基于Prophet模型的省級關口計量裝置異常判斷方法

林彤堯 黃天富 吳志武 王春光 黃漢斌 涂彥昭

(國網福建省電力公司營銷服務中心,福建 福州 350000)

*通信作者:林彤堯,E-mail:tongyao_lin@163.com。

0 引言

關口計量裝置是準確計量發、輸、用各方電能的關鍵設備,對購、售電客戶之間公平考核和決算電量起重要作用[1-2]。計量裝置的計量準確性直接關系著各方經濟效益[3],研判關口計量裝置運行狀態是電力營銷的重點工作之一。

判斷關口計量裝置運行狀態的傳統方法是利用人工對裝置進行實地周期巡檢,需要大量人力和物力[4]。然而,隨著電網規模不斷擴大,關口計量設備不斷增多,人工巡檢的方式已然不能滿足監測關口計量裝置運行狀態的需求。因此,涌現出多種關口計量裝置在線監測方法來實現遠程研判計量裝置狀態[1,5-6]。高利明等[1]使用GPS技術和低壓寬帶載波通信技術實時采集關口電能表和電壓、電流互感器二次回路信號,利用機器學習算法分析時空維度特征,實現遠程在線異常研判;申莉等[5]采用GPS同步采樣和無線通信技術的高精度采樣遠程獲取電力數據,并通過故障診斷模型進行狀態分析;徐嚴軍等[6]從14個特征中通過無監督的預訓練和有監督微調構建深度學習模型,自動學習關口異常特征。但是,上述方法需要大量基礎數據進行特征分析,在部分實際應用場景無法使用。這是由于在當前復雜的信息化背景下,發電廠、變電站的電力數據易被不法分子盯上,為保障信息安全,部分網省公司對變電站電壓、電流、電量數據實行保護,計量系統無法直接獲取電壓、電流、功率因數等運行數據,僅能獲得電量數據,數據特征較少,給遠程研判帶來了極大的挑戰。

為了解決上述難點,本文提出了一種能適用各類關口場景,并且僅使用電量數據便能遠程研判關口計量裝置異常的方法。該方法基于能量守恒定律與Prophet預測方法,以廠站內主變、母線或輸電線路為監測單元,通過計量點的歷史輸入、輸出電量得到關口的損耗曲線,接著使用Prophet模型對關口的近4個月歷史損耗曲線進行擬合,預測出其未來1個月的損耗率,并根據未來損耗率的95%置信區間設定損耗閾值。當實際損耗超出損耗閾值時,及時發出預警,由人工進行復核分析關口計量裝置是否處于異常狀態,并定位故障計量點[7]。

1 問題分析

由于部分變電站實行電力數據分區保護,計量系統只能獲得關口的電量數據。為能遠程監測關口計量裝置的運行狀態,目前采用電量平衡法進行監測,即通過關口的輸入和輸出電量數據得到對應的損耗率曲線,隨后人工觀察該曲線是否存在突變進,從而研判計量裝置的運行狀態。但由于部分關口曲線頻繁波動,人工觀察很容易誤判計量裝置運行狀態。圖1為某兩個變電站1#主變某一時段的損耗率。

由圖1可知,A變電站主變損耗率一直為正損且波動幅度較小,監測人員很容易判斷關口運行狀態是否正常;而B變電站主變受綜合倍率和采集精度的影響,損耗率出現正損和負損交替且頻繁波動的情況,監測人員難以分辨損耗率波動是系統誤差,還是由計量裝置異常產生。針對上述問題,本文將探索Prophet閾值預測方法,預測關口損耗率的波動范圍與規律,提出僅依靠電量數據便能高準確率識別關口計量異常監測的新方法。

(a)A變電站1#主變 (a)B變電站1#主變

2 算法原理與方法流程

2.1 Prophet預測原理

Prophet預測算法的原理是基于時間序列分解和機器學習擬合,該算法能夠快速得到未來的預測結果,并能自動處理數據的異常值與缺失值,減少人工對數據集的預處理步驟。

該算法模型為3個關于時間t的函數和誤差項εt相加,時間函數分別包含趨勢函數g(t)、周期函數s(t)和節假日函數h(t),通過數據擬合函數,得到時間預測序列,其公式為:

y(t)=g(t)+s(t)+h(t)+εt

(1)

式(1)中,g(t)為趨勢函數,表示時間序列在非周期變化的趨勢;s(t)為周期函數,可表示以周、月、季節或年周期變化的趨勢;h(t)為節假日函數,表示節假日影響量;?t為誤差項。

Prophet模型中,趨勢函數g(t)是基于傳統邏輯回歸模型的趨勢項,將邏輯回歸模型中的固定參數替換為隨時間變化的函數,并加入時間變點,以適應潛在的非周期變化趨勢,其公式為:

(2)

式(2)中,C(t)表示模型容量;m表示為偏移參數;q表示增長率。

其中,a(t)=(a1(t),a2(t),…,ad(t))T

δ=(δ1,δ2,…,δd)T

(3)

γ=(γ1,γ2,…,γd)T

式(3)中,a(t)為增長率變化量參數;δ為增長率變化量;γ為時間變點函數;d為時間變點的個數。

Prophet模型中周期函數s(t)是通過正弦余弦函數來表示周期的變化,為了更好地達到擬合效果,使用傅里葉級數來擬合周期性,其公式為:

(4)

式(4)中,β為周期變化參數,初始為高斯分布,控制周期效應的強弱;an、bn為傅里葉級數展開項系數;P為時間序列的周期,若P=30,則表明以月為單位的周期變化,若P=90,則表明以季度為單位的周期變化。

Prophet模型中節假日函數h(t)是通過設定特殊的時間節點,同樣使用變化參數,達到節假日影響前后一段時間的時間序列的效果,其公式為:

h(t)=Z(t)×μ

(5)

式(5)中,t為自行設定的節假日時間節點;μ為節假日參數,初始為高斯分布,控制節假日效應的強弱。

2.2 基于Prophet的省級關口計量裝置異常判斷方法

本文提出的計量關口異常判斷方法的流程如圖2所示。首先,需要獲取每個關口電量歷史數據,并計算得到對應的損耗率Dt={dt1,dt1,…,dtN};再根據全省關口電量的節假日特性、周期性,設置對應Prophet模型參數。接著,使用Prophet模型對每個關口的未來損耗率作出預測,并設置置信區間95%得到損耗閾值Et。若在此期間出現當天損耗率A1超出當天損耗閾值Et,則發出預警,由人工進行復核分析關口計量裝置是否處于異常狀態。

圖2 基于Prophet的省級關口計量裝置異常判斷方法

在分析節假日特性、周期性步驟中,由于Prophet模型分別是用高斯分布和傅里葉級數擬合節假日特性和周期性,因此需要通過關口電量數據Dt分析節假日的影響時間區間和關口損耗率的傅里葉特性,以便確認Prophet模型參數。

在使用Prophet模型預測步驟中,考慮到預測的準確性和實際應用情況,本文以30d為一個預測周期,每個監測單元利用近4個月歷史損耗率來預測下一個周期閾值。

3 算例分析

3.1 實驗參數設置與評價指標

文本實驗的集成開發環境為PyCharm,Prophet模型的搭建通過fbprophet實現,系統運行環境為Windows 11,CPU為AMD Ryzen 7-5800H,使用的數據由某省的省級計量關口管理平臺直接導出。在Prophet模型參數設置部分,節假日影響區間設為3d或1d,周期性設置為3d,并選擇線性方式預測,變點影響數值設為默認值0.1,選擇損耗閾值的置信度區間為95%。

本文使用召回率和精確度指標用于衡量模型性能。召回率表示實際為正樣本的結果中,預測為正樣本的比例,召回率越高,模型對故障應檢盡檢的效果越好,不易漏掉故障關口;精確度表示預測出來為正樣本的結果中,實際為正樣本的比例,精確度越高,模型判斷故障關口的正確率越高,減少判斷錯誤造成復核資源的浪費。

3.1.1 Prophet模型節假日參數

在設定Prophet模型節假日影響區間時,根據近三年關口全電量歷史數據,得到3年內平均節假日期間全計量關口電量,如表1所示。

表1 節假日期間電量 單位:108kWh

由表1可知,除春節、國慶節外,計量關口電量均在節日前一天出現下降,在節日當天下降到最低,在節日后兩天電量基本與節日前兩天電量持平,假日影響范圍區間較小。例如,五一節前兩天電量為3.22×108kWh,前一天電量為3.19×108kWh,電量無明顯變化,僅在五一節當天降至低點2.75×108kWh,隨后電量開始爬升,節后兩天的電量為3.12×108kWh,與節前兩天電量基本持平。而春節與國慶節計量關口電量在節日后第四天才恢復到節前大小。綜上所述,將三天節假日的影響時間區間設定為1d,將春節與國慶節的影響時間區間設定為3d。

3.1.2 Prophet模型周期性參數

在設定Prophet模型周期性時,本文對歷史關口電量數據使用傅里葉變換方法,將時域數據轉為頻域觀察,通過觀察最大振幅的正弦波周期,確認周期性。為了便于展示,文章隨機選擇三個變電站計量點畫出幅值歸一化后的傅里葉頻域圖(圖3)。由圖3可知,三個計量點出現幅值高位均集中在2～3d,周期符合損耗率頻繁波動的實際情況。因此,Prophet模型的周期性設置為3d。

圖3 幅值歸一化后的傅里葉頻域圖

3.2 Prophet模型預測實驗

本文取每個監測單元5個月的歷史損耗率,將其中前4個月歷史損耗率作為訓練集,用來預測后1個月的損耗率,并將預測損耗率與實際損耗率作對比。此外,為了驗證Prophet模型的性能,本文使用其他預測方法對同樣的數據進行預測,并進行效果對比。圖4為4種不同方法預測某主變損耗的結果。

(a)Prophet預測模型(b)指數平滑預測模型

(c)LSTM預測模型(d)ARIMA預測模型

由圖4可知,在預測準確率方面,指數平滑模型與LSTM模型將損耗率頻繁上下波動現象識別成噪聲,認為損耗率保持固定,因此,預測值為基本恒定值,無法跟隨實際值損耗,起不到預測與預警的作用。而Prophet與ARIMA模型的預測值可以較好地跟隨實際值,反映出損耗率的波動情況。在預警閾值上下限方面,LSTM模型的閾值上下限差值過小,指數平滑模型差值過大,均無法起到預警作用。在Prophet模型中,閾值差值適中,而ARIMA模型預測的閾值較為粗放,閾值面積超出Prophet模型閾值的50%以上,對關口異常損耗率不敏感,不易發現異常點。

綜上所述,LSTM與指數平滑模型容易預測失敗,ARIMA模型預測的閾值面積過大,容易漏檢異常信息,Prophet模型雖然偶爾會誤判狀態,但能對異常信息應檢盡檢。因此,Prophet模型作為預測方法最為合適。

3.3 實驗結果

為了進一步驗證Prophet模型性能,取近3年內出現裝置故障的關口損耗率曲線。為保證樣本平衡,按1∶1比例加入正常運行的損耗率曲線,共計124條曲線。以故障日的前3個月曲線作為訓練集,后1個月作為預測驗證集,驗證Prophet模型能否正確對故障日作出預警,能否對正常運行不誤報,實驗結果如表2所示。

表2 關口計量裝置異常計算結果

結果顯示,Prophet模型在計量關口異常識別上有較高的召回率和精確率,分別達到了93.5%和91.1%,優于其他方法。

4 結束語

針對現有關口計量裝置運行異常判斷的問題,提出了一種基于Prophet模型的計量關口異常判斷方法,結論如下:

①Prophet預測模型能適用于實行電力數據分區保護的變電站,僅依靠電量數據就能較好地預測出監測單元未來損耗閾值,相比于其他方法模型,有計算速度快、性能好、適用節假日和周期性的特點。

②通過省級計量平臺導出的真實數據進行分析驗證,Prophet模型在計量關口異常計算上的召回率與精確率分別為93.5%和91.1%,優于其他方法。