Caffe深度學(xué)習(xí)框架下的電力系統(tǒng)異常數(shù)據(jù)智能捕獲研究

陳華彬

摘要：文章基于Caffe深度學(xué)習(xí)框架構(gòu)建了一種電力系統(tǒng)異常數(shù)據(jù)智能捕獲系統(tǒng)，從自動(dòng)化協(xié)議棧的多層架構(gòu)、異常數(shù)據(jù)拷貝及數(shù)據(jù)捕獲映射條件等方面進(jìn)行具體異常數(shù)據(jù)智能捕獲分析，驗(yàn)證了該體系的實(shí)際異常數(shù)據(jù)處理量及處理效率等。

關(guān)鍵詞：Caffe深度學(xué)習(xí)框架；電力系統(tǒng)；數(shù)據(jù)異常；自動(dòng)捕獲

中圖分類號(hào)：TP391

文獻(xiàn)標(biāo)志碼：A

0 引言

現(xiàn)代電力系統(tǒng)技術(shù)的不斷進(jìn)步及其網(wǎng)絡(luò)覆蓋范圍的飛速提升，使電力系統(tǒng)的結(jié)構(gòu)和運(yùn)行模式空前復(fù)雜。受諸多因素如電力系統(tǒng)量測(cè)量誤差等的影響，在對(duì)電力系統(tǒng)的某些數(shù)據(jù)進(jìn)行測(cè)量時(shí)可能會(huì)出現(xiàn)一定的誤差。這種誤差的存在會(huì)給電力系統(tǒng)的整體預(yù)測(cè)和精準(zhǔn)分析形成干擾^［1］。因此，電力系統(tǒng)異常數(shù)據(jù)的捕獲工作至關(guān)重要。深度學(xué)習(xí)可以對(duì)所研究對(duì)象樣本數(shù)據(jù)的表示層次與內(nèi)在作用規(guī)律進(jìn)行描述。將深度學(xué)習(xí)應(yīng)用于電力系統(tǒng)，可以通過(guò)清洗電力數(shù)據(jù)、設(shè)置異常檢測(cè)標(biāo)簽編碼條件等方式實(shí)現(xiàn)電力系統(tǒng)異常數(shù)據(jù)的智能捕獲。因此，本文結(jié)合Caffe深度學(xué)習(xí)框架，構(gòu)建了一種電力系統(tǒng)異常數(shù)據(jù)智能捕獲系統(tǒng)，并對(duì)該系統(tǒng)的工作能力進(jìn)行驗(yàn)證，旨在為我國(guó)電力系統(tǒng)的智能化發(fā)展提供借鑒。

1 系統(tǒng)構(gòu)建需求

1.1 電力系統(tǒng)異常數(shù)據(jù)的高精度捕獲

傳統(tǒng)的電力系統(tǒng)異常數(shù)據(jù)捕獲大多采用模糊C均值聚類法等方式實(shí)現(xiàn)。這類方法的工作原理是通過(guò)統(tǒng)計(jì)電力系統(tǒng)往期兩時(shí)刻間數(shù)據(jù)變化范圍，對(duì)比待檢測(cè)日相同時(shí)間段的數(shù)據(jù)變化范圍，判斷待檢測(cè)日電力系統(tǒng)數(shù)據(jù)是否符合正常的指標(biāo)，得出是否存在異常數(shù)據(jù)等結(jié)論。這種方法通常在檢測(cè)單個(gè)異常數(shù)據(jù)時(shí)較為有效，而在系統(tǒng)中異常數(shù)據(jù)較多時(shí)往往難以獲得精準(zhǔn)的數(shù)據(jù)捕獲結(jié)果。因此，在構(gòu)建電力系統(tǒng)異常數(shù)據(jù)智能捕獲系統(tǒng)時(shí)，需要借助先進(jìn)的深度學(xué)習(xí)框架等，提升系統(tǒng)的異常數(shù)據(jù)尤其是大段異常數(shù)據(jù)的捕獲精度。

1.2 電力系統(tǒng)異常數(shù)據(jù)的高效率捕獲

在一般的電力系統(tǒng)中，個(gè)別節(jié)點(diǎn)處出現(xiàn)的異常數(shù)據(jù)往往難以在極短的時(shí)間內(nèi)被捕獲。此時(shí)容易因?yàn)閭€(gè)別節(jié)點(diǎn)的數(shù)據(jù)異常而導(dǎo)致電力系統(tǒng)傳輸電子的精準(zhǔn)化處理能力下降^［2］。數(shù)據(jù)捕獲效率越高則越容易幫助電力系統(tǒng)及時(shí)處理異常數(shù)據(jù)。傳統(tǒng)的電力系統(tǒng)多采用計(jì)算暫存異常電子數(shù)據(jù)量，然后采用既定節(jié)點(diǎn)處電信系統(tǒng)承載能力確定等方法實(shí)現(xiàn)異常數(shù)據(jù)捕獲，工作效率較低且會(huì)隨時(shí)間的延長(zhǎng)而逐漸降低。本文所構(gòu)建的電力系統(tǒng)異常數(shù)據(jù)智能捕獲系統(tǒng)，將會(huì)著重強(qiáng)調(diào)保證系統(tǒng)長(zhǎng)時(shí)間工作的前提下不會(huì)出現(xiàn)工作效率明顯下滑的問(wèn)題。

2 系統(tǒng)構(gòu)建

2.1 系統(tǒng)框架

基于Caffe深度學(xué)習(xí)的電力系統(tǒng)異常數(shù)據(jù)智能捕獲系統(tǒng)主要包括異常數(shù)據(jù)自動(dòng)捕獲和數(shù)據(jù)分析兩個(gè)主要模塊。本文構(gòu)建的電力系統(tǒng)異常數(shù)據(jù)智能捕獲系統(tǒng)框架如圖1所示。

數(shù)據(jù)分析模塊主要由學(xué)習(xí)節(jié)點(diǎn)、電網(wǎng)監(jiān)測(cè)主機(jī)、異常數(shù)據(jù)集合3部分組成。學(xué)習(xí)節(jié)點(diǎn)直接對(duì)接數(shù)據(jù)捕獲模塊，是深度學(xué)習(xí)模塊獲取電網(wǎng)系統(tǒng)異常數(shù)據(jù)的最前端；電網(wǎng)監(jiān)測(cè)主機(jī)主要作用為以物理形式對(duì)接學(xué)習(xí)節(jié)點(diǎn)與異常數(shù)據(jù)集合，既可以通過(guò)數(shù)據(jù)傳輸通道實(shí)現(xiàn)學(xué)習(xí)節(jié)點(diǎn)關(guān)于捕獲異常數(shù)據(jù)的向上傳遞，又可以根據(jù)深度學(xué)習(xí)結(jié)果將異常數(shù)據(jù)平均分配給各學(xué)習(xí)節(jié)點(diǎn)；異常數(shù)據(jù)集合將電網(wǎng)監(jiān)測(cè)主機(jī)獲取的異常數(shù)據(jù)進(jìn)行收集，再通過(guò)分析、整合將異常數(shù)據(jù)轉(zhuǎn)換為既定格式的存儲(chǔ)應(yīng)用參量。

數(shù)據(jù)捕獲模塊主要由電力數(shù)據(jù)清洗、異常檢測(cè)標(biāo)簽編碼、自動(dòng)化協(xié)議棧等部分組成。電力數(shù)據(jù)清洗指在數(shù)據(jù)捕獲模塊獲得電力系統(tǒng)的海量數(shù)據(jù)以后，首先對(duì)這些數(shù)據(jù)進(jìn)行抗感染處理，以消除數(shù)據(jù)中的臟數(shù)據(jù)或錯(cuò)誤數(shù)據(jù)；異常檢測(cè)標(biāo)簽編碼指針對(duì)電力系統(tǒng)異常數(shù)據(jù)設(shè)置的必要判別條件，異常檢測(cè)標(biāo)簽編碼的設(shè)定需要依靠Caffe深度學(xué)習(xí)模塊經(jīng)過(guò)學(xué)習(xí)以后為其分配數(shù)量值；自動(dòng)化協(xié)議棧負(fù)責(zé)為Caffe深度學(xué)習(xí)框架下的異常數(shù)據(jù)捕獲提供必要的連接協(xié)議信息，通過(guò)拷貝異常數(shù)據(jù)、設(shè)置科學(xué)的異常數(shù)據(jù)捕獲節(jié)點(diǎn)條件實(shí)現(xiàn)Caffe深度學(xué)習(xí)模塊對(duì)異常數(shù)據(jù)的獲取^［3］。

2.2 核心功能實(shí)現(xiàn)

根據(jù)圖1所示的框架結(jié)構(gòu)，本文搭建的Caffe深度學(xué)習(xí)框架下的電力系統(tǒng)異常數(shù)據(jù)智能捕獲系統(tǒng)核心功能包括電力數(shù)據(jù)清洗、異常檢測(cè)標(biāo)簽編碼、自動(dòng)化協(xié)議棧等。

2.2.1 電力數(shù)據(jù)清洗

電力數(shù)據(jù)清洗的主要目的是消除電力數(shù)據(jù)中能夠影響電力系統(tǒng)異常數(shù)據(jù)智能捕獲的臟數(shù)據(jù)、錯(cuò)誤數(shù)據(jù)等。電力數(shù)據(jù)清洗是開(kāi)展后續(xù)一切操作的基礎(chǔ)。通常情況下電力數(shù)據(jù)的清洗包含5個(gè)環(huán)節(jié)，如圖2所示。

數(shù)據(jù)清洗的第一步是去除或補(bǔ)全缺失的數(shù)據(jù)。缺失值是電力系統(tǒng)中極為常見(jiàn)的數(shù)據(jù)問(wèn)題，通過(guò)明確缺失值范圍、計(jì)算每個(gè)字段缺失值比例并按照比例和字段重要性分別制定去除/補(bǔ)全缺失數(shù)據(jù)的策略即可。數(shù)據(jù)清洗的第二步是去不需要的字段。在對(duì)第一步獲得的數(shù)據(jù)進(jìn)行備份以后直接刪掉錯(cuò)誤數(shù)據(jù)即可。但在去除或修改格式內(nèi)容錯(cuò)誤數(shù)據(jù)之前必須進(jìn)行小規(guī)模的數(shù)據(jù)實(shí)驗(yàn)，防止刪除錯(cuò)誤。數(shù)據(jù)清洗的第三步是去除或修改邏輯錯(cuò)誤的數(shù)據(jù)，根據(jù)電力數(shù)據(jù)邏輯的差異采取以業(yè)務(wù)知識(shí)/經(jīng)驗(yàn)推測(cè)進(jìn)行填充、以同一個(gè)指標(biāo)計(jì)算的結(jié)果進(jìn)行填充、以不同的指標(biāo)計(jì)算的結(jié)果進(jìn)行填充等方法。數(shù)據(jù)清洗的第四步是重新取數(shù)，針對(duì)指標(biāo)重要性較高但是缺失率也較高的數(shù)據(jù)以人工形式從電力系統(tǒng)原始數(shù)據(jù)中調(diào)取相關(guān)數(shù)據(jù)進(jìn)行補(bǔ)全。

2.2.2 異常檢測(cè)標(biāo)簽編碼

通常情況下電力系統(tǒng)所形成的異常數(shù)據(jù)都具有較為明顯的特征參量，但在進(jìn)行具體的異常數(shù)據(jù)識(shí)別時(shí)仍必須賦予異常數(shù)據(jù)一定的判別條件。假設(shè)e₀表示電力系統(tǒng)異常數(shù)據(jù)的最小檢測(cè)標(biāo)簽編碼條件，e_n表示最大編碼條件，P表示電力系統(tǒng)異常檢測(cè)標(biāo)簽編碼，則P可以用式（1）進(jìn)行表示：

其中，β表示非常規(guī)電力系統(tǒng)數(shù)據(jù)的自動(dòng)化檢測(cè)處理權(quán)限，電力系統(tǒng)分析管理人員可以根據(jù)自身實(shí)際需求進(jìn)行設(shè)定；σ^-表示電力系統(tǒng)異常數(shù)據(jù)的捕獲輸出均值量，該值通常由不同電力系統(tǒng)異常數(shù)據(jù)特征值參量的差值決定；Q表示電力系統(tǒng)異常數(shù)據(jù)的清洗能力；t·是既定的標(biāo)簽編碼系數(shù)。

2.2.3 自動(dòng)化協(xié)議棧

自動(dòng)化協(xié)議棧主要由數(shù)據(jù)捕獲映射條件、異常數(shù)據(jù)拷貝兩部分組成。自動(dòng)化協(xié)議棧的價(jià)值主要集中在兩方面：一方面，自動(dòng)化協(xié)議棧可以通過(guò)多層架構(gòu)及ICE 61850等設(shè)備實(shí)現(xiàn)對(duì)電力系統(tǒng)異常數(shù)據(jù)智能捕獲節(jié)點(diǎn)的有效調(diào)配，從而將電力系統(tǒng)中出現(xiàn)的異常數(shù)據(jù)整合為獨(dú)立的傳輸主體，為數(shù)據(jù)分析模塊中數(shù)據(jù)節(jié)點(diǎn)的數(shù)據(jù)分析和傳輸提供便利^［4］；另一方面，自動(dòng)化協(xié)議棧可以通過(guò)形成數(shù)據(jù)捕獲映射條件，有效防止電力系統(tǒng)中異常數(shù)據(jù)對(duì)電網(wǎng)監(jiān)測(cè)主機(jī)的干擾。

（1）異常數(shù)據(jù)拷貝。

異常數(shù)據(jù)的拷貝是以消耗大量的服務(wù)器內(nèi)存的形式實(shí)現(xiàn)異常數(shù)據(jù)的預(yù)處理。其優(yōu)點(diǎn)在于可以大幅縮短系統(tǒng)智能捕獲異常數(shù)據(jù)的時(shí)間，提升檢測(cè)異常數(shù)據(jù)標(biāo)簽編碼的執(zhí)行速率。假設(shè)W為電力系統(tǒng)異常數(shù)據(jù)的拷貝數(shù)值，則該值可以通過(guò)式（2）進(jìn)行表達(dá)：

其中，d表示待檢測(cè)電力系統(tǒng)在某一時(shí)間段內(nèi)表現(xiàn)出的異常數(shù)據(jù)感知參量；ΔT表示與異常數(shù)據(jù)感知參量對(duì)應(yīng)時(shí)間段的單位時(shí)長(zhǎng)；τ_n和τ₁分別表示對(duì)應(yīng)異常數(shù)據(jù)感知參量形成時(shí)間段第n個(gè)和第1個(gè)輸入的電力系統(tǒng)異常數(shù)據(jù)拷貝信息參量；l表示電網(wǎng)異常數(shù)據(jù)的特征拷貝參量。

（2）制定數(shù)據(jù)捕獲映射條件。

數(shù)據(jù)捕獲映射條件的制定主要圍繞電力系統(tǒng)異常數(shù)據(jù)原始存在節(jié)點(diǎn)位置信息等展開(kāi)^［5］。在實(shí)際的數(shù)據(jù)捕獲映射條件制定中，通過(guò)數(shù)據(jù)驅(qū)動(dòng)映射、數(shù)據(jù)前移等確定數(shù)據(jù)捕獲的映射條件。

3 系統(tǒng)驗(yàn)證

3.1 系統(tǒng)實(shí)驗(yàn)環(huán)境

為驗(yàn)證本文構(gòu)建的電力系統(tǒng)異常數(shù)據(jù)智能捕獲系統(tǒng)，以目前常用的Map-Reduce 框架和ISODATA 聚類算法框架搭建的電力系統(tǒng)異常數(shù)據(jù)智能捕獲系統(tǒng)作為對(duì)比項(xiàng)A和B開(kāi)展系統(tǒng)性能對(duì)比分析。實(shí)驗(yàn)采用的電力系統(tǒng)環(huán)境模擬了發(fā)電機(jī)、升壓變壓器構(gòu)成的發(fā)電部、二次高壓變配電所、低壓變配電站、工廠及一般用戶等。

3.2 結(jié)果分析

如表1所示為實(shí)驗(yàn)組與對(duì)比組在單位時(shí)間異常數(shù)據(jù)電子傳輸處理量方面的對(duì)比結(jié)果。該值越高則表明系統(tǒng)處理異常數(shù)據(jù)量的極限值越高。

從表1中數(shù)據(jù)可知，一方面，實(shí)驗(yàn)組在5，10，15，20 min時(shí)的單位時(shí)間異常數(shù)據(jù)電子傳輸處理量均高于對(duì)比組A和對(duì)比組B，表明本文構(gòu)建的電力系統(tǒng)異常數(shù)據(jù)捕獲極限強(qiáng)度高于另外兩組。另一方面，實(shí)驗(yàn)組在實(shí)驗(yàn)時(shí)間由5 min延長(zhǎng)至20 min的過(guò)程中，異常數(shù)據(jù)電子傳輸處理量始終穩(wěn)定在8.3×10¹⁴T/min左右，而另外兩組的處理量則明顯處于下降趨勢(shì)，表明本文構(gòu)建的電力系統(tǒng)異常數(shù)據(jù)智能捕獲系統(tǒng)工作能力不會(huì)隨處理時(shí)間的延長(zhǎng)而下降。

實(shí)驗(yàn)組與對(duì)比組在處理相同量電力系統(tǒng)異常數(shù)據(jù)時(shí)消耗的時(shí)間對(duì)比情況如表2所示。在數(shù)據(jù)處理量由1 Mb提升至5 Mb的時(shí)候，實(shí)驗(yàn)組處理異常數(shù)據(jù)的耗時(shí)始終穩(wěn)定在2.5 s左右，而對(duì)比組A、B兩組的處理耗時(shí)均在逐漸提升。這與表1所體現(xiàn)的結(jié)果得到了相互驗(yàn)證，即本文構(gòu)建的系統(tǒng)在處理電力系統(tǒng)異常數(shù)據(jù)時(shí)的效率更穩(wěn)定，不會(huì)因?yàn)樘幚砹康奶嵘蛱幚頃r(shí)間的延長(zhǎng)而下降。

4 結(jié)語(yǔ)

電力系統(tǒng)異常數(shù)據(jù)捕獲是幫助電力系統(tǒng)實(shí)現(xiàn)穩(wěn)定運(yùn)營(yíng)的關(guān)鍵。本文認(rèn)為，在結(jié)合Caffe深度學(xué)習(xí)框架的基礎(chǔ)上構(gòu)建電力系統(tǒng)異常數(shù)據(jù)智能捕獲系統(tǒng)，在系統(tǒng)數(shù)據(jù)處理極限值和處理效率方面均優(yōu)于傳統(tǒng)的電力系統(tǒng)異常數(shù)據(jù)捕獲方法，可以為電力系統(tǒng)提供更為穩(wěn)定、高效的異常數(shù)據(jù)捕獲、分析功能等。

參考文獻(xiàn)

［1］葉寬，楊博，朱戎，等.基于深度學(xué)習(xí)的電力系統(tǒng)異常數(shù)據(jù)自動(dòng)捕獲方法［J］.電子設(shè)計(jì)工程，2022（9）：162-165，170.

［2］鄂長(zhǎng)江，李少甫，齊藝軻.單粒子多瞬態(tài)誘導(dǎo)的組合電路軟錯(cuò)誤敏感性評(píng)估［J］.微電子學(xué)與計(jì)算機(jī)，2019（11）：16-19.

［3］王喆，張維軍，高國(guó)梁，等.基于自適應(yīng)采樣的輸電線路分布參數(shù)測(cè)量系統(tǒng)設(shè)計(jì)［J］.電子設(shè)計(jì)工程，2020（12）：26-29，34.

［4］毛艷，鄧桃，魏杰，等.±1 100 kV線路金具電場(chǎng)仿真與電暈特性［J］.高電壓技術(shù)，2019（4）：1137-1145.

［5］黃林，常健，楊帆，等.基于改進(jìn)K-means的電力信息系統(tǒng)異常檢測(cè)方法［J］.深圳大學(xué)學(xué)報(bào)（理工版），2020（2）：214-220.

（編輯 王雪芬）

Research on the intelligent capture of abnormal data of power system under Caffe deep learning framework

Chen Huabin

（Guizhou Qianchi Information Co.， Ltd.， Guiyang 550002， China）

Abstract： Based on Caffe deep learning framework， this paper constructs an intelligent abnormal data capture system for power system， analyzes specific abnormal data intelligent capture from the multi-layer architecture of automation protocol stack， abnormal data copy and data capture mapping conditions， and verifies the actual abnormal data processing capacity and processing efficiency of the system.

Key words： Caffe deep learning framework; electric power system; abnormal data; automatic capture