多特征提取與深度學(xué)習(xí)關(guān)口計(jì)量裝置異常事件識(shí)別方法

徐嚴(yán)軍，吳 蒙，白佳靈，丁熠輝，謝 智，盧 宏，肖先勇

（1.國(guó)網(wǎng)四川省電力公司計(jì)量中心，四川 成都 610045; 2.四川大學(xué)電氣工程學(xué)院，四川 成都 610065）

0 引 言

關(guān)口計(jì)量裝置是購售電雙方進(jìn)行貿(mào)易決算的重要設(shè)備，計(jì)量的準(zhǔn)確性和可靠性直接影響著貿(mào)易決算的公平性。計(jì)量裝置的異常狀態(tài)會(huì)導(dǎo)致售電公司存在大量資產(chǎn)流失的風(fēng)險(xiǎn)[1-2]。目前對(duì)關(guān)口計(jì)量裝置運(yùn)行狀態(tài)的評(píng)價(jià)主要依靠檢修人員定期到現(xiàn)場(chǎng)對(duì)裝置進(jìn)行檢修，造成人力和物力的嚴(yán)重浪費(fèi)[3-4]。由于裝置的異常運(yùn)行狀態(tài)會(huì)與計(jì)量過程中出現(xiàn)的一系列異常事件有關(guān)，這些異常事件的數(shù)據(jù)可以通過用戶用電采集系統(tǒng)獲得[5-7]。因此，基于用戶用電采集系統(tǒng)的數(shù)據(jù)，研究關(guān)口計(jì)量裝置的異常事件識(shí)別方法，可以為異常運(yùn)行狀態(tài)的快速準(zhǔn)確診斷提供依據(jù)，對(duì)保證貿(mào)易決算的公平性具有重要的意義。

針對(duì)目前對(duì)關(guān)口計(jì)量裝置進(jìn)行周期性校驗(yàn)存在的不足，國(guó)家電網(wǎng)公司[8]在2016年構(gòu)建了用于電能表狀態(tài)評(píng)價(jià)的狀態(tài)量，并利用層次分析法對(duì)各狀態(tài)量進(jìn)行了賦權(quán)，但這種方法僅采用離線數(shù)據(jù)進(jìn)行驗(yàn)證，缺少時(shí)效性。文獻(xiàn)[9]利用在線監(jiān)測(cè)數(shù)據(jù)和現(xiàn)場(chǎng)校驗(yàn)數(shù)據(jù)，采用多層次模糊評(píng)價(jià)法對(duì)指標(biāo)進(jìn)行賦權(quán)，實(shí)現(xiàn)對(duì)計(jì)量裝置運(yùn)行狀態(tài)的評(píng)價(jià)，同時(shí)還采用了云自適應(yīng)粒子群優(yōu)化算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，對(duì)其未來運(yùn)行狀態(tài)進(jìn)行了預(yù)測(cè)。文獻(xiàn)[10]提出了灰色關(guān)聯(lián)度與熵權(quán)理論組合的智能電表綜合評(píng)價(jià)方法。文獻(xiàn)[11]將泛在電力物聯(lián)網(wǎng)運(yùn)用到智能電表的狀態(tài)評(píng)估中。文獻(xiàn)[12]提出了一種CRITIC法和理想點(diǎn)法相結(jié)合的計(jì)量設(shè)備運(yùn)行質(zhì)量評(píng)估方法。文獻(xiàn)[13]提出了一種基于信息融合的電能表運(yùn)行狀態(tài)評(píng)價(jià)方法，考慮了電能表可靠度和計(jì)量異常等因素，并采用熵值法對(duì)選擇的指標(biāo)進(jìn)行賦權(quán)，最后結(jié)合地區(qū)影響因素實(shí)現(xiàn)了對(duì)電能表的動(dòng)態(tài)狀態(tài)評(píng)價(jià)。

但上述文獻(xiàn)中的方法大多以選擇與計(jì)量裝置運(yùn)行狀態(tài)有關(guān)的指標(biāo)，并對(duì)選擇出的指標(biāo)進(jìn)行簡(jiǎn)單賦權(quán)為主，狀態(tài)評(píng)價(jià)結(jié)果的有效性主要依賴于所選指標(biāo)的準(zhǔn)確性，指標(biāo)權(quán)重選擇受人工干預(yù)，指標(biāo)有效性和評(píng)價(jià)結(jié)果均難以有效驗(yàn)證。由于異常事件的監(jiān)測(cè)數(shù)據(jù)中含有大量與設(shè)備運(yùn)行狀態(tài)有關(guān)的信息，從監(jiān)測(cè)數(shù)據(jù)中可提取反映計(jì)量裝置狀態(tài)的相關(guān)特征，并構(gòu)建特征到運(yùn)行狀態(tài)的映射模型。因此，本文提出了一種多特征提取與深度學(xué)習(xí)相結(jié)合的關(guān)口計(jì)量裝置異常事件識(shí)別方法，利用深度學(xué)習(xí)方法構(gòu)建異常事件特征與設(shè)備狀態(tài)的映射關(guān)系，并對(duì)所提方法進(jìn)行了驗(yàn)證。

1 關(guān)口計(jì)量裝置計(jì)量異常事件分析

關(guān)口計(jì)量裝置主要由安裝在關(guān)口處的電能表、電流互感器、電壓互感器和二次回路組成，在計(jì)量過程中會(huì)出現(xiàn)不同類型的異常事件。異常事件的運(yùn)行數(shù)據(jù)包含了電網(wǎng)中的重要信息，如設(shè)備故障、負(fù)荷異常和人為竊電等情況，極大地影響計(jì)量的有效性和準(zhǔn)確性[14-16]。因此，有必要對(duì)關(guān)口計(jì)量裝置異常事件的類型和原因進(jìn)行分析。關(guān)口計(jì)量裝置異常事件的類型主要包括電量異常、電壓電流異常、時(shí)鐘異常和接線異常等，如圖1所示。

圖1 關(guān)口計(jì)量裝置常見異常事件類型

導(dǎo)致圖1中異常事件的原因眾多，主要可分為：

1）關(guān)口計(jì)量裝置故障

關(guān)口計(jì)量裝置組成元件眾多，由于裝置質(zhì)量和現(xiàn)場(chǎng)安裝工藝，裝置會(huì)存在一定的缺陷。在長(zhǎng)時(shí)間運(yùn)行后，可能出現(xiàn)故障，引起計(jì)量數(shù)據(jù)出現(xiàn)異常，隨著時(shí)間的增加，計(jì)量的誤差逐漸增大，影響計(jì)量準(zhǔn)確性和用戶滿意度。

2）人為竊電

人為竊電是造成計(jì)量數(shù)據(jù)異常的主要原因，用戶通過擅自篡改電能表接線方式，造成電能表慢走或停走，極大地?fù)p害了電網(wǎng)企業(yè)的利益。

3）終端故障

關(guān)口計(jì)量裝置的終端在長(zhǎng)時(shí)間運(yùn)行后可能會(huì)出現(xiàn)黑屏和軟件故障等問題，引起電能表的時(shí)鐘異常。若時(shí)鐘出現(xiàn)異常將導(dǎo)致計(jì)量的數(shù)據(jù)與當(dāng)前的時(shí)刻不匹配，會(huì)影響電網(wǎng)對(duì)當(dāng)前時(shí)刻用戶用電的評(píng)估。

2 計(jì)量異常事件特征提取

異常事件的數(shù)據(jù)包含了關(guān)口計(jì)量裝置運(yùn)行狀態(tài)的重要信息，從監(jiān)測(cè)數(shù)據(jù)中提取相關(guān)特征是進(jìn)行計(jì)量裝置運(yùn)行狀態(tài)辨識(shí)的必要條件。通過第1節(jié)對(duì)計(jì)量異常事件的分析可知，這些異常事件的相關(guān)特征都會(huì)反映在監(jiān)測(cè)數(shù)據(jù)中，并呈現(xiàn)出不同的數(shù)據(jù)形式。如果關(guān)口計(jì)量裝置在一段時(shí)間內(nèi)重復(fù)發(fā)生這些異常中的一種或者幾種，會(huì)極大地影響裝置的壽命及計(jì)量準(zhǔn)確性。因此，有必要對(duì)用電采集系統(tǒng)中采集到的常見異常事件的運(yùn)行數(shù)據(jù)進(jìn)行分析。本文以異常事件的產(chǎn)生機(jī)理和數(shù)據(jù)呈現(xiàn)形式為基礎(chǔ)，提取了不同異常事件的特征。

2.1 不同計(jì)量裝置異常事件的特征提取

2.1.1 電量異常

電能表示值不平是指電能表的總電能示值與各費(fèi)率電能示值之和不等。采用日正向有功總電量與日峰、平和谷段各個(gè)費(fèi)率的總電能的差值來表征該異常事件的特征，計(jì)算公式為：

式中：P1——日正向-有功總電量；

A1、A2和A3——日峰、平和谷不同費(fèi)率段的電量。

電能表飛走是指電能表示值出現(xiàn)快速增加的情況。采用日正向有功總電量與對(duì)應(yīng)參考值的比值來判斷電能表示值是否快速增加，計(jì)算公式為：

其中P1_ref為日正向有功總電量參考值。

電能表倒走是指電能表示值出現(xiàn)下降的情況。采用連續(xù)兩日正向有功總電量的差值來判斷電能表示值是否出現(xiàn)了下降，計(jì)算公式為：

其中P1_bef為前一天記錄的日用戶正向有功總電量。

電能表停走是指非電廠用戶出現(xiàn)了電能表示值不變化的情況。此時(shí)可能是由于人為竊電引起的，在人為竊電時(shí)會(huì)出現(xiàn)反向有功電量，且每日的反向有功電量和日線損率都會(huì)逐漸增加，因此采用連續(xù)兩日反向有功電量的差值和連續(xù)兩日線損率差值來綜合表征該異常事件的特征，計(jì)算公式為：

式中：P2——日反向有功總電量；

P2_bef——前一天記錄的日用戶反向有功總電量；

ζ1和ζbef——當(dāng)日線損率和前一天的線損率。

電能表自動(dòng)核抄異常是指電能表的示值與主站保存的值不一致。采用日凍結(jié)的正向有功總電量與主站保存值的差值來表征該異常事件的特征，計(jì)算公式為：

其中P1_site為主站保存的日正向有功總電量。

2.1.2 電壓電流異常

電壓失壓是指出現(xiàn)某相電壓降低及電流增加的情況。采用某相電壓與正常運(yùn)行時(shí)電壓的差值，及該相電流與電能表啟動(dòng)電流的差值，綜合表征該異常事件的特征，計(jì)算公式為：

式中：uj——電壓（j=a，b，c）；

ij——電流；

ist——電能表的啟動(dòng)電流；

unormal——正常運(yùn)行時(shí)的電壓值。

電壓斷相是指出現(xiàn)某相電壓明顯降低及電流下降的情況。由于電壓斷相與電壓失壓相比，電壓下降更明顯，因此采用某相電壓與電壓的下限閾值差值，及該相電流與電能表啟動(dòng)電流的差值，綜合表征該異常事件的特征，計(jì)算公式為：

其中ulower為電壓的下限閾值。

電壓越限是指電壓超過設(shè)置的上限或下限閾值。采用各相電壓與正常運(yùn)行時(shí)電壓值的差值來表征該異常事件的特征，計(jì)算公式為：

電壓不平衡是指排除電壓失壓和斷相情況下，三相電壓中出現(xiàn)不平衡的情況。采用三相中最大電壓和最小電壓的差值來表征該異常事件的特征，計(jì)算公式為：

其中ujmax和ujmin分別表示三相電壓的最大值和最小值。

電流失流指三相電流中任一相或兩相小于啟動(dòng)電流。采用三相電流與電能表啟動(dòng)電流的差值來表征該異常事件的特征，計(jì)算公式為：

電流不平衡是指排除電流失流情況下，三相電流出現(xiàn)不平衡的情況。采用最大電流與最小電流的差值來表征該異常事件的特征，計(jì)算公式為：

其中ijmax和ijmin分別表示三相電流的最大值和最小值。

2.1.3 時(shí)鐘異常

時(shí)鐘異常是指計(jì)量裝置的時(shí)鐘與標(biāo)準(zhǔn)時(shí)鐘的誤差過大。采用電能表時(shí)鐘與標(biāo)準(zhǔn)時(shí)鐘之間的差值來表征該異常事件的特征，如下式所示：

其中t1和tnormal分別表示電能表時(shí)鐘和標(biāo)準(zhǔn)時(shí)鐘的值。

2.1.4 接線異常

計(jì)量回路接線異常也可能引起反向電量異常。與電能表停走中由于人為竊電引起的反向電量異常相比較，此時(shí)的日線損率不會(huì)增加，因此采用日反向電量和連續(xù)兩日線損率差值來表征反向電量異常的特征，計(jì)算公式為：

潮流反向是指在計(jì)量過程中線路反接，造成采集到的值與真實(shí)值符號(hào)相反。采用三相電流來表征潮流反向的特征，計(jì)算公式為：

2.2 特征預(yù)處理

通過前面的分析，將不同的特征組合成向量的形式，可以得到關(guān)口計(jì)量裝置的初始特征向量X：

由于X中的數(shù)據(jù)可能出現(xiàn)量綱不統(tǒng)一的問題，會(huì)影響后續(xù)識(shí)別的準(zhǔn)確性，因此需要對(duì)X中的數(shù)據(jù)進(jìn)行歸一化處理。本文采用的方法是最大-最小值法，對(duì)應(yīng)公式如下：

式中：Xi_nor——特征Xi經(jīng)過歸一化的數(shù)據(jù)；

Xi_max和Xi_min——特征Xi的最大值和最小值。

3 基于多特征提取與深度學(xué)習(xí)的關(guān)口計(jì)量裝置異常事件識(shí)別方法

由于特征之間存在一定的冗余性，不利于準(zhǔn)確識(shí)別出異常事件，在特征內(nèi)部還可能存在一系列更能與異常事件的類型相對(duì)應(yīng)的隱藏特征。因此，需要從這些特征中進(jìn)一步提取出更深層的特征，提高識(shí)別的效率和準(zhǔn)確性?？紤]關(guān)口計(jì)量裝置監(jiān)測(cè)數(shù)據(jù)量大的特點(diǎn)，傳統(tǒng)數(shù)據(jù)挖掘方法不能有效地分析數(shù)據(jù)中隱藏的信息。深度學(xué)習(xí)方法是一種包含一個(gè)輸入層、多個(gè)隱藏層和一個(gè)輸出層的多層網(wǎng)絡(luò)，它能夠自動(dòng)學(xué)習(xí)得到輸入數(shù)據(jù)中的非線性特征表達(dá)，建立輸出層與輸入層的映射關(guān)系，從而實(shí)現(xiàn)對(duì)數(shù)據(jù)的準(zhǔn)確識(shí)別[17-18]。因此本文提出了基于多特征提取與深度學(xué)習(xí)的關(guān)口計(jì)量裝置異常事件識(shí)別方法，其中采用SAE作為深度學(xué)習(xí)模型，提取輸入數(shù)據(jù)的深層特征。

3.1 自動(dòng)編碼器

自動(dòng)編碼器（auto-encoder，AE）是組成SAE的基本單元，由一個(gè)輸入層、一個(gè)隱藏層和一個(gè)輸出層組成，如圖2所示。AE的訓(xùn)練結(jié)果由編碼和解碼獲得，對(duì)應(yīng)的公式如下所示：

圖2 自動(dòng)編碼器模型

式中：X——輸入數(shù)據(jù)，含有m個(gè)神經(jīng)元；

Y——經(jīng)過編碼獲得的特征表達(dá)，含有n個(gè)神經(jīng)元；

Z——經(jīng)過解碼過程獲得的數(shù)據(jù)，與X一樣具有m個(gè)神經(jīng)元；

f1和f2——激活函數(shù)；

W1和W2——編碼和解碼矩陣；

b1和b2——偏置向量。

AE的訓(xùn)練目標(biāo)是使解碼后的數(shù)據(jù)Z近可能與輸入數(shù)據(jù)X相近，即隱藏層的特征Y就可以代表X的特征，實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)特征的自動(dòng)提取。但由于單個(gè)AE不能充分地挖掘出異常事件數(shù)據(jù)中的隱藏特征，因此需要通過堆疊多個(gè)AE形成SAE模型。利用SAE強(qiáng)大的特征提取能力，對(duì)關(guān)口計(jì)量裝置不同異常事件的數(shù)據(jù)進(jìn)行學(xué)習(xí)，逐層提取輸入數(shù)據(jù)的隱藏特征，提取的隱藏特征更能代表輸入數(shù)據(jù)的類型，最終得到能夠準(zhǔn)確識(shí)別不同異常事件的網(wǎng)絡(luò)模型。

3.2 基于多特征提取和SAE的異常事件識(shí)別模型構(gòu)建

本文提出了基于多特征提取和SAE的異常事件識(shí)別方法，流程如圖3所示。通過對(duì)在線監(jiān)測(cè)數(shù)據(jù)的分析與處理，實(shí)現(xiàn)對(duì)關(guān)口計(jì)量裝置異常事件的識(shí)別，包括電量異常、電壓電流異常、時(shí)鐘異常、接線異常和正常情況。詳細(xì)步驟如下：

圖3 所提方法的流程圖

1）基于用電采集系統(tǒng)記錄到的三相電壓、電流和功率等數(shù)據(jù)，分析關(guān)口計(jì)量裝置常見的異常事件，并對(duì)異常事件的特征進(jìn)行提取。然后將提取到的特征集利用式（16）進(jìn)行歸一化處理，并將不同異常事件的數(shù)據(jù)標(biāo)簽化。

2）將歸一化的數(shù)據(jù)按照3∶1的比例分為訓(xùn)練集和測(cè)試集。其中訓(xùn)練集作為SAE的輸入，通過SAE強(qiáng)大的特征提取能力，挖掘輸入數(shù)據(jù)中的隱藏特征，構(gòu)建異常事件識(shí)別模型，從而提高異常事件識(shí)別的準(zhǔn)確性。

本文構(gòu)建的SAE模型由一個(gè)輸入層、多個(gè)隱藏層和一個(gè)輸出層構(gòu)成。SAE將第一個(gè)AE的隱藏層作為整個(gè)網(wǎng)絡(luò)的第一個(gè)隱藏層，第二個(gè)AE的隱藏層作為第二個(gè)隱藏層，依次類推，最后獲得整個(gè)SAE模型[19]。圖4表示由兩個(gè)AE堆疊形成的SAE結(jié)構(gòu)圖。

圖4 堆疊自動(dòng)編碼器模型

SAE首先通過無監(jiān)督學(xué)習(xí)預(yù)訓(xùn)練整個(gè)網(wǎng)絡(luò)，然后通過有監(jiān)督學(xué)習(xí)微調(diào)網(wǎng)絡(luò)參數(shù)，實(shí)現(xiàn)對(duì)深層特征的提取。通常采用均方誤差來構(gòu)造代價(jià)函數(shù)L（W,b），采用最小化代價(jià)函數(shù)使構(gòu)建的模型能夠最大化提取輸入數(shù)據(jù)的特征，減小訓(xùn)練誤差，提高模型的準(zhǔn)確性。

式中：λ——稀疏懲罰性參數(shù)；

KL（·）——KL 散度；

ρ——設(shè)置的一個(gè)接近為0的量；

通過調(diào)整網(wǎng)絡(luò)參數(shù)W和b來最小化代價(jià)函數(shù)，減少模型的訓(xùn)練誤差[20]。對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù)更新公式如下所示：

式中：β——參數(shù)更新時(shí)的學(xué)習(xí)率；

Wij（l+1）和Wij（l）——第l+1、l層的權(quán)重參數(shù)；

bij（l+1）和bij（l）——第l+1、l層的偏置參數(shù)。

3）將測(cè)試數(shù)據(jù)輸入到訓(xùn)練完成的異常事件識(shí)別模型中，得到異常事件識(shí)別結(jié)果，最后采用4.2節(jié)所示的評(píng)估指標(biāo)對(duì)所提方法的識(shí)別性能進(jìn)行評(píng)估。

4 算例分析

4.1 數(shù)據(jù)來源介紹

本文分析的數(shù)據(jù)來自于某地區(qū)電網(wǎng)8個(gè)關(guān)口計(jì)量裝置終端的采集數(shù)據(jù)，數(shù)據(jù)包括正常計(jì)量裝置和異常計(jì)量裝置記錄的數(shù)據(jù)。監(jiān)測(cè)數(shù)據(jù)的時(shí)間尺度為1年，每15 min采集1個(gè)點(diǎn)。數(shù)據(jù)類型包括三相電流、電壓、正反向有功和無功電能、峰平谷相加的總電能等。

其中每個(gè)關(guān)口計(jì)量裝置分別選擇了240個(gè)故障樣本，包含了電量異常、電壓電流異常、時(shí)鐘異常和接線異常，每種故障類型的樣本為60個(gè)。為了將不同的故障類型樣本與正常運(yùn)行的樣本進(jìn)行區(qū)分，還選擇了每個(gè)關(guān)口計(jì)量裝置的60個(gè)正常運(yùn)行樣本。最后每種類型一共480個(gè)樣本，合計(jì)2 400個(gè)樣本。每種類型中的360個(gè)樣本用于訓(xùn)練構(gòu)造SAE模型，剩下的120個(gè)樣本用于測(cè)試模型的識(shí)別性能。詳細(xì)的樣本信息如表1所示。

表1 樣本信息

4.2 評(píng)估指標(biāo)

為了評(píng)估本文所提方法的性能，采用的評(píng)估指標(biāo)包括準(zhǔn)確率（Acc）、F1值和馬修斯相關(guān)系數(shù)（Matthews correlation coefficient，MCC）。其中 Acc為所提方法識(shí)別異常事件的準(zhǔn)確率，表示識(shí)別正確樣本占總體樣本的比例。由于單一的指標(biāo)并不能準(zhǔn)確評(píng)估所提方法的性能，為了全面評(píng)估所提方法的性能，還采用了分類性能評(píng)估中常用的指標(biāo)F1值和MCC值。F1值表示識(shí)別精確率和召回率的調(diào)和平均值，MCC值綜合考慮了樣本數(shù)據(jù)可能出現(xiàn)不平衡的情況，實(shí)現(xiàn)對(duì)每種類別識(shí)別結(jié)果的詳細(xì)統(tǒng)計(jì)分析，MCC值越靠近1，證明識(shí)別效果越好，能夠準(zhǔn)確衡量所提方法的識(shí)別穩(wěn)健性，相關(guān)的計(jì)算公式見參考文獻(xiàn)[21]和[22]。

4.3 識(shí)別結(jié)果分析

將提取的特征進(jìn)行歸一化處理后輸入到SAE中，并按照3∶1的比例將歸一化后的數(shù)據(jù)分為訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)。首先分析異常事件與正常運(yùn)行情況的識(shí)別結(jié)果，詳細(xì)的結(jié)果如表2所示。其中，以異常事件為正類，正常情況為負(fù)類。則TP表示將正類識(shí)別為正類的樣本總數(shù)量，TN表示將負(fù)類識(shí)別為負(fù)類的樣本總數(shù)量，F(xiàn)P表示將負(fù)類識(shí)別為正類的樣本總數(shù)量，F(xiàn)N表示將正類識(shí)別為負(fù)類的樣本總數(shù)量。

表2 異常事件與正常情況的識(shí)別結(jié)果

可以看出，本文方法的Acc、F1值和MCC值分別為97.17%、98.20%和91.80%，能夠從多種正常運(yùn)行情況和異常事件中準(zhǔn)確識(shí)別出異常事件，為檢修人員對(duì)關(guān)口計(jì)量裝置的異常事件及時(shí)處理提供了決策支持，提高了計(jì)量的經(jīng)濟(jì)性與準(zhǔn)確性。

為了進(jìn)一步分析所提方法的詳細(xì)識(shí)別結(jié)果，還對(duì)每一類異常事件的識(shí)別情況進(jìn)行了分析，獲得的結(jié)果如表3所示。由表可知，本文所提方法不僅能夠從在線監(jiān)測(cè)數(shù)據(jù)中準(zhǔn)確識(shí)別出異常事件，同時(shí)還能識(shí)別出異常事件的類型。識(shí)別電量異常的評(píng)估指標(biāo)：Acc、F1值和 MCC值分別為 95.83%、96.64%和98.80%；識(shí)別接線異常的評(píng)估指標(biāo)，有5個(gè)樣本被錯(cuò)誤分類為接線異常情況，證明了這兩種異常事件的數(shù)據(jù)可能出現(xiàn)混淆的情況，后續(xù)可以通過進(jìn)一步增加對(duì)應(yīng)的判據(jù)，實(shí)現(xiàn)對(duì)這兩種類型的準(zhǔn)確區(qū)分。同時(shí)，識(shí)別正常情況的評(píng)估指標(biāo)：Acc、F1值和MCC值分別為99.17%、99.58%和99.48%，僅有1個(gè)樣本被錯(cuò)誤分類為電量異常，防止了在實(shí)際情況中出現(xiàn)錯(cuò)誤識(shí)別的問題，提高了識(shí)別的準(zhǔn)確性。

表3 不同異常事件的識(shí)別結(jié)果

在識(shí)別出異常事件的類型后，檢修人員可有針對(duì)性地對(duì)出現(xiàn)異常的計(jì)量裝置做進(jìn)一步的校驗(yàn)，提高了工作的效率和準(zhǔn)確性，更有利于構(gòu)建關(guān)口計(jì)量裝置的智慧評(píng)價(jià)體系。

4.4 與其他方法的識(shí)別結(jié)果比較

將本文所提方法與K近鄰（K-nearest neighbor，KNN）、決策樹（decision tree，DT）、支持向量機(jī)（support vector machine，SVM）、卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）進(jìn)行比較，分析的數(shù)據(jù)都為經(jīng)過多特征提取并進(jìn)行歸一化的數(shù)據(jù)，并將歸一化后的數(shù)據(jù)輸入到不同分類方法的模型中，得到不同方法的識(shí)別結(jié)果，如表4所示。

表4 與其他方法的識(shí)別結(jié)果比較

由表可知，本文所提方法的評(píng)估指標(biāo)比其他4種方法都更高。其中SVM相比KNN和DT方法的識(shí)別性能更好，Acc、F1值和 MCC值分別為91.83%、95.07%和83.08%，KNN的識(shí)別性能最差，Acc、F1值和 MCC值分別為 70.00%、79.64%和65.26%。而KNN和DT法相比于其他方法識(shí)別性能指標(biāo)的值更低，主要原因是因?yàn)镵NN僅利用常見的距離計(jì)算公式來衡量不同異常事件的類別界限，對(duì)于異常事件中存在大量相似數(shù)據(jù)的情況下，就會(huì)造成識(shí)別性能低。DT在訓(xùn)練過程中會(huì)出現(xiàn)過擬合問題，同樣會(huì)造成識(shí)別性能劣于其他方法。CNN相比其他3種傳統(tǒng)的分類方法的性能更好，主要原因是CNN也能逐層提取輸入數(shù)據(jù)的特征，其特征識(shí)別性更強(qiáng)，但Acc、F1值和MCC值分別比所提方法低2.67%、1.72%和7.31%。主要原因是CNN多適用于對(duì)二維圖像的處理，在處理異常事件的特征時(shí)，可能出現(xiàn)過擬合的問題，降低識(shí)別性能。

本文所提方法采用深度學(xué)習(xí)中的SAE模型，相比于基于KNN、DT、SVM和CNN的分類方法，SAE模型不僅能夠逐層提取輸入數(shù)據(jù)的特征表達(dá)，實(shí)現(xiàn)對(duì)數(shù)據(jù)與標(biāo)簽之間非線性映射關(guān)系的提取，得到數(shù)據(jù)中隱藏的特征，而且訓(xùn)練過程中添加的稀疏懲罰性參數(shù)能夠防止模型出現(xiàn)過擬合，提高模型的魯棒性。通過SAE模型自動(dòng)學(xué)習(xí)得到的不同異常事件類別的隱藏特征聚集度更高、識(shí)別性更強(qiáng)，更有利于從多種事件中準(zhǔn)確識(shí)別出異常事件，證明了本文方法的準(zhǔn)確性和可行性。

5 結(jié)束語

針對(duì)目前對(duì)關(guān)口計(jì)量裝置進(jìn)行定期檢修和通過對(duì)狀態(tài)評(píng)估指標(biāo)進(jìn)行賦權(quán)的不足，本文提出了一種基于多特征提取與深度學(xué)習(xí)的關(guān)口計(jì)量裝置異常事件識(shí)別方法，獲得的主要結(jié)論有：

1）通過分析不同異常事件的產(chǎn)生機(jī)理，并基于不同異常事件的數(shù)據(jù)呈現(xiàn)形式，提取了對(duì)應(yīng)的特征，這些特征與異常事件的類型有關(guān)，有利于后續(xù)構(gòu)建準(zhǔn)確的識(shí)別模型。

2）在提取不同異常事件的特征后，采用深度學(xué)習(xí)方法中的SAE模型，利用該模型強(qiáng)大的特征提取能力，獲得能夠準(zhǔn)確識(shí)別異常事件類型的智能模型。結(jié)果表明，所提方法的性能評(píng)估指標(biāo)比KNN、DT、SVM和CNN更優(yōu)，魯棒性更好。

本文提出的計(jì)量裝置異常事件識(shí)別模型在每個(gè)事件單獨(dú)出現(xiàn)時(shí)，識(shí)別準(zhǔn)確率高。但在實(shí)際情況中可能有多類型異常事件同時(shí)出現(xiàn)的情況，此時(shí)就需要研究復(fù)合異常事件下的數(shù)據(jù)表現(xiàn)形式，并提出對(duì)應(yīng)的識(shí)別方法，后續(xù)將會(huì)做進(jìn)一步的研究。