劉 波,王大鵬,閆永昶,劉通宇,張園園,袁培森

(1.國網(wǎng)蒙東電力供電服務(wù)監(jiān)管與支持中心,內(nèi)蒙古 通遼 028000;2.國網(wǎng)內(nèi)蒙古東部電力有限公司,內(nèi)蒙古 呼和浩特 010010;3.南京農(nóng)業(yè)大學(xué) 人工智能學(xué)院,江蘇 南京 210095)

目前,我國電力智能不斷推進,受益于“智能電網(wǎng)”技術(shù)的深入研究,電力企業(yè)的數(shù)據(jù)管理和服務(wù)水平近年來有顯著提高[1]。智能電網(wǎng)引入自動化技術(shù)等手段對電力機器進行實時監(jiān)測,對有可能出現(xiàn)的問題進行控制,實現(xiàn)故障快速診斷[2]。在電能數(shù)據(jù)管理中,電力企業(yè)普遍建立一個統(tǒng)一的、可復(fù)用的大數(shù)據(jù)平臺——數(shù)據(jù)中臺,將電能數(shù)據(jù)整合成數(shù)據(jù)資源并服務(wù)于各種電力業(yè)務(wù)[3]。但是隨著電力企業(yè)智能化的發(fā)展,電力數(shù)據(jù)中臺需要對不同時間、不同地理上離散的電能量大數(shù)據(jù)進行統(tǒng)一和標(biāo)準(zhǔn)化管理[4]。當(dāng)前配電網(wǎng)主要依靠傳感器實現(xiàn)相關(guān)控制和監(jiān)督功能,傳感器收集的數(shù)據(jù)量龐大[5],亟需更高效的電能數(shù)據(jù)中心和人工智能平臺[6]對大數(shù)據(jù)特征的電能量進行可靠的分析與挖掘,提高電力企業(yè)服務(wù)水平和經(jīng)濟效益。解決其問題的關(guān)鍵是如何提高電能量數(shù)據(jù)的分析水平和質(zhì)量。

電壓三相不平衡異常檢測是電力企業(yè)對電能量數(shù)據(jù)進行分析處理的一個重要部分。三相不平衡是評價電能質(zhì)量評價體系中的一個重要指標(biāo),不平衡的電壓存在著正序、負序和零序3種電壓分量[7]。三相不平衡是指電力系統(tǒng)中這三相電流(或電壓)幅值不一致,且幅值差超過規(guī)定范圍[8]。引起三相不平衡的原因有多種,例如斷線故障,接地故障,因基頻諧振或分頻諧振引起供電電壓波動或閃變,三相負荷分配不合理等[9]。三相不平衡的所帶來常見危害包括：增加線路和配電變壓器的電能損耗,配變出力減少及產(chǎn)生零序電流,電動機效率降低,危害用電設(shè)備安全運行等[10]。相關(guān)學(xué)者對電壓三相不平衡異常檢測進行了相關(guān)研究,文獻[11]提出了一種基于距離的離群點算法定位疑似竊電用戶,其中討論了三相電流不平衡對于臺區(qū)線損率的影響。文獻[12]提出了一種基于多目標(biāo)優(yōu)化模型三相電壓負荷不平衡的治理策略,對三相電壓數(shù)據(jù)的異常檢測和挖掘,有助于提高電力企業(yè)智能化服務(wù)水平,為電網(wǎng)維護和故障定位提供參考依據(jù)。文獻[13]研究了一種基于保留非線性的三相配網(wǎng)狀態(tài)估計算法,該算法計即三相不平衡,從方法上解決了三相模型的非線性狀態(tài)估計,適用于由功率的實時量測和偽量測建立起的基本可觀、并有部分電壓量測的系統(tǒng)。

目前,由于智能電網(wǎng)和物聯(lián)網(wǎng)的迅速發(fā)展,電能量數(shù)據(jù)產(chǎn)生的速度不斷提高[14]。由于數(shù)據(jù)是實時產(chǎn)生的,對數(shù)據(jù)進行批處理耗費的成本過高,傳統(tǒng)的基于數(shù)據(jù)集的異常檢測已經(jīng)難以滿足行業(yè)需求。另一方面,電能量數(shù)據(jù)是一種時間序列數(shù)據(jù),由于異常是與時間和前后數(shù)據(jù)相關(guān)的,對于時間序列的異常檢測并不能孤立地考察每一個樣本點[15]。因此需要尋求一種面向數(shù)據(jù)流的異常檢測方法,去解決三相電壓的異常檢測問題。

根據(jù)對數(shù)據(jù)流的采樣建模方法,目前基于數(shù)據(jù)流的異常檢測方法主要可以分為基于神經(jīng)網(wǎng)絡(luò)的和基于隨機森林的。前者以Numenta公司提出的使用分級瞬時記憶(Hierarchical temporal memory,HTM)人工神經(jīng)網(wǎng)絡(luò)模型[16]為代表,這是一種自適應(yīng)的、無監(jiān)督的數(shù)據(jù)流異常檢測方法;后者以Amazon公司提出的魯棒性的隨機切割森林算法(Robust random cut forest,RRCF)[17]為代表,該方法基于隨機森林,提出了一種魯棒性的隨機森林結(jié)構(gòu),描述數(shù)據(jù)流和計算樣本異常評分。上述兩類方法在傳感器數(shù)據(jù)流和衛(wèi)星遙測數(shù)據(jù)流的異常檢測上,被證明具有可行性和有效性,具有良好的應(yīng)用前景。

本文通過神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)流的特征進行建模,依據(jù)神經(jīng)網(wǎng)絡(luò)模型對數(shù)據(jù)流進行判別。長短期記憶(Long short-term memory,LSTM)神經(jīng)網(wǎng)絡(luò)是一種改進后的循環(huán)神經(jīng)網(wǎng)絡(luò)?；贚STM可以進行長短期記憶的特性,常用于時間序列的預(yù)測,例如網(wǎng)絡(luò)攻擊數(shù)據(jù)預(yù)測[18]和用電數(shù)據(jù)異常檢測[19]等。LSTM的預(yù)測體現(xiàn)了數(shù)據(jù)流的特征,這可以很好滿足通過預(yù)測結(jié)果判斷數(shù)據(jù)流的異常分析的需求。

在上述研究和相關(guān)理論的基礎(chǔ)上,本文針對電力企業(yè)的電壓三相不平衡異常檢測這一實際問題,提出一種數(shù)據(jù)流驅(qū)動的異常檢測方法。本文方法主要關(guān)注數(shù)據(jù)流的異常檢測,基于時間序列數(shù)據(jù)的相關(guān)性,使用LSTM神經(jīng)網(wǎng)絡(luò)三相電壓時間序列數(shù)據(jù)進行預(yù)測;設(shè)定滑動窗口,使用指數(shù)加權(quán)移動平均對誤差進行平滑,基于滑動窗口計算異常區(qū)間以判斷某一時間段是否出現(xiàn)異常。本文試驗部分選用電力企業(yè)提供的真實三相電壓時間序列數(shù)據(jù),實現(xiàn)上述方法并進行試驗,試驗結(jié)果表明本方法相較于常用的異常檢測方法,包括孤立森林算法和支持向量機,對于三相電壓時間序列數(shù)據(jù),召回率和綜合評價指標(biāo)F1表現(xiàn)較好,表明本方法具有可行性和有效性,為電力企業(yè)進行三相不平衡異常檢測和分析提供了一種可行的方案。

1 電壓三相不平衡異常檢測框架

三相不平衡是評價電能質(zhì)量的一個重要指標(biāo),三相不平衡超過了配電網(wǎng)可以承受的范圍,會給整體電力系統(tǒng)的安全運行帶來危害。三相不平衡問題屬于基波負荷配置問題[10]。三相電壓不平衡度的計算,如式(1)所示

(1)

式中：UA、UB、UC分別表示A、B、C三相電壓有效值,單位是V,max{·}和min{·}分別表示取最大值和最小值。根據(jù)現(xiàn)行《國家標(biāo)準(zhǔn)GB/T 15543-2008》規(guī)定的三相電壓不平衡度限值,接于公共連接點的每個用戶引起該點負序電壓不平衡度允許值一般低于1.3%[20]。

因此,鑒于三相不平衡對電力企業(yè)的重要性和數(shù)據(jù)價值,本文提出一種數(shù)據(jù)流驅(qū)動的電壓三相不平衡異常檢測方法,幫助電力企業(yè)對電能異常情況及時預(yù)警和定位,以此提升電力企業(yè)排障能力和電能數(shù)據(jù)處理分析水平,進而進一步提高服務(wù)質(zhì)量和經(jīng)濟效益。

本文提出的數(shù)據(jù)流驅(qū)動的電壓三相不平衡異常檢測方法,處理框架如圖1所示。主要包含以下步驟：

圖1 數(shù)據(jù)流驅(qū)動的電壓三相不平衡異常檢測框架圖

(1)對原始三相電壓時間序列數(shù)據(jù)進行預(yù)處理,檢查缺失值以及線性插值法對缺失值補充,提升數(shù)據(jù)質(zhì)量;

(2)對原始電壓數(shù)據(jù)進行標(biāo)準(zhǔn)化處理,計算為標(biāo)準(zhǔn)分數(shù);

(3)利用LSTM神經(jīng)網(wǎng)絡(luò)對預(yù)處理和標(biāo)準(zhǔn)化后的三相電壓時間序列數(shù)據(jù)進行預(yù)測,預(yù)測值與實際值計算誤差;

(4)確定滑動窗口大小,使用指數(shù)加權(quán)移動平均法對誤差進行平滑;

(5)基于時間窗口,利用平滑誤差和描述統(tǒng)計方法計算給定異常區(qū)間,以此判斷時間窗口是否存在異常樣本點。

2 數(shù)據(jù)流驅(qū)動的異常檢測

2.1 數(shù)據(jù)預(yù)處理和標(biāo)準(zhǔn)化

從數(shù)據(jù)庫導(dǎo)出某臺區(qū)某段時間的三相電壓時間序列數(shù)據(jù),主要數(shù)據(jù)項包括A、B、C三相電壓實際值,每條記錄包括時間戳。數(shù)據(jù)記錄產(chǎn)生的速度為每15 min采集1次。

在進行異常檢測前,需要對數(shù)據(jù)質(zhì)量進行評估,原始數(shù)據(jù)通常會出現(xiàn)若干缺失值。對于時間序列數(shù)據(jù),簡單地刪除包含缺失值的記錄是不合適的,本文使用線性插值法(Linear interpolation,LI)對缺失值的記錄進行插值補充。

為了體現(xiàn)原始電壓時間序列數(shù)據(jù)的模式特征,增強下一步驟的LSTM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效果,需要對數(shù)據(jù)進行標(biāo)準(zhǔn)化處理[21]。分別將A、B、C三相電壓值轉(zhuǎn)化為服從標(biāo)準(zhǔn)正態(tài)部分的標(biāo)準(zhǔn)分數(shù),計算方法如式(2)所示

(2)

式中：xt是標(biāo)準(zhǔn)化三相電壓值,Xt是原始電壓值,μ和σ分別是原始電壓數(shù)據(jù)總體的均值和標(biāo)準(zhǔn)差。

經(jīng)過上述預(yù)處理和標(biāo)準(zhǔn)化,得到標(biāo)準(zhǔn)化三相電壓時間序列數(shù)據(jù)xt。

2.2 LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測

一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent neural network,RNN)改進后的LSTM神經(jīng)網(wǎng)絡(luò)可有效解決一般循環(huán)神經(jīng)網(wǎng)絡(luò)存在的長期依賴問題[22],RNN能夠通過先前的事件推測后續(xù)的事件,使得信息的持久化保留和預(yù)測。RNN的隱藏層只有一個狀態(tài)h,對短期的輸入非常敏感,LSTM在此基礎(chǔ)上增加了一個長期狀態(tài)C,基于該特性,LSTM適合處理和預(yù)測時間序列。

如圖2所示,將神經(jīng)元按照時間維度進行展開,使用LSTM對時間序列數(shù)據(jù)進行預(yù)測。

圖2 使用LSTM對時間序列預(yù)測示意圖

在t時刻,LSTM神經(jīng)網(wǎng)絡(luò)的輸入有3個,當(dāng)前時刻網(wǎng)絡(luò)的輸入值xt,上一時刻LSTM的輸出值ht-1,上一時刻的單元狀態(tài)Ct-1。

對于每一個LSTM神經(jīng)網(wǎng)絡(luò),其結(jié)構(gòu)如圖3所示。圖3包含3個主要部分,分別是：①遺忘門,遺忘門保存了上一時刻的狀態(tài)Ct-1有多少保留至當(dāng)前時刻ct;②輸入門,輸入門當(dāng)前時刻的輸入xt有多少保留至單元狀態(tài)Ct;③輸出門,輸出門用于控制當(dāng)前單元狀態(tài)Ct有多少輸出至當(dāng)前輸出ht。系統(tǒng)最終輸出由狀態(tài)單元和輸出門共同決定。LSTM神經(jīng)網(wǎng)絡(luò)通過3個控制開關(guān)來控制狀態(tài)C。LSTM神經(jīng)網(wǎng)絡(luò)在t時刻的前向傳播,如式(3)所示[22]

圖3 LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

ft=σ(Wf·[ht-1,xt]+bf)

it=σ(Wi·[ht-1,xt]+bi)

ot=σ(Wo·[ht-1,xt]+bo)

ht=ot°tanh(Ct)

(3)

式中：Wf、Wi、Wc、Wo分別為遺忘門、輸入門、細胞狀態(tài)更新、輸出門的權(quán)重矩陣,bf、bi、bc、bo分別為上述權(quán)重矩陣對應(yīng)的偏置項,σ(·)代表sigmoid函數(shù),tanh(·)代表雙曲正切函數(shù),[·,·]表示向量的連接,符號st=βst-1+(1-β)et表示向量對應(yīng)分量相乘得到一個新的向量。

對于LSTM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,需要確定上述8個參數(shù)的取值。使用反向傳播訓(xùn)練算法進行訓(xùn)練。其主要步驟[22]如下：

(1)首先,對每個神經(jīng)元輸出值,進行前向計算,即按照式(3)計算ft、it、Ct、ot、ht的值;

(2)對每個神經(jīng)元的誤差項δt,進行反向計算,沿2個方向傳播LSTM誤差項：①沿時間的反向傳播,即從當(dāng)前t時刻開始計算每個時刻的誤差項;②向上一層傳播;

(3)根據(jù)相應(yīng)誤差項δt,計算每個參數(shù)的梯度值,通過隨機梯度下降(Stochastic gradient descent,SGD)法迭代更新所有的參數(shù)。

在上一步驟中,將預(yù)處理和標(biāo)準(zhǔn)化后的三相電壓時間序列數(shù)據(jù)劃分為訓(xùn)練集和測試集。利用反向傳播算法對LSTM神經(jīng)網(wǎng)絡(luò)進行在訓(xùn)練集上進行模型訓(xùn)練,得到標(biāo)準(zhǔn)化電壓三相數(shù)據(jù)特征的模型,使用訓(xùn)練出的模型,利用前向傳播算法得到基于該模型的預(yù)測值。

2.3 指數(shù)加權(quán)移動平均

由于三相電壓存在正常的波動性,直接使用上一步驟得到的LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測值與實際值的誤差et進行異常判斷會導(dǎo)致將大量正常樣本判定為異常樣本,因此需要對誤差et進行平滑。由于電壓時序數(shù)據(jù)是一種流式數(shù)據(jù),本方法是數(shù)據(jù)流驅(qū)動的,因此需要充分考慮時間序列數(shù)據(jù)的相關(guān)性。

本文利用指數(shù)加權(quán)移動平均(Exponential weighted moving average,EWMA)[23]方法對誤差進行平滑,EWMA是一種針對時間序列數(shù)據(jù)的預(yù)測方法,也是一種常用的時間序列處理方式,在各種優(yōu)化算法中有廣泛的應(yīng)用。

(4)

其平滑誤差st定義如式(5)所示

(5)

式中：st-1是前一時刻(即時刻t-1)的平滑誤差,參數(shù)β是權(quán)重,其取值由滑動窗口大小進行確定。指數(shù)加權(quán)移動平均方法中,時刻t的預(yù)測值由上一期的預(yù)測值和前t-1期的實際值共同確定,其中從最近的時刻t-1到時刻0權(quán)重,以等比形式遞減。在優(yōu)化算法中通常取β≥0.9,又由

(6)

當(dāng)N足夠大時,βN≈0,其對應(yīng)項的系數(shù)也趨向于0,因此計算時刻t的預(yù)測值僅考慮其前N期的真實值,即相當(dāng)于維護一個長度為N的滑動窗口,N的取值由式(7)確定

N=1/1-β

(7)

三相電壓數(shù)據(jù)通常每15 min采集1次,在24 h內(nèi)共計采集96次?？紤]到電力企業(yè)實際應(yīng)用需要,通常以1 d為周期進行分析,因此設(shè)定滑動窗口長度N=96,依據(jù)式(7)即可計算得到參數(shù)β的取值。

2.4 異常區(qū)間和異常樣本的判定

經(jīng)過指數(shù)加權(quán)移動平均的平滑誤差st,與之對應(yīng)的長度為N的滑動窗口的平滑誤差st的絕對值|st|體現(xiàn)了這段時間內(nèi)三相電壓數(shù)據(jù)的異常程度,平滑誤差越大,則說明樣本點的異常程度越大。因此在滑動窗口的范圍內(nèi),若存在超過某一范圍的樣本點,則說明該時間段存在異常,這一個范圍稱之為異常區(qū)間。對于電壓三相不平衡的異常檢測,本方法設(shè)定的異常區(qū)間如式(8)所示

(8)

3 試驗分析

3.1 試驗環(huán)境

本文基于Windows 10系統(tǒng),8 GB內(nèi)存,Intel(R)Core(TM)i5-7200U,2.5 GHz處理器進行試驗。本方法全部基于Python 3.6實現(xiàn),主要依賴包括sklearn 2.4、pandas和keras。

3.2 數(shù)據(jù)集及其劃分

數(shù)據(jù)集采用電力公司提供的臺區(qū)配變監(jiān)測數(shù)據(jù),時間范圍從2020年6月1日至2021年4月8日,每15 min采集1次得到1條記錄。對同一臺區(qū)的記錄,提取其中A、B、C三相電壓原始數(shù)據(jù)UA、UB、UC以及時間戳Timestamp,共計29 790條記錄。

獲得的數(shù)據(jù)集是帶有正常和異常標(biāo)簽的,每一條記錄都帶有是否為異常的標(biāo)記。選取數(shù)據(jù)集中70%的數(shù)據(jù)作為訓(xùn)練集,30%的數(shù)據(jù)作為測試集。

3.3 評價指標(biāo)

本文的異常值檢測結(jié)果評價,通過精確率(Precision)、召回率(Recall)和綜合評價指標(biāo)F1(F1-measure)這3項指標(biāo)進行評價,計算方式如式(9)～(11)所示

(9)

(10)

(11)

式中：TP、TN、FP、FN分別表示異常檢測為異常、正常檢測為正常、正常檢測為異常、異常檢測為正常的樣本點個數(shù)。精確率反映了方法識別得到異常是真實的比例,召回率反映了算法識別得到的異常覆蓋了真實異常的比例,綜合評價指標(biāo)F1是精確率和召回率的調(diào)和平均數(shù)。

對于電壓三相不平衡異常檢測問題,“漏報”比“誤報”導(dǎo)致的后果要更加嚴(yán)重,召回率反映了對異常檢測的覆蓋程度,因此在評判異常檢測效果時,應(yīng)當(dāng)首要考慮召回率,其次考慮精確率。

3.4 試驗結(jié)果和分析

依據(jù)本文提出的數(shù)據(jù)流驅(qū)動的電壓三相不平衡異常檢測方法,首先,對數(shù)據(jù)集進行預(yù)處理和標(biāo)準(zhǔn)化。第二步,使用70%樣本構(gòu)成測試集,對LSTM神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練,通過反向傳播訓(xùn)練算法訓(xùn)練得到LSTM網(wǎng)絡(luò)權(quán)重矩陣和偏置項的參數(shù)取值。測試集由30%樣本構(gòu)成,計算預(yù)測值和真實值的誤差,再通過指數(shù)加權(quán)移動平均得到的平滑誤差(滑動窗口大小N=96),計算異常區(qū)間判別是否產(chǎn)生異常(判斷異常的滑動窗口與指數(shù)加權(quán)移動平均的滑動窗口一致)。圖4給出了本方法所述的異常檢測過程和結(jié)果,包括數(shù)據(jù)標(biāo)準(zhǔn)化,LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測、計算誤差、指數(shù)加權(quán)移動平均平滑誤差、滑動窗口中異常區(qū)間的計算和檢測。

圖4 異常檢測的過程和結(jié)果

圖4(a)是原始的三相電壓數(shù)據(jù),為了更好地描述其特征,將其進行標(biāo)準(zhǔn)化處理,得到圖4(b)的標(biāo)準(zhǔn)化三相電壓電壓數(shù)據(jù)。從圖4(b)可以看出,LSTM神經(jīng)網(wǎng)絡(luò)能夠很好地預(yù)測三相電壓的變化趨勢,對標(biāo)準(zhǔn)化后的三相電壓時間序列數(shù)據(jù)的特征有較好的擬合,能避免電壓正常的周期性波動。圖4(c)展示了誤差和經(jīng)過指數(shù)加權(quán)移動平均得到的平滑誤差,說明指數(shù)加權(quán)移動平均能夠顯著地在滑動窗口內(nèi)平滑誤差的波動。圖4(d)展示了檢測出的一次異常,陰影部分標(biāo)記了異常對應(yīng)的滑動窗口,上下水平線指出異常區(qū)間的范圍,可以看到標(biāo)記點由于落在了異常區(qū)間內(nèi),因此被判定為異常。

結(jié)合圖4(d)的異常檢測結(jié)果和圖4(a)的原始三相電壓值,可以看出在6月1日4時左右,電壓存在異常突變,表明本方法對于三相電壓數(shù)據(jù)流的異常檢測具有正確性和可行性。

對共計8 937個的樣本測試集,采用本方法進行異常檢測,計算檢測結(jié)果的召回率、精確率和綜合評價指標(biāo)F1,試驗結(jié)果如表1所示。

表1 異常檢測結(jié)果和評價指標(biāo)

從表1可以看出,使用本方法進行異常檢測,召回率表現(xiàn)較好,達到了98.01%,說明本方法對于真實異常的覆蓋表現(xiàn)較好,證明了本方法的對于電力企業(yè)具有一定的應(yīng)用價值。

為了對比不同方法對于三相電壓數(shù)據(jù)集異常檢測的效果,本文還選取2種目前常用的異常檢測方法進行對比試驗,分別是孤立森林(Isolation forests,IF)[24]和支持向量機(Support vector machine,SVM)[25]。使用相同的數(shù)據(jù)集進行對比試驗,其中IF的主要參數(shù)設(shè)定為MaxSamples的數(shù)目設(shè)置為128,即抽取用于訓(xùn)練每個基本估計量的樣本數(shù)量最大為128個,Trees的數(shù)目設(shè)置為100,即IF模型中包含的樹棵樹為100,Alpha參數(shù)設(shè)置為0.02,即學(xué)習(xí)速率為0.02;SVM的主要參數(shù)設(shè)定為C參數(shù)設(shè)置為1.0,即損失系數(shù)為0.1,Degree參數(shù)設(shè)置為3,即選擇的多項式最高次數(shù)為3次多項式,tol參數(shù)設(shè)置為0.001,即殘差收斂條件為0.000 1。數(shù)據(jù)集劃分的比例與之前的試驗保持一致,分別是訓(xùn)練集占70%,測試集占30%。試驗結(jié)果如表2所示。

表2 3種異常檢測方法的對比結(jié)果

由對比試驗結(jié)果可以看出,本方法相較于IF和SVM,在召回率指標(biāo)上提升顯著,分別提高6.87%和2.96%,說明本方法相較于IF和SVM,在對于真實異常的識別上,覆蓋程度較廣;在精確率指標(biāo)上,有一定程度的提高,分別提高4.75%和6.03%,說明本方法能一定程度上降低正常樣本點被誤判為異常(即第一類錯誤)發(fā)生的概率,但是仍有較大提升空間;在綜合評價指標(biāo)F1上,由于本方法在召回率上提升顯著,因此綜合評價指標(biāo)F1相較于IF和SVM分別提高5.73%和4.62%。

綜上測試結(jié)果,本方法對于三相電壓數(shù)據(jù)流的異常檢測問題,相較于常用的IF和SVM方法,有著較好的異常檢測效果,在召回率指標(biāo)和綜合評價指標(biāo)F1有良好的表現(xiàn),這驗證了數(shù)據(jù)流驅(qū)動的電壓三相不平衡異常檢測方法具有一定優(yōu)越性和可行性。

4 結(jié)束語

本文針對電力企業(yè)的電壓三相不平衡異常檢測這一實際問題,提出一種數(shù)據(jù)流驅(qū)動的異常檢測方法。主要利用LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測和指數(shù)滑動移動平均針對數(shù)據(jù)流進行異常檢測。接著使用真實三相電壓時間序列數(shù)據(jù)進行試驗,試驗結(jié)果表明本方法相較于常用的異常檢測方法,在召回率和綜合評價指標(biāo)F1上有提高。綜上所述,數(shù)據(jù)流驅(qū)動的電壓三相不平衡異常檢測方法具有可行性和有效性,為電力企業(yè)進行三相不平衡異常檢測和分析提供了一種可行的方案。