基于BSO-BPNN模型的電能計(jì)量裝置異常診斷方法研究

朱少斌，許素安，馬宗彪，王 晶

(中國(guó)計(jì)量大學(xué)，浙江 杭州 310018)

0 引 言

隨著國(guó)網(wǎng)公司在電力物聯(lián)網(wǎng)建設(shè)工作中的部署，當(dāng)前供電企業(yè)的用電信息采集系統(tǒng)已存儲(chǔ)了大量能用于計(jì)量裝置異常診斷的信息[1-2]。為了提高計(jì)量裝置的診斷效率，同時(shí)降低運(yùn)維人員工作量，研究如何根據(jù)存儲(chǔ)的信息進(jìn)行裝置的異常狀態(tài)在線診斷具有重要意義。

目前針對(duì)電能計(jì)量裝置建立的診斷模型大多是一種綜合評(píng)價(jià)模型，如妙紅英等[3]建立四種健康狀態(tài)模型，根據(jù)隨機(jī)森林算法對(duì)計(jì)量裝置進(jìn)行狀態(tài)評(píng)估，判定計(jì)量裝置的運(yùn)行狀態(tài)。盧健豪等[4]利用層次分析法和1-9標(biāo)度法構(gòu)建電能計(jì)量裝置評(píng)價(jià)體系，得到計(jì)量裝置的運(yùn)行狀態(tài)模糊評(píng)價(jià)結(jié)論。這些綜合評(píng)價(jià)方法得到的結(jié)論只能對(duì)電能計(jì)量裝置運(yùn)行狀態(tài)進(jìn)行大致判定，適用范圍較窄，實(shí)際應(yīng)用性不強(qiáng)。對(duì)于可能造成用電客戶(hù)經(jīng)濟(jì)安全損失的電能計(jì)量裝置電流電壓異常等重要異常狀態(tài)無(wú)法進(jìn)行準(zhǔn)確判定，電網(wǎng)運(yùn)維人員也無(wú)法根據(jù)這種模糊的結(jié)論得到具體的電能計(jì)量裝置異常狀態(tài)，不能及時(shí)對(duì)電能計(jì)量裝置的異常進(jìn)行處理。所以文章建立一種能夠方便準(zhǔn)確診斷電能計(jì)量裝置實(shí)際異常狀態(tài)的模型具有特別重要的意義。

近年來(lái)，BP神經(jīng)網(wǎng)絡(luò)（BPNN）模型成功應(yīng)用于故障診斷領(lǐng)域，但仍存在許多不足，故障診斷性能不佳。粒子群算法（PSO）作為一種新型群體智能優(yōu)化算法，常用來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的診斷性能，比如李達(dá)等[5]根據(jù)PSO-BP算法實(shí)現(xiàn)了高壓輸電線路的異常故障分類(lèi)，減少尋找故障點(diǎn)所需要的時(shí)間；李升健等[6]利用CPSO-BP算法對(duì)配電網(wǎng)進(jìn)行故障選線，使選線結(jié)果的精度得到了提高。PSO算法雖然具有結(jié)構(gòu)簡(jiǎn)單，調(diào)參較少等優(yōu)點(diǎn)，但其粒子更新規(guī)則容易導(dǎo)致算法陷入局部最優(yōu)，出現(xiàn)早熟等問(wèn)題。為了提升PSO的優(yōu)化性能，文章在原PSO算法的粒子更新規(guī)則中加入了天牛須搜索算法（BAS）的個(gè)體速度、位置更新規(guī)則，以此增強(qiáng)算法的收斂速度和個(gè)體搜索能力。文章結(jié)合PSO和BAS的優(yōu)勢(shì)建立天牛群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的診斷模型（BSOBPNN），使用BSO-BPNN診斷模型對(duì)電能計(jì)量裝置實(shí)際發(fā)生的異常進(jìn)行診斷。

1 電能計(jì)量裝置異常診斷模型

在電力系統(tǒng)中，電能計(jì)量裝置是不可或缺的重要組成部分之一，其大多數(shù)異常都可根據(jù)用電信息采集系統(tǒng)采集到的巡檢數(shù)據(jù)進(jìn)行判斷。巡檢數(shù)據(jù)作為反映客戶(hù)電能計(jì)量裝置運(yùn)行狀態(tài)的瞬時(shí)值，若采集到的兩次巡檢數(shù)據(jù)一樣，則可用巡檢數(shù)據(jù)來(lái)反映計(jì)量裝置的運(yùn)行狀態(tài)，通過(guò)分析裝置的異常狀態(tài)可知，巡檢數(shù)據(jù)中三相三線電能計(jì)量裝置的三相電壓數(shù)據(jù)、三相電流數(shù)據(jù)和電壓比值、電流比值等10個(gè)參數(shù)（分別用x1～x10表示）為主要特征參數(shù)。

電能計(jì)量裝置結(jié)構(gòu)復(fù)雜，故障類(lèi)型多樣，根據(jù)巡檢數(shù)據(jù)可將計(jì)量裝置分為9種異常，以這9種異常（分別為F1～F9），加上正常狀況（用F10表示），作為待診斷的10種狀態(tài)類(lèi)型，以這10種狀態(tài)類(lèi)型為分類(lèi)標(biāo)準(zhǔn)，驗(yàn)證該模型的可行性和有效性。電能計(jì)量裝置異常與特征參數(shù)的表現(xiàn)存在交叉和重疊，通過(guò)BSO-BPNN模型可實(shí)現(xiàn)裝置異常的準(zhǔn)確識(shí)別。電能計(jì)量裝置異常診斷模型中特征參數(shù)x1～x10為網(wǎng)絡(luò)輸入，網(wǎng)絡(luò)輸出為待診斷狀態(tài)類(lèi)型F1～F10（見(jiàn)圖1）。

圖1 電能計(jì)量裝置異常診斷模型圖

2 算法原理概述

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)[7]的特征是輸入正向傳播，誤差反向傳播，其網(wǎng)絡(luò)可在多次訓(xùn)練學(xué)習(xí)中不斷改變自身的結(jié)構(gòu)參數(shù)，以使輸出誤差滿(mǎn)足要求。設(shè)BP神經(jīng)網(wǎng)絡(luò)的輸入為X=[x1, ···,xi, ···,xn]T，F(xiàn)=[F1,···,Fk, ···,Fq]T為網(wǎng)絡(luò)輸出，n，m，q分別為 BP 神經(jīng)網(wǎng)絡(luò)模型中輸入層、隱含層、輸出層的神經(jīng)元個(gè)數(shù)；vij為輸入層到隱含層的權(quán)值；b1為隱含層的閾值；wij為隱含層到輸出層的權(quán)值；b2為輸出層的閾值；h(x)為隱含層節(jié)點(diǎn)所采用的傳遞函數(shù)；f(x)為輸出層節(jié)點(diǎn)所采用的傳遞函數(shù)。則BP神經(jīng)網(wǎng)絡(luò)的輸入、輸出關(guān)系可表示為：

網(wǎng)絡(luò)輸出總誤差函數(shù)為：

式中：p——所含樣本總數(shù)；

d——期望輸出值。

2.2 粒子群優(yōu)化算法

Eberhart和Kennedy在1995年提出了粒子群算法[8-9]。PSO算法是由鳥(niǎo)群覓食行為啟發(fā)而來(lái)，并對(duì)覓食行為進(jìn)行建模而得到的優(yōu)化算法，主要用于解決最優(yōu)化問(wèn)題。在PSO的尋優(yōu)過(guò)程中，將問(wèn)題所有解的空間看作鳥(niǎo)群尋找食物的空間，并用無(wú)體積和質(zhì)量的粒子來(lái)表示每一只鳥(niǎo)。每只鳥(niǎo)經(jīng)過(guò)的位置都作為問(wèn)題存在的可能性解，當(dāng)鳥(niǎo)類(lèi)中的個(gè)體尋覓到食物時(shí)，即優(yōu)化問(wèn)題找到了最優(yōu)解。假設(shè)一個(gè)N維的搜索空間，以Vi=[vi,1,vi,2, ···,vi,N]表示第i個(gè)粒子的速度，以Xi=[xi,1,xi,2, ···,xi,N]表示第i個(gè)粒子的位置。在每一次的迭代中，根據(jù)各個(gè)體的目標(biāo)函數(shù)值，判斷t時(shí)刻各個(gè)體所經(jīng)過(guò)的個(gè)體最優(yōu)位置pbest，以及整個(gè)群體所找到的最優(yōu)位置gbest。PSO算法中的每個(gè)粒子都根據(jù)pbest和gbest來(lái)更新各自的速度和位置，如下式所示：

式中：t——當(dāng)前更新次數(shù)；

c1、c2——更新的學(xué)習(xí)因子；

rand——0～1之間的隨機(jī)數(shù)。

2.3 天牛須搜索算法

Jiang和Li等在2017年提出了天牛須搜索算法[10-11]。BAS算法的思想源于對(duì)天牛覓食行為的研究，當(dāng)天牛開(kāi)始覓食時(shí)，它并不清楚食物所在的具體位置，而是利用它聞到的食物氣味來(lái)尋找食物。把食物氣味看做一個(gè)函數(shù)，天牛根據(jù)自身左右兩觸角聞到的氣味強(qiáng)弱值，朝氣味強(qiáng)的一邊移動(dòng)，通過(guò)不斷朝更強(qiáng)的方向移動(dòng)，進(jìn)而找到整個(gè)空間中氣味值最強(qiáng)的點(diǎn)。算法具體步驟如下：

1) 對(duì)BAS中的天牛隨機(jī)搜索向量進(jìn)行歸一化處理：

式中：b——天牛須隨機(jī)方向向量；

rand( )——隨機(jī)函數(shù)；

k——空間維度。

2) 創(chuàng)建天牛左右須空間坐標(biāo)：

式中：xr(t)、xl(t)——天牛右觸和左觸第t次更新時(shí)的空間坐標(biāo)；

x(t)——個(gè)體第t次更新時(shí)的空間坐標(biāo)；

d(t)——第t次更新時(shí)兩觸之間的距離。

3) 根據(jù)目標(biāo)函數(shù)f(x)判斷兩須之間氣味的強(qiáng)度大小，創(chuàng)建天牛須位置移動(dòng)模型：

式中：x(t+1)——第t+1次更新時(shí)天牛的空間坐標(biāo)；

δ(t)——第t次更新時(shí)的步長(zhǎng)因子；

sign(x)——符號(hào)函數(shù)；

f(xr(t))、f(xl(t))——天牛左、右兩觸的目標(biāo)函數(shù)值。

3 基于BSO-BPNN模型的電能計(jì)量裝置異常診斷

3.1 天牛群算法

BAS算法注重個(gè)體，忽略了群體之間的連接，PSO算法則側(cè)重整個(gè)群體對(duì)于個(gè)體的影響，不考慮搜索過(guò)程中個(gè)體自身對(duì)空間環(huán)境的判斷。因此, 文章提出了基于兩者結(jié)合的天牛群算法(BSO)[12-13]。在BSO算法的迭代過(guò)程中，將每個(gè)粒子都當(dāng)作一個(gè)個(gè)體，并根據(jù)PSO的粒子更新規(guī)則進(jìn)行全局搜索。然而，在個(gè)體迭代過(guò)程中，BSO算法還添加了BAS算法關(guān)于天牛個(gè)體的更新規(guī)則。在每次個(gè)體迭代期間，粒子作為個(gè)體需要比較其左右兩側(cè)的目標(biāo)函數(shù)值, 將目標(biāo)值更大的一側(cè)作為下一次更新群體的位置。BSO算法結(jié)合了PSO和BAS兩種算法的優(yōu)點(diǎn)，能夠更好地提高算法的全局搜索能力，克服了PSO算法容易導(dǎo)致的局部最優(yōu)、穩(wěn)定性差等問(wèn)題。天牛群算法流程如圖2所示，天牛群位置的更新公式如下：

圖2 天牛群算法流程圖

式中：vi(t)——第t次更新后第i個(gè)粒子的速度；

xi(t)——第t次更新后第i個(gè)粒子的位置；

vbi——粒子的更新速率；

w——慣性因子；

c1、c2、c3——學(xué)習(xí)因子。

由于學(xué)習(xí)因子和慣性權(quán)重對(duì)于PSO和BSO算法的全局和局部搜索能力都具有重要影響，合理的c1、c2、c3以及w取值能夠有效平衡算法的全局和局部搜索能力，可以提升算法的收斂性能，因此，文章對(duì)PSO和BSO算法中的學(xué)習(xí)因子和慣性權(quán)重進(jìn)行改進(jìn)。

在迭代過(guò)程中，對(duì)學(xué)習(xí)因子進(jìn)行異步變化，從而使得在迭代過(guò)程中，開(kāi)始時(shí)自我學(xué)習(xí)能力較強(qiáng)以便于全局搜索，后期時(shí)社會(huì)學(xué)習(xí)能力較強(qiáng)以便于局部搜索，學(xué)習(xí)因子具體更新規(guī)則如下：

式中：c10、c20、c30——對(duì)應(yīng)學(xué)習(xí)因子的初始值；

a——常數(shù)。

經(jīng)實(shí)驗(yàn)，a取值為1.2最佳。

Shi.Y認(rèn)為較大的慣性權(quán)值有利于全局搜索，較小的慣性權(quán)值有利于局部搜索，文章根據(jù)Shi.Y提出的線性遞減權(quán)重更新規(guī)則進(jìn)行慣性權(quán)重規(guī)則更新，具體公式如下：

其中wmax、wmin分別為w的最大值和最小值，習(xí)慣上取wmax=0.9，wmin=0.4，t為當(dāng)前更新步數(shù)，tmax為最大更新次數(shù)。

3.2 基于BSO-BPNN的裝置異常診斷流程

電能計(jì)量裝置的異常狀態(tài)判斷流程如圖3所示，具體步驟如下：

圖3 電能計(jì)量裝置異常診斷流程圖

1）根據(jù)用電信息采集系統(tǒng)采集到的電能計(jì)量裝置巡檢數(shù)據(jù)，從巡檢表中選擇三相電壓和三相電流數(shù)據(jù)以及電壓比值和電流比值數(shù)據(jù)作為BP的訓(xùn)練樣本，并對(duì)數(shù)據(jù)進(jìn)行歸一化處理。

2）確定網(wǎng)絡(luò)結(jié)構(gòu)。網(wǎng)絡(luò)的輸入節(jié)點(diǎn)數(shù)n=10，隱含層節(jié)點(diǎn)數(shù)m=12，輸出節(jié)點(diǎn)數(shù)q=10。

3）初始化粒子群參數(shù)。設(shè)置天牛群規(guī)模N=50，迭代次數(shù)t=200，慣性權(quán)值w，學(xué)習(xí)因子初始值c10=1.3、c20=2、c30=3。

4）計(jì)算各粒子的目標(biāo)函數(shù)值。以實(shí)際輸出類(lèi)型和預(yù)測(cè)輸出類(lèi)型的預(yù)測(cè)錯(cuò)誤率作為目標(biāo)函數(shù)，目標(biāo)函數(shù)值最小時(shí)，對(duì)應(yīng)權(quán)值、閾值的最優(yōu)解，目標(biāo)函數(shù)表示：

式中：y——預(yù)測(cè)輸出類(lèi)型正確個(gè)數(shù)；

yt——實(shí)際輸出類(lèi)型個(gè)數(shù)。

5）設(shè)置天牛須搜索各參數(shù)。δ為迭代步長(zhǎng)，左、右須之間距離為d0。

6）根據(jù)公式（5）～（7）更新每個(gè)天牛的速度和位置。

7）判斷是否滿(mǎn)足天牛須搜索算法的迭代終止條件，若滿(mǎn)足，則繼續(xù)下一步驟，若不滿(mǎn)足，則返回步驟6）。

8）根據(jù)公式（8）～（14）更新天牛群粒子的速度、位置和權(quán)重。

9）判斷是否滿(mǎn)足天牛群算法迭代終止條件，若不滿(mǎn)足，則返回步驟4），直到滿(mǎn)足條件。

10）將種群搜索到的最優(yōu)粒子作為BP神經(jīng)網(wǎng)絡(luò)模型的初始權(quán)值和閾值。

11）利用訓(xùn)練好的網(wǎng)絡(luò)對(duì)測(cè)試集樣本進(jìn)行測(cè)試，輸出診斷結(jié)果。

4 實(shí)驗(yàn)分析

為了驗(yàn)證BSO-BPNN模型對(duì)于計(jì)量裝置的異常具有顯著診斷效果。本文利用PSO-BPNN、BSOBPNN和普通BPNN三種模型對(duì)計(jì)量裝置進(jìn)行異常診斷實(shí)驗(yàn)，比較三者診斷的準(zhǔn)確率以及所需迭代次數(shù)。

4.1 數(shù)據(jù)來(lái)源與特征選擇

依據(jù) Q/CSG 113006—2011 《南網(wǎng)普通電子式三相電能表技術(shù)規(guī)范》[14]、GB/T 15543—2008《電能質(zhì)量 三相電壓不平衡度》和重慶電網(wǎng)對(duì)已有巡檢數(shù)據(jù)的分析基礎(chǔ)，可以得到電能計(jì)量裝置的異常狀態(tài)主要與巡檢數(shù)據(jù)表中裝置的電壓電流值有關(guān)。因此文中選擇巡檢數(shù)據(jù)表中三相三線電能計(jì)量裝置的三相電壓值、三相電流值以及電壓比值和電流比值作為數(shù)據(jù)特征進(jìn)行分析。文章從重慶地區(qū)國(guó)家電網(wǎng)采集到的2019年巡檢數(shù)據(jù)中篩選出458組異常數(shù)據(jù)和45組正常數(shù)據(jù)作為樣本數(shù)據(jù)。在503組樣本中隨機(jī)選擇70組數(shù)據(jù)作為計(jì)量裝置異常狀態(tài)測(cè)試集，其他433組作為計(jì)量裝置異常狀態(tài)訓(xùn)練集。文中計(jì)量裝置的運(yùn)行狀態(tài)類(lèi)型以及對(duì)應(yīng)狀態(tài)編號(hào)如表1所示。

表1 電能計(jì)量裝置狀態(tài)類(lèi)型

4.2 實(shí)驗(yàn)結(jié)果

利用 PSO-BPNN、BSO-BPNN、BPNN三種模型對(duì)電能計(jì)量裝置進(jìn)行異常診斷，診斷結(jié)果如圖4～6所示。

圖4 BPNN預(yù)測(cè)結(jié)果對(duì)比圖

圖5 PSO-BPNN預(yù)測(cè)結(jié)果比對(duì)圖

圖6 BSO-BPNN預(yù)測(cè)結(jié)果比對(duì)圖

從圖4～6中可以明顯看出，對(duì)于電能計(jì)量裝置不同狀態(tài)的異常診斷，BSO-BPNN模型相比于普通的PSO-BPNN模型和未優(yōu)化的BPNN模型，具有更高的準(zhǔn)確率。

實(shí)驗(yàn)中利用粒子群算法和天牛群算法分別優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型得到的迭代曲線如圖7所示。

圖7 PSO和BSO迭代曲線對(duì)比圖

由圖7可知，單獨(dú)的PSO算法所需迭代時(shí)間較長(zhǎng)，且不易達(dá)到穩(wěn)定，容易陷入局部最優(yōu)，達(dá)到最大迭代次數(shù)時(shí)的目標(biāo)值較高。而B(niǎo)SO算法由于在PSO的更新規(guī)則中增加了BAS對(duì)于個(gè)體的更新規(guī)則。在初次迭代時(shí)，目標(biāo)值就比較小，而且收斂速度較快，達(dá)到穩(wěn)定需要的迭代次數(shù)也較少，說(shuō)明BSO算法性能明顯由于PSO算法。

表2給出3種模型對(duì)于電能計(jì)量裝置異常狀態(tài)診斷的準(zhǔn)確率。由表2可知，PSO-BPNN模型對(duì)于計(jì)量裝置的異常診斷能力不高，相比于普通BPNN模型沒(méi)有明顯優(yōu)勢(shì)。BSO-BPNN模型的診斷準(zhǔn)確率最高，該模型對(duì)于電能計(jì)量裝置的異常診斷能力最強(qiáng)。

表2 3種模型對(duì)于裝置異常診斷的準(zhǔn)確率

5 結(jié)束語(yǔ)

文章以用電信息采集系統(tǒng)采集到的電能計(jì)量裝置巡檢數(shù)據(jù)為基礎(chǔ)，提出了一種基于天牛群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的電能計(jì)量裝置異常診斷方法。與PSO算法相比，BSO算法結(jié)合了PSO和BAS的優(yōu)點(diǎn)，對(duì)于全局和個(gè)體的搜索能力都得到了提升。從實(shí)驗(yàn)分析結(jié)果可以看出，BSO-BPNN模型的異常診斷準(zhǔn)確率達(dá)到了92.86%，比PSO-BPNN模型高了8.57%。說(shuō)明根據(jù)電能計(jì)量裝置的巡檢數(shù)據(jù)，使用BSO-BPNN模型對(duì)計(jì)量裝置進(jìn)行異常狀態(tài)診斷的方法是有效的，為電能計(jì)量裝置的異常診斷提供了一種新的方法。