基于BSO-BPNN模型的电能计量装置异常诊断方法研究

朱少斌，许素安，马宗彪，王 晶

(中国计量大学，浙江 杭州 310018)

0 引 言

随着国网公司在电力物联网建设工作中的部署，当前供电企业的用电信息采集系统已存储了大量能用于计量装置异常诊断的信息[1-2]。为了提高计量装置的诊断效率，同时降低运维人员工作量，研究如何根据存储的信息进行装置的异常状态在线诊断具有重要意义。

目前针对电能计量装置建立的诊断模型大多是一种综合评价模型，如妙红英等[3]建立四种健康状态模型，根据随机森林算法对计量装置进行状态评估，判定计量装置的运行状态。卢健豪等[4]利用层次分析法和1-9标度法构建电能计量装置评价体系，得到计量装置的运行状态模糊评价结论。这些综合评价方法得到的结论只能对电能计量装置运行状态进行大致判定，适用范围较窄，实际应用性不强。对于可能造成用电客户经济安全损失的电能计量装置电流电压异常等重要异常状态无法进行准确判定，电网运维人员也无法根据这种模糊的结论得到具体的电能计量装置异常状态，不能及时对电能计量装置的异常进行处理。所以文章建立一种能够方便准确诊断电能计量装置实际异常状态的模型具有特别重要的意义。

近年来，BP神经网络（BPNN）模型成功应用于故障诊断领域，但仍存在许多不足，故障诊断性能不佳。粒子群算法（PSO）作为一种新型群体智能优化算法，常用来优化BP神经网络模型的诊断性能，比如李达等[5]根据PSO-BP算法实现了高压输电线路的异常故障分类，减少寻找故障点所需要的时间；李升健等[6]利用CPSO-BP算法对配电网进行故障选线，使选线结果的精度得到了提高。PSO算法虽然具有结构简单，调参较少等优点，但其粒子更新规则容易导致算法陷入局部最优，出现早熟等问题。为了提升PSO的优化性能，文章在原PSO算法的粒子更新规则中加入了天牛须搜索算法（BAS）的个体速度、位置更新规则，以此增强算法的收敛速度和个体搜索能力。文章结合PSO和BAS的优势建立天牛群优化BP神经网络的诊断模型（BSOBPNN），使用BSO-BPNN诊断模型对电能计量装置实际发生的异常进行诊断。

1 电能计量装置异常诊断模型

在电力系统中，电能计量装置是不可或缺的重要组成部分之一，其大多数异常都可根据用电信息采集系统采集到的巡检数据进行判断。巡检数据作为反映客户电能计量装置运行状态的瞬时值，若采集到的两次巡检数据一样，则可用巡检数据来反映计量装置的运行状态，通过分析装置的异常状态可知，巡检数据中三相三线电能计量装置的三相电压数据、三相电流数据和电压比值、电流比值等10个参数（分别用x1～x10表示）为主要特征参数。

电能计量装置结构复杂，故障类型多样，根据巡检数据可将计量装置分为9种异常，以这9种异常（分别为F1～F9），加上正常状况（用F10表示），作为待诊断的10种状态类型，以这10种状态类型为分类标准，验证该模型的可行性和有效性。电能计量装置异常与特征参数的表现存在交叉和重叠，通过BSO-BPNN模型可实现装置异常的准确识别。电能计量装置异常诊断模型中特征参数x1～x10为网络输入，网络输出为待诊断状态类型F1～F10（见图1）。

图1 电能计量装置异常诊断模型图

2 算法原理概述

2.1 BP神经网络

BP神经网络[7]的特征是输入正向传播，误差反向传播，其网络可在多次训练学习中不断改变自身的结构参数，以使输出误差满足要求。设BP神经网络的输入为X=[x1, ···,xi, ···,xn]T，F=[F1,···,Fk, ···,Fq]T为网络输出，n，m，q分别为 BP 神经网络模型中输入层、隐含层、输出层的神经元个数；vij为输入层到隐含层的权值；b1为隐含层的阈值；wij为隐含层到输出层的权值；b2为输出层的阈值；h(x)为隐含层节点所采用的传递函数；f(x)为输出层节点所采用的传递函数。则BP神经网络的输入、输出关系可表示为：

网络输出总误差函数为：

式中：p——所含样本总数；

d——期望输出值。

2.2 粒子群优化算法

Eberhart和Kennedy在1995年提出了粒子群算法[8-9]。PSO算法是由鸟群觅食行为启发而来，并对觅食行为进行建模而得到的优化算法，主要用于解决最优化问题。在PSO的寻优过程中，将问题所有解的空间看作鸟群寻找食物的空间，并用无体积和质量的粒子来表示每一只鸟。每只鸟经过的位置都作为问题存在的可能性解，当鸟类中的个体寻觅到食物时，即优化问题找到了最优解。假设一个N维的搜索空间，以Vi=[vi,1,vi,2, ···,vi,N]表示第i个粒子的速度，以Xi=[xi,1,xi,2, ···,xi,N]表示第i个粒子的位置。在每一次的迭代中，根据各个体的目标函数值，判断t时刻各个体所经过的个体最优位置pbest，以及整个群体所找到的最优位置gbest。PSO算法中的每个粒子都根据pbest和gbest来更新各自的速度和位置，如下式所示：

式中：t——当前更新次数；

c1、c2——更新的学习因子；

rand——0～1之间的随机数。

2.3 天牛须搜索算法

Jiang和Li等在2017年提出了天牛须搜索算法[10-11]。BAS算法的思想源于对天牛觅食行为的研究，当天牛开始觅食时，它并不清楚食物所在的具体位置，而是利用它闻到的食物气味来寻找食物。把食物气味看做一个函数，天牛根据自身左右两触角闻到的气味强弱值，朝气味强的一边移动，通过不断朝更强的方向移动，进而找到整个空间中气味值最强的点。算法具体步骤如下：

1) 对BAS中的天牛随机搜索向量进行归一化处理：

式中：b——天牛须随机方向向量；

rand( )——随机函数；

k——空间维度。

2) 创建天牛左右须空间坐标：

式中：xr(t)、xl(t)——天牛右触和左触第t次更新时的空间坐标；

x(t)——个体第t次更新时的空间坐标；

d(t)——第t次更新时两触之间的距离。

3) 根据目标函数f(x)判断两须之间气味的强度大小，创建天牛须位置移动模型：

式中：x(t+1)——第t+1次更新时天牛的空间坐标；

δ(t)——第t次更新时的步长因子；

sign(x)——符号函数；

f(xr(t))、f(xl(t))——天牛左、右两触的目标函数值。

3 基于BSO-BPNN模型的电能计量装置异常诊断

3.1 天牛群算法

BAS算法注重个体，忽略了群体之间的连接，PSO算法则侧重整个群体对于个体的影响，不考虑搜索过程中个体自身对空间环境的判断。因此, 文章提出了基于两者结合的天牛群算法(BSO)[12-13]。在BSO算法的迭代过程中，将每个粒子都当作一个个体，并根据PSO的粒子更新规则进行全局搜索。然而，在个体迭代过程中，BSO算法还添加了BAS算法关于天牛个体的更新规则。在每次个体迭代期间，粒子作为个体需要比较其左右两侧的目标函数值, 将目标值更大的一侧作为下一次更新群体的位置。BSO算法结合了PSO和BAS两种算法的优点，能够更好地提高算法的全局搜索能力，克服了PSO算法容易导致的局部最优、稳定性差等问题。天牛群算法流程如图2所示，天牛群位置的更新公式如下：

图2 天牛群算法流程图

式中：vi(t)——第t次更新后第i个粒子的速度；

xi(t)——第t次更新后第i个粒子的位置；

vbi——粒子的更新速率；

w——惯性因子；

c1、c2、c3——学习因子。

由于学习因子和惯性权重对于PSO和BSO算法的全局和局部搜索能力都具有重要影响，合理的c1、c2、c3以及w取值能够有效平衡算法的全局和局部搜索能力，可以提升算法的收敛性能，因此，文章对PSO和BSO算法中的学习因子和惯性权重进行改进。

在迭代过程中，对学习因子进行异步变化，从而使得在迭代过程中，开始时自我学习能力较强以便于全局搜索，后期时社会学习能力较强以便于局部搜索，学习因子具体更新规则如下：

式中：c10、c20、c30——对应学习因子的初始值；

a——常数。

经实验，a取值为1.2最佳。

Shi.Y认为较大的惯性权值有利于全局搜索，较小的惯性权值有利于局部搜索，文章根据Shi.Y提出的线性递减权重更新规则进行惯性权重规则更新，具体公式如下：

其中wmax、wmin分别为w的最大值和最小值，习惯上取wmax=0.9，wmin=0.4，t为当前更新步数，tmax为最大更新次数。

3.2 基于BSO-BPNN的装置异常诊断流程

电能计量装置的异常状态判断流程如图3所示，具体步骤如下：

图3 电能计量装置异常诊断流程图

1）根据用电信息采集系统采集到的电能计量装置巡检数据，从巡检表中选择三相电压和三相电流数据以及电压比值和电流比值数据作为BP的训练样本，并对数据进行归一化处理。

2）确定网络结构。网络的输入节点数n=10，隐含层节点数m=12，输出节点数q=10。

3）初始化粒子群参数。设置天牛群规模N=50，迭代次数t=200，惯性权值w，学习因子初始值c10=1.3、c20=2、c30=3。

4）计算各粒子的目标函数值。以实际输出类型和预测输出类型的预测错误率作为目标函数，目标函数值最小时，对应权值、阈值的最优解，目标函数表示：

式中：y——预测输出类型正确个数；

yt——实际输出类型个数。

5）设置天牛须搜索各参数。δ为迭代步长，左、右须之间距离为d0。

6）根据公式（5）～（7）更新每个天牛的速度和位置。

7）判断是否满足天牛须搜索算法的迭代终止条件，若满足，则继续下一步骤，若不满足，则返回步骤6）。

8）根据公式（8）～（14）更新天牛群粒子的速度、位置和权重。

9）判断是否满足天牛群算法迭代终止条件，若不满足，则返回步骤4），直到满足条件。

10）将种群搜索到的最优粒子作为BP神经网络模型的初始权值和阈值。

11）利用训练好的网络对测试集样本进行测试，输出诊断结果。

4 实验分析

为了验证BSO-BPNN模型对于计量装置的异常具有显著诊断效果。本文利用PSO-BPNN、BSOBPNN和普通BPNN三种模型对计量装置进行异常诊断实验，比较三者诊断的准确率以及所需迭代次数。

4.1 数据来源与特征选择

依据 Q/CSG 113006—2011 《南网普通电子式三相电能表技术规范》[14]、GB/T 15543—2008《电能质量 三相电压不平衡度》和重庆电网对已有巡检数据的分析基础，可以得到电能计量装置的异常状态主要与巡检数据表中装置的电压电流值有关。因此文中选择巡检数据表中三相三线电能计量装置的三相电压值、三相电流值以及电压比值和电流比值作为数据特征进行分析。文章从重庆地区国家电网采集到的2019年巡检数据中筛选出458组异常数据和45组正常数据作为样本数据。在503组样本中随机选择70组数据作为计量装置异常状态测试集，其他433组作为计量装置异常状态训练集。文中计量装置的运行状态类型以及对应状态编号如表1所示。

表1 电能计量装置状态类型

4.2 实验结果

利用 PSO-BPNN、BSO-BPNN、BPNN三种模型对电能计量装置进行异常诊断，诊断结果如图4～6所示。

图4 BPNN预测结果对比图

图5 PSO-BPNN预测结果比对图

图6 BSO-BPNN预测结果比对图

从图4～6中可以明显看出，对于电能计量装置不同状态的异常诊断，BSO-BPNN模型相比于普通的PSO-BPNN模型和未优化的BPNN模型，具有更高的准确率。

实验中利用粒子群算法和天牛群算法分别优化BP神经网络模型得到的迭代曲线如图7所示。

图7 PSO和BSO迭代曲线对比图

由图7可知，单独的PSO算法所需迭代时间较长，且不易达到稳定，容易陷入局部最优，达到最大迭代次数时的目标值较高。而BSO算法由于在PSO的更新规则中增加了BAS对于个体的更新规则。在初次迭代时，目标值就比较小，而且收敛速度较快，达到稳定需要的迭代次数也较少，说明BSO算法性能明显由于PSO算法。

表2给出3种模型对于电能计量装置异常状态诊断的准确率。由表2可知，PSO-BPNN模型对于计量装置的异常诊断能力不高，相比于普通BPNN模型没有明显优势。BSO-BPNN模型的诊断准确率最高，该模型对于电能计量装置的异常诊断能力最强。

表2 3种模型对于装置异常诊断的准确率

5 结束语

文章以用电信息采集系统采集到的电能计量装置巡检数据为基础，提出了一种基于天牛群优化BP神经网络的电能计量装置异常诊断方法。与PSO算法相比，BSO算法结合了PSO和BAS的优点，对于全局和个体的搜索能力都得到了提升。从实验分析结果可以看出，BSO-BPNN模型的异常诊断准确率达到了92.86%，比PSO-BPNN模型高了8.57%。说明根据电能计量装置的巡检数据，使用BSO-BPNN模型对计量装置进行异常状态诊断的方法是有效的，为电能计量装置的异常诊断提供了一种新的方法。