舞动特征量。

输电线路多传感器监测系统逻辑架构如图1所示。从图1中可以看到,各种传感器通过无线方式将数据传送至上位机,算法服务器进行大数据分析,并将报警信息传送至监控平台。在数据传输方面,采用通用无线分组业务传输技术,在足够的传输距离条件下保证传输效率,节省传输成本。以上技术的应用,为整个算法的后续数据处理奠定了坚实基础。

3 基于神经网络的输电线路异常检测

为了对海量传感器数据中隐藏的异常信息进行挖掘,提出一种基于神经网络的异常数据检测算法,通过捕获时空相关性,并尽量降低噪声的影响,从而比较准确地检测出异常信号。算法的主要思想是学习一种预测或重建时间序列信号的模型,并在真实值与预测值之间计算预测误差,当预测误差较大时,表明存在异常。算法整体流程如图2所示,主要包括两个步骤。第一,对多传感器数据进行特征提取,对时序数据进行预测,并计算预测误差。第二,将预测误差与阈值相比较。

图1 输电线路多传感器监测系统逻辑架构

图2 算法整体流程

3.1 特征提取与预测模型

首先构建一个深度卷积自动编码器,表征具有最大平均差异的多传感器时间数据的空间依赖性,以更好地区分噪声、正常数据和异常数据。然后构建一个由线性预测器和非线性预测器组成的记忆网络,以从时间序列数据中捕获时间依赖性,线性预测器对应自回归模型,非线性预测器对应有注意力机制的双向长短期记忆网络。最后对各部分网络进行联合优化,避免局部最优问题。特征提取与预测模型算法流程如图3所示,具体步骤有七步。

(1) 在时间轴上将每个样本x∈RN×T转化为x∈Rh×N×t。

(2) 对网络参数进行随机初始化。

(3) 计算每个时间步长的低维特征zf和重构误差zr。

(4) 计算低维特征与高斯分布PZ间的最大均值差异LMMD(Z,PZ):

图3 特征提取与预测模型算法流程

(1)

(5) 对于每个样本,将低维特征zf和重构误差zr合并,作为记忆网络的输入。

(2)

式中:Ωbatch为训练数据样本集。

(7) 通过最小化复合目标函数对模型进行联合优化,目标函数为:

J(θ)=LMSE+λ1LMMD+λ2Llp+λ3Lnp

(3)

式中:λ1、λ2、λ3为控制损失函数重要性的参数;LMSE为重构误差;Llp为线性预测器预测误差;Lnp为非线性预测器预测误差。

3.2 异常数据决策算法

采取异常数据决策算法,利用训练数据集的数据计算出一个阈值TH,将待检测的数据输入模型,计算序列xi的损失函数之和Err(xi),然后与阈值TH比较,从而判断是否为异常数据,具体步骤有三步。

(1) 利用训练数据集计算决策阈值TH:

(4)

式中:μ为Err(xi)的平均值。

(2) 对每个输入样本xi计算Err(xi)。

(3) 将Err(xi)与阈值TH比较,若Err(xi)大于阈值TH,则xi为异常数据,否则xi为正常数据。

需要注意的是,阈值TH是在训练过程中得到的,并在测试过程中保持不变。

3.3 输电线路异常检测

为了将算法应用于输电线路,首先使用一定数量输电杆塔正常工作状态下传感器测量数据对模型进行训练,使模型能够捕获高维时间数据的时空相关性,并且计算出一个合适的阈值。确定阈值后,可以使用这一模型对任意传感器测量数据进行处理。对于每组信号,都可以计算出一个特征值,再将此特征值与计算出的阈值进行比较。若特征值大于阈值,则说明测量数据是异常数据,此时的输电杆塔正处于异常工作状态。

4 试验测试

4.1 试验设置

将某输电线路作为试验对象。输电线路总长为71.186 km,部分跨越山区,地理环境较为复杂,天气变化较快,各种事故时有发生。为了对所提出的算法进行试验测试,在该输电线路选取四个测试点。测试点1和2所处的地理条件较为良好,测试点3和4位于山区,地理条件较为复杂。

采集输电线路传感器3 a的历史测量数据,使用包括线路振动传感器、风速传感器、风向传感器、温度传感器、舞动传感器等的数据。试验中的异常类型主要包括风力异常、振动异常、温度异常。为了降低噪声和无效数据对算法的影响,对传感器原始数据进行了数据清洗,清除部分无效和错误数据。为了避免不同尺度对算法的影响,对各传感器的数据进行归一化处理。另外,还根据现场运维人员的记录对数据集进行标注,正常数据标记为0,异常数据标记为1。

为了训练模型,使用交叉验证策略。将样本随机分为六份,以5∶1得到训练集和测试集。模型训练好后,将测试集中的数据输入模型进行分析,以测试模型的检测精度。使用经上述处理后的输电杆塔传感器采集的真实数据,对提出的算法在多种因素导致的异常状况下不同采样频次的异常检测结果进行评估。

由于异常检测问题中的类别一般是高度不平衡的,因此准确性不适合作为评估指标。为了彻底评估提出算法的性能,采用平均正确率AP、平均召回率AR、平均F1分数AF1作为评估指标。