基于電網(wǎng)多源數(shù)據(jù)融合的深度學(xué)習(xí)算法研究與應(yīng)用

李波，李凱，鐘蘇生，黃愷彤，楊朝誼，吳麗瓊

（廣東電力信息科技有限公司，廣東廣州 510080）

電網(wǎng)運行過程中會產(chǎn)生調(diào)度、電量、檢修等多種類型數(shù)據(jù)，這些數(shù)據(jù)蘊含豐富的電網(wǎng)運行狀態(tài)信息。合理挖掘這些信息的價值，能夠提高電網(wǎng)運行的智能化水平[1-6]。

多源數(shù)據(jù)融合旨在模擬人類從視覺、聽覺、嗅覺等感知到認(rèn)識的機制過程，在電力系統(tǒng)的狀態(tài)監(jiān)測、故障診斷、負(fù)荷預(yù)測與新能源預(yù)測等方面廣泛應(yīng)用[7-12]。與神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等人工智能算法相結(jié)合[13-16]，能夠充分挖掘電網(wǎng)海量數(shù)據(jù)的應(yīng)用價值，在保障電網(wǎng)安全、穩(wěn)定運行的同時，提升電網(wǎng)公司信息服務(wù)能力。

1 多源數(shù)據(jù)融合模型

1.1 多源數(shù)據(jù)體系架構(gòu)

由于電力系統(tǒng)中設(shè)備的狀態(tài)不僅與電氣參數(shù)相關(guān)，還與溫濕度等環(huán)境參數(shù)有關(guān)。因此，基于多源數(shù)據(jù)融合驅(qū)動電力設(shè)備狀態(tài)的監(jiān)測與故障評估，結(jié)果的準(zhǔn)確性與多源數(shù)據(jù)的選取緊密相關(guān)，多源數(shù)據(jù)的選取應(yīng)該遵循科學(xué)性、可行性與全面性的原則。科學(xué)性原則是指選取應(yīng)符合客觀物理過程的發(fā)展規(guī)律；可行性原則是指數(shù)據(jù)的選取應(yīng)在統(tǒng)計基礎(chǔ)上，具有可操作性；全面性原則是指數(shù)據(jù)選取應(yīng)全面反映電力設(shè)備狀態(tài)的變化。

以油浸式變壓器為例，其表征故障狀態(tài)的特征參數(shù)眾多，依據(jù)科學(xué)性、可行性與全面性的原則，構(gòu)建油浸式變壓器故障診斷的多源數(shù)據(jù)體系，如圖1所示。正常狀態(tài)下變壓器絕緣油中氣體含量與空氣大致相同，但隨著變壓器使用時間的增長或出現(xiàn)過熱與放電故障時，絕緣油會發(fā)生分解，產(chǎn)生一氧化碳、氫氣等氣體。通過油色譜試驗分析變壓器絕緣油中某些氣體含量，可以對變壓器狀態(tài)進行評估及診斷故障情況。變壓器絕緣油是變壓器主要的絕緣介質(zhì)，通過油化試驗絕緣油狀態(tài)間接評估變壓器的健康狀態(tài)。電氣試驗指標(biāo)通過測量變壓器的主要電氣參數(shù)，直觀、簡明地反映變壓器的狀態(tài)。

圖1 油浸式變壓器故障診斷多源數(shù)據(jù)體系

1.2 多源數(shù)據(jù)融合算法

多源數(shù)據(jù)融合（Multisource Data Fusion，MDA）是模擬人類從感知到認(rèn)識的過程，結(jié)合不同學(xué)科的數(shù)據(jù)信息，通過對其進行優(yōu)化分析、綜合處理，完成所需任務(wù)的評估與決策。

DS 證據(jù)理論是多源數(shù)據(jù)融合領(lǐng)域常用的算法，屬于決策級別的多源數(shù)據(jù)融合算法。其核心思想是將待分析的問題分解為多個子問題，通過DS 合成規(guī)則實現(xiàn)多源數(shù)據(jù)融合，最終依據(jù)所需任務(wù)的決策規(guī)則得到?jīng)Q策結(jié)果。基于DS 理論的多源數(shù)據(jù)融合決策算法如圖2 所示。在數(shù)據(jù)層面，通過多個傳感器進行多源數(shù)據(jù)采集，通過數(shù)據(jù)標(biāo)準(zhǔn)化、相關(guān)性分析等數(shù)據(jù)處理方法，實現(xiàn)多源數(shù)據(jù)整體識別與特征提取。在特征層識別所需任務(wù)決策證據(jù)，并通過DS 合成規(guī)則實現(xiàn)融合，在決策層依據(jù)融合形成的決策規(guī)則得到?jīng)Q策結(jié)果。

圖2 基于DS理論的多源數(shù)據(jù)融合決策算法

DS 證據(jù)理論采用集合形式描述命題，假設(shè)N個互斥的獨立事件構(gòu)成一個集合，該集合稱為識別框架，如式（1）所示。

式中，xn為識別框架θ的第n個元素。

識別框架θ的所有子集構(gòu)成一個集合，稱為冪集2θ，如式（2）所示。

由此可見，冪集由2N個元素構(gòu)成。假設(shè)A為冪集2θ的任意子集，即A?2θ，A與所需決策問題的一個命題相對應(yīng)。進一步采用區(qū)間[0,1]的數(shù)值來描述對命題為真的信任程度，數(shù)值越大信任程度越高。命題A與該數(shù)值的對應(yīng)關(guān)系采用基本概率分配函數(shù)進行描述。基本概率分配函數(shù)應(yīng)滿足以下關(guān)系，如式（3）所示。

對于同一決策目標(biāo)，由于決策過程的數(shù)據(jù)來源不同，所以對應(yīng)著不同的基本概率分配函數(shù)。假設(shè)兩個來源不同的數(shù)據(jù)樣本X與Y，其對應(yīng)的基本概率分配函數(shù)分別為m1與m2，合成后的基本概率分配函數(shù)，如式（4）所示。

式中，E為合成后的數(shù)據(jù)樣本，k為X與Y之間的沖突系數(shù)，k值越大說明X與Y之間的沖突越大。當(dāng)k=1 時，說明X與Y完全矛盾，合成不成立，k的計算方法如下：

2 多源數(shù)據(jù)融合的深度學(xué)習(xí)算法

2.1 深度學(xué)習(xí)網(wǎng)絡(luò)模型

機器學(xué)習(xí)算法是模擬人類大腦神經(jīng)元處理信息機制的算法，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型包含2～3 層神經(jīng)單元，如圖3 所示。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)處理大規(guī)模數(shù)據(jù)的能力有限，通常要經(jīng)過人工的數(shù)據(jù)特征提取，將提取后的特征數(shù)據(jù)作為輸入。

圖3 神經(jīng)網(wǎng)絡(luò)模型

深度學(xué)習(xí)網(wǎng)絡(luò)（Deep Learning Network，DLN）由神經(jīng)網(wǎng)絡(luò)發(fā)展而來，其可由5～10 層神經(jīng)單元構(gòu)成。因此可以處理更大規(guī)模的數(shù)據(jù)，實現(xiàn)特征的自動提取，具有較高的學(xué)習(xí)效率。其典型結(jié)構(gòu)，如圖4 所示，由多層受限玻爾茲曼機（RBM）堆疊而成。DLN的訓(xùn)練方法包含正向傳播與反向傳播兩個過程，正向傳播過程以原始數(shù)據(jù)作為輸入數(shù)據(jù)，采用對比散度法進行無監(jiān)督的預(yù)訓(xùn)練；反向傳播過程根據(jù)輸出結(jié)果的預(yù)測值與實際值的誤差，采用梯度下降法對預(yù)訓(xùn)練得到的參數(shù)進行微調(diào)。

圖4 深度學(xué)習(xí)網(wǎng)絡(luò)模型

2.2 基于DLN-DS的變壓器故障診斷算法

文中將DLN 與DS 理論結(jié)合，并將該算法應(yīng)用于電力變壓器的故障診斷。基于DLN-DS 的電力變壓器多源數(shù)據(jù)融合模型如圖5 所示。

圖5 DLN-DS多源數(shù)據(jù)融合模型

以圖1 的油浸式變壓器多源數(shù)據(jù)作為輸入數(shù)據(jù)，采用DLN-DS 算法進行故障診斷的步驟流程，如圖6 所示。其包含以下3 個步驟：

圖6 基于DLN-DS的變壓器故障診斷算法步驟

1）采集原始數(shù)據(jù)，其樣本包含多源特征數(shù)據(jù)與變壓器故障類型標(biāo)簽，多源特征數(shù)據(jù)作為DLN 模型的輸入數(shù)據(jù)；

2）采用對比散度算法與梯度下降法對DLN 模型進行迭代訓(xùn)練，直至得到滿足精度要求的DLN 模型；

3）采用DS 證據(jù)理論對DLN 模型輸出結(jié)果進行數(shù)據(jù)融合，根據(jù)融合結(jié)果得到變壓器故障診斷結(jié)果。

3 算例分析

文中算例采用某省電網(wǎng)2019 年變壓器檢修報告的故障數(shù)據(jù)，數(shù)據(jù)樣本總數(shù)為1 400 個，每個數(shù)據(jù)樣本包括油色譜指標(biāo)L1、油氣試驗指標(biāo)L2與電氣試驗指標(biāo)L3共13 組數(shù)據(jù)。將變壓器故障類型作為數(shù)據(jù)標(biāo)簽，常見變壓器故障類型包括局部放電、過溫過熱、中低溫過熱、高能放電和低能放電。

3.1 多源數(shù)據(jù)融合對診斷結(jié)果的影響

以某次局部放電故障為例，分析采用DS 證據(jù)理論進行多元數(shù)據(jù)融合對變壓器診斷結(jié)果的影響。圖7 為各證據(jù)體關(guān)于局部放電故障的信任度。可以看出，只選取單種數(shù)據(jù)時信任度在0.2～0.4 范圍內(nèi)；選取兩種數(shù)據(jù)時信任度在0.5～0.7 范圍內(nèi)；同時選取3 種數(shù)據(jù)時信任度為0.784。雖然不同數(shù)據(jù)方案下均能判斷故障類型為局部放電，但采用3 種數(shù)據(jù)進行融合決策，結(jié)果更直觀、明顯，可以提高故障診斷的準(zhǔn)確率。

圖7 局部放電故障各證據(jù)體的信任度

選取不同數(shù)據(jù)方案的變壓器故障診斷準(zhǔn)確率，如表1 所示。只選取單種數(shù)據(jù)時平均準(zhǔn)確率低于85%；選取兩種數(shù)據(jù)時平均準(zhǔn)確率低于95%；同時選取3種數(shù)據(jù)信任度時，平均準(zhǔn)確率高達(dá)98.1%。由此可見，采用多種數(shù)據(jù)融合方案具有更高的診斷準(zhǔn)確率。

表1 不同變壓器故障類型診斷準(zhǔn)確率（%）

3.2 不同機器學(xué)習(xí)算法對診斷結(jié)果的影響

為對比深度學(xué)習(xí)算法與其他機器學(xué)習(xí)算法在變壓器故障診斷應(yīng)用上的差異，將上述變壓器故障多源數(shù)據(jù)樣本作為輸入數(shù)據(jù)。機器學(xué)習(xí)模型構(gòu)建方面分別選用BP 神經(jīng)網(wǎng)絡(luò)（BPNN）與支持向量機（SVM），均將其與DS 證據(jù)理論相結(jié)合，形成BPNN-DS 和SVM-DS 算法。各類機器學(xué)習(xí)算法故障診斷結(jié)果如表2 所示。

表2 各類機器學(xué)習(xí)算法故障診斷結(jié)果

由表2 可知，故障診斷平均準(zhǔn)確率DLN-DS＞SVM-DS＞BPNN-DS，因為DLN 算法相比于BPNN與SVM 算法更適應(yīng)大量數(shù)據(jù)的應(yīng)用場景，具有較高的故障診斷準(zhǔn)確率。

4 結(jié)束語

文中以油浸式變壓器為例說明多源數(shù)據(jù)選取原則，構(gòu)建電網(wǎng)多源數(shù)據(jù)體系，分析基于DS 證據(jù)理論的多源數(shù)據(jù)融合決策算法，進一步提出基于DLNDS 算法的電力變壓器故障診斷算法。由算例仿真分析可知，通過DS 證據(jù)理論進行多源數(shù)據(jù)融合，能夠更加明顯、直觀地得到故障診斷結(jié)果。多源數(shù)據(jù)融合決策相比于單源數(shù)據(jù)單獨決策或雙源數(shù)據(jù)融合決策，具有更高的故障診斷準(zhǔn)確率。DLN 算法比BPNN 或SVM，具有更理想的故障診斷準(zhǔn)確率。