一種配電主設備分布式狀態(tài)傳感器可靠性評估方法

張世棟，左新斌，孫 勇，邵志敏，楊珊珊，李元誠

(1.國網(wǎng)山東省電力公司電力科學研究學院，山東 濟南 250003；2.國網(wǎng)山東省電力公司，山東 濟南 250001;3.華北電力大學 控制與計算機工程學院，北京 102206)

0 引 言

配電網(wǎng)作為連接輸電與用戶的關(guān)鍵環(huán)節(jié)，其安全可靠運行對電力系統(tǒng)穩(wěn)定以及用戶體驗的重要性不言而喻[1]。在配電網(wǎng)上應用自感知技術(shù)，在配電主設備上安裝分布式傳感裝置，是對配電網(wǎng)的運行情況進行全面采集，監(jiān)測設備狀態(tài)，實現(xiàn)全生命周期的設備管理的一個重要舉措，有利于提高電力系統(tǒng)穩(wěn)定性和用戶體驗感[2]。但是一旦傳感器裝置發(fā)生故障，則會對電網(wǎng)安全運行造成嚴重威脅。因此，開展配電主設備分布式狀態(tài)傳感器可靠性評估研究具有重要意義。

近年來，傳感器可靠性問題引起了學術(shù)界的廣泛關(guān)注，傳感器領域相關(guān)學者，越來越注重對傳感器可靠性的研究，設計高質(zhì)量的傳感器可靠性評估模型具有重要的應用意義。文獻[3]從無線傳感器網(wǎng)絡(Wireless Sensor Networks，WSN)的拓撲結(jié)構(gòu)、協(xié)議棧結(jié)構(gòu)和可靠性機制的角度對可靠性進行了剖析，提取了影響可靠性的性能指標，提出了一種基于模糊神經(jīng)網(wǎng)絡的可靠性評估模型。面對海量傳感器數(shù)據(jù)時，該模型評估效果可能不是很好。文獻[4]考慮了不同因素對WSN的影響，構(gòu)建了WSN可靠性評估指標體系。分別從對WSN故障狀態(tài)評估和安全狀態(tài)評估兩方面完成對WSN可靠性評估。文獻[5]對工業(yè)無線傳感網(wǎng)絡的主要性能指標進行了分析，建立了可靠性評估指標體系。文獻[3-5]建立的指標體系都是針對WSN的，從中提取和分布式狀態(tài)傳感裝置相關(guān)的指標，建立針對傳感器裝置的指標體系。文獻[6]提出了一個貝葉斯分析框架來評估與安全相關(guān)的傳感器信息的可靠性。雖然會有一定的效果，但由于傳感器信息復雜，在使用貝葉斯分析框架進行可靠性評估時，確定貝葉斯網(wǎng)絡結(jié)構(gòu)存在一定的困難。文獻[7]提出了評估WSNs可靠性的兩個新的指標，即廣義終端可靠性和平均廣義終端可靠性，并給出了兩個指標可靠性的基于代數(shù)圖理論和蒙特卡羅仿真的計算方法。文獻[8]在建立的傳感器節(jié)點和通信鏈路的可靠性模型的基礎上，提出了基于蒙特卡羅方法的監(jiān)測網(wǎng)絡可靠性模型。文獻[9]提出一種改進的蒙特卡羅方法-遞歸方差約簡(Recursive Variance Reduction，RVR)方法，并將該方法用于線性傳感系統(tǒng)的可靠性問題。文獻[10]基于學習自動機理論，提出一個基于博弈論的解決方案將傳感器分為可靠和不可靠兩類。文獻[11]提出了一種基于證據(jù)理論和信念熵的傳感器動態(tài)可靠性評價方法，以獲得合理的可靠性參數(shù)。文獻[12]利用多因子分析過程將無線傳感器網(wǎng)絡復雜的變量關(guān)系簡單化，將這些因子輸入神經(jīng)網(wǎng)絡模型中，構(gòu)建無線傳感器神經(jīng)網(wǎng)絡可靠性評估模型，完成無線傳感器網(wǎng)絡可靠性評估。文獻[13]針對無線傳感器網(wǎng)絡，建立了考慮節(jié)點故障和能量消耗平衡的層次聚類模型，利用簽名理論及其發(fā)展，計算了無線傳感器網(wǎng)絡的可靠性。以上文章所提出的可靠性評估方法大多都是針對WSN的，但目前鮮有文章對傳感器裝置的可靠性進行相關(guān)研究。

綜上所述，國內(nèi)外學者在無線傳感器網(wǎng)絡可靠性評估方面研究較多，但只針對傳感器裝置的可靠性評估的文章不多，目前還沒有一個統(tǒng)一標準全面評估傳感器裝置可靠性。由于可靠性評估具有非線性、不確定等特點，上述的可靠性評估方法都有一定的局限性，計算復雜度高，相關(guān)分析和靈敏度分析不夠準確，不確定性因素和人的主觀因素對評估結(jié)果影響較大。深度學習的概念源于人工神經(jīng)網(wǎng)絡的研究，且能把原始數(shù)據(jù)通過一些非線性的模型轉(zhuǎn)變成為更高層次的，更加抽象的表達，深度學習方法具有自適應能力，可以很好地應對可靠性評估非線性、不確定等問題，因此如何使用深度學習方法進行可靠性評估具有很大的研究意義。

近年來，許多研究者采用深度學習方法來處理高維時空數(shù)據(jù)，即采用卷積神經(jīng)網(wǎng)絡(CNN)來有效地提取數(shù)據(jù)的空間特征[14]；圖卷積神經(jīng)網(wǎng)絡(GCN)用于描述數(shù)據(jù)的空間相關(guān)性[15]。文獻[16]提出了一種基于時空注意力機制的圖卷積網(wǎng)絡(ASTGCN)模型來解決交通流預測問題。本文在文獻[16]所提出的ASTGCN模型的基礎上結(jié)合可靠性評估問題的特點對ASTGCN進行了一些改進，提出一種新的基于自注意力機制的時空圖卷積網(wǎng)絡(SASTGCN)模型。自注意力機制在文獻[17]中被首次提出。自注意力機制是注意力機制的改進，其減少了對外部信息的依賴，更擅長捕捉數(shù)據(jù)或特征的內(nèi)部相關(guān)性，所以SASTGCN能夠準確地捕捉傳感器數(shù)據(jù)中的相關(guān)性，進行準確的相關(guān)分析。另外，SASTGCN利用傳感器數(shù)據(jù)進行訓練，在訓練過程中不斷更新自身參數(shù)，最終達到最優(yōu)的網(wǎng)絡結(jié)構(gòu)，因此不確定性因素和人的主觀因素對評估結(jié)果影響較小。

針對以上問題，本文從傳感器可靠性評估指標的多樣性出發(fā)，采用改進的深度學習方法SASTGCN對配電主設備分布式狀態(tài)傳感器進行了可靠性評估，并通過實驗說明了本文所提評估方法的有效性。

本文其余部分安排如下：第1節(jié)描述了配電主設備分布式狀態(tài)傳感器可靠性評估指標體系；第2節(jié)提出了基于SASTGCN的配電主設備分布式狀態(tài)傳感器可靠性評估模型；第3節(jié)和第4節(jié)分別為實驗和結(jié)論。

1 配電主設備分布式狀態(tài)傳感器可靠性評估指標體系

要建立一個性能優(yōu)異的配電主設備分布式狀態(tài)傳感器可靠性評估模型，首先要建立一個完整、科學的可靠性評估指標體系，指標體系直接影響評估模型能否準確描述傳感器可靠性的各種影響因素，對評估時間也起著決定性作用。目前，針對傳感器裝置的性能指標并沒有統(tǒng)一標準，為了全面評估配電主設備分布式狀態(tài)傳感器的可靠性，本文從評估指標的多樣性出發(fā)，基于含義清楚、完整、易于量化的原則，參考相關(guān)研究對配電主設備分布式狀態(tài)傳感器可靠性評估指標體系[3-5]進行構(gòu)建，可靠性評估指標體系如表1所示。

如表1所示，配電主設備分布式狀態(tài)傳感器可靠性評估指標體系包含了4個一級指標，52個二級指標。將所選取的性能指標分為兩類。第一類為性能指標值越大，傳感器越可靠，將該類指標稱為正相關(guān)指標，如：采樣頻率、源節(jié)點鏈路可靠性、中繼節(jié)點鏈路可靠性、信號傳輸性能、電源供給穩(wěn)定性、產(chǎn)品工作時間、故障統(tǒng)計范圍、設備占空比、最大重傳次數(shù)、空載激磁電流百分比、節(jié)能金具占比、本地信息安全性、補丁安全、安全機制完善度、數(shù)據(jù)傳輸安全性、等級權(quán)限完備性、加密傳輸、傳感器精度、鏈路能量可用性、協(xié)議距離適用性、實時接收數(shù)據(jù)量、業(yè)務成功率、節(jié)點能量可用性、平均無故障時間、節(jié)點連通概率、任務傳輸穩(wěn)定性；第二類為性能指標值越大，傳感器越不可靠，將該類指標稱為負相關(guān)指標，如：節(jié)點冗余度、信道冗余度、平均電壓偏差率、元器件響應時間、發(fā)送數(shù)據(jù)包能耗、接收數(shù)據(jù)包能耗、繞組升溫、導線升溫、總諧波畸變率、三相負荷不平衡率、額定空載損耗、額定負載損耗、配線長度超標率、配線截面積超標率、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、拒絕服務的影響、網(wǎng)絡攻擊頻率、通信網(wǎng)絡干擾率、信道丟包率、信號傳輸中斷概率、端到端時延、路由信令開銷。在本文中，傳感器可靠性評價分為4個等級，分別為優(yōu)、良、中、差，每個等級對應的取值如表2所示。

表1 配電主設備分布式狀態(tài)傳感器可靠性評估指標體系

表2 可靠性等級劃分

2 配電主設備分布式狀態(tài)傳感器可靠性評估模型

2.1 SASTGCN

本文對文獻[16]所提出的ASTGCN模型進行了改進，提出一種新的基于自注意力機制的時空圖卷積網(wǎng)絡(SASTGCN)模型。SASTGCN主要由兩部分組成：1)時空自注意力模塊，有效捕捉數(shù)據(jù)中的動態(tài)時空關(guān)聯(lián)；2)時空卷積模塊，同時使用圖卷積來捕捉數(shù)據(jù)中的空間特征和標準卷積來描述時間特征。最后用一個全連接層，生成最終的評估結(jié)果。SASTGCN模型總體框架如圖1所示。

圖1 SASTGCN模型

如圖1所示，模型由多個時空塊和一個全連接層組成。在每個時空塊中又包括時空自注意力模塊和時空卷積模塊。時空自注意力模塊包括空間自注意力機制和時間自注意力機制。時空自注意力模塊的目標是對輸入數(shù)據(jù)進行處理，從所有輸入中選擇對當前任務相對關(guān)鍵的信息?？臻g自注意力機制對輸入數(shù)據(jù)進行處理，捕捉輸入數(shù)據(jù)之間復雜的空間相關(guān)性；時間自注意力機制捕捉數(shù)據(jù)的動態(tài)時間相關(guān)性。將被空間自注意力層處理后的輸入數(shù)據(jù)作為時間自注意力層的輸入，時間自注意力層捕捉數(shù)據(jù)在時間上的關(guān)聯(lián)性。經(jīng)過時空自注意力模塊處理后的輸入數(shù)據(jù)被送入到時空卷積模塊。時空圖卷積模塊包括圖卷積層和卷積層。圖卷積層首先提取每組輸入數(shù)據(jù)的空間特征，標準卷積層沿時間軸做卷積操作，進一步提取數(shù)據(jù)的時間特征。最后一個全連接層，輸出最終的評估結(jié)果。

2.1.1 時空自注意力模塊

SASTGCN中使用時空自注意力模塊來捕捉輸入數(shù)據(jù)的動態(tài)時空相關(guān)性。這一模塊又分為兩部分：空間自注意力機制和時間自注意力機制。

(1)空間自注意力機制

在空間維度上，使用自注意力機制對輸入數(shù)據(jù)進行處理，自適應地捕捉輸入數(shù)據(jù)的內(nèi)部關(guān)聯(lián)性，使網(wǎng)絡將注意力集中在更有價值的輸入信息上，提高評估準確性?？臻g自注意力矩陣如式(1)所示。

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

(1)

式(2)為softmax函數(shù)的表示形式，目的是將自注意力矩陣S進行歸一化。

(2)

式中：S中的元素Si,j的值在語義上表示節(jié)點i和節(jié)點j之間的關(guān)聯(lián)強度；使用softmax函數(shù)來保證一個節(jié)點的注意力權(quán)值的和為1。

為了使得矩陣S′的行與行之間數(shù)值盡可能差異化，同時每一行的權(quán)值盡可能集中，加入了Frobenius范數(shù)懲罰項，如公式(3)所示。

(3)

式中：‖‖F(xiàn)為矩陣的Frobenius范數(shù)；I為單位矩陣。

在進行圖卷積時，將伴隨著表示可靠性評估指標體系的圖G的鄰接矩陣A和空間自注意力矩陣S′∈RN×N動態(tài)調(diào)整節(jié)點間的影響權(quán)重。

(2)時間自注意力機制

在時間維度上，由于傳感器裝置運行時不同時間段的可靠性情況之間存在相關(guān)性，不同情況下的相關(guān)性也不同。同樣，使用自注意力機制來自適應地賦予數(shù)據(jù)不同的權(quán)重。

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

(4)

(5)

(6)

2.1.2 時空卷積模塊

時空自注意力模塊使網(wǎng)絡自動對有價值的信息進行相對較多的關(guān)注。由時空自注意力模塊調(diào)整后的輸入數(shù)據(jù)被輸入到時空卷積模塊。時空卷積模塊由空間維上捕獲數(shù)據(jù)空間相關(guān)性的圖卷積和時間維上捕獲相鄰時間相關(guān)性的標準卷積組成。

(1)空間維上的圖卷積

將時空自注意力模塊的輸出輸入到該圖卷積的過程為

(7)

(2)時間維上的卷積

通過空間維圖卷積操作對數(shù)據(jù)的空間特征進行建模之后，再用標準2維卷積捕獲時間維特征。

經(jīng)過一層時間維卷積之后，節(jié)點的信息被該節(jié)點相鄰時間片信息更新，而節(jié)點及其相鄰時間片信息在經(jīng)過圖卷積操作后已包含其相鄰節(jié)點同時刻的信息。因此，通過一層時空卷積操作之后，就會捕獲到數(shù)據(jù)的時間維和空間維特征以及時空相關(guān)性。卷積操作過程如下公式所示。

r=RELU(Φ*(RELU(gθ*G(r-1))))∈RCr×N×Tr

(8)

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

(9)

上面介紹的時空自注意力模塊和時空卷積模塊構(gòu)成了一個總的時空塊，多個時空塊疊加，可進一步提取更大范圍的動態(tài)時空關(guān)聯(lián)性。最終的全連接層使用RELU作為激活函數(shù)。

2.2 基于SASTGCN的配電主設備分布式狀態(tài)傳感器可靠性評估模型

可靠性評估問題的核心在于如何有效捕獲數(shù)據(jù)的時空維特征及相關(guān)性，圖卷積可以直接對圖結(jié)構(gòu)數(shù)據(jù)進行特征提取，自動挖掘數(shù)據(jù)和評估值的關(guān)聯(lián)。沿時間軸做卷積操作，可以挖掘數(shù)據(jù)的時間特征。自注意力機制更擅長捕捉數(shù)據(jù)或特征的內(nèi)部相關(guān)性。因此本文采用SASTGCN的深度學習模型同時捕獲傳感器數(shù)據(jù)的時空特性，有效解決可靠性評估問題。

將可靠性評估指標體系定義為無向圖G=(V,E,A)，其中V為|V|=N個節(jié)點的集合；E是一組邊，表示節(jié)點之間的連通性；A∈RN×N表示圖G的鄰接矩陣。設在圖G上的每個節(jié)點都會檢測到F個采樣頻率一致的時間序列數(shù)據(jù)，即每個節(jié)點在每個時間戳都會產(chǎn)生一個長度為F的特征向量。模型輸入為X∈RN×F×T，輸出為Y∈RT，其中N為節(jié)點個數(shù)，F(xiàn)為節(jié)點的特征向量的長度，T為輸入的T個時間步，Y為輸出的評估值。

該模型不需事先準確地知道評估值與傳感器數(shù)據(jù)的關(guān)聯(lián)，可以通過對可靠性評估的訓練樣本進行學習，建立配電主設備分布式狀態(tài)傳感器評估值與傳感器數(shù)據(jù)之間的非線性關(guān)系，可以很好地模擬傳感器數(shù)據(jù)和評估值間的復雜映射。

基于SASTGCN的配電主設備分布式狀態(tài)傳感器可靠性評估模型工作過程如下：

(1)根據(jù)1建立的評估指標體系，收集配電主設備分布式狀態(tài)傳感器樣本數(shù)據(jù)。

(2)對傳感器數(shù)據(jù)和評估期望值進行歸一化處理。

(3)確定SASTGCN的結(jié)構(gòu)，并初始化網(wǎng)絡。

(4)將訓練樣本輸入到SASTGCN進行學習，對模型進行訓練，建立傳感器可靠性評估模型。

(5)輸入待評估樣本，對模型進行測試，輸出評估結(jié)果。

綜上所述，基于SASTGCN的傳感器可靠性評估模型框架如圖2所示。

圖2 基于SASTGCN的配電主設備分布式狀態(tài)傳感器可靠性評估模型

SASTGCN的訓練過程如下所示：

(1)將經(jīng)過歸一化處理的傳感器樣本數(shù)據(jù)輸入到模型中。

(2)模型的空間自注意力層對輸入數(shù)據(jù)進行處理，捕捉指標數(shù)據(jù)之間的空間關(guān)聯(lián)性。

(3)將經(jīng)過空間自注意力層處理后的數(shù)據(jù)輸入到時間自注意力層，捕捉數(shù)據(jù)在時間維上的關(guān)聯(lián)性，使網(wǎng)絡較多的關(guān)注有價值的信息。

(4)將經(jīng)過時空自注意力模塊處理的輸入數(shù)據(jù)送入到圖卷積層，圖卷積層提取輸入數(shù)據(jù)的空間特征。

(5)將圖卷積層輸出的特征送入到卷積層，卷積層提取輸入數(shù)據(jù)在時間維上的特征。

(6)將以上的輸出結(jié)果輸入到全連接層，輸出評估結(jié)果。

3 實 驗

3.1 實驗參數(shù)設置

基于Pytorch框架實現(xiàn)了SASTGCN模型?？紤]到計算效率和評估性能，令K=3，即卷積核沿時間軸維度為3。圖卷積使用64個相同大小的卷積核。時間維卷積同樣使用64個相同大小的卷積核，通過控制步長調(diào)整時間維長度。均方誤差(MSE)是反映估計量與被估計量之間差異程度的一種度量，因此，本文采用該度量指標作為損失函數(shù)，通過反向傳播使其最小化。在訓練階段，批量大小為64，學習率為0.000 1。

3.2 實驗結(jié)果及性能分析

根據(jù)建立的指標體系，收集某電網(wǎng)公司一段時間內(nèi)的傳感器數(shù)據(jù)，并將這些數(shù)據(jù)按照3∶1的比例分為訓練樣本和測試樣本。為了評價本文所提出的可靠性評估模型的效果，首先采用SASTGCN對訓練樣本進行建模，構(gòu)建基于SASTGCN的配電主設備分布式狀態(tài)傳感器可靠性評估模型。然后對1 000個測試樣本進行評估。設4個可靠性等級優(yōu)、良、中、差分別用數(shù)字4、3、2、1表示。我們隨機選取了50個測試樣本，這50個樣本的評估測試結(jié)果如圖3所示。

圖3 評估測試結(jié)果

從圖3可以看出，SASTGCN可以準確反映傳感器可靠性變化趨勢, 期望值與評估值之間的誤差小, 評估正確率達到 96%以上。

為了分析SASTGCN的優(yōu)越性，選擇馬爾可夫模型、貝葉斯網(wǎng)絡、模糊神經(jīng)網(wǎng)絡等可靠性評估模型進行了對比實驗。本文采用均方根誤差(RMSE)和平均絕對誤差(MAE)作為評價指標，將本文提出的模型與馬爾可夫模型、貝葉斯網(wǎng)絡、模糊神經(jīng)網(wǎng)絡等可靠性評估模型進行比較。RMSE和MAE的具體計算公式如下。表3和圖4展示了各種模型的評估結(jié)果。

圖4 不同方法的RMSE和MAE對比

表3 不同方法的RMSE和MAE對比

(10)

(11)

從表3和圖4可以看出，模型在兩種評價指標中均達到佳性能。還可以觀察到，其它的可靠性評估方法評估結(jié)果并不理想?；谏疃葘W習的方法獲得了比傳統(tǒng)方法更好的評估結(jié)果。

各個方法的評估準確率如表4和圖5所示。評估正確率公式如下：

評估正確率=正確評估樣本數(shù)/總樣本數(shù) 100%

(12)

在圖5中，方法1表示馬爾可夫模型，方法2表示貝葉斯網(wǎng)絡，方法3表示模糊神經(jīng)網(wǎng)絡，方法4表示SASTGCN。從圖5和表4可以看出，所提模型的評估正確率比其它模型都高，表明了所提模型能夠有效的進行可靠性評估。

圖5 各方法評估正確率對比

表4 SASTGCN與其它模型性能對比

為了進一步研究比較深入的模型的性能，對模型的收斂性能進行了測試并與模糊神經(jīng)網(wǎng)絡方法進行了比較，結(jié)果如圖6和圖7所示。

圖6 隨迭代次數(shù)變化的RMSE曲線

圖7 隨訓練時間變化的MAE曲線

從圖6和圖7可以看出，兩種模型均收斂，但SASTGCN的收斂速度和訓練時間明顯優(yōu)于模糊神經(jīng)網(wǎng)絡。實驗結(jié)果表明，對比模糊神經(jīng)網(wǎng)絡方法，提出的模型收斂速度快，訓練時間短，證明了所提模型的效率高，收斂性能好。

4 結(jié) 論

本文進行了配電主設備分布式狀態(tài)傳感器可靠性評估研究，主要展開了以下工作：(1)從傳感器裝置原理形式、信號傳輸?shù)确矫骈_展可靠性研究，構(gòu)建了主設備狀態(tài)傳感器可靠性評估體系；(2)由于自注意力機制相較于注意力機制減少了對外部信息的依賴，更擅長捕捉數(shù)據(jù)或特征的內(nèi)部相關(guān)性，更適合解決可靠性評估問題，所以在ASTGCN模型的基礎上加入了自注意力機制，提出一種新的模型：SASTGCN；(3)考慮到可靠性評估的非線性、不確定性等特點，以提高評估的準確性為目標，將SASTGCN應用于可靠性評估中，提出了一種基于SASTGCN的可靠性評估模型。通過對比實驗證明，本文所提模型是一種精度高、結(jié)果可靠評估模型，在配電主設備分布式狀態(tài)傳感器中具有廣泛的應用場景。