基于改進PSO-SVM的電能計量裝置異常狀態識別研究

周松，李川，李英娜

基于改進PSO-SVM的電能計量裝置異常狀態識別研究

周松，李川，李英娜

（昆明理工大學 信息工程與自動化學院，云南 昆明 650500）

電能計量裝置出現異常狀態后最終表現上傳的數據異常，利用計量系統自動化數據進行分析，盡早識別裝置異常有利于供電企業進行裝置檢修，提升運維能力。針對異常數據，人工使用判斷規則對其進行診斷需要大量時間，計量裝置出現問題后不能及時發現的問題，對已標記的異常數據進行研究，使用PSO-SVM模型對計量數據進行分析，判別裝置狀態異常。首先，針對粒子群算法易陷入局部最優的問題，將粒子移動的權重更新方式結合當前粒子的迭代次數和適應度值進行動態改變；其次，引入偏二叉樹結構的支持向量機分類模型，并且樹中每層的分類器使用改進后的粒子群算法尋找分類最佳超參數，增加分類準確率；最后，使用電能計量裝置對改進的PSO-SVM模型進行驗證，結果表明該方法能夠較好地識別出異常數據。

電能計量裝置；異常識別；自適應權重粒子群；二叉樹SVM

0 引言

隨著中國電力行業智能化的發展，可上傳實時運行數據的智能電表被廣泛應用，由智能電表和電壓、電流互感器及其二次回路組成的電能計量裝置作為供電企業與用戶結算的儀表工具，其運行的穩定性和可靠性對保障供用電雙方貿易的公平性有重要意義。計量裝置中任何一個組成部件發生故障都會影響計量結果的準確性和可靠性[1-3]，由于裝置本身故障和人為竊電故意破壞等原因，造成故障的多樣性，裝置計量異常。依靠人工巡檢的方式或通過一段時間的線損率，使用判斷規則發現并診斷故障需要大量的時間成本和人工成本，不能保證對裝置異常處理的及時性。隨著智能電網建設和智能電表技術的發展，越來越多的電能計量裝置運行數據上傳到供電企業的數據中心或計量自動化系統[4,5]，由于電能計量裝置一旦出現異常狀態，會表現在該計量裝置上傳的電壓、電流和功率因數等數據的異常，通過對計量自動化系統中運行數據的分析，可迅速對出現異常數據的電能計量裝置作出反應，如故障檢修、電量追補等。

目前，電能計量裝置異常主要的診斷方法是通過一段時間內偏大的線損判斷該線路中的裝置是否異常；或利用數據可視化技術繪制用戶負荷曲線，通過對比歷史負荷曲線判斷裝置是否存在異常。以上兩種方法都存在時效性差和工作量大的缺點。已有許多研究通過電能計量裝置數據的異常對其進行分析，文獻[6]基于電能表、電壓互感器和電流互感器的歷史故障數據、運行環境數據等數據構造電能計量裝置，組建不同的評價指標，使用模糊分析法和層次分析法相結合的評估方法對計量裝置的運行狀態進行評估。文獻[7]使用營銷系統數據和計量生產調度平臺數據等數據，對電能表進行不同影響因素下的基礎測試，并以此建立評估模型對電能表進行狀態評估。文獻[8]對拆回的故障電能表使用關聯規則分析，確定電能表的故障類型與電能表故障影響因素之間的關系。文獻[9]通過聚類和云理論模型建立故障診斷模型，分析了電能表故障數據的不確定性和隨機性，實現電能表故障診斷。文獻[10,11]使用機器學習中的集成分類方法提升電能表故障診斷的準確率。但國內外大部分研究集中在智能電能表故障研究，沒有對電能計量裝置作為一個整體進行分析，忽略了由于電壓互感器、電流互感器及其二次回路的故障導致的電能計量數據異常。此外，對電能計量裝置的研究主要是基于廠家、和工況環境等影響計量的因素構建裝置運行評分矩陣，無法及時通過異常運行數據發現電能計量裝置運行過程中出現的問題。

針對以上問題，根據計量自動化系統中57.7 V、100 V、220 V等不同電壓等級各類計量數據的特點，建立改進的PSO-SVM模型，使用該模型對電能計量數據進行異常分類，得到表現在計量數據上的不同類型計量裝置異常。針對粒子群算法易陷入局部最小值的缺點，目前PSO優化方法大都集中在調整權重因子和增加種群多樣性避免局部最優[10-14]，本文根據粒子迭代次數和適應度值改變算法中慣性權重的更新，并引入二叉樹SVM多分類方法，為得到更好的分類效果，使用改進的PSO算法對每層分類器進行尋找最優參數，并在公開數據集中進行驗證，最后應用于電能計量裝置異常數據分析上。

1 改進的粒子群算法與SVM多非類算法

1.1 粒子群算法及改進

Kennedy和Eberhart最早在1995年提出粒子群優化算法[15]（particle swarm optimization，PSO），PSO是受到鳥類群體覓食行為啟發的尋找最優解算法。在PSO算法中，每一個粒子都代表一個待優化函數的可行解，粒子的移動受到兩個方面的約束：速度和位置。其中，速度約束粒子移動的距離，位置約束粒子移動的方向，并且每一個粒子的移動都被賦予一個適應度函數評價粒子所在位置的優劣。在約束條件和評價函數的控制下，粒子移動過程中向著較好的區域進行搜索，經過多次迭代后在最優解附近聚攏。粒子速度和位置更新公式如下：

粒子群算法具有參數少、收斂快等優點，但存在容易過早收斂、容易陷入局部最優等缺點。由公式（1）（2）可知，粒子速度權重系數決定下一次飛行距離與本次飛行距離的關系，進一步影響飛行后所在的位置。越大，粒子在解空間上的飛行能力就越強，便于在全局范圍內搜索。越小，飛行步長越小，粒子在局部的搜索能力越強，有利于算法的收斂。但的值若過大則容易跳過最優解、在最優解附近震蕩或過早收斂；若過小則易陷入局部最優解。PSO算法權重應當在迭代初期選擇較大的權重，保證較強的全局搜索和跳出局部最優的能力，在迭代后期使用較小的權重進行較強的局部搜索，利于算法的收斂[16]。

針對以上問題，本文提出一種根據迭代次數和當前適應度值自適應改變權重的策略，公式如下：

式中：為當前迭代次數；+1為下次迭代次數；max為權重上限；min為權重下限；為某次迭代中其中一個粒子的適應度函數。在迭代初期，粒子的權重改變較大，隨著粒子迭代次數的增加，權重改變減小。同時，權重的改變由適應度函數決定，當粒子適應度小于等于平均適應度時，即分類模型準確度大于等于平均準確度時，慣性權重減小；當粒子適應度大于平均適應度時，分類模型準確度小于平均準確度，慣性權重增大。

慣性權重的增減幅度由迭代次數決定。迭代初期，權重增大或減小的幅度較大，便于在全局和最優解附近鄰域進行搜索。迭代后期，權重增大或減小的幅度較小，權重增加便于跳出局部最優解進行隨機搜索，權重減小便于局部進行精細搜索。

1.2 SVM算法及二叉樹SVM多分類算法

支持向量機（support vector machine，SVM）是一個建立在統計學習理論基礎上的有監督二元分類算法[17]，基本思想是找到一個超平面使正負類別的所有樣本點到該平面距離最遠，而實際離平面足夠遠的點基本都能被正確分類，所以只要讓離超平面較近的點盡可能遠離這個超平面就會有較好的分類效果。在計量自動化系統中，正常運行數據電壓等級有57.7 V、100 V、220 V等，極大、極小的異常數據容易判斷，但距離標準電壓較近的異常數據不易判別，將SVM算法引入電能計量異常數據分析中能夠實現較高的準確率，同時在部分異常樣本較少的情況下也能實現較高的準確率。

設樣本集為{(x,y)|=1,2,3,···,}，其中x?，?{+1,–1}，線性可分時超平面為=0，支持向量到超平面的距離為T，?{+1,–1}，即

SVM模型讓所有的分類點在各自類別的支持向量兩邊，同時要遠離這個超平面。由上式可以看出||||2最小時，間隔最大。加入錯誤分類的懲罰參數和允許錯誤分類的松弛因子后，目標函數就轉化為：

根據拉格朗日對偶化特性，將該優化目標轉換為等價的對偶問題來求解，原優化問題轉化為：

式中：(x–x)為核函數，本文使用徑向基核函數(x,x)–g||x–x||，為核函數參數，控制核函數的作用范圍，可得到決策函數：

在SVM多分類方法中，一種是直接求解法，但該方法時間復雜度高，實現困難，不適用于大量的計量數據中。另一種是將多個二分類SVM模型組成一個多分類SVM模型，本文選擇將多個二分類器組成一個多分類器的方法。將多個二分類模型組合為一個多分類器的方式有很多，常見方法有一對一，多對多，有向無環圖和二叉樹等方法[18]。在以上的方法中，由于需要構造的二分類器數量不同，二叉樹結構的多分類方法訓練的二分類器數目較少。該算法先將所有樣本分為兩個子類，訓練完成后，再將子類進一步劃分成兩個次級子類，如此反復，直至將所有類別單獨分成一個葉子節點。

在SVM分類算法中，優化問題中的懲罰參數0，越大表示對錯誤分類的懲罰越大，越小表示對錯誤分類的懲罰越小。松弛因子可以增加模型的泛化能力，若給定的松弛因子越小表示允許存在越多的錯誤分類樣本，此時模型的準確率較低；若給定的松弛因子越大表示不允許存在過多的分類樣本，此時模型的準確率較高。同時核函數中的參數也會影響分類模型的準確率，為提升每一個類別識別的準確率，本文使用改進后的粒子群算法對二叉樹中每一層的SVM二分類器參數進行尋找最優參數操作。

2 算法驗證

2.1 PSO優化算法驗證

將標準PSO算法與自適應權重PSO算法進行對比，驗證PSO改進后算法的有效性。使用函數為Shaffer函數的6和7：

公式（8）（9）中函數只有一個最小值點(0,0)=0，優化前后的PSO算法皆設置為40個粒子迭代100次得到圖1結果。

圖1 優化前后PSO最優解與收斂速度對比

從圖中可以看出，改進后的粒子群算法能夠跳出局部最小值，找到全局最優值，且收斂速度較標準粒子群算法更快。

2.2 改進后PSO-SVM多分類比較

為驗證改進后算法的分類性能，分別從UCI公共數據集和KEEL公開數據集選擇6個公開數據集作為分類驗證對象，其中Seeds、Wine為UCI 公開數據集，Balance、Ecoli、Glass、Newthyroid為KEEL公開數據集。各數據集基本信息如表1所示。

表1 實驗所用公開數據集信息

驗證分類效果時，各數據集訓練數據與測試數據的比例為8∶2，劃分方式為隨機劃分，使用五折交叉驗證避免分類結果的隨機性。同時使用遺傳算法（GA）、模擬退火算法（SA）與原始PSO算法結合SVM分類算法進行對比，其中GA-SVM中種群大小為20，迭代次數為200，交叉率為0.9，變異率為0.035；SA-SVM中最高溫度為100，最低溫度為1e-9，鏈長為300；改進前后PSO的參數設置如下：粒子數為20，迭代次數為200，參數的范圍為[0.001,10]，慣性權重最高和最低分別設置為0.9、0.4；本文所提算法使用SVM基分類器的個數隨樣本類別數改變。各組合分類器準確率如圖2所示。

圖2 各組合分類器分類準確率對比

由圖可以看出本文所提方法在多個公開數據集中分類準確率優于其他方法，同時引入Kappa系數[19]、海明距離[20]驗證分類的有效性，其中準確率為正確分類的樣本在總樣本數量中的比例；Kappa系數是統計學中的一種基于混淆矩陣的一致性評估方法，越接近1模型分類精度越高；海明距離表示分類結果與真實類別之間的距離，結果越接近0分類效果越好。6個公開數據集使用未改進的PSO-SVM多分類模型與改進后的PSO-SVM多分類模型的對比如表2所示。

表2 PSO-SVM分類模型改進前后效果比較

3 電能計量異常數據實驗設計與結果分析

由于電能計量裝置組成的復雜性，用戶竊電行為、配電網中諧波干擾、計量裝置故障等原因都會導致電能計量裝置出現異常。對電能計量裝置出現異常狀態的判定主要根據現行的判據，如失壓的判定規則為：單相：0

本文使用的數據為某市供電局計量自動化系統歷史數據，判斷數據異常的特征屬性為：電能計量裝置編號、表計類型、額定電壓、A相電壓、B相電壓、C相電壓、A相電流、B相電流、C相電流、A相功率因數、B相功率因數、C相功率因數，共12維數據，類別標記如表3所示。

表3 故障類型與類別對應關系

為增加正常數據與異常數據的對比，加入出現異常狀態的相同編號電能計量裝置正常運行數據，共3 837條數據，訓練集與測試集劃分比例為7∶3。利用本文改進算法與未改進PSO-SVM、集成學習模型Adaboost-決策樹算法進行對比，其中Adaboost參數設置為：樹深5-15，迭代次數為100，模型提升準則選擇SAMME.R；對電能計量裝置運行數據進行分類，實驗結果對比如圖3~5所示。

圖3 3種分類器訓練集測試集準確率對比

圖4 3種分類器訓練集測試集KAPPA系數對比

圖5 3種分類器訓練集測試集海明距離對比

由以上結果可以看出在準確率方面，本文使用的多分類模型訓練集和測試集的準確率、KAPPA系數均優于集成決策樹模型和直接組合的PSO-SVM模型，錯誤分類與真實類別之間的距離也更低。所使用多分類方法更加適用于電能計量裝置異常數據分類。通過優化的PSO算法能夠找出全局最優的SVM參數，克服了PSO易陷入局部最優解的缺陷；同時使用二叉樹結構的SVM多分類算法能夠劃出多個超平面分割不同電壓等級的異常數據，對電能計量裝置的異常狀態進行有效地識別。10種類別異常狀態分類的準確率如表4所示。

表4 各類別異常識別準確率

對類別1、2、3異常識別準確率較低，分析原因可能為某兩相出現失壓，但只判定為其中一相失壓。電能計量裝置及二次回路出現某一異常后實時診斷進行檢修，對電能計量裝置實現精益化管理。

4 結論

針對電能計量裝置運行異常數據所代表的異常狀態不能及時發現的問題，利用計量自動化系統數據，提出使用多分類模型對電能計量數據分析判別異常狀態的方法，模型根據迭代次數和適應度值改變粒子群算法的權重，適當增加或減小粒子的移動步長與方向，使粒子能夠跳出局部最優解找到全局最優。對于SVM多分類算法，使用二叉樹結構，逐層構造多個二分類器并通過PSO算法尋找最優的分類器參數，提高分類算法的準確率。最后通過實驗表明，相較于GA-SVM、SA-SVM分類方法和決策樹Adaboost集成學習方法，本文提出的算法在公開數據集與應用在電能表計量異常數據上有更高的準確性和有效性，但該算法模型因需要訓練多個二分類器并尋找最優參數，導致模型訓練時間較長，下一步將提升算法模型訓練時間與準確率。

[1] 夏澍, 徐英成, 王思麒, 等. 變電站電能表二次回路故障辨識方法[J]. 電測與儀表, 2017, 54(11): 99-105. XIA SHU, XU YINGCHENG, WANG SIQI, et al. The secondary circuit fault identification method of substation meter[J]. Electrical Measurement & Instrumentation, 2017, 54(11): 99-105(in Chinese).

[2] 楊帥, 陳向群, 趙丹, 等. 關口電能計量故障監測報警裝置及主站研究[J]. 電測與儀表, 2014, 51(13): 21-28. YANG SHUAI, CHEN XIANGQUN, ZHAO DAN, et al. Research on alarming instrument and master station for gateway energy measuring failures[J]. Electrical Measurement & Instrumentation, 2014, 51(13): 21-28(in Chinese).

[3] 范潔, 陳霄, 周玉. 基于用電信息采集系統的電能計量裝置異常智能分析方法研究[J]. 電測與儀表, 2013, 50(11): 4-9. FAN JIE, CHEN XIAO, ZHOU YU. An intelligent analytical method of abnormal metering device based on power consumption information collection system[J]. Electrical Measurement & Instrumentation, 2013, 50(11): 4-9(in Chinese).

[4] 陳淘, 劉利兵. 大數據技術在智能電網中應用[J]. 物聯網技術, 2016, 6(4): 54-55. CHEN TAO, LIU LIBING. Application of big data technology in smart grid[J]. Internet of Things Technologies, 2016, 6(4): 54-55(in Chinese).

[5] ALAHAKOON D, YU X. Smart electricity meter data intelligence for future energy systems: a survey[J]. IEEE Transactions on Industrial Informatics, 2016, 12(1): 425-436.

[6] ZHANG DINGQU.Application of state evaluation of electric energy metering device[C]. Proceedings of 2017 13th IEEE International Conference on Electronic Measurement & Instruments (ICEMI). Institute of Electrical and Electronics Engineers, 2017, 542-547.

[7] CHEN XIANGQUN, HUANG RUI, SHEN LIMAN, et al. Research on operation assessment method for energy meter[C]. IOP Conference Series: Earth and Environmental Science, 2018.

[8] 朱逸群, 楊霖, 曹國瑞, 等. 基于自適應FP_Growth算法的電能表故障分析[J]. 科學技術與工程, 2019, 19(28): 172-178. ZHU YIQUN, YANG LIN, CAO GUORUI, et al. Fault analysis of watt-hour meters based on adaptive FP_growth algorithm[J]. Science Technology and Engineering, 2019, 19 (28): 172-178(in Chinese).

[9] 江劍峰, 張垠, 田書欣, 等. 基于云理論的智能電能表故障數據分析[J]. 電力科學與技術學報, 2020, 35(2): 163-169. JIANG JIANFENG, ZHANG YIN, TIAN SHUXIN, et al. Fault data analysis of smart electricity meter based cloud theory[J]. Journal of Electric Power Science and Technology, 2020, 35 (2): 163-169(in Chinese).

[10] 高欣, 刁新平, 劉婧, 等. 基于模型自適應選擇融合的智能電表故障多分類方法[J]. 電網技術, 2019, 43(6): 1955-1961. GAO XIN, DIAO XINPING, LIU JING, et al. A multi-classification method of smart meter fault type based on model adaptive selection fusion[J]. Power System Technology, 2019, 43(6): 1955-1961(in Chinese).

[11] ZHANG Y, WEI X Y, WEI Z F, et al. Smart meter fault diagnosis via data cleaning and SAMME-CART algorithm[C]. 2020 Asia Energy and Electrical Engineering Symposium (AEEES).

[12] 梅恒榮, 殷禮勝, 劉冬梅, 等. 改進粒子群算法優化的SVM模擬電路故障診斷[J]. 電子測量與儀器學報, 2017, 31(8): 1239-1246. MEI HENGRONG, YIN LISHENG, LIU DONGMEI, et al. Analogue circuit fault diagnosis based on SVM optimized by IPSO[J]. Journal of Electronic Measurement and Instrumentation, 2017, 31(8): 1239-1246(in Chinese).

[13] 石志煒, 張麗萍, 鐘成豪, 等. 改進PSO優化SVM的滾動軸承故障診斷[J]. 福州大學學報(自然科學版), 2020, 48(3): 333-340. SHI ZHIWEI, ZHANG LIPING, ZHONG CHENGHAO, et al. Fault diagnosis of rolling bearing based on improved PSO optimized SVM[J]. Journal of Fuzhou University(Natural Science Edition), 2020, 48(3): 333-340(in Chinese).

[14] 王敏潔, 艾紅. 改進粒子群算法優化SVM的水泥燒成系統故障診斷[J]. 化工自動化及儀表, 2019, 46(12): 983-987. WANG MINJIE, AI HONG. Fault diagnosis of cement calcination system based on SVM optimized by IPSO[J]. Control and Instruments in Chemical Industry, 2019, 46(12): 983-987(in Chinese).

[15] 朱清智, 董澤. 基于優化PSO算法的SCR 脫硝控制器研究[J]. 電力科學與工程, 2019, 35(2): 20-26. ZHU QINGZHI, DONG ZE. Research on SCR controller based on optimized PSO algorithms[J]. Electric Power Science and Engineering, 2019, 35(2): 20-26(in Chinese).

[16] 王啟付, 王戰江, 王書亭. 一種動態改變慣性權重的粒子群優化算法[J]. 中國機械工程, 2005, 16(11): 945-948. WANG QIFU, WANG ZHANJIANG, WANG SHUTING. A modified particle swarm optimizer using dynamic inertia weight[J]. China Mechanical Engineering, 2005, 16(11): 945-948(in Chinese).

[17] HUANG JIAN, HU XIAOGUANG, YANG FAN. Support vector machine with genetic algorithm for machinery fault diagnosis of high voltage circuit breaker[J]. Measurement, 2011, 44(6): 1018-1027.

[18] 吳恩英, 呂佳. 基于二叉樹支持向量機多類分類算法的研究[J]. 重慶師范大學學報(自然科學版), 2016, 33(3): 102-106. WU ENYING, LV JIA. Research on multiclass classification algorithm based on Binary Tree SVM[J]. Journal of Chongqing Normal University(Natural Science Edition), 2016, 33(3): 102-106(in Chinese).

[19] ARTSTEIN R, MASSIMO P. Inter-coder agreement for computational linguistics[J]. Computational Linguistics, 2008, 34(4): 45.

[20] TSOUMAKAS G, KATAKIS I. Multi-label classification: an overview[J]. International Journal of Data Warehousing and Mining (IJDWM), 2007, 3(3): 1-13.

Research on Recognition of Abnormal State of Electric Energy Metering Device Based on Improved PSO-SVM

ZHOU Song, LI Chuan, LI Yingna

(Faculty of Information Engineering and Automation, Kunming University of Science and Technology, Kunming 650500, China)

The abnormal state of the electric energy metering device will result in abnormal data finally uploaded. Using the automated data of the metering system to analyze and identify the abnormality of the device as early as possible is beneficial to the power supply enterprise to perform device maintenance and improve the operation and maintenance capabilities. Aiming at solving problems, such as abnormal data that requires a lot of time to be diagnosed through judgment rules manually, and problems that cannot be discovered in time after the measurement device has faults: the marked abnormal data is studied. And the PSO-SVM model is used to analyze the measurement data to determine the abnormal state of the device. First, in view of the problem that the particle swarm algorithm is easy to fall into the local optimum, the weight update method of the particle movement is changed by combining the iterations and the fitness value of the current particle; second, the support vector machine classification model of the partial binary tree structure is introduced, and the classifiers at each level in the tree use the improved particle swarm algorithm to find the best hyper parameters to increase the accuracy of classification. Finally, the improved PSO-SVM model is verified by the abnormal data of the electric energy metering device, and the results show that it can identify abnormal data better.

electric energy metering device; anomaly recognition; adaptive weighted particle swarm; binary tree SVM

TM933

A

1672-0792(2021)03-0039-08

10.3969/j.ISSN.1672-0792.2021.03.006

2020-12-07

周 松（1995—），男，碩士研究生，主要研究方向為數據挖掘、工業信息檢測與處理；

李 川（1971—），男，教授，主要研究方向為光纖傳感器的研制與應用、工業物聯網與信息物理融合建模、數據檢測與數據挖掘；

李英娜（1973—），女，副教授，研究方向為電力計量、營銷大數據分析，輸變線路覆冰監測與狀態分析等。