面向柔性直流阀厅多模态感知数据的风险预测模型.pdf
《面向柔性直流阀厅多模态感知数据的风险预测模型.pdf》由会员分享,可在线阅读,更多相关《面向柔性直流阀厅多模态感知数据的风险预测模型.pdf(8页珍藏版)》请在咨信网上搜索。
1、第 17 卷 第 7 期2023 年 7 月南方电网技术SOUTHERN POWER SYSTEM TECHNOLOGYVol.17,No.7Jul.2023面向柔性直流阀厅多模态感知数据的风险预测模型何志甘,范彦琨,付胜宪(国家电网福建省电力有限公司检修分公司,福州 350108)摘要:柔性高压直流输电作为新一代的高压直流输电技术,是构建智能电网的一种重要方式。换流站阀厅核心设备在运行的过程中由于安全距离使得维护人员无法靠近检测,对它的检测依赖于室内的监控系统以及巡视机器人等,对于所产生的设备故障风险无法及时处理,对柔直阀厅所产生检测数据进行风险预测显得尤为重要。提出了一种针对柔直阀厅所产生
2、多模态数据的风险预测模型,该模型基于生成对抗网络,使用非异常数据进行训练,学习数据的潜在分布,对数据进行重构,根据重构所产生的误差判断数据的异常程度。通过真实采集到的实验数据进行实验证明所构建的模型能够很好的学习到数据的潜在分布,对于构建的异常数据能够进行有效识别,该模型相比于传统方法更加准确。关键词:柔性高压直流输电;换流站;阀厅;生成对抗网络;风险预测Risk Prediction Model for Multi-Modal Perception Data of Flexible HVDC Valve HallHE Zhigan,FAN Yankun,FU Shengxian(Mainte
3、nance Branch of State Grid Fujian Electric Power Co.,Ltd.,Fuzhou 350108,China)Abstract:Flexible HVDC transmission,as a new generation of DC transmission technology,is an important way to build a smart grid.During the operation of the core equipment in the valve hall of the converter station,due to t
4、he safety distance,maintenance personnel are unable to approach for detection.Its detection relies on indoor monitoring systems and inspection robots,etc.The risk of equipment failure generated cannot be dealt with in a timely manner.Therefore,risk prediction of the detection data generated in the f
5、lexible HVDC valve hall is particularly important.A risk prediction model for multi-modal data generated by flexible HVDC valve halls is proposed.This model is based on the generative adversarial network,uses non abnormal data for training,learns the potential distribution of data,reconstructs the d
6、ata,and judges the degree of abnormality of data according to the error generated by reconstruction.Through the actual collected experimental data,it has been proven that the constructed model can effectively learn the potential distribution of the data,and can effectively identify abnormal data.Com
7、pared to traditional methods,this model is more accurate.Key words:flexible HVDC transmission;converter station;valve hall;generative adversarial network;risk prediction0引言柔性直流(简称柔直)输电是一种新的直流输电技术,它有着与常规高压直流输电类似的结构,由换流站和直流输电线路等构成,该技术不仅具有传统方法的大多数优点,并且具有可向无源网络供电、不会出现换相失败、换流站间无需通信以及易于构成多端直流系统等优点,文献 1 对该
8、技术的现状以及前景进行了分析。然而相比于传统的高压直流输电方法,该方法系统损耗较大,不能控制直流侧故障时的故障电流,因此对系统故障的检测工文章编号:1674-0629(2023)07-0019-08 中图分类号:TM721.1;TP311.13文献标志码:ADOI:10.13648/ki.issn1674-0629.2023.07.003基金项目:国家电网福建省电力有限公司科技项目(52130A19000C);福建省自然科学基金(2021J011169;2020J01435)。Foundation item:Supported by the Science and Technology Pro
9、ject of State Grid Fujian Electric Power Co.,Ltd.(52130A19000C);the Natural Science Foundation of Fujian Province(2021J011169;2020J01435).南方电网技术第 17 卷作非常重要。柔直换流站的换流核心设备布置在阀厅,设备在运行的过程中工作人员无法进入室内检测,因此系统的故障检测大多依赖于室内的红外监视系统或视频监视系统以及巡视机器人等,监视系统以及巡视机器人可以采集到大量的感知数据,而采集到的数据往往都是正常的数据,这些数据共同反映了系统的运行状态。近年来深度神经
10、网络大量涌现,并在各个领域当中取得了非常好的成果,深度学习通过分析学习将数据表示为神经网络各层中概念的嵌套层次结构,从而获得良好的性能,而随着数据量的不断增大,深度学习的性能已经优于传统方法,在这样的发展形式下,利用深度学习的方法对柔直阀厅产生的感知数据进行分析学习,对其产生的数据进行有效的风险预测以及建立风险评估标准具有非常重要的意义。1相关工作1.1柔直换流站的监视系统及故障检测随着柔性直流输电工程的快速发展,对其核心设备的监控及故障检测的要求也逐渐提高,文献2 梳理了柔性直流输电工程可靠性工作需求。文献 3 对换流阀的监视系统的关键技术进行了研究,开发了双网双冗余架构的监视系统,采用“内
11、存+文件”的机制对大量的数据进行处理。文献 4 提出了一种基于主站调度控制系统的监视功能框架,这些方法都是对监视系统做出的研究。文献 5 提出了三端柔性直流配网过电流和过电压防护方案。文献 6 利用神经网络提出了一种基于小波能量占比的概率神经网络模型进行故障的检测。文献 7利用快速傅里叶变换和多信号分类算法构建了两端柔性直流输电系统模型用以定位故障。文献 8 以张北柔性直流电网工程为例,研究了柔性直流电网工程运行方式转换或接地点转换过程中金属回线电流分配规律。文献 9 通过调节附加带阻滤波器的个数及参数,有效地解决了交流系统不同运行方式下高频谐振频率多变问题。目前对柔性直流输电的故障检测数据需
12、要依靠大量的人工分析,进行复杂的数学计算,随着设备的更新,越来越多维度的数据可以被检测到,而这些方法无法适应这一情况,本文所提出的网络模型对各个类型的数据分别建模,利用神经网络去学习这些数据的潜在分布,将采集到的数据输入到模型当中,预测出风险程度。1.2基于深度学习的异常检测异常也被称为偏差或异常值,异常值的出现有几个原因,如恶意的行为、系统的故障、故意欺诈等,因此,对这些异常值的检测往往可以获得非常有价值的信息或避免大的损失等。随着数据量的增大,传统方法在异常检测领域当中的表现已经变为次优,因为它并不能捕获海量数据中的复杂结构,其次,正常行为和异常行为之间的边界通常很难有明确的定义,需要领域
13、专家对其进行复杂的设计,而神经网络技术正好可以消除这种手工设计特征的需要,这种分层学习特征的方式可以很好地学习复杂数据的潜在关联。虽然相比于其他领域,深度学习在异常检测方面的研究相对较少,但由于其发展迅速,因此依然有很多研究人员进行研究,文献10-12 利用深度学习技术在不同领域取得了进展。在深度异常检测方法中,网络的选择取决于输入数据的性质。根据输入数据的维度也可以分为高维数据与低维数据。根据数据的选择,网络类别等的选择可以将深度异常检测任务分为有监督深度异常检测:半监督深度异常检测与无监督深度异常检测;有监督的深度异常检测任务通常可以看作是一个根据正常数据与异常数据的标签进行训练的二分类任
14、务,例如医疗欺诈交易13等,但这种方法有一个很大的问题,就是正常数据与异常数据量的极度不平衡,在现实中正常数据往往都是远多于异常数据的,这也使得有监督的深度异常检测任务的应用场景十分有限。而半监督的深度异常检测则适用于这一场景,因此被广泛应用,如文献 14-15 等。无监督的深度异常检测技术仅仅使用提供数据的内在属性进行学习,文献 16 提出一种结合时域和频域特征提取的基于深度置信网络的交直流配电网故障检测技术,文献 17 证明了这种方法优于传统异常检测方法,如主成分分析(principal component analysis,PCA),支 持 向 量 机(support vector ma
15、chine,SVM)等,因此,无监督的深度异常检测方法是当下的研究重点。自编码器(autoencoder,AE)是所有无监督异常检测模型的核心,其功能与PCA技术类似,通过重构输入数据来表示多个隐藏层中的数据,从而学习到一个映射函数,当自编码器接收一组输入数据后,若无法重构数据样本,则会产生较大的重构误20第 7 期何志甘,等:面向柔性直流阀厅多模态感知数据的风险预测模型差,则这组数据被认为是异常值,这种简单有效的方式使得自编码器使用的最为广泛,变分自编码器(variational autoencoder,VAE)18是自编码器的一种扩展,解决了编码与重构数据之间的映射不连续的问题。而生成对抗
16、网络(GAN)19作为近几年发展迅速的生成模型,对于潜在分布的学习能力优于自编码器以及变分自编码器,利用这种学习能力,文献 20-23 提出了几种基于生成对抗网络的异常检测框架。条件生成对抗网络(conditional generative adversarial network,CGAN)的生成器将噪声和标签一起作为输入24,判别器将生成数据,原数据和标签一起作为输入,同时CGAN将生成数据和任意标签与真实数据和错误标签判别为假,将真实数据和正确标签判别为真,通过这样的方式实现生成指定条件的数据。而文献 25 基于CGAN的异常检测模型根据指定的条件进行相应的数据甄别。本文基于条件生成对抗网
17、络构建风险预测模型,该模型可以针对阀厅以及巡视机器人所采集到的不同类型的数据分别建模,利用生成对抗网络强大的分布学习能力学习数据的潜在规律,通过重构误差判断数据的风险程度,最后将生成的数据输入额外的编码器当中,根据中间向量的重构误差优化模型,使预测结果更加准确。2方法2.1生成对抗网络传统的生成对抗网络通过优化生成器,使生成器生成的数据分布更加接近真实的数据分布,而通过优化判别器,使生成的数据经过判别器后接近于0,使真实数据经过判别器后接近于1,GAN的优化函数如式(1)所示。minGmaxDV(D,G)=ExPdata(x)logD(x)+EzPz(z)log(1-D(G(z)(1)式中:G
18、为生成器(函数);D为判别器(函数)。两者分别由两个神经网络构成,当输入数据为普通的多维数据时通常使用全连接神经网络,当输入为图片时通常使用卷积神经网络。x 为真实样本,data(x)为真实样本的分布,z为噪声样本,Pz(z)为噪声分布,通常为高斯分布,V(D,G)为生成器和判别器之间的博弈过程中的损失函数,ExPdata(x)为从真实数据分布Pdata(x)中抽取样本x并对其进行期望计算的操作,EzPz(z)为从噪声分布Pz(z)中抽取样本z并对其进行期望计算的操作。Goodfellow等证明,当生成器与判别器达到最优时,经过生成器变换后样本的分布与真实数据样本的分布趋于一致。GAN的流程图
19、如图1所示。然而原始的GAN存在着一些缺点,其中之一就是生成的样本并不受控制,无法产生特定的样本。条件生成对抗网络(CGAN)在 GAN 的基础上添加了条件特征,在生成器中将噪声与条件特征同时作为输入,其目标函数如(2)所示。minGmaxDV(D,G)=ExPdata(x)logD(x|c)+EzPz(z)log(1-D(G(z|c)(2)式中:D(x|c)为以x作为输入以c作为条件得到的概率,D由神经网络构建而成;G(z|c)为以高斯分布采样得到的随机噪声z作为输入以 c 作为条件;经过神经网络G所得到的生成数据,D(G(z|c)则表示该数据经过神经网络D所得到的概率。与传统的GAN相比,
20、增加了条件信息c作为额外的特征,使得生成器可以按照条件生成指定类型的数据,其流程如图2所示。当生成对抗网络用于异常检测任务时,输入数据不再是随机噪声而是真实的数据,通过编码器后形成中间向量,之后中间向量再通过解码器生成重构数据,当重构数据与输入数据非常接近时,认为网络能够很好地重构输入数据,则该数据判断为非异常数据,反之当输入的数据不能够很好地重构时,则判断该数据为异常数据,网络的流程图如图3所示。综上,本文针对柔直阀厅采集到的感知数据,结合以上理论知识,提出一种风险预测模型框架。图1传统生成对抗网络流程图Fig.1Traditional generative adversarial netw
21、ork flowcharts21南方电网技术第 17 卷2.2本文方法换流站的阀厅处于工作状态时,由于设备发热或内部放电等原因会产生气体,如氯气、二氧化碳、氯化氢等,同时,设备也会产生一些其它类型的数据,如超声波、磁场、电场等。在设备发生故障时,这些数据可能会与平常有着较大的差别,有可能难以察觉,因此,本文所提出的模型可以通过这些感知数据的潜在规律判断它们是否存在风险,模型的流程如图4所示。该模型基于条件生成对抗网络并进行修改,接收输入特征x和条件特征c,将其拼接在一起输入到编码器E1当中产生中间向量E1(x,c),该向量能够反应输入数据的潜在分布,之后通过生成器 G(解码器)后得到重构特征,
22、即x =G(E1(x,c),当x和x 的差值很接近时,表明该数据能很好地进行重构,模型的重构损失定义Lrec1如(3)所示。Lrec1=|x-G(E1(x,c)|1(3)式中:|1为L1范数。为了能够更好地学习到数据的潜在分布,额外添加一个编码器E2对得到的重构数据再次进行编码,得到重构的中间向量E2(x),当该向量与之前得到的中间向量差很小时,表示重构数据的潜在分布与真实数据的潜在分布相近,中间向量的重构损失Lrec2定义如(4)所示。Lrec2=|E1(x,c)-E2(G(E1(x,c)|1(4)判别器的作用与传统的生成对抗网络相同,用来判断生成器生成真实数据的能力是否强大,对抗损失如(5
23、)所示。Ladv=ExPdata(x)logD(x,c)+Ex Pdata(x)log(1-D(G(E1(x,c)(5)综上,模型的整体损失如式(6)所示。L=1Lrec1+2Lrec2+3Ladv(6)式中1、2、3分别为各个损失的权重,在模型中取1=10,2=10,3=1。在训练阶段按照上述损失更新模型参数,训练稳定后丢弃判别器,使用数据的重构损失与中间向量的重构损失作为风险预测的标准,定义如式(7)所示。R=1Lrec1+2Lrec2(7)式中1与2为损失权重。当采集到新的传感数据后,将数据输入生成器当中,通过上述公式计算风险值R,通过训练时获得的损失值以及使用故障数据产生的损失作为最终
24、风险值的参考,当距离该数据越近则判别为风险值越高,距离非故障样本越近则判别为风险值越低。2.3基于生成对抗网络的柔直阀厅多模态感知数据的风险预警模型本小节将应用上一小节所提出的模型针对柔直阀厅所采集到的感知数据创建风险预警模型,并介图2条件生成对抗网络流程图Fig.2Conditions generative adversarial network flowcharts图3生成对抗网络用于异常检测流程图Fig.3Generative adversarial network flow diagrams for anomaly detection图4基于生成对抗网络的柔直阀厅异常检测模型流程图Fi
25、g.4Flow chart of abnormal detection model for flexible HVDC valve hall based on generative adversarial network22第 7 期何志甘,等:面向柔性直流阀厅多模态感知数据的风险预测模型绍该模型的使用方法。该模型在训练的过程中结构如图5所示,模型的输入分为输入特征与条件特征,输入特征为柔直阀厅中所采集到的感知数据,本文所采集到的感知数据包括有磁场、射频、工频、特高频、超声波,并同时采集当前的环境感知数据,包括环境温度、环境湿度、PM2.5、PM10、二氧化碳、氯气、氯化氢、非甲烷总烃。条件数
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 面向 柔性 直流 阀厅多模态 感知 数据 风险 预测 模型
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。