游 坤
(金陵科技学院软件工程学院,江苏 南京 211169)
随着人工智能、大数据等技术的不断发展,智慧校园的优势开始不断显现,并对我国教育事业的发展起到了推进作用[1]。智慧校园的建设极大地促进了校园网络、多媒体、消费系统等的发展,使校园管理水平得到了极大的提升。
智慧校园的建成依托于电力系统的平稳运行,已有诸多学者从网络安全和电力负荷方面进行研究,为智慧校园的电力系统提供保障。但由于学校教学的特殊性和智慧校园的不断发展,智慧校园系统需要的电力设备越来越多,传统的电力设备故障检测机制已经难以满足智慧校园系统的需要。为了保证智慧校园电力设备的平稳运行,急需一种新的智慧校园电力设备故障检测系统。人工智能中深度学习技术的不断发展使构建运行速度更快、故障检测更精准的电力设备检测系统成为可能,尤其是机器学习神经网络的不断发展为智慧校园电力设备故障检测模型的构建提供了更多的解决方案。现有电力设备故障检测模型的构建主要采用卷积神经网络、误差逆向传播(BP)神经网络、长短时记忆(LSTM)神经网络、自编码(AE)神经网络等。
卷积神经网络在嵌入式电力设备的故障检测方面发挥着重要作用[2]。在风电设备的故障与性能检测中,已有学者发现AE神经网络可以更好地检测电力设备的运行和故障情况[3]。以此为基础,有学者发现将LSTM神经网络与AE神经网络结合,可以进一步提高检测的准确性[4]。在电网设备的故障检测中,稀疏自编码神经网络的应用,也使得检测的准确性和预测速度进一步提高[5]。还有学者将Adaboost(自适应增强)算法应用于电力设备故障检测中,提高了检测的准确性[6];或将Adaboost算法应用于水力发电电力设备的故障检测研究中,使其比传统的检测系统具有更高的准确性[7]。
在相关研究中,诸多学者认为深度学习在智慧校园建设中有着重要作用[8]，现有研究主要关注智慧校园的网络安全和电力负荷问题。刘诗鹏在研究智慧校园网络入侵远程检测时,基于遗传算法和BP神经网络,构建了一种PCA-GA-BP模型,简化了检测流程,提高了检测速度[9]。孙颢一在研究电力负荷时,将变分模态分解(VMD)算法和LSTM神经网络结合,构建了一种短期电力负荷检测模型,为校园电力维护和调度提供保证[10]。但是深度学习在有关智慧校园电力设备故障检测中的运用相对较少,有学者发现其对于提升智慧校园运维效率比较重要[11],但并未给出解决方案;另有学者发现在智慧校园电力设备故障检测中使用BP神经网络,可以提高检测的准确率并简化检测流程[12]。但是BP神经网络存在着过拟合、学习率低等问题,为了解决此类问题,并进一步提高智慧校园电力设备故障检测的精度,本文进行以下研究。
本文基于主成分分析(PCA)方法和深度学习神经网络构建了一种智慧校园电力设备故障检测系统。主要由确定主成分、提取特征和特征处理三部分构成。首先,使用PCA方法判断数据的主成分,使用LSTM神经网络进行特征提取,接着使用AE神经网络进行数据处理和输出,最后基于Adaboost算法进行微调。完成上述步骤之后，利用这一系统对电力设备参数进行训练，根据所得结果完成智慧校园电力设备故障检测的全过程。具体流程如图1所示。
图1 智慧校园电力设备故障检测系统的模型
2.1 主成分分析
当智慧校园的电力设备处于正常运行状态时,系统采集性能数据,所有的数据都应处于正常状态;当有电力设备出现故障时,电力设备系统中的数据就会出现异常,需要根据不同的设备进行计算,由于采集到的数据一般为高维数据,需要采用PCA进行降维,具体如式(1)所示:
(1)
式中,ya为电力系统中存在的故障样本数据,x为电力设备正常运行时的数据,xa为故障情况下的取值,za为不同xa之间的标准差值。
通过特征值计算方法,在计算出za的特征值λza的同时计算出各个特征值的方差贡献率。根据λza的大小进行排序,当方差贡献率的值大于100%时排序停止,此时已经排序的特征值对应的故障样本ya的集合Y就是选取的主成分,将Y作为下一步的输入。
2.2 特征提取
本文使用LSTM神经网络提取特征。LSTM神经网络主要由遗忘层、输入层、细胞状态和输出层构成,在提取特征时公式如下：
rl=s(WL⊗Y+pr) (遗忘层)
(2)
cl=s(WL⊗Y+pc) (输入层)
(3)
bl=rl⊗Y+cl⊗s(WL⊗Y+pb) (细胞状态)
(4)
wl=s(WL⊗Y+pw) (输出层)
(5)
输出结果为:
hl=wl⊗s(bl)
(6)
式(2)～式(5)中,r、c、b、w分别代表遗忘层、输入层、细胞状态和输出层在各个节点的状态,其中rl、cl、bl、wl分别代表当前的第l个样本的相应神经元在遗忘层、输入层、细胞状态、输出层时的状态;将WL设为LSTM神经网络的总体权重矩阵,将pr、pc、pb、pw分别设为遗忘层、输入层、细胞状态和输出层的偏置;s(·)表示sigmoid激活函数;第l个样本的输出结果表示为hl。
将某一时刻的测量数据代入输入门,并将结果代入激活函数;随后将细胞状态的数据代入遗忘层,将激活函数结果代入其中,得到这一时刻LSTM神经元的输出,并将此结果作为下一时刻LSTM神经元的输入。传递过程经过所有LSTM神经元时结束,最终得到的hl为下一步的输入。
2.3 特征处理
本文使用AE神经网络进行特征处理。AE神经网络由编码器和解码器两个部分构成,其原理是将数据导入编码器部分的输入层,经过分析将数据输出至编码器的隐藏层,随后将隐藏层中的数据导入解码器,由解码器分析后,将隐藏层导入的数据进行重塑后输出[13]。该步骤的本质是将经编码和激活函数后的非线性结果再经权重、损失函数等进行解码,达到结果重构的目的,并以此进行输出。同样使用sigmoid激活函数作为自编码网络的激活函数,用s(·)表示。
输出至隐藏层的公式如下:
ql=s(Wehl+pe)
(7)
式中,We代表编码器的权重,pe代表编码器的偏置。
将隐藏层计算结果ql导入解码器,具体公式如下:
(8)
为了减少AE神经网络的误差,非常有必要设置损失函数,具体如下:
(9)
式中,n表示电力设备样本的总数。
2.4 输出结果优化
为了减小AE神经网络运行过程中出现的局部最小值,解决收敛难以达到全局最优的缺点,本文使用Adaboost算法对输出结果进行微调。Adaboost算法是一种被广泛使用的迭代学习算法[14],可以通过赋予权重值来增强算法的准确性,并在此基础上较少拟合。将神经元及其对应的输出值作为输入的集合,并对其进行权重化,计算样本的误差、误差率和平均误差,最后更新权重值进行微调。
数据集合的表现形式如下：
T={(u1,v1),(u2,v2)，…，(ul,vl),…,(un,vn)}
(10)
式中,T为ul和vl组成的集合,ul代表神经元,vl代表神经元对应的输出值。
为了进行循环,将集合T进行权重化,得到权重化后的集合Tw，公式如下:
(11)
所得结果的误差最大值的计算公式如下:
Ol=maxi(vi-s(ui)) (i=1,2,…,n)
(12)
每个神经元之间的相对误差的计算公式如下:
(13)
整体计算误差率的计算公式如下:
(14)
式(12)～(14)中,误差最大值记为Ol,相对误差记为Oxl,误差率记为Op,n为电力设备样本数。
根据误差最大值、相对误差和误差率更新的权重值Wg计算公式如下:
(15)
2.5 模型构建
综上，本文所构建的智慧校园电力设备故障检测的具体步骤如图2所示。
图2 智慧校园电力设备故障检测的具体步骤
3.1 环境设置与计算方法
本文通过MATLAB构建智慧校园电力设备故障检测模型,使用该模型构建人工神经网络(ANN)、BP神经网络、AE神经网络,与本文算法进行对比。
本文以收敛次数和收敛速度为基准,以经常使用的学习率作为指标进行测试,具体结果如表1所示。一般情况下,学习率的取值为[0.01,0.8]。由表1可以看出,在学习率为0.01时,算法的收敛次数最高,收敛速度最快。
表1 LSTM学习率测试结果
经测试,在迭代次数和损失函数相同的情况下,不同隐藏层数和神经元数的损失值如表2所示。由表2可知,神经元数为11、隐藏层数为5时,AE神经网络的损失值最少。
表2 AE神经网络损失值
结合表1和表2的结果,本文选用收敛速度最快、收敛次数最高和损失值最小时的数值作为仿真实验的基本参数,LSTM神经网络和AE神经网络的部分参数如表3所示。
表3 神经网络参数
本文模型的评价指标为平均绝对百分比误差(MAPE)、百分比均方根误差(RMSE)、平均绝对误差(MAE)和均方误差(MSE)。在进行评价之前需对测量值和实际值进行归一化处理,具体如下:
(16)
式中,g表示某一参数,gmax、gmin、gnorm分别表示这一参数的最大值、最小值和归一化值。
MAPE、RMSE、MAE和MSE越小,表示模型的精确度越好,具体计算公式如下:
(17)
(18)
(19)
(20)
3.2 结果与分析
通过迭代和实验后,ANN、BP神经网络、AE神经网络与本文算法在MAPE、RMSE、MAE和MSE上的性能对比如表4所示,LSTM-AE表示本文构建的由LSTM神经网络和AE神经网络组成的模型。
表4 四种模型的性能结果
由表4可以看出,在MAPE、RMSE、MAE和MSE指标方面,LSTM-AE模型的值均最低,与其他三个神经网络的最大值分别相差6.04、14.67、5.54和9.52个百分点。由此可见本文构建的智慧校园电力设备故障检测模型有着更高的精度。
与Adaboost算法作用相同的算法有支持向量机(SVM)和随机森林(RF)等,将本文构建的由LSTM神经网络、AE神经网络和Adaboost算法组成的LSTM-AE-Ada模型中的Adaboost算法替换为SVM和RF算法后进行测试,MAPE、RMSE、MAE和MSE数据如表5所示。由表5可以看出,相较于选用SVM和RF算法,选用Adaboost算法的本文模型具有更低的MAPE、RMSE、MAE和MSE,说明本文所构建的LSTM-AE-Ada智慧校园电力设备故障检测系统具有更高的精度。
表5 三种复合模型的性能结果
本文构建了一种基于深度学习的智慧校园电力设备故障检测模型,利用主成分分析法提取数据中的主成分,然后使用LSTM神经网络对数据中的特征进行提取,使用AE神经网络对数据进行分析、重塑后得到最终的数据输出,最后用Adaboost算法进行数据微调。本文构建的模型相较于其他神经网络模型在一定程度上提高了检测的精度,取得了较好的效果,可以应用于智慧校园的运行与维护中。随着人工智能的不断发展,在下一步研究中可以关注智能语义和深度学习神经网络在智慧校园运行与维护中的应用,可以将故障原因和结果的分类作为智慧校园电力设备故障检测下一步研究的方向。
猜你喜欢电力设备神经元神经网络加强电力设备运维云平台安全性管理江苏安全生产(2020年7期)2020-09-04高压电力设备试验方法及安全措施的研究科技创新导报(2020年3期)2020-05-06神经网络抑制无线通信干扰探究电子制作(2019年19期)2019-11-23基于神经网络的中小学生情感分析电子制作(2019年24期)2019-02-23跃动的神经元——波兰Brain Embassy联合办公现代装饰(2018年5期)2018-05-26电力设备运维管理及安全运行探析现代工业经济和信息化(2016年22期)2016-08-23基于压缩感知的电力设备视频图像去噪方法研究电测与仪表(2016年18期)2016-04-11基于神经网络的拉矫机控制模型建立重型机械(2016年1期)2016-03-01ERK1/2介导姜黄素抑制STS诱导神经元毒性损伤的作用中国生化药物杂志(2015年4期)2015-07-07毫米波导引头预定回路改进单神经元控制弹箭与制导学报(2015年1期)2015-03-11