Caffe深度学习框架下的电力系统异常数据智能捕获研究

陈华彬

摘要：文章基于Caffe深度学习框架构建了一种电力系统异常数据智能捕获系统，从自动化协议栈的多层架构、异常数据拷贝及数据捕获映射条件等方面进行具体异常数据智能捕获分析，验证了该体系的实际异常数据处理量及处理效率等。

关键词：Caffe深度学习框架；电力系统；数据异常；自动捕获

中图分类号：TP391

文献标志码：A

0 引言

现代电力系统技术的不断进步及其网络覆盖范围的飞速提升，使电力系统的结构和运行模式空前复杂。受诸多因素如电力系统量测量误差等的影响，在对电力系统的某些数据进行测量时可能会出现一定的误差。这种误差的存在会给电力系统的整体预测和精准分析形成干扰^［1］。因此，電力系统异常数据的捕获工作至关重要。深度学习可以对所研究对象样本数据的表示层次与内在作用规律进行描述。将深度学习应用于电力系统，可以通过清洗电力数据、设置异常检测标签编码条件等方式实现电力系统异常数据的智能捕获。因此，本文结合Caffe深度学习框架，构建了一种电力系统异常数据智能捕获系统，并对该系统的工作能力进行验证，旨在为我国电力系统的智能化发展提供借鉴。

1 系统构建需求

1.1 电力系统异常数据的高精度捕获

传统的电力系统异常数据捕获大多采用模糊C均值聚类法等方式实现。这类方法的工作原理是通过统计电力系统往期两时刻间数据变化范围，对比待检测日相同时间段的数据变化范围，判断待检测日电力系统数据是否符合正常的指标，得出是否存在异常数据等结论。这种方法通常在检测单个异常数据时较为有效，而在系统中异常数据较多时往往难以获得精准的数据捕获结果。因此，在构建电力系统异常数据智能捕获系统时，需要借助先进的深度学习框架等，提升系统的异常数据尤其是大段异常数据的捕获精度。

1.2 电力系统异常数据的高效率捕获

在一般的电力系统中，个别节点处出现的异常数据往往难以在极短的时间内被捕获。此时容易因为个别节点的数据异常而导致电力系统传输电子的精准化处理能力下降^［2］。数据捕获效率越高则越容易帮助电力系统及时处理异常数据。传统的电力系统多采用计算暂存异常电子数据量，然后采用既定节点处电信系统承载能力确定等方法实现异常数据捕获，工作效率较低且会随时间的延长而逐渐降低。本文所构建的电力系统异常数据智能捕获系统，将会着重强调保证系统长时间工作的前提下不会出现工作效率明显下滑的问题。

2 系统构建

2.1 系统框架

基于Caffe深度学习的电力系统异常数据智能捕获系统主要包括异常数据自动捕获和数据分析两个主要模块。本文构建的电力系统异常数据智能捕获系统框架如图1所示。

数据分析模块主要由学习节点、电网监测主机、异常数据集合3部分组成。学习节点直接对接数据捕获模块，是深度学习模块获取电网系统异常数据的最前端；电网监测主机主要作用为以物理形式对接学习节点与异常数据集合，既可以通过数据传输通道实现学习节点关于捕获异常数据的向上传递，又可以根据深度学习结果将异常数据平均分配给各学习节点；异常数据集合将电网监测主机获取的异常数据进行收集，再通过分析、整合将异常数据转换为既定格式的存储应用参量。

数据捕获模块主要由电力数据清洗、异常检测标签编码、自动化协议栈等部分组成。电力数据清洗指在数据捕获模块获得电力系统的海量数据以后，首先对这些数据进行抗感染处理，以消除数据中的脏数据或错误数据；异常检测标签编码指针对电力系统异常数据设置的必要判别条件，异常检测标签编码的设定需要依靠Caffe深度学习模块经过学习以后为其分配数量值；自动化协议栈负责为Caffe深度学习框架下的异常数据捕获提供必要的连接协议信息，通过拷贝异常数据、设置科学的异常数据捕获节点条件实现Caffe深度学习模块对异常数据的获取^［3］。

2.2 核心功能实现

根据图1所示的框架结构，本文搭建的Caffe深度学习框架下的电力系统异常数据智能捕获系统核心功能包括电力数据清洗、异常检测标签编码、自动化协议栈等。

2.2.1 电力数据清洗

电力数据清洗的主要目的是消除电力数据中能够影响电力系统异常数据智能捕获的脏数据、错误数据等。电力数据清洗是开展后续一切操作的基础。通常情况下电力数据的清洗包含5个环节，如图2所示。

数据清洗的第一步是去除或补全缺失的数据。缺失值是电力系统中极为常见的数据问题，通过明确缺失值范围、计算每个字段缺失值比例并按照比例和字段重要性分别制定去除/补全缺失数据的策略即可。数据清洗的第二步是去不需要的字段。在对第一步获得的数据进行备份以后直接删掉错误数据即可。但在去除或修改格式内容错误数据之前必须进行小规模的数据实验，防止删除错误。数据清洗的第三步是去除或修改逻辑错误的数据，根据电力数据逻辑的差异采取以业务知识/经验推测进行填充、以同一个指标计算的结果进行填充、以不同的指标计算的结果进行填充等方法。数据清洗的第四步是重新取数，针对指标重要性较高但是缺失率也较高的数据以人工形式从电力系统原始数据中调取相关数据进行补全。

2.2.2 异常检测标签编码

通常情况下电力系统所形成的异常数据都具有较为明显的特征参量，但在进行具体的异常数据识别时仍必须赋予异常数据一定的判别条件。假设e₀表示电力系统异常数据的最小检测标签编码条件，e_n表示最大编码条件，P表示电力系统异常检测标签编码，则P可以用式（1）进行表示：

其中，β表示非常规电力系统数据的自动化检测处理权限，电力系统分析管理人员可以根据自身实际需求进行设定；σ^-表示电力系统异常数据的捕获输出均值量，该值通常由不同电力系统异常数据特征值参量的差值决定；Q表示电力系统异常数据的清洗能力；t·是既定的标签编码系数。

2.2.3 自动化协议栈

自动化协议栈主要由数据捕获映射条件、异常数据拷贝两部分组成。自动化协议栈的价值主要集中在两方面：一方面，自动化协议栈可以通过多层架构及ICE 61850等设备实现对电力系统异常数据智能捕获节点的有效调配，从而将电力系统中出现的异常数据整合为独立的传输主体，为数据分析模块中数据节点的数据分析和传输提供便利^［4］；另一方面，自动化协议栈可以通过形成数据捕获映射条件，有效防止电力系统中异常数据对电网监测主机的干扰。

（1）异常数据拷贝。

异常数据的拷贝是以消耗大量的服务器内存的形式实现异常数据的预处理。其优点在于可以大幅缩短系统智能捕获异常数据的时间，提升检测异常数据标签编码的执行速率。假设W为电力系统异常数据的拷贝数值，则该值可以通过式（2）进行表达：

其中，d表示待检测电力系统在某一时间段内表现出的异常数据感知参量；ΔT表示与异常数据感知参量对应时间段的单位时长；τ_n和τ₁分别表示对应异常数据感知参量形成时间段第n个和第1个输入的电力系统异常数据拷贝信息参量；l表示电网异常数据的特征拷贝参量。

（2）制定数据捕获映射条件。

数据捕获映射条件的制定主要围绕电力系统异常数据原始存在节点位置信息等展开^［5］。在实际的数据捕获映射条件制定中，通过数据驱动映射、数据前移等确定数据捕获的映射条件。

3 系统验证

3.1 系统实验环境

为验证本文构建的电力系统异常数据智能捕获系统，以目前常用的Map-Reduce 框架和ISODATA 聚類算法框架搭建的电力系统异常数据智能捕获系统作为对比项A和B开展系统性能对比分析。实验采用的电力系统环境模拟了发电机、升压变压器构成的发电部、二次高压变配电所、低压变配电站、工厂及一般用户等。

3.2 结果分析

如表1所示为实验组与对比组在单位时间异常数据电子传输处理量方面的对比结果。该值越高则表明系统处理异常数据量的极限值越高。

从表1中数据可知，一方面，实验组在5，10，15，20 min时的单位时间异常数据电子传输处理量均高于对比组A和对比组B，表明本文构建的电力系统异常数据捕获极限强度高于另外两组。另一方面，实验组在实验时间由5 min延长至20 min的过程中，异常数据电子传输处理量始终稳定在8.3×10¹⁴T/min左右，而另外两组的处理量则明显处于下降趋势，表明本文构建的电力系统异常数据智能捕获系统工作能力不会随处理时间的延长而下降。

实验组与对比组在处理相同量电力系统异常数据时消耗的时间对比情况如表2所示。在数据处理量由1 Mb提升至5 Mb的时候，实验组处理异常数据的耗时始终稳定在2.5 s左右，而对比组A、B两组的处理耗时均在逐渐提升。这与表1所体现的结果得到了相互验证，即本文构建的系统在处理电力系统异常数据时的效率更稳定，不会因为处理量的提升或处理时间的延长而下降。

4 结语

电力系统异常数据捕获是帮助电力系统实现稳定运营的关键。本文认为，在结合Caffe深度学习框架的基础上构建电力系统异常数据智能捕获系统，在系统数据处理极限值和处理效率方面均优于传统的电力系统异常数据捕获方法，可以为电力系统提供更为稳定、高效的异常数据捕获、分析功能等。

参考文献

［1］叶宽，杨博，朱戎，等.基于深度学习的电力系统异常数据自动捕获方法［J］.电子设计工程，2022（9）：162-165，170.

［2］鄂长江，李少甫，齐艺轲.单粒子多瞬态诱导的组合电路软错误敏感性评估［J］.微电子学与计算机，2019（11）：16-19.

［3］王喆，张维军，高国梁，等.基于自适应采样的输电线路分布参数测量系统设计［J］.电子设计工程，2020（12）：26-29，34.

［4］毛艳，邓桃，魏杰，等.±1 100 kV线路金具电场仿真与电晕特性［J］.高电压技术，2019（4）：1137-1145.

［5］黄林，常健，杨帆，等.基于改进K-means的电力信息系统异常检测方法［J］.深圳大学学报（理工版），2020（2）：214-220.

（编辑 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