盧翔智 吳曉強 李慧 杜錦陽 鄭茵
摘 要:針對計量自動化終端在運行過程中因性能退化或故障,導致整個電力系統(tǒng)運行不穩(wěn)定,而現(xiàn)有計量自動化終端自動診斷無法及時或提前預判其故障的問題,研究基于邊緣計算框架,通過引入GBDT故障檢測模型,提出一種基于邊緣計算的計量自動化終端自我評估診斷系統(tǒng),并完成了系統(tǒng)的硬件和軟件設(shè)計。最后通過仿真實驗,對GBDT故障檢測模型進行了驗證,以及對整個系統(tǒng)進行了測試。結(jié)果表明,GBDT模型在精準率、召回率、F1值上表現(xiàn)良好,識別的準確率高于CART模型、RF模型,達到98.82%,具有一定的優(yōu)越性,可用于計量自動化終端故障的檢測與識別;本系統(tǒng)可實現(xiàn)計量自動化終端的趨勢監(jiān)測和故障預測,相較于傳統(tǒng)計量自動化終端診斷系統(tǒng),具有更高安全性和實時性,可用于實際計量自動化終端自我評估診斷。
關(guān)鍵詞:GBDT模型;邊緣計算;計量自動化終端;自動診斷
中圖分類號:TM933.4 文獻標識碼:A 文章編號:1001-5922(2021)05-0088-05
Research on self Evaluation and Diagnosis technology of Measurement Automation Terminal based on edge Computing
Lu Xiangzhi, Wu Xiaoqiang,Li Hui,Du Jinyang,Zhen Yin
(Measurement center of Guangzhou Power Supply Co., Ltd., Guangzhou 510700, China)
Abstract:Due to the performance degradation or fault of metering automation terminal in the operation process, the whole power system is unsTab, and the existing metering automation terminal automatic diagnosis can not predict the fault in time or in advance. Based on the edge computing framework, by introducing the gbdt fault detection model, a self-evaluation diagnosis method of metering automation terminal based on edge computing is proposed The hardware and software of the system are designed. Finally, through the simulation experiment, the gbdt fault detection model is verified,and the whole system is tested. The results show that gbdt model performs well in accuracy, recall rate and F1 value,and the recognition accuracy is higher than cart model and RF model, reaching 98.82%. which has certain advantages and can be used for fault detection and recognition of metering automation terminal; this system can realize trend monitoring and fault prediction of metering automation terminal, and is more effective than traditional metering automation terminal diagnosis system It has higher security and real-time,and can be used for self-evaluation and diagnosis of actual measurement automation terminal.
Key words:Gbdt model; Edge computing; Measurement automation terminal; Automatic diagnosis
隨著電力工業(yè)的快速發(fā)展,電力計量自動化終端的應用越來越廣泛。電力計量自動化終端是電力系統(tǒng)的關(guān)鍵組成,其是否健康穩(wěn)定運行決定了整個電力系統(tǒng)的運行情況。然而由于外部環(huán)境和系統(tǒng)干擾等因素的影響,計量自動化終端容易出現(xiàn)各種故障問題。為確保計量自動化終端的穩(wěn)定運行,有必要對其進行故障檢測。目前,主要是通過人工定期檢測或校準以發(fā)現(xiàn)計量自動化終端的故障和潛在故障。這種方法雖然可排除一定的計量自動化終端故障,但其對故障的識別率不高,且工作量較大,工作效率也較低。近年來,人工智能技術(shù)的發(fā)展為計量自動化終端的故障診斷帶來了新的契機。王宏等(2021)[1]、吳瀛等(2021)[2]、張金金等(2021)[3]基于CART模型和RF模型等故障檢測技術(shù),實現(xiàn)了對關(guān)口計量裝置的運行狀態(tài)的快速評估,提高了計量裝置的評估效率。但由于上述方法通常存在泛化能力較低的問題。因此,為解決該問題,研究通過GBDT故障檢測技術(shù),并采用邊緣計算技術(shù)框架,提出一種基于邊緣計算的計量自動化終端自我評估與診斷系統(tǒng),實現(xiàn)了計量自動化終端自我評估診斷。
1 基本方法
1.1 GBDT故障檢測
GBDT模型是一種迭代的決策樹算法。該模型以決策樹作為基分類器,通過迭代可在殘差減少的梯度方向建立新的決策樹,并累加所有樹的結(jié)果,改進了決策樹算法,具有良好的分類效果和較強的泛化能力[4]。其基本原理是假設(shè)第k-1輪迭代的強學習器為,損失函數(shù)為,第k輪迭代目標是得到一個弱學習器hk(x),讓第k輪的損失函數(shù)最小;然后對k進行迭代,以使最終損失最小。
對于二分類問題,假設(shè),i=1,2,…,n為訓練樣本,q為模型特征數(shù)量。其中,n表示樣本數(shù)量,yi表示第i個樣本的實際標簽,? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 表示第i個樣本的輸入數(shù)據(jù)。采用GBDT模型選取對數(shù)損失函數(shù),即:
1.2 邊緣計算
邊緣計算是一種在物聯(lián)網(wǎng)、高帶寬背景下發(fā)展起來的新興技術(shù),其核心在于可集中應用服務、計算、存儲等于數(shù)據(jù)源的一端,進而降低數(shù)據(jù)中心的壓力,提高數(shù)據(jù)的安全性[5]。整個邊緣計算包括設(shè)備層、邊緣主機層、終端云層,如圖1所示。其中,設(shè)備層主要負責監(jiān)測、采集信號數(shù)據(jù),包括各種監(jiān)測部件、監(jiān)測設(shè)備、監(jiān)測系統(tǒng)等;邊緣主機層主要負責對設(shè)備層采集的信號數(shù)據(jù)進行處理分析,并將結(jié)果上傳到終端云層;終端云層主要負責對接收的信號結(jié)果進行進一步分析,并通過控制軟件將用戶需要查看的數(shù)據(jù)進行上傳,以降低數(shù)據(jù)的傳輸量。
考慮到計量自動化終端的特殊應用環(huán)境,本研究結(jié)合邊緣計算技術(shù)與GBDT故障預測技術(shù),設(shè)計了一種計量自動化終端自我評估診斷系統(tǒng),通過將計算和存儲前移到數(shù)據(jù)采集前端,在平臺端使用GBDT故障預測技術(shù)進行預測和健康狀態(tài)評估,實現(xiàn)了計量自動化終端自我評估診斷。
2 系統(tǒng)架構(gòu)
基于邊緣計算的計量自動化終端自我評估診斷系統(tǒng)的主要功能是通過處理分析計量自動化終端的狀態(tài)數(shù)據(jù),實現(xiàn)其的自我評估診斷。因此,根據(jù)系統(tǒng)功能需求,研究將系統(tǒng)整體架構(gòu)設(shè)計為如圖2所示。系統(tǒng)包括數(shù)據(jù)感知、數(shù)據(jù)處理、上位機三個模塊。數(shù)據(jù)感知模塊主要通過變頻器等傳感器采集計量自動化終端狀態(tài)的信號數(shù)據(jù),并將數(shù)據(jù)傳送到數(shù)據(jù)處理模塊;數(shù)據(jù)處理模塊接收到數(shù)據(jù)后,主要負責對數(shù)據(jù)進行特征提取、故障預測等處理,并上傳處理結(jié)果到上位機模塊,同時進行存儲;上位機模塊主要負責配置系統(tǒng)采樣參數(shù)和顯示預測結(jié)果及數(shù)據(jù)管理等。其中,數(shù)據(jù)處理模塊是整個系統(tǒng)的核心模塊,本研究將重點對該模塊進行設(shè)計。
3 系統(tǒng)設(shè)計
3.1 硬件設(shè)計
3.1.1 數(shù)據(jù)感知模塊
數(shù)據(jù)感知主要用于獲取計量自動化終端的全面狀態(tài)信息,可通過震動傳感器、溫度傳感器、壓力傳感器采集計量自動化終端的信號,通過總線可采集計量自動化總段的電壓電流信號、溫度信號和電源機柜的電壓信號。
3.1.2 數(shù)據(jù)處理模塊
數(shù)據(jù)處理模塊是計量自動化終端自我評估診斷系統(tǒng)的核心組成,主要包括電源數(shù)據(jù)存儲、數(shù)據(jù)輸入、集成控制器四個子模塊。本系統(tǒng)電源由控制器提供;數(shù)據(jù)輸入用戶解析和預處理BIT總線信號數(shù)據(jù);數(shù)據(jù)存儲用于存儲采集的數(shù)據(jù);集成控制器主要負責數(shù)據(jù)特征提取、狀態(tài)識別和故障預測,以及上傳結(jié)果至上位機等功能實現(xiàn),如圖3所示,安裝于加固機箱內(nèi)。
其中,集成控制器主要采用GBDT算法構(gòu)建計量自動化終端監(jiān)測或提前預判故障模型,以實現(xiàn)計量自動化終端的狀態(tài)識別和故障預判,進而實現(xiàn)計量自動化終端的自我評估與診斷?;贕BDT的計量自動化終端識別模型具體構(gòu)建步驟如下:
步驟1:提取計量自動化終端的特征指標,包括計量自動化終端的屬性數(shù)據(jù)、故障數(shù)據(jù)、電量數(shù)據(jù)等相關(guān)數(shù)據(jù),假設(shè)計量自動化終端異常的發(fā)現(xiàn)時間前k(k=15)天,按照一定規(guī)則提取電量特征、時間特征、天氣特征三個維度的特征,即可得到計量自動化終端的29個特征指標,如表1[6]所示。
步驟2:對提取的特征指標進行預處理,包括數(shù)據(jù)清洗、數(shù)據(jù)融合等處理,形成計量自動化終端數(shù)據(jù)寬表。
步驟3:將處理后的數(shù)據(jù)樣本輸入GBDT模型進行訓練,其輸出項即為計量自動化終端是否發(fā)生故障和預測故障的概率。
步驟4:將訓練好的GBDT模型應用到測試集評價模型,若模型識別故障效果良好,則直接輸出該模型結(jié)果;若模型識別故障效果不佳,則優(yōu)化模型參數(shù)重新建立模型,直到模型達到最佳,并輸出最佳模型識別結(jié)果。
上述構(gòu)建流程可用圖4表示。
最后,將GBDT模型輸出結(jié)果上傳至上位機進行顯示與管理,即實現(xiàn)了計量自動化終端的數(shù)據(jù)處理。
3.1.3 上位機模塊
為滿足實際計量自動化縱斷的狀態(tài)監(jiān)測和故障預測需求,研究將上位機模塊分為參數(shù)配置、數(shù)據(jù)管理、數(shù)據(jù)顯示、數(shù)據(jù)分析四個子模塊進行設(shè)計。參數(shù)配置主要是對通道和信號采集的采樣率進行配置,以滿足計量自動化終端的實際需求;數(shù)據(jù)管理主要是將下位機硬盤中的數(shù)據(jù)傳輸?shù)缴衔粰C電腦中,以便于后續(xù)的數(shù)據(jù)分析;數(shù)據(jù)顯示與數(shù)據(jù)管理相互配合,可向用戶展示計量自動化終端的實時監(jiān)測情況;數(shù)據(jù)分析配合數(shù)據(jù)管理,主要是對上位機的狀態(tài)識別和故障預測等數(shù)據(jù)進行分析。
3.2 軟件設(shè)計
本系統(tǒng)軟件Labview軟件進行開發(fā),使系統(tǒng)具備數(shù)據(jù)采集與存儲、數(shù)據(jù)顯示與查看、網(wǎng)絡(luò)通信等功能。對于數(shù)據(jù)任務配置,可由測試人員根據(jù)實際需求在上位機上進行靈活配置;對于數(shù)據(jù)存儲,采用支持多種文件格式的存儲的形式。系統(tǒng)軟件平臺結(jié)構(gòu)如圖5所示。
4 仿真實驗
4.1 系統(tǒng)環(huán)境
本系統(tǒng)采用NI公司的Labview軟件進行開發(fā)。該軟件安裝于上位機模塊中的計算機,進而實現(xiàn)對系統(tǒng)的操作于控制。
4.2 界面展示
由于篇幅限制,本研究僅對系統(tǒng)主要界面,數(shù)據(jù)管理界面、數(shù)據(jù)分析界面、數(shù)據(jù)顯示界面進行展示,如圖6~8所示,用戶根據(jù)界面提示可進行相應操作。
4.3 模型驗證
4.3.1 評價指標
本研究選用精準率(P)、召回率(R)、F1值、真正率(TPR)、假正率(FPR)作為評估模型性能的指標,計算方法如式(2)~(6)[7-8]。P值、R值、F1值表示模型性能越好。
P=TP/(TP+FP)
R=TP/(TP+FN)
F1=2PR/(P+R)
TPR=TP/(TP+FN)
FPR=FP/(FP+TN)
式中,TP表示真正例、FP表示假正例、FN表示假反例,TN真反例。
4.3.2 數(shù)據(jù)來源
研究選用某地區(qū)2020年1月至6月低壓用戶的單相電能表相關(guān)數(shù)據(jù),通過篩選得到12760只單相電能表相關(guān)數(shù)據(jù)作為實驗數(shù)據(jù)集。采用隨機劃分方法選取數(shù)據(jù)集的20%作為測試集,80%作為訓練集,對模型進行訓練和測試。
4.3.3 結(jié)果與分析
(1)模型對比。為驗證GBDT模型的分類性能,研究在同等條件下(故障發(fā)生前天數(shù)k=15)對比了該模型與常用于計量自動化終端故障識別的分決策樹CART和隨機森林RF模型的識別效果。其中,GBDT模型參數(shù)和CART模型參數(shù)設(shè)置均參考文獻[9],GBDT模型參數(shù)最大深度設(shè)置為4,決策樹棵數(shù)設(shè)置為16,CART模型參數(shù)最優(yōu)決策樹棵數(shù)為10。將訓練好的GBDT模型、CART模型、RF模型應用于測試集,得到不同模型的分類結(jié)果結(jié)果如表2所示。由表可知,相較于CART模型和RF模型,本研究的GBDT模型在精準率、召回率、F1值上表現(xiàn)良好,識別的準確率最高,達到98.82%,說明GBDT模型具有一定的優(yōu)越性。
為進一步證明GBDT模型的優(yōu)越性,研究將三種模型的假正率和真正率作為橫坐標,繪制了三種模型的ROC曲線圖,如圖9所示。ROC曲線越接近點(0,1),則曲線下的面積AUC值越接近1,表示模型性能越好[10]。由圖可知,GBDT模型的曲線更接近點(0,1),其AUC值最大,為0.995。由此說明,相較于CART模型和RF模型,本研究的GBDT模型性能更好。
綜上可知,GBDT模型具有一定分類優(yōu)越性,可用于計量自動化終端的故障識別。
(2)模型應用。為驗證GBDT模型的可行性和有效性,研究選用某地區(qū)2020年7月至8月的6760只低壓用戶單向電能表數(shù)據(jù)進行驗證,結(jié)果如表3所示。由表可知,GBDT模型診斷正確識別出5320只故障電能表,漏判271只故障電能表,誤判693只故障電能表。
為更直觀地展示模型檢測結(jié)果,研究將上表轉(zhuǎn)化為評價指標結(jié)果,如表4所示。由表可知,GBDT模型在精準率、召回率、F1值上表現(xiàn)良好,達到85%以上,說明GBDT模型的故障診斷整體準確率較高,可用于計量自動化終端電能表的日常檢測和維護,在線實時診斷、提前預判計量自動化終端故障,提高計量自動化終端的故障管控能力。
4.4 系統(tǒng)測試
為驗證本系統(tǒng)的有效性,研究在同等條件下,分別采用本系統(tǒng)與傳統(tǒng)計量自動化終端故障檢測系統(tǒng)對計量自動化終端進行狀態(tài)監(jiān)測,結(jié)果如表5所示。由表可知,相較于大部分傳統(tǒng)計量自動化終端故障監(jiān)測系統(tǒng),本系統(tǒng)可實現(xiàn)計量自動化終端的趨勢監(jiān)測和故障預測,具有更高安全性和實時性,提高了系統(tǒng)故障診斷的工作效率,且本系統(tǒng)對硬件、軟件要求更低,同時還可優(yōu)化備件,降低了系統(tǒng)維護成本,具有更大的推廣潛力。
5 結(jié)語
綜上所述,本研究基于邊緣計算的計量自動化終端自我評估與診斷系統(tǒng),可通過引入的GBDT模型實現(xiàn)對計量自動化終端故障的準確識別,識別準確率達到98.82%,優(yōu)于傳統(tǒng)計量自動化終端故障識別模型CART模型和RF模型;將GBDT模型應用于本系統(tǒng),可實現(xiàn)計量自動化終端故障的在線實時診斷和提前預判,提高了計量自動化終端的故障管控能力;本系統(tǒng)具有較高安全性和實時性,可應用于實際計量自動化終端的自我評估與診斷,具有一定的實際意義。
參考文獻
[1]王宏,張強,王穎,等. 基于ELM的改進CART決策樹回歸算法[J]. 計算機系統(tǒng)應用,2021,30(02):201-206.
[2]吳瀛,陳崇明,姚棟方. 基于決策樹算法的關(guān)口計量裝置運行狀態(tài)評估[J]. 電測與儀表,2021,58(02):183-189.
[3]張金金,張倩,馬愿,等. 基于IRF和DBSCAN的短期負荷頻域預測方法[J/OL]. 控制理論與應用:1-9[2021-04-08].
[4]趙金超,李儀,王冬,等.基于優(yōu)化的隨機森林心臟病預測算法[J]. 青島科技大學學報(自然科學版),2021,42(02):112-118.
[5]李聰,劉通. 融合區(qū)塊鏈與邊緣計算系統(tǒng)中基于最小化網(wǎng)絡(luò)時延的TOSML優(yōu)化方案[J/OL]. 南陽師范學院學報:1-6[2021-04-08].
[6]李彬,郝一浩,祁兵,等. 邊緣計算在需求響應中的應用現(xiàn)狀及發(fā)展思路[J].華電技術(shù),2021,43(03):1-8.
[7]賈慶民,丁瑞,劉輝,等. 算力網(wǎng)絡(luò)研究進展綜述[J/OL]. 網(wǎng)絡(luò)與信息安全學報:1-12[2021-04-08].
[8]李煒,蔣越,閔江松,等.邊緣計算環(huán)境下自適應移動路徑感知的用戶分配算法[J/OL].計算機集成制造系統(tǒng):1-17[2021-04-08].
[9]魏健,趙紅濤,劉敦楠,等. 基于集成模型的超短時負荷預測方法[J]. 計算機與現(xiàn)代化,2021(03):12-17.
[10]谷宇峰,張道勇,鮑志東. PSO-GBDT識別致密砂巖儲集層巖性研究——以姬塬油田西部長4+5段為例[J/OL]. 礦物巖石地球化學通報:1-11[2021-04-08].