LSTM 模型在用電信息采集系統(tǒng)數(shù)據(jù)計(jì)量分析

鄒賢求

（國網(wǎng)湖南省電力有限公司婁底供電分公司）

0 引言

利用用電信息采集系統(tǒng)可以通過遠(yuǎn)程方式對相關(guān)計(jì)量點(diǎn)的數(shù)據(jù)信息進(jìn)行采集［1］，截至目前已經(jīng)在我國幾億只電能計(jì)量器上得到應(yīng)用。對于采集得到的電壓、功率、電流等數(shù)據(jù)信息可以上傳至系統(tǒng)站中，利用大數(shù)據(jù)分析技術(shù)進(jìn)行處理，以便及時掌握電表的運(yùn)行狀態(tài)，發(fā)現(xiàn)存在的問題［2］。由于大量的電表在應(yīng)用過程中，受到各類環(huán)境因素影響，難免出現(xiàn)故障問題，通過數(shù)據(jù)分析可以及時發(fā)現(xiàn)計(jì)量異?，F(xiàn)象，不需要利用傳統(tǒng)的人工方式進(jìn)行排查，能顯著提升工作質(zhì)量和效率，為電力企業(yè)的經(jīng)濟(jì)效益提供堅(jiān)實(shí)的保障［3］。本研究利用長短期記憶網(wǎng)絡(luò)（LSTM）模型，對用電信息系統(tǒng)采集的數(shù)據(jù)信息進(jìn)行深度挖掘分析，可以及時發(fā)現(xiàn)計(jì)量異?，F(xiàn)象。通過實(shí)踐測試發(fā)現(xiàn)其具有良好的效果，值得進(jìn)一步推廣應(yīng)用。

1 用電信息采集系統(tǒng)數(shù)據(jù)的特點(diǎn)

我國當(dāng)前使用的電表通常為智能電表，電表采集得到的電壓、電流、功率，包括有功功率和無功功率，及其隨時間的演變情況等信息，能夠很好地反映出智能電表的實(shí)際工作狀態(tài)［4］。利用用電信息采集系統(tǒng)對智能電表的上述信息進(jìn)行采集，基于先進(jìn)的數(shù)據(jù)分析技術(shù)進(jìn)行處理，可以及時發(fā)現(xiàn)電表計(jì)量過程中存在的異常問題。一般情況下表計(jì)異常點(diǎn)比較隱蔽，且會持續(xù)比較長的時間，實(shí)踐過程中發(fā)現(xiàn)表計(jì)異常點(diǎn)主要表現(xiàn)為三種形式，分別為數(shù)據(jù)偏大、數(shù)據(jù)偏小、數(shù)據(jù)持續(xù)缺失。如果存在數(shù)據(jù)缺失問題，在數(shù)據(jù)預(yù)處理階段就可以發(fā)現(xiàn)。針對其他問題則需要進(jìn)行深入的數(shù)據(jù)挖掘分析，不同用戶的用電行為特征與大小存在很大差異，所以需要基于系統(tǒng)采集的數(shù)據(jù)信息進(jìn)行深度的數(shù)據(jù)挖掘與甄別，才能發(fā)現(xiàn)用戶的用電行為異?，F(xiàn)象。

如果表計(jì)數(shù)據(jù)信息出現(xiàn)持續(xù)性的數(shù)據(jù)偏小或者偏大，而沒有按照正常的規(guī)律變化，那么可以根據(jù)數(shù)據(jù)庫中存儲的此類異常點(diǎn)之前的數(shù)據(jù)信息進(jìn)行數(shù)據(jù)分析，很快就可以確定異常點(diǎn)的開始時間［5］。如果數(shù)據(jù)庫中沒有存儲足夠的數(shù)據(jù)信息，那么將很難查找到異常點(diǎn)開始時間，此時就需要利用電力模型確定異常點(diǎn)開始時間，比如對線損率進(jìn)行排查計(jì)算，但這類方法需要依賴很多的數(shù)據(jù)信息，計(jì)算量和工作量很大，工作質(zhì)量和效率不高。本文基于長短期記憶網(wǎng)絡(luò)（LSTM）模型進(jìn)行數(shù)據(jù)挖掘分析，能夠快速的確定表計(jì)數(shù)據(jù)的異常情況，效率較高。

2 數(shù)據(jù)分析模型概述

2.1 模型概述

本研究利用深度學(xué)習(xí)算法對用電信息采集系統(tǒng)收集得到的數(shù)據(jù)信息進(jìn)行挖掘分析，判斷存在的電表計(jì)量異常問題，具體為長短期記憶網(wǎng)絡(luò)（LSTM）模型。利用深度學(xué)習(xí)算法時需要利用已有的數(shù)據(jù)信息對模型進(jìn)行訓(xùn)練與驗(yàn)證，然后可以利用該模型對電力用戶未來的電流、電壓以及功率等數(shù)據(jù)進(jìn)行準(zhǔn)確預(yù)測，基于預(yù)測結(jié)果設(shè)置一個置信區(qū)間。如果實(shí)際結(jié)果正好處在置信區(qū)間范圍以內(nèi)，則認(rèn)為不存在異常問題。相反的，如果實(shí)際結(jié)果不處在置信區(qū)間范圍以內(nèi)，則認(rèn)為實(shí)際結(jié)果與預(yù)測結(jié)果之間存在明顯的偏差，可以認(rèn)定對應(yīng)的采集點(diǎn)存在數(shù)據(jù)計(jì)量異常問題。下文將對LSTM模型進(jìn)行深入介紹，基于該模型可以對電壓、電流、功率等常見的電參數(shù)的異常點(diǎn)進(jìn)行有效甄別。模型需要輸入的是電流、電壓或者功率的歷史數(shù)據(jù)信息，模型輸出的是下一個采集點(diǎn)的置信區(qū)間，并將實(shí)際結(jié)果與置信區(qū)間進(jìn)行對比，判斷是否存在異常問題。

2.2 模型結(jié)構(gòu)

整個LSTM模型可以劃分成為不同的結(jié)構(gòu)，每個結(jié)構(gòu)均具有對應(yīng)的功能，所有功能結(jié)合起來就可以實(shí)現(xiàn)電流、電壓、功率結(jié)果的預(yù)測與分析。具體包括遺忘門結(jié)構(gòu)、輸入門結(jié)構(gòu)、當(dāng)前輸入單元狀態(tài)、當(dāng)前時刻單元狀態(tài)、輸出門的計(jì)算結(jié)構(gòu)等。以下對各結(jié)構(gòu)或狀態(tài)的情況進(jìn)行簡要介紹。

對于遺忘門結(jié)構(gòu)的計(jì)算過程可以利用式（1）表示：

式中，Wf為遺忘門結(jié)構(gòu)的權(quán)重矩陣；bf為遺忘門結(jié)構(gòu)的偏置矩陣；［ht－1，xt］表示將括號內(nèi)的兩個量進(jìn)行拼接，ht－1、xt分別表示LSTM模型前一時刻的輸出以及當(dāng)前時刻的輸入情況；σf表示遺忘門激活函數(shù)。

對于輸入門結(jié)構(gòu)的計(jì)算過程可以利用式（2）表示：

式中，σi表示輸入門的激活函數(shù)；Wi為輸入門結(jié)構(gòu)的權(quán)重矩陣；bi為輸入門結(jié)構(gòu)的偏置矩陣。

利用c′表示當(dāng)前時刻輸入的單元狀態(tài)，具體操作時可以利用式（3）進(jìn)行計(jì)算：

式中，Wc為該單元的權(quán)重矩陣；bc為該單元的偏置矩陣。

利用ct表示當(dāng)前時刻的單元狀態(tài)，該狀態(tài)主要由兩部分構(gòu)成：第一是基于前一時刻的單元狀態(tài)ct－1獲得，具體是ct－1與遺忘門ft相乘；第二是基于當(dāng)前輸入單元的狀態(tài)獲得，具體是c′t與輸入門it相乘。具體計(jì)算過程可按式（4）進(jìn)行：

式中，符號“?”表示根據(jù)元素進(jìn)行相乘。根據(jù)以上公式，LSTM模型可以把當(dāng)前記憶c′t和長期記憶ct－1進(jìn)行有效結(jié)合，最終構(gòu)建出新單元狀態(tài)ct。

輸出門的計(jì)算過程可以按式（5）進(jìn)行處理：

式中，σo表示輸出門的激活函數(shù)；Wo表示輸出門的權(quán)重矩陣；bo表示輸出門的偏執(zhí)矩陣。

3 異常數(shù)據(jù)甄別基本測試分析

3.1 模型的訓(xùn)練

利用LSTM模型對功率大小實(shí)施預(yù)測，可以得到待測時間點(diǎn)功率大小的概率預(yù)測置信區(qū)間范圍。主要的網(wǎng)絡(luò)模型結(jié)構(gòu)參數(shù)如下：循環(huán)神經(jīng)網(wǎng)絡(luò)為4層，包括輸入層、LSTM層、普通隱含層、輸出層，其中輸入層為96×1序列輸入，LSTM層和隱含層分別設(shè)置有8個節(jié)點(diǎn)和4個節(jié)點(diǎn)，輸出層的節(jié)點(diǎn)數(shù)量只有1個。系統(tǒng)每間隔15min采集一次數(shù)據(jù)信息，利用該模型可以利用96個點(diǎn)的歷史數(shù)據(jù)信息對未來一個時刻的數(shù)據(jù)進(jìn)行預(yù)測。使用模型之前需要利用歷史數(shù)據(jù)信息對LSTM模型進(jìn)行訓(xùn)練，本案例中準(zhǔn)備的訓(xùn)練樣本信息為5856個，共完成了400次迭代訓(xùn)練，訓(xùn)練批數(shù)為512次，每次迭代運(yùn)算需要使用4～5批數(shù)據(jù)信息。其中訓(xùn)練的數(shù)據(jù)可以分為兩種類型，分別為訓(xùn)練集和驗(yàn)證集，其中驗(yàn)證集占所有數(shù)據(jù)信息比例的5%。利用歷史數(shù)據(jù)信息對模型進(jìn)行訓(xùn)練和驗(yàn)證以后，發(fā)現(xiàn)利用模型得到的數(shù)據(jù)信息基本在100%置信區(qū)間范圍以內(nèi)，并且整個置信區(qū)間的范圍非常窄，意味著LSTM模型對功率進(jìn)行預(yù)測的置信區(qū)間具有很好的效果，且區(qū)間范圍對于異常數(shù)據(jù)信息的分析識別具有非常好的參考意義。如果實(shí)際的參數(shù)信息超過了模型預(yù)測的置信區(qū)間范圍，那么說明實(shí)際參數(shù)信息與歷史數(shù)據(jù)樣本信息的時序規(guī)律不相符，屬于異常數(shù)據(jù)點(diǎn)。

3.2 評價(jià)指標(biāo)

對于本研究所述的異常數(shù)據(jù)信息分析模型，可以采用兩個重要的指標(biāo)進(jìn)行評價(jià)，分別為檢出率和誤檢率，以上兩個指標(biāo)分別用kacc、kerr符號表示，其計(jì)算公式如下：

式中，Nb表示實(shí)際所有的異常點(diǎn)數(shù)目；Nt表示利用模型正確檢測出來的異常點(diǎn)數(shù)目；Nf表示錯誤檢測的異常點(diǎn)數(shù)目。

使用不同大小的噪聲方差對不同類型的參數(shù)信息進(jìn)行預(yù)測，對兩個關(guān)鍵指標(biāo)進(jìn)行了統(tǒng)計(jì)計(jì)算。對于電壓參數(shù)信息，當(dāng)噪聲方差為0.5V2時，kacc和kerr分別為79.66%和16.94%；當(dāng)噪聲方差為0.7V2時，kacc和kerr分別為83.05%和13.55%。對于電流參數(shù)信息，當(dāng)噪聲方差為0.01A2時，kacc和kerr分別為72.88%和25.42%；當(dāng)噪聲方差為0.05A2時，kacc和kerr分別為77.97%和18.64%。對于功率參數(shù)信息，當(dāng)噪聲方差為7kW2時，kacc和kerr分別為67.8%和15.25%，當(dāng)噪聲方差為13kW2時，kacc和kerr分別為76.27%和13.55%。上述所有參數(shù)中，kacc和kerr的平均數(shù)分別為76.27%和17.23%。

4 實(shí)際電表電流和功率的測試結(jié)果

為了驗(yàn)證LSTM模型在用電信息系統(tǒng)數(shù)據(jù)計(jì)量異常分析中的應(yīng)用效果，結(jié)合實(shí)際情況選取了三只存在異常數(shù)據(jù)的智能電表為對象進(jìn)行分析，電表分別用Ⅰ、Ⅱ、Ⅲ序號表示。選取的是2023年3月6日～5月7日的數(shù)據(jù)信息，每間隔15min采集一次數(shù)據(jù)信息，在兩個月時間里共測量得到了5952個點(diǎn)的數(shù)據(jù)信息，主要是功率值、電壓值和電流值等，利用上文提出的LSTM模型對計(jì)量異常數(shù)據(jù)信息進(jìn)行識別，以達(dá)到檢驗(yàn)LSTM模型的目的。下面對具體的測試過程以及結(jié)果進(jìn)行分析。

4.1 電流變化率過大異常問題

在普通電力用戶一天的用電過程中，其電流值通常不會出現(xiàn)明顯的變化，如果通過分析發(fā)現(xiàn)用戶的電流存在明顯突變現(xiàn)象，大概率是存在計(jì)量異常問題。如圖1所示為電表Ⅰ的電流大小以及電流變化情況，圖中顯示的是電表Ⅰ在3月6日的電流數(shù)據(jù)及其變化情況，從圖中可以看出，第37個采集點(diǎn)的電流及其電流變化值存在異常現(xiàn)象，利用LSTM模型判定為異常點(diǎn)數(shù)據(jù)，異常的根據(jù)是電流變化率過大，與實(shí)際數(shù)據(jù)進(jìn)行對比分析，發(fā)現(xiàn)異常點(diǎn)的甄別判斷是有效的。

圖1 電表Ⅰ的電流大小以及電流變化情況

4.2 功率變化率過大異常問題

普通電力用戶的用電功率不會出現(xiàn)明顯的變化，如果用電功率存在突變問題，則很可能是存在計(jì)量異常問題。如圖2所示為電表Ⅱ的功率大小以及功率變化情況，圖中顯示的主要是4月25日電表Ⅱ的數(shù)據(jù)信息。

圖2 電表Ⅱ的功率大小以及功率變化情況

從圖中可以看出，在第57個采集點(diǎn)的功率以及功率變化值出現(xiàn)了顯著的變化現(xiàn)象。利用LSTM模型進(jìn)行分析判斷后，認(rèn)為第57個采集點(diǎn)屬于異常點(diǎn)數(shù)據(jù)信息，判斷的根據(jù)是該采集點(diǎn)的功率存在突變現(xiàn)象。通過與實(shí)際情況進(jìn)行對比，認(rèn)定該異常點(diǎn)的甄別是有效的。

4.3 電流功率相關(guān)性異常問題

根據(jù)相關(guān)的理論可知，對電力用戶而言，其用電功率與電流的平方是成正比的，意味著電力用戶的電流越大，對應(yīng)的功率也越大。如果通過用電信息采集系統(tǒng)采集得到的電流和功率數(shù)據(jù)信息之間不匹配，則大概率是存在計(jì)量異常問題。如圖3所示為電表Ⅲ的電流大小以及功率變化情況，圖中顯示的是5月7日電表Ⅲ的數(shù)據(jù)信息。利用LSTM模型對相關(guān)的數(shù)據(jù)進(jìn)行深入挖掘分析以后，認(rèn)為第75個采集點(diǎn)的數(shù)據(jù)信息存在異?，F(xiàn)象，主要的根據(jù)是第75個采集點(diǎn)的電流值相對較小，但是功率值卻相比較大。這與基本的電力常識相沖突，因?yàn)樵陔妷罕３植蛔兊那闆r下，功率應(yīng)該與電流的平方成正比。通過與實(shí)際情況進(jìn)行對比，發(fā)現(xiàn)該采集點(diǎn)確實(shí)存在數(shù)據(jù)異?，F(xiàn)象，驗(yàn)證了LSTM模型甄別判斷過程的有效性。

圖3 電表Ⅲ的電流大小以及功率變化情況

利用LSTM模型對智能電表的異常數(shù)據(jù)進(jìn)行分析時，可以結(jié)合實(shí)際情況決定是否將相關(guān)結(jié)果反饋給有關(guān)部門。如果某一個智能電表在一段時間內(nèi)只是出現(xiàn)個別異常數(shù)據(jù)信息，則需要對該異常點(diǎn)的前后數(shù)據(jù)信息進(jìn)行更加細(xì)致地排查，確定是否出現(xiàn)了數(shù)值偏小或者數(shù)值偏大的更加隱蔽的數(shù)據(jù)計(jì)量異常問題，如果不存在上述問題，可以認(rèn)定為是偶然現(xiàn)象，無需向有關(guān)部門進(jìn)行反饋；如果某一個智能電表在很短的時間內(nèi)出現(xiàn)了很多次異常數(shù)據(jù)點(diǎn)，可以認(rèn)定該電表存在計(jì)量異常現(xiàn)象，需要及時將結(jié)果反饋給有關(guān)部門。

綜上所述，針對用電信息采集系統(tǒng)收集得到的數(shù)據(jù)信息，利用LSTM模型進(jìn)行深入地挖掘分析，可以及時發(fā)現(xiàn)智能電表計(jì)量過程中存在的問題，該模型是可行有效的。通過與實(shí)際的數(shù)據(jù)信息對比，發(fā)現(xiàn)平均檢出率和平均誤檢率分別為76.27%和17.23%。能夠大幅縮小故障問題的排查范圍，為電力企業(yè)提供很好的現(xiàn)實(shí)參考價(jià)值。

5 結(jié)束語

在人工智能的發(fā)展歷程中，LSTM模型以其卓越的數(shù)據(jù)建模和推理能力，得到了全球?qū)W術(shù)界和業(yè)界的廣泛關(guān)注和推崇。針對用電信息采集系統(tǒng)采集的電壓、電流、功率等大量數(shù)據(jù)信息，通過運(yùn)用LSTM模型進(jìn)行深度挖掘和分析，能夠快速準(zhǔn)確地發(fā)現(xiàn)電表計(jì)量過程中存在的異常問題。通過實(shí)踐測驗(yàn)發(fā)現(xiàn)LSTM模型的平均檢出率和平均誤檢率分別為76.27%和17.23%。這些測試結(jié)果有力地證明了LSTM模型的實(shí)用性和有效性，這對于進(jìn)一步推廣LSTM模型在用電信息采集系統(tǒng)數(shù)據(jù)計(jì)量異常分析中的應(yīng)用具有重要的現(xiàn)實(shí)意義。