基于深度學習的電力設備智能運行方式的研究

虞 躍

（國網冀北電力有限公司秦皇島供電公司，秦皇島066000）

在電力市場下，隨著電網技術日益迅速地發展和應用，其網絡拓撲結構變得愈加錯綜復雜、交織多變，設置在智能電網中的電力設備在運行過程中往往受到電網運行環境的各種影響，比如電網中諧波、磁場、溫度、濕度、紋波、雜波信息干擾等因素，導致電力設備偏離工作標準，嚴重時，甚至發生意外事故。電網維護工作人員往往在觀察到設備無法正常運行，或者出現故障后才獲得電力設備的情況。在電力設備正常運行過程中，很難通過運行數據、宏觀的數據特征獲取更為本質的信息。這就使隱藏在宏觀數據的信息特征無法被挖掘出來，電力設備在工作過程中將存在諸多隱患，影響電力市場的健康、穩定、安全發展[1]。故在此以深度學習為基礎，融入新發展的人工智能技術，將電力設備的運行、監控、維護等緊密結合在一起，通過日常運行數據，挖掘、訓練、學習各個數據之間的關系，及時排除運行風險，并實現故障的快速發現和處理[2]。

1 智能運行方式體系架構設計

研究中所構建的新型智能運行方式體系架構如圖1 所示，包括設備層、數據采集層、深度學習層、計算機管理層和應用層。

圖1 智能運行方式體系架構Fig.1 Architecture of intelligent operation mode

智能電網以及設置在其內的電力設備、傳感器均屬于設備層。數據采集層采集電力設備運行的各種數據，這些數據信息包括電力電路網絡故障、變壓器故障、電源供電故障、母線故障等信息。電力信息多樣，還存在導致電力設備故障或者無法正常運行的電網數據集合，如：電網中出現的同頻、異頻信號，電力設備運行中出現的電流無功功率、電壓無功功率、雜散波諧波信息、異常電壓、諧波電流、電壓不平衡值、電流不平衡值、電壓/電流閃變/瞬變、電網雜波干擾、振動、溫濕度、諧波干擾、異常事件等多項指標。這些數據大都比較分散，數據之間的規律難以掌控[3]。

在深度學習層，已有多種方式的深度學習算法，較常見的深度學習模型與架構包括CNN，DBN，RNN，RNTN，GAN，以及自動編碼器、大數據挖掘算法模型，比如K-Means 算法模型、支持向量機模型、Apriori 算法模型、最大期望（EM）算法模型、Adaboost 迭代算法模型、關聯算法模型、故障診斷模型、隨機矩陣算法模型等多種計算模型。這些算法的一個共同特點，就是能夠將采集到的宏觀數據轉換為直觀識別的信息數據，用戶通過將宏觀數據輸入至相關的大數據分析模型，能夠得出相應的數據管理，從而有利于用戶管理、監控或維護電力設備。在此，僅闡述有代表性的深度學習算法，由此體現研究的技術特征[4]。

2 深度學習算法模型

2.1 故障診斷模型

對電力設備運行情況的監督往往采用故障診斷模型，傳統人工方法的診斷能力就顯得非常有限。在此采用了BP 神經網絡算法模型（back-propagation network），能夠對采集到的電力設備故障信號進一步地進行映射、處理，有效地處理電力設備較為復雜的故障信息非線性關系，并通過數學模型表現出來[5]。該模型如圖2 所示。

圖2 BP 神經網絡算法模型Fig.2 BP neural network algorithm model

由圖可見，該算法模型包含了輸入層（可以作為電網信息輸入層）、蘊含層（可以作為故障信息定位層）、輸出層（可以作為故障信息訓練、學習層）。通過信息輸入層輸入上述影響電力設備的多種類型故障數據信息。為達到一定的調節效果，通常設置不同的權值或者閾值，能夠逐步逼近BP 神經網絡算法模型輸出的結果，從而提高訓練精度，減少計算誤差。

在此介紹應用上述計算模型所引入的公式。要使BP 神經網絡算法模型能夠正常運行，需要調整其輸出層權系數，即

式中：Δωki為BP 神經網絡算法模型的輸出層權系數；為BP 神經網絡算法模型的的信息期望輸出值；為BP 神經網絡算法模型進行計算的輸出；η為常數。

同時，也需要對BP 神經網絡算法模型的隱含層權系數進行調整，即

在采集到的大量電力設備故障數據信息庫中，由于數據信息形式不一，如圖片、文本、聲音、音頻等，信息特征是非線性較強。如果每種數據形式采用一種方式，就會出現多種計算模型，計算起來極為不便[6]。故在此采用二次型準確函數模型，即

對于N 個電力網絡中的故障設備信息樣本，總準確函數為

在評價電網信號中電力設備故障類型信息時，為進一步提高學習精度，需要對接收到的數據進行標準化處理。比如，在輸入層輸入電力設備故障信息時，假設有m 種不同的故障類型（如變壓器故障、電源供電故障、母線故障等），這些數據共有N 種，對輸入的故障數據xij實施標準化處理的公式[7]為

其中

為適應多種情況下的計算，對Zij進行標準化計算，即

式中：yi為輸出電力設備運行故障數據樣本；yi′為標準化后的電力設備運行故障數據樣本信息；ymax為輸出電力設備運行故障信息數據樣本中的極大值；ymin為輸出電力設備運行故障信息數據樣本中的極小值。

在式（1）～式（8）的應用過程中，數據輸出的精度情況取決于網絡的層數、 隱層神經元的個數、初始權值（一般選擇（-2，2））的選取，以及學習速率（一般選擇0.02～0.7）和期望誤差的選取。利用上述參數則可以構建BP 神經網絡數學模型[8]，進而實現多種運算。

2.2 數據關聯模型

隨機矩陣理論數學模型在處理復雜配電網系統輸出的能譜和本征態具有突出的優勢，通過構建出的數學模型揭示宏觀數據中整體關聯的行為微觀特征，有利于把握更為本質的數據信息。

矩陣模型為

其中

式（9）表示D1與D2在（M+N）×T 下的關聯性。式中：T 為獲取數據樣本的測量次數；M 為假設待研究的電力設備運行的數據類型數，該M 種數據用數據集合記為｛P1，P2，P3，…，PM｝；D2為電力設備在運行過程中產生的數據類型，如電流、電壓、功率、負荷等，此類數據以集合的形式記為｛Q1，Q2，Q3，…，QN｝；N 為電力設備在運行過程中產生的數據種類。

假設，n 個電能數據變量構成的向量集合為

數據變量的量測數據可以構成一個列向量，按時間順序對所測的電力設備數據進行排序，可得矩陣為

式中：Ω 為電力設備產生數據的數據庫；ω1，ω2，…，ωM+N分別為矩陣D1和D2中單個元素的集合[9]；Dstd的值表示數據集合D1與數據集合D2間的關聯性。

2.3 數據分類算法

在一種深度學習算法中，采用決策樹算法，再以ID3（iterative dichotomiser 3）算法作為示例加以說明。對數據分類時，要先設計出分類器，分類器在數據樣本中經過學習、訓練可以自動生成。其模型如圖3 所示。

圖3 分類器訓練Fig.3 Classifier training

利用強分類器能夠提高數據輸出的精確度，在屬性分類上顯得更加強悍。確定了分類器以后，就要確定分類器的節點情況。節點分為算法模型的總節點和分支節點，先確定總節點再構建分支節點，這樣就可以構建決策樹模型[10]。所需的一個數據參數——經驗熵H（D）為

經驗條件熵H（D/A）為選擇的數據樣本的特征A 在數據集D 中的信息增益，有

由式（13）（14），可以計算出分類數學模型中決策樹的根節點。然后，將信息增益度值較大的屬性（作為根節點設置）設置在決策樹的頂層，次之的信息增益度值放置在根節點的下端，最后將最小的信息增益度值的屬性作為決策樹算法模型中的分支節點。在確定好根節點和分支節點的屬性以后，就建立起分類模型。

3 試驗結果及分析

對以上深度學習的效果驗證，由于篇幅所限，在此僅對BP 神經網絡算法模型、 隨機矩陣理論數學模型和決策樹算法進行驗證，通過代表性示例說明深度學習算法在電力設備智能運行方式中的效果。

3.1 試驗環境

硬件——計算機系統；

軟件的操作系統——Windows 2015；

應用軟件——C#，Tensorflow，Python，NumPy，SciPy，iPython，等。

3.2 試驗方法

驗證試驗在合肥學院人工智能與大數據學院實驗室計算機機房內進行，選用1 臺計算機，調取數據庫信息，對收集到的數據信息清洗、過濾，其組件如圖4 所示。采用不同的數學模型進行試驗，通過計算機進行仿真、計算。

圖4 試驗架構模型Fig.4 Experimental architecture model

3.3 試驗分析

3.3.1 BP 神經網絡模型仿真驗證

對BP 神經網絡算法模型仿真驗證時，啟動MatLab軟件環境，隨機從數據庫中調取電力設備運行效率，然后進行智能仿真。仿真過程中采用以下公式：

準確率計算公式為

召回率計算公式為

最終得出FI 值：

在進行數據驗證時，分別選擇電壓、電流、紋波、負荷、諧波等數據信息5×104個，得出的數據樣本見表1。得到的仿真曲線如圖5 所示。

表1 BP 神經網絡模型試驗數據Tab.1 Test data of BP neural network model

圖5 BP 神經網絡模型仿真試驗Fig.5 Simulation test of BP neural network model

由表可知，在測量時間20 s 內，利用BP 神經網絡模型計算后的結果，反應時間為6.5，7.2，6.3，7.1，7.5 s，獲得相應的召回率和正確率，誤差比較小。

3.3.2 隨機矩陣算法驗證

試驗時假設矩陣D1為80×150，D2為400×500，然后根據式（12）求值。隨機矩陣算法驗證試驗數據見表2。

表2 隨機矩陣算法試驗數據Tab.2 Test data of random matrix algorithm

將表2 數據代入式（9），可得

最后可得表2 中的Dstd計算值。可以用曲線圖來表示不同參數之間的相關性，如圖6 所示。

圖6 隨機矩陣算法仿真試驗Fig.6 Simulation test of random matrix algorithm

圖中，Dstd值表明電力設備輸出的電流、電壓、功率等參數與電網中存在的干擾信息（磁場、諧波和負荷）有著密切的關系：Dstd值越大，磁場、諧波和負荷等干擾因素影響程度就越大。由圖可見在電力設備運行過程中磁場、諧波和負荷與電力設備運行數據之間所存在的關系。

3.3.3 分類算法驗證

假設該算法模型輸出數據特征A1，A2，A3，A4，A5對數據集合D 的信息增益，樣本庫見表3。

表3 數據庫樣本庫Tab.3 Database sample library

根據式（13）（14）求值，可得

結果可得出，A5的信息增益為最大。然后選擇A5為根節點，針對A5再進一步劃分，可得

將這些數據集合劃分為子節點，直至輸出用戶滿意的數據為止，一種示例性劃分如圖7 所示。

圖7 決策樹示意圖Fig.7 Diagrammatic sketch of decision tree

通過這種數據模型，能夠使用戶快速從電力設備數據庫中查到諧波干擾數據，大大提高了數據檢索的效率，增強了大數據的分類能力。

4 結語

通過研究將各種深度學習算法應用到電力市場中，提高了數據的運算能力，可以使用戶快速獲取、計算、分析電力網數據，解決了目前手工安排運行方式工作量大、效率低的問題。然而仍存在一系列問題，如：數學計算的精度有待考究，且需要充足的數學理論來支撐，雖然在一些理論上可行，但是在具體應用過程中，可能存在計算模型滯后等現象；深度學習在建模時，需對大量的數據反復計算以總結出算法模型的經驗值，如果數據量不夠大則可能影響精度；多種深度算法配合使用時，容易出現數據交叉感染現象，數據存在串出的情況，為此尚需要反復訓練，以總結運行經驗。