卢翔智 吴晓强 李慧 杜锦阳 郑茵

摘 要：针对计量自动化终端在运行过程中因性能退化或故障，导致整个电力系统运行不稳定，而现有计量自动化终端自动诊断无法及时或提前预判其故障的问题，研究基于边缘计算框架，通过引入GBDT故障检测模型，提出一种基于边缘计算的计量自动化终端自我评估诊断系统，并完成了系统的硬件和软件设计。最后通过仿真实验，对GBDT故障检测模型进行了验证，以及对整个系统进行了测试。结果表明，GBDT模型在精准率、召回率、F1值上表现良好，识别的准确率高于CART模型、RF模型，达到98.82%，具有一定的优越性，可用于计量自动化终端故障的检测与识别;本系统可实现计量自动化终端的趋势监测和故障预测，相较于传统计量自动化终端诊断系统，具有更高安全性和实时性，可用于实际计量自动化终端自我评估诊断。

关键词：GBDT模型;邊缘计算;计量自动化终端;自动诊断

中图分类号：TM933.4 文献标识码：A 文章编号：1001-5922（2021）05-0088-05

Research on self Evaluation and Diagnosis technology of Measurement Automation Terminal based on edge Computing

Lu Xiangzhi， Wu Xiaoqiang，Li Hui，Du Jinyang，Zhen Yin

（Measurement center of Guangzhou Power Supply Co.， Ltd.， Guangzhou 510700， China）

Abstract：Due to the performance degradation or fault of metering automation terminal in the operation process， the whole power system is unsTab， and the existing metering automation terminal automatic diagnosis can not predict the fault in time or in advance. Based on the edge computing framework， by introducing the gbdt fault detection model， a self-evaluation diagnosis method of metering automation terminal based on edge computing is proposed The hardware and software of the system are designed. Finally， through the simulation experiment， the gbdt fault detection model is verified，and the whole system is tested. The results show that gbdt model performs well in accuracy， recall rate and F1 value，and the recognition accuracy is higher than cart model and RF model， reaching 98.82%. which has certain advantages and can be used for fault detection and recognition of metering automation terminal; this system can realize trend monitoring and fault prediction of metering automation terminal， and is more effective than traditional metering automation terminal diagnosis system It has higher security and real-time，and can be used for self-evaluation and diagnosis of actual measurement automation terminal.

Key words：Gbdt model; Edge computing; Measurement automation terminal; Automatic diagnosis

随着电力工业的快速发展，电力计量自动化终端的应用越来越广泛。电力计量自动化终端是电力系统的关键组成，其是否健康稳定运行决定了整个电力系统的运行情况。然而由于外部环境和系统干扰等因素的影响，计量自动化终端容易出现各种故障问题。为确保计量自动化终端的稳定运行，有必要对其进行故障检测。目前，主要是通过人工定期检测或校准以发现计量自动化终端的故障和潜在故障。这种方法虽然可排除一定的计量自动化终端故障，但其对故障的识别率不高，且工作量较大，工作效率也较低。近年来，人工智能技术的发展为计量自动化终端的故障诊断带来了新的契机。王宏等（2021）[1]、吴瀛等（2021）[2]、张金金等（2021）[3]基于CART模型和RF模型等故障检测技术，实现了对关口计量装置的运行状态的快速评估，提高了计量装置的评估效率。但由于上述方法通常存在泛化能力较低的问题。因此，为解决该问题，研究通过GBDT故障检测技术，并采用边缘计算技术框架，提出一种基于边缘计算的计量自动化终端自我评估与诊断系统，实现了计量自动化终端自我评估诊断。

1 基本方法

1.1 GBDT故障检测

GBDT模型是一种迭代的决策树算法。该模型以决策树作为基分类器，通过迭代可在残差减少的梯度方向建立新的决策树，并累加所有树的结果，改进了决策树算法，具有良好的分类效果和较强的泛化能力[4]。其基本原理是假设第k-1轮迭代的强学习器为，损失函数为，第k轮迭代目标是得到一个弱学习器hk（x），让第k轮的损失函数最小;然后对k进行迭代，以使最终损失最小。

对于二分类问题，假设，i=1，2，…，n为训练样本，q为模型特征数量。其中，n表示样本数量，yi表示第i个样本的实际标签，                                  表示第i個样本的输入数据。采用GBDT模型选取对数损失函数，即：

1.2 边缘计算

边缘计算是一种在物联网、高带宽背景下发展起来的新兴技术，其核心在于可集中应用服务、计算、存储等于数据源的一端，进而降低数据中心的压力，提高数据的安全性[5]。整个边缘计算包括设备层、边缘主机层、终端云层，如图1所示。其中，设备层主要负责监测、采集信号数据，包括各种监测部件、监测设备、监测系统等;边缘主机层主要负责对设备层采集的信号数据进行处理分析，并将结果上传到终端云层;终端云层主要负责对接收的信号结果进行进一步分析，并通过控制软件将用户需要查看的数据进行上传，以降低数据的传输量。

考虑到计量自动化终端的特殊应用环境，本研究结合边缘计算技术与GBDT故障预测技术，设计了一种计量自动化终端自我评估诊断系统，通过将计算和存储前移到数据采集前端，在平台端使用GBDT故障预测技术进行预测和健康状态评估，实现了计量自动化终端自我评估诊断。

2 系统架构

基于边缘计算的计量自动化终端自我评估诊断系统的主要功能是通过处理分析计量自动化终端的状态数据，实现其的自我评估诊断。因此，根据系统功能需求，研究将系统整体架构设计为如图2所示。系统包括数据感知、数据处理、上位机三个模块。数据感知模块主要通过变频器等传感器采集计量自动化终端状态的信号数据，并将数据传送到数据处理模块;数据处理模块接收到数据后，主要负责对数据进行特征提取、故障预测等处理，并上传处理结果到上位机模块，同时进行存储;上位机模块主要负责配置系统采样参数和显示预测结果及数据管理等。其中，数据处理模块是整个系统的核心模块，本研究将重点对该模块进行设计。

3 系统设计

3.1 硬件设计

3.1.1 数据感知模块

数据感知主要用于获取计量自动化终端的全面状态信息，可通过震动传感器、温度传感器、压力传感器采集计量自动化终端的信号，通过总线可采集计量自动化总段的电压电流信号、温度信号和电源机柜的电压信号。

3.1.2 数据处理模块

数据处理模块是计量自动化终端自我评估诊断系统的核心组成，主要包括电源数据存储、数据输入、集成控制器四个子模块。本系统电源由控制器提供;数据输入用户解析和预处理BIT总线信号数据;数据存储用于存储采集的数据;集成控制器主要负责数据特征提取、状态识别和故障预测，以及上传结果至上位机等功能实现，如图3所示，安装于加固机箱内。

其中，集成控制器主要采用GBDT算法构建计量自动化终端监测或提前预判故障模型，以实现计量自动化终端的状态识别和故障预判，进而实现计量自动化终端的自我评估与诊断。基于GBDT的计量自动化终端识别模型具体构建步骤如下：

步骤1：提取计量自动化终端的特征指标，包括计量自动化终端的属性数据、故障数据、电量数据等相关数据，假设计量自动化终端异常的发现时间前k（k=15）天，按照一定规则提取电量特征、时间特征、天气特征三个维度的特征，即可得到计量自动化终端的29个特征指标，如表1[6]所示。

步骤2：对提取的特征指标进行预处理，包括数据清洗、数据融合等处理，形成计量自动化终端数据宽表。

步骤3：将处理后的数据样本输入GBDT模型进行训练，其输出项即为计量自动化终端是否发生故障和预测故障的概率。

步骤4：将训练好的GBDT模型应用到测试集评价模型，若模型识别故障效果良好，则直接输出该模型结果;若模型识别故障效果不佳，则优化模型参数重新建立模型，直到模型达到最佳，并输出最佳模型识别结果。

上述构建流程可用图4表示。

最后，将GBDT模型输出结果上传至上位机进行显示与管理，即实现了计量自动化终端的数据处理。

3.1.3 上位机模块

为满足实际计量自动化纵断的状态监测和故障预测需求，研究将上位机模块分为参数配置、数据管理、数据显示、数据分析四个子模块进行设计。参数配置主要是对通道和信号采集的采样率进行配置，以满足计量自动化终端的实际需求;数据管理主要是将下位机硬盘中的数据传输到上位机电脑中，以便于后续的数据分析;数据显示与数据管理相互配合，可向用户展示计量自动化终端的实时监测情况;数据分析配合数据管理，主要是对上位机的状态识别和故障预测等数据进行分析。

3.2 软件设计

本系统软件Labview软件进行开发，使系统具备数据采集与存储、数据显示与查看、网络通信等功能。对于数据任务配置，可由测试人员根据实际需求在上位机上进行灵活配置;对于数据存储，采用支持多种文件格式的存储的形式。系统软件平台结构如图5所示。

4 仿真实验

4.1 系统环境

本系统采用NI公司的Labview软件进行开发。该软件安装于上位机模块中的计算机，进而实现对系统的操作于控制。

4.2 界面展示

由于篇幅限制，本研究仅对系统主要界面，数据管理界面、数据分析界面、数据显示界面进行展示，如图6～8所示，用户根据界面提示可进行相应操作。

4.3 模型验证

4.3.1 评价指标

本研究选用精准率（P）、召回率（R）、F1值、真正率（TPR）、假正率（FPR）作为评估模型性能的指标，计算方法如式（2）～（6）[7-8]。P值、R值、F1值表示模型性能越好。

P=TP/（TP+FP）

R=TP/（TP+FN）

F1=2PR/（P+R）

TPR=TP/（TP+FN）

FPR=FP/（FP+TN）

式中，TP表示真正例、FP表示假正例、FN表示假反例，TN真反例。

4.3.2 数据来源

研究选用某地区2020年1月至6月低压用户的单相电能表相关数据，通过筛选得到12760只单相电能表相关数据作为实验数据集。采用随机划分方法选取数据集的20%作为测试集，80%作为训练集，对模型进行训练和测试。

4.3.3 结果与分析

（1）模型对比。为验证GBDT模型的分类性能，研究在同等条件下（故障发生前天数k=15）对比了该模型与常用于计量自动化终端故障识别的分决策树CART和随机森林RF模型的识别效果。其中，GBDT模型参数和CART模型参数设置均参考文献[9]，GBDT模型参数最大深度设置为4，决策树棵数设置为16，CART模型参数最优决策树棵数为10。将训练好的GBDT模型、CART模型、RF模型应用于测试集，得到不同模型的分类结果结果如表2所示。由表可知，相较于CART模型和RF模型，本研究的GBDT模型在精准率、召回率、F1值上表现良好，识别的准确率最高，达到98.82%，说明GBDT模型具有一定的优越性。

为进一步证明GBDT模型的优越性，研究将三种模型的假正率和真正率作为横坐标，绘制了三种模型的ROC曲线图，如图9所示。ROC曲线越接近点（0，1），则曲线下的面积AUC值越接近1，表示模型性能越好[10]。由图可知，GBDT模型的曲线更接近点（0，1），其AUC值最大，为0.995。由此说明，相较于CART模型和RF模型，本研究的GBDT模型性能更好。

综上可知，GBDT模型具有一定分类优越性，可用于计量自动化终端的故障识别。

（2）模型应用。为验证GBDT模型的可行性和有效性，研究选用某地区2020年7月至8月的6760只低压用户单向电能表数据进行验证，结果如表3所示。由表可知，GBDT模型诊断正确识别出5320只故障电能表，漏判271只故障电能表，误判693只故障电能表。

为更直观地展示模型检测结果，研究将上表转化为评价指标结果，如表4所示。由表可知，GBDT模型在精准率、召回率、F1值上表现良好，达到85%以上，说明GBDT模型的故障诊断整体准确率较高，可用于计量自动化终端电能表的日常檢测和维护，在线实时诊断、提前预判计量自动化终端故障，提高计量自动化终端的故障管控能力。

4.4 系统测试

为验证本系统的有效性，研究在同等条件下，分别采用本系统与传统计量自动化终端故障检测系统对计量自动化终端进行状态监测，结果如表5所示。由表可知，相较于大部分传统计量自动化终端故障监测系统，本系统可实现计量自动化终端的趋势监测和故障预测，具有更高安全性和实时性，提高了系统故障诊断的工作效率，且本系统对硬件、软件要求更低，同时还可优化备件，降低了系统维护成本，具有更大的推广潜力。

5 结语

综上所述，本研究基于边缘计算的计量自动化终端自我评估与诊断系统，可通过引入的GBDT模型实现对计量自动化终端故障的准确识别，识别准确率达到98.82%，优于传统计量自动化终端故障识别模型CART模型和RF模型;将GBDT模型应用于本系统，可实现计量自动化终端故障的在线实时诊断和提前预判，提高了计量自动化终端的故障管控能力;本系统具有较高安全性和实时性，可应用于实际计量自动化终端的自我评估与诊断，具有一定的实际意义。

参考文献

[1]王宏，张强，王颖，等. 基于ELM的改进CART决策树回归算法[J]. 计算机系统应用，2021，30（02）：201-206.

[2]吴瀛，陈崇明，姚栋方. 基于决策树算法的关口计量装置运行状态评估[J]. 电测与仪表，2021，58（02）：183-189.

[3]张金金，张倩，马愿，等. 基于IRF和DBSCAN的短期负荷频域预测方法[J/OL]. 控制理论与应用：1-9[2021-04-08].

[4]赵金超，李仪，王冬，等.基于优化的随机森林心脏病预测算法[J]. 青岛科技大学学报（自然科学版），2021，42（02）：112-118.

[5]李聪，刘通. 融合区块链与边缘计算系统中基于最小化网络时延的TOSML优化方案[J/OL]. 南阳师范学院学报：1-6[2021-04-08].

[6]李彬，郝一浩，祁兵，等. 边缘计算在需求响应中的应用现状及发展思路[J].华电技术，2021，43（03）：1-8.

[7]贾庆民，丁瑞，刘辉，等. 算力网络研究进展综述[J/OL]. 网络与信息安全学报：1-12[2021-04-08].

[8]李炜，蒋越，闵江松，等.边缘计算环境下自适应移动路径感知的用户分配算法[J/OL].计算机集成制造系统：1-17[2021-04-08].

[9]魏健，赵红涛，刘敦楠，等. 基于集成模型的超短时负荷预测方法[J]. 计算机与现代化，2021（03）：12-17.

[10]谷宇峰，张道勇，鲍志东. PSO-GBDT识别致密砂岩储集层岩性研究——以姬塬油田西部长4+5段为例[J/OL]. 矿物岩石地球化学通报：1-11[2021-04-08].