基于关联规则挖掘的电炉电能计量装置异常诊断系统

杨子成,卢建生,王 超,郭海旭

(国网山西省电力公司,山西 太原 030000)

随着国家电网企业在电能联网工作中的层层部署,现在供电单位的电能数据采集系统已存储了很多可以用于计量装置异常诊断的数据信息。因为采集用电信息的工作量逐日增多,维护该数据信息[1]的工作也增加了不少风险,且传统的异常诊断技术[2]太过于依赖人工处理,经常出现难以准确诊断计量装置异常的现象,维护数据及检查装置异常仍存在一定困难,因此研究电能计量异常诊断系统并对其进行优化具有深远的意义。

罗华富[3]等人建立了电能计量系统,该系统由分析诊断模块、应用模块、云计算平台,采集数据模块等组成,在传统的电炉电能计量装置系统上展开优化升级设计,将HDFS电能数据备份和存储数据信息相结合优化计量与分析系统,大幅度提升了采集数据信息的效率等。但该系统存在易诊断失败的问题。陈崇明[4]等人设计出全新电炉电能计量装置诊断系统,此系统通过计量装置异常的数据知识库对电炉电能计量装置展开监测诊断,具体为采集存储数据信息,分析故障原因,诊断异常缘由等。为计量装置的维修和技术改进提供现有依据,但该系统存在诊断系统的诊断准确率较低的问题。丁建顺[5]等人采取跨间隔电能计量的多维测试技术完善计量装置系统,其主要目的分析诊断计量装置异常原因,同时对系统内传输分布式终端展开处理,但该系统存在诊断系统准确率低,检测失败等问题。为了解决上述系统中存在的问题,本文提出基于关联规则挖掘的电炉电能计量装置异常诊断系统。

1 系统功能模块设计

电炉电能计量装置异常诊断系统由主控模块、远程通信模块和数据管理模块组成。其中,主控模块可以实现与人机和通信单元之间的互相传输,系统功能模块结构如图1所示。

图1 系统功能模块结构图

1)主控模块

主控模块分别由电能误差测试单元、脉冲采集切换单元、采集监测、电压PT切换单元、电流CT切换单元、信号采集单元等构成[6-8]。该模块是通过监测各个电炉电能计量装置点,实现数据采集、读取和储存的目的。其中监测范围包括计量装置异常诊断系统内的各个单元。

2)远程通信模块

该模块是在数据管理模块及信号采集模块的基础上建立起来的,实现数据与通信的交互。建立连接的方式主要有以太网、Wifi无线、电话网络及RSR232串行等[9-12]。

3)数据管理模块

该模块的原理是通过集中管理所有信息采集系统监测到的数据、参数的过程。且可以将监测到的数据信息反向输出给需要的系统。该模块具体为数据统计分析、远程遥控、异常信息报警,数据共享等功能[13-15]。远程遥控功能用于监测该系统采集单元中的参数测试,数据配置等;数据统计分析功能可查看历史记录;异常信息报警功能是对监测到的异常情况及时上报;数据分享功能可共享各个子系统中的数据参数。

2 系统软件设计

2.1 电炉电能计量装置异常诊断系统知识库构建

电炉电能计量装置异常诊断系统中还包含异常知识库,该知识库既可以储存异常事件还可以进行查询、修改及删除等操作。为异常诊断结论提供了细致准确的参考数据[16-18]。电炉电能计量装置异常诊断系统知识库如图2所示。

图2 电炉电能计量装置异常诊断系统知识库图

该知识库中含有规则和模型,该模型主要是记录其异常特征的;该规则主要是调整和改进异常事件的判定阈值,建立完善规范的异常事件库[19-22]。专家库模块由导入、导出、变更等模块组成。通过对计量装置展开验证,判别该装置检测异常事件及知识库的问题。检测出的异常知识库事件概括为:电表超差误差、断相、电压、电流不平衡、掉电等;异常事件概括为:电压二次超差等。

2.2 基于关联规则的电炉电能计量装置异常数据挖掘

由于关联规则挖掘技术善于发现知识库内每个模块间的联系关系,为进一步挖掘计量装置异常诊断系统内的知识库内的信息奠定了基础,为此,采取此项技术挖掘电炉电能计量装置异常诊断系统知识库内的异常数据。

关联规则定义如下:假设O={i1,i2,i3,…,in}表示为n个项的电炉电能计量装置异常数据的集合,任意一项il定义为数据项(item),在异常诊断数据集合中的任意一项子集C都可定义为数据项集(itemset),也可称为项集;数据项集的长度可表示为l,则子集C存在于l数据项集中[23-25]。

假设Y是整体计量装置异常诊断数据项集O中的任意子集,设yi={i1,i2,…,ij,ig},条件为Y⊆O,每个Y都表示为yid。由多个任意子集组成计量装置异常诊断数据库F,可表示为F={y1,y2,…,yi,yl}。数据集可用C表示,条件为C⊂O,定义N为F数据库中含有C的数据数量,定义S为F数据库全部的数据数量。关于项集的支持度公式如下:

(1)

式中:关联规则的支持度sup()为数据项集C的重要程度。

关联规则T的形式可表示为C⟹U的包含公式,且C⊂O,U⊂O及C∩U=∅,C⟹U,假如C项集在F异常诊断数据库中出现,那么U肯定也会出现,C决定着U的结果。由此证明挖掘到的异常数据集之间存在关联规则。T支持度(support)表示为sup(T)=sup(C∪U),因为关联规则T:C⟹U,关于T的置信度可用下式表示:

(2)

式中:conf()为关联规则的置信度,可描述为可靠程度。

强关联规则定义原理是数据空间内的关联规则需同时满足两个条件才可以实现,分别为最小支持度和最小置信度[26]。

关联规则的电炉电能计量装置异常数据挖掘步骤如下:

(1)检索挖掘出大于或等于最小支持度的全部异常诊断数据项集,也可表示为频繁项集。

T:N⟹(S-N),sup(T)=sup(S),conf(T)=

sup(S)/sup(N)

设数据库F={T1,T2,T3,T4,T5}如表1所示。

表1 关联规则挖掘数据库

设关联规则的最小支持度min-sup=0.5,最小置信度min-conf=0.8,{N,R}定义为频繁项,在{N,R}中,sup(N)=0.8,sup(R)=0.6,sup(N,R)=0.6;若sup(N,R)/sup(N)=0.75或sup(N,R)/sup(R)=1.0,通过以上过程得到唯一的强关联规则R⟹N[27]。通过上述过程在系统知识库中挖掘电炉电能计量装置异常状态之间存在的联系,在后续卷积神经网络模型异常诊断过程中提供电炉电能计量装置异常类型的判断依据,由此对挖掘的数据集内的异常数据展开关联规则,实现检测异常诊断。

2.3 基于卷积神经网络模型的异常诊断

基于计量装置异常诊断系统,将上述挖掘到的电炉电能计量装置异常数据输入到单卷积层和池化层的卷积神经网络中,通过学习和训练完成电炉电能计量装置异常诊断。

采用一维过滤器对输入数据特征展开提取,提取后输进池化层降采样处理,可降低输出节点之间的数量,通过Softmax回归层将结果变换为概率分布,过滤器提取数据特征的过程如图3所示。

图3 一维过滤器提取特征图

该模型的数据样本定义为变量C,含有12个特征。一维过滤器个数定义为变量n,尺寸为n×1,则每个一维过滤器相对的输出尺寸为(13-n)×1,该模型的连接数为(13-n)×(n+1)×n,网络训练的估计数据数量为(n+1)×m,所以模型中卷积层第l个一维过滤器的结果表示如下:

(3)

池化层展开平均值方式操作,当抽取该系统数据的样本尺寸为O×1,也满足O可以被13-n整除,可得到对应的尺寸[(13-n)/O×1],过滤器相对的池化层输出可用下式表示:

(4)

式中:βs2,j,l为过滤器池化层的第j个输出。通过Softmax回归层展开分类操作处理,得出分类概率。

本文采用反向传播算法训练模型,通过不断的更新和迭代达到预设的目标范围停止。该模型的目标函数表示为

(5)

式中:n为该模型输入数据的数量;i为Ci的输入数据;ui为输出结果;G(Ci)为该模型的实际输出。

卷积神经网络模型在电炉电能计量装置异常诊断过程中训练过程可用描述为以下三个步骤:

(1)对该模型的各层级展开误差项运算。

计算输出误差项为

ζ=[u-G(C)]

(6)

式中:u为卷积神经网络模型的理想输出;G(C)为该模型的实际输出。若第K层和第K+1层的每个节点全部都和上层节点相连接,求第K层的误差项为

ζ1=(E1)YζK+1×g′(xk)

(7)

式中:xK为卷积层第K层的过滤器节点的输入;g′为求导函数;求卷积层的误差项为

(8)

(2)对卷积神经网络中的权重值E的偏导函数和偏置N的偏导函数展开如下计算:

(9)

式中:β1为K层的输出结果。

(10)

(3)对卷积神经网络中的权重值E的偏导函数和偏置N的偏导函数展开迭代处理:

(11)

式中:β为该模型的学习率,且β∈[0,1]。

3 实验与分析

为了验证本文设计的基于关联规则挖掘的电炉电能计量装置异常诊断系统的整体有效性,选取电能计量柜为实验对象,对其异常进行诊断测试,如图4所示。

图4 电能计量柜异常诊断

对电能计量柜参数进行设置,如表2所示。

表2 实验参数设置

对额定的故障信号采集,异常信号变化如图5所示。

图5 异常信号突变采集图

通过信号采集装置采集异常信号的幅值、系统的结构参数、噪声强度和信号发生器的参数,来进行实时观察发生故障异常后的过程。通过图5可以看出,本文方法可以有效地采集相关的异常信号。现采用本文设计的基于关联规则挖掘的电炉电能计量装置异常诊断系统、文献[3]系统、文献[4]系统和文献[5]系统对电炉电能计量装置展开异常诊断测试,测试结果如图6～图9所示。

图6 本文设计的检测结果

通过图6得知,本文设计系统的计量装置异常诊断检测结果均是成功,分析图7～图9得知文献[3]系统、文献[4]系统和文献[5]系统的检测结果中均有部分检测结果无法成功。由于本文设计系统在系统知识库中通过数据挖掘获取关联规则,结合卷积神经网络模型实现电炉电能计量装置异常诊断,提高了异常诊断的成功率。为了进一步测试上述方法的异常诊断性能,采用上述方法对不同异常类型的电炉电能计量装置展开诊断,诊断结果如图10所示。

图7 文献[3]系统的检测结果

图8 文献[4]系统的检测结果

图10 不同系统的诊断准确率

通过上述测试可知,在计量装置异常诊断测试中本文设计系统的实际数据样本类型与测试样本类型诊断基本符合。而文献[3]系统、文献[4]系统和文献[5]系统的诊断结果中存在大部分样本与实际异常类型不符的问题,相比之下本文设计系统的诊断准确率更高。

4 结 语

由于电炉电能计量装置目前应用于多个领域,因此针对电炉电能计量装置异常诊断系统方面仍存在诊断成功率低和诊断准确率低的问题,应对匹配该装置的异常诊断系统进行相对应的提升优化,对此,本文设计基于关联规则挖掘的电炉电能计量装置异常诊断系统。首先设计了系统的硬件部分,并组建了系统知识库,在知识库中挖掘关联规则,结合卷积神经网络实现电炉电能计量装置的异常诊断,该系统有效解决了目前系统中存在的问题,为电炉电能计量装置安全、稳定运行提供了保障。