基于YOLO網(wǎng)絡的發(fā)電側數(shù)據(jù)異常檢測研究

修夢菲

（1.浙江浙能技術研究院有限公司，浙江 杭州 310000；2.浙江省火力發(fā)電高效節(jié)能與污染物控制技術研究重點實驗室，浙江 杭州 310000）

電力技術革命以來，電能供給和使用給人們生產(chǎn)和生活帶來了極大的便利，也成為人們日常生活不可或缺的重要能源供給方式[1]。目前，電能產(chǎn)生可以依賴多種模式，例如火力發(fā)電、風力發(fā)電、太陽能發(fā)電以及核能發(fā)電等。電能使用的最大問題就是避免浪費，因此電能節(jié)能控制成為電力領域最重要的課題[2]。從理論上來說，電能的節(jié)約控制關鍵在于供給側和需求側的對應和匹配，盡可能避免需求側對能源需求總量的無限制增加。在供給側，能夠對發(fā)電數(shù)據(jù)進行準確監(jiān)測，及時發(fā)現(xiàn)異常數(shù)據(jù)并進行處理，這也是電能節(jié)能控制的關鍵。從現(xiàn)有的方法來看，已經(jīng)形成了基于監(jiān)督模式的異常數(shù)據(jù)檢測、無監(jiān)督模式的異常數(shù)據(jù)檢測等方法[3]。在神經(jīng)網(wǎng)絡技術出現(xiàn)后，基于學習機制的異常數(shù)據(jù)識別成為更有效的方法，尤其是深度學習網(wǎng)絡的出現(xiàn)，進一步提高了異常數(shù)據(jù)檢測的效果。因此，該文以YOLO 網(wǎng)絡作為深度學習的基礎模型，對發(fā)電側異常數(shù)據(jù)進行檢測，并通過試驗進行驗證。

1 基于YOLO 網(wǎng)絡的異常數(shù)據(jù)檢測方法

1.1 最小YOLO 型深度學習網(wǎng)絡

該文對發(fā)電側的異常數(shù)據(jù)進行檢測，數(shù)據(jù)量比圖像識別、視頻監(jiān)控等任務少，因此選擇最小型YOLO 深度網(wǎng)絡，可以將其看作常規(guī)YOLO 網(wǎng)絡的簡化模型。在該模型中，一共采用了7 個DBL 單元和6 個Pooling 單元，從而形成了更容易組建的特征提取層。最小型YOLO 深度網(wǎng)絡的結構框架如圖1 所示。

圖1 最小型 YOLO 網(wǎng)絡的異常數(shù)據(jù)檢測框架

在深度學習的過程中，發(fā)電側數(shù)據(jù)的屬性作為第一層級，各個屬性類別之間的差異用距離表示并作為第二層級，這樣就可以將發(fā)電側數(shù)據(jù)形成一個S×S的空間網(wǎng)格結構。這個數(shù)據(jù)空間的寬度和長度分別為w和h，每個數(shù)據(jù)空間對應1 個置信度，如公式（1）所示。

式中：C為每個數(shù)據(jù)空間對應的置信度；ρ為數(shù)據(jù)空間中發(fā)電側數(shù)據(jù)為正常情況的概率；IoUT P為真實情況與預測情況的交并比計算結果。

當對發(fā)電側異常數(shù)據(jù)進行檢測時，如果置信度C低于設定的閾值，就可以判斷該數(shù)據(jù)異常。

1.2 引入SENet 結構

該文在YOLO 深度網(wǎng)絡中引入的SENet 結構如圖2 所示。

圖2 YOLO 網(wǎng)絡中引入的SENet 的結構

由圖2 可知，在存在一個特定輸入X的情況下，數(shù)據(jù)空間的高度、寬度和通道數(shù)量分別為H、W和Q。

首先，對輸入的數(shù)據(jù)或特征進行全局均值池化處理，形成一個可以表達全局信息的向量，該向量是一維的。其次，2 個具有全局信息的向量通過全連接層以及ReLU 函數(shù)的激活處理形成降維簡化的效果。再次，對已經(jīng)降維的信息進行Sigmoid 函數(shù)激活處理，從而得到復原后的數(shù)據(jù)。最后，通過執(zhí)行標定處理，將處理后的數(shù)據(jù)信息復原回原有的數(shù)據(jù)空間。

1.3 金字塔多尺度池化處理

在這個過程中，多個尺度的池化處理體現(xiàn)為金字塔結構。在發(fā)電側數(shù)據(jù)的金字塔池化過程中，使用了3 個尺度的池化處理，分別是5×5、9×9 和13×13，這種結構的處理效果如圖3 所示（抽象的結果）。

圖3 該文采用的池化結構

由圖3 可知，發(fā)電側數(shù)據(jù)的特征已開始被抽象成n×n×m的尺寸，然后開始進入該文設定的3 個不同層級的池化單元進行處理，這3 個不同層級的池化單元構成了金字塔。雖然這3個池化單元的尺度并不相同，但是形成的輸出均需與輸入保持相同的維度。最終的輸出與最初的輸入效果結合，從而形成了n×n×4m的擴維特征。

1.4 損失函數(shù)設計

針對數(shù)據(jù)網(wǎng)格邊界定位不準確的問題，采用GIoU損失函數(shù)來界定數(shù)據(jù)網(wǎng)格邊界，以進一步提高識別發(fā)電側異常數(shù)據(jù)的準確度。

當預測邊界與真實邊界不重合時，GIoU函數(shù)可以解決IoU無法衡量兩邊界距離遠近的問題。同時，GIoU函數(shù)也可以解決IoU為0 時無法優(yōu)化的問題。GIoU利用IoU的尺度不變性，可以更準確地計算邊界回歸。IoU函數(shù)和GIoU函數(shù)分別如公式（2）、公式（3）所示。

式中：A為數(shù)據(jù)網(wǎng)格的真實邊界；B為數(shù)據(jù)網(wǎng)格的預測邊界；C為包圍預測邊界與真實邊界之間的最小外接矩形。

用GIoU替換IoU并將其作為邊界距離的衡量標準，得到邊界損失函數(shù)Lbox如公式（4）所示。

2 發(fā)電側數(shù)據(jù)異常檢測試驗結果與分析

針對發(fā)電過程供給端的異常數(shù)據(jù)檢測問題，該文在YOLO 深度學習網(wǎng)絡的基礎上，在特征提取階段加入SENet結構，在特征提取階段后加入多尺度池化操作，形成了一種新的異常數(shù)據(jù)檢測算法。為了驗證該文提出的異常數(shù)據(jù)檢測算法的有效性，需要進行相關試驗。

2.1 SENet 結構引入的性能測試

在試驗過程中，選擇AAA 發(fā)電站發(fā)電側供給的10 000組實際數(shù)據(jù)作為試驗對象。因此，該文的數(shù)據(jù)樣本由AAA發(fā)電站后臺數(shù)據(jù)庫提供。每組數(shù)據(jù)都包括5 個屬性維度，分別是電壓、電流、功率、回路和時間。10 000 組數(shù)據(jù)中包括329 個異常數(shù)據(jù)，其他為正常數(shù)據(jù)，異常數(shù)據(jù)和正常數(shù)據(jù)隨機分布。在試驗過程中，選取全部數(shù)據(jù)的60%作為樣本數(shù)據(jù)，30%作為測試數(shù)據(jù)，10%作為檢測數(shù)據(jù)。

在試驗過程中，對比基于YOLO 深度網(wǎng)絡的檢測方法和引入SENet 結構的YOLO 檢測方法的損失曲線，結果如圖4 所示。在試驗中，共選擇3 000 組數(shù)據(jù)作為訓練數(shù)據(jù)。

圖4 SENet 結構引入前后的對比

由圖4 可知，隨著迭代步數(shù)不斷增加，2 種檢測方法的損失率都不斷下降，表明2 種算法對異常數(shù)據(jù)的檢出率不斷提高。從2 條曲線的對比結果可以看出，基于YOLO 深度網(wǎng)絡檢測方法的損失率變化并不平穩(wěn)，雖然總體趨勢在不斷下降，但是中間出現(xiàn)了很多脈沖型突起，表明基于YOLO 深度網(wǎng)絡檢測方法對數(shù)據(jù)特征提取的效果存在一定偏差。雖然該文提出的SENet 結構的YOLO 檢測方法的損失率變化曲線也有波動，但是波動幅度小，表明在引入SENet 結構后，YOLO檢測方法提取的數(shù)據(jù)特征更準確。

2.2 多尺度池化的性能測試

對比基于YOLO 深度網(wǎng)絡的檢測方法和引入多尺度池化的YOLO 檢測方法的損失曲線，結果如圖5 所示。在試驗中，共選擇7 000 組數(shù)據(jù)作為訓練數(shù)據(jù)。

圖5 多尺度池化引入前后的對比

由圖5 可知，隨著迭代步數(shù)不斷增加，2 種檢測方法的損失率都不斷下降，表明2種算法對異常數(shù)據(jù)的檢出率不斷提高。從2 條曲線的對比結果可以看出，基于YOLO 深度網(wǎng)絡檢測方法的損失率下降幅度比該文提出的引入多尺度池化的YOLO檢測方法小。同時，該文提出的引入多尺度池化的YOLO 檢測方法的收斂速度也更快，大概在180 次迭代后即達成了穩(wěn)定。而基于YOLO 深度網(wǎng)絡的檢測方法在310 次迭代后才達成穩(wěn)定。

2.3 異常數(shù)據(jù)檢測精度的測試

最后一項試驗是測試該文提出的異常數(shù)據(jù)檢測方法的精度。在試驗過程中，選擇基于CNN 深度網(wǎng)絡的檢測方法、基于RNN 深度網(wǎng)絡的檢測方法和基于YOLO 深度網(wǎng)絡的檢測方法作為參照方法。從1 000 組數(shù)據(jù)開始逐步增加數(shù)據(jù)數(shù)量，觀察4 種方法對發(fā)電側供給異常數(shù)據(jù)的檢測精度，結果見表1。

表1 4 種方法的異常數(shù)據(jù)檢測精度

由表1 可知，隨著檢測數(shù)據(jù)量不斷增大，4 種方法對異常數(shù)據(jù)的檢測精度都不斷提高。其原因是數(shù)據(jù)量越多，樣本信息的特征越豐富，基于深度學習的異常檢測方法可以獲得更準確的檢測結果。從4 種方法的對比結果也可以看出，基于CNN 深度網(wǎng)絡的檢測方法的檢測精度最低，該文提出的方法對異常數(shù)據(jù)的檢測精度更高。相比之下，基于YOLO 深度網(wǎng)絡的檢測方法與該文提出方法的檢測精度差距最小。但是隨著數(shù)據(jù)量不斷增大，這種差距也被不斷拉大。這也再次證明了該文在YOLO 深度網(wǎng)絡上采取的改進措施的有效性，其更適合對發(fā)電側異常數(shù)據(jù)進行檢測。

3 結語

針對發(fā)電側異常數(shù)據(jù)的檢測問題，該文在YOLO 深度網(wǎng)絡檢測方法的基礎上提出了一種改進的異常數(shù)據(jù)檢測方法。在YOLO 網(wǎng)絡的特征提取階段引入SENet 結構，通過壓縮、激勵和重標定3 個操作使數(shù)據(jù)信息的特征提取更準確。在YOLO 網(wǎng)絡的特征層后加入多尺度池化處理，使深度網(wǎng)絡的學習和訓練效率更高，進一步提高檢測準確性。試驗結果表明，通過引入SENet 結構和多尺度池化處理，該文提出的異常數(shù)據(jù)檢測方法可以獲得更準確的特征提取結果。