人工智能技術(shù)在電力系統(tǒng)故障診斷中的應(yīng)用

史雪濤 孫浩南 肖文飚 王德全 張冬

（國(guó)網(wǎng)江蘇省電力有限公司淮安供電分公司 江蘇省淮安市 223002）

眾所周知，科技的飛速發(fā)展和不斷的創(chuàng)新，讓人工智能技術(shù)得到了廣泛的推廣，并已經(jīng)普遍運(yùn)用到了各行各業(yè)當(dāng)中。尤其是在現(xiàn)如今信息化的大背景下，先進(jìn)的人工智能技術(shù)，依靠大數(shù)據(jù)的帶動(dòng)，已邁入進(jìn)了獨(dú)立學(xué)習(xí)階段，并且隨著進(jìn)一步的發(fā)展，當(dāng)前的人工智能技術(shù)可全程無(wú)需人工操控，這充分證明了此項(xiàng)技術(shù)已經(jīng)正式進(jìn)入到了另一個(gè)全新的發(fā)展階段，而這一點(diǎn)在電力系統(tǒng)故障診斷工作上體現(xiàn)的尤為明顯。電力系統(tǒng)人工智能技術(shù)的應(yīng)用可有效提升社會(huì)生產(chǎn)效率，而在之前常規(guī)電力系統(tǒng)運(yùn)行中，運(yùn)行結(jié)構(gòu)復(fù)雜，系統(tǒng)內(nèi)部環(huán)節(jié)極為繁瑣，還要全面適應(yīng)內(nèi)外環(huán)境。若電力系統(tǒng)在運(yùn)行時(shí)候出現(xiàn)故障問(wèn)題，采用傳統(tǒng)的人為排查方式會(huì)顯得非常困難且易出錯(cuò)，而隨著人工智能技術(shù)的普及和完善，可將大量的智能算法合理的運(yùn)用到電力系統(tǒng)當(dāng)中，進(jìn)而得以快速高效準(zhǔn)確診斷并智能處理大部分電力系統(tǒng)故障問(wèn)題，大力提升工作效率，保障電網(wǎng)安全可靠運(yùn)行。

1 電力系統(tǒng)故障診斷中人工智能技術(shù)的應(yīng)用

1.1 基于模糊理論的電力系統(tǒng)故障診斷

自從電力系統(tǒng)采用模糊控制器之后，明顯提升了解決電力系統(tǒng)故障的能力。在過(guò)去電力系統(tǒng)產(chǎn)生故障之后，技術(shù)工作者難以區(qū)分潛在故障和故障清除之間所存在的聯(lián)系。所以，始終難以獲得精準(zhǔn)的診斷結(jié)果。不過(guò)這些年以來(lái)，伴隨模糊理論的廣泛應(yīng)用，相關(guān)工作者可將故障處理、控制經(jīng)驗(yàn)結(jié)合到控制器里，進(jìn)而研發(fā)出完善的模糊控制器。電子系統(tǒng)模糊控制主要是使用自適應(yīng)模糊控制器，其和以往的自適應(yīng)控制進(jìn)行比較發(fā)現(xiàn)，模糊控制器是兩個(gè)以上的自適應(yīng)模糊系統(tǒng)所構(gòu)建。自適應(yīng)模糊控制器主要是在電力系統(tǒng)出現(xiàn)問(wèn)題的情況下，能夠馬上對(duì)不易發(fā)現(xiàn)的潛在故障及時(shí)實(shí)施處理。一是其能夠?qū)鹘y(tǒng)的推理工作進(jìn)行完善，之后完成近似推理工作，最終依靠強(qiáng)化推理的容錯(cuò)性來(lái)達(dá)到理想的處理效果，進(jìn)而使電力系統(tǒng)的故障能夠得到精準(zhǔn)的檢測(cè)。所以，在相關(guān)工作人員診斷電力系統(tǒng)故障的時(shí)候，若對(duì)一些故障沒(méi)有把握，那么就可通過(guò)模擬理論診斷法進(jìn)行解決。而且還要根據(jù)傳統(tǒng)工作經(jīng)驗(yàn)，將以往的一些診斷方式合理的與模糊理論診斷法融入到一起，進(jìn)而進(jìn)一步加強(qiáng)診斷的效果。

1.2 基于信息理論的電力系統(tǒng)故障診斷

其實(shí)在上個(gè)世紀(jì)的時(shí)候，就已經(jīng)有相關(guān)專業(yè)人士開始研究基于信息理論的電力系統(tǒng)故障診斷。站在信息理論層面進(jìn)行分析，信息理論方式具有明顯的實(shí)用性，對(duì)電網(wǎng)故障診斷其實(shí)屬于一項(xiàng)信息融合的工作。在對(duì)電力系統(tǒng)做故障診斷的時(shí)候，利用信息理論診斷法，能夠了解故障是怎樣產(chǎn)生的，并還能夠掌握保護(hù)裝置的工作原理。和這種故障診斷方式有關(guān)的診斷信息，不但能夠掌握電力系統(tǒng)不穩(wěn)定性特征，還能確保與其具有關(guān)聯(lián)性的系統(tǒng)得到保護(hù)。此方式不僅處理速度快，并且還能夠達(dá)到良好的處理效果。所以在診斷電力系統(tǒng)故障的過(guò)程中，一定要合理的使用系統(tǒng)中的保護(hù)裝備、錄波信息。而隨著科技水平的進(jìn)一步發(fā)展，還需要優(yōu)化信息結(jié)合、信號(hào)處理等方面的工作，以到達(dá)最為理想的診斷效果。

1.3 基于遺傳算法的電力系統(tǒng)故障診斷

遺傳算法遵循了人類遺產(chǎn)機(jī)理，通過(guò)仿照生物進(jìn)化，實(shí)現(xiàn)全局優(yōu)化的一種算法。此診斷方式的優(yōu)勢(shì)在于，具有加強(qiáng)的優(yōu)化效果，并且能夠?qū)θ诌M(jìn)行全面優(yōu)化。通過(guò)遺傳算法來(lái)診斷電力系統(tǒng)所產(chǎn)生的故障時(shí)，首先要根據(jù)元件故障與保護(hù)動(dòng)作間的關(guān)聯(lián)性，把系統(tǒng)診斷轉(zhuǎn)換為整數(shù)。之后創(chuàng)建遺傳算法，使用差異性遺傳算法，對(duì)所出現(xiàn)的故障進(jìn)行處理。若保護(hù)元件、斷路器產(chǎn)生拒動(dòng)的話，那么就代表診斷達(dá)到了最理想的效果。由此能夠看出，基于遺傳算法的電力系統(tǒng)故障診斷方法，能夠站在全局優(yōu)化的角度來(lái)研究故障問(wèn)題，從而可準(zhǔn)確的進(jìn)行診斷。不過(guò)應(yīng)如何有效創(chuàng)建電力系統(tǒng)故障診斷數(shù)字模型，明確差異性問(wèn)題等，還需要相關(guān)工作人員在今后進(jìn)行更加深入的研究。

1.4 基于人工神經(jīng)網(wǎng)絡(luò)診斷的電力系統(tǒng)故障診斷

相關(guān)研究工作者通過(guò)研究電力系統(tǒng)故障所產(chǎn)生的數(shù)據(jù)后，了解到了以下情況：通過(guò)使用人工神經(jīng)網(wǎng)絡(luò)技術(shù)，能夠?qū)﹄娏ο到y(tǒng)故障進(jìn)行有效的解決，主要是以控制人工神經(jīng)網(wǎng)絡(luò)閥值的方式來(lái)獲取知識(shí)點(diǎn)，然后隱秘的分布到人工神經(jīng)網(wǎng)絡(luò)里，進(jìn)而就可獲取充足的隱形知識(shí)點(diǎn)，對(duì)人工神經(jīng)網(wǎng)絡(luò)方式產(chǎn)生記憶。人工神經(jīng)網(wǎng)絡(luò)除了能夠清除掉噪音數(shù)據(jù)以外，還可以獲得所需要的知識(shí)點(diǎn)，進(jìn)而有效改善專家系統(tǒng)里所存在的問(wèn)題。采用人工神經(jīng)網(wǎng)絡(luò)診斷法來(lái)處理電力系統(tǒng)故障，主要是糾正系統(tǒng)問(wèn)題，然后立刻將數(shù)據(jù)傳送到系統(tǒng)當(dāng)中，此時(shí)系統(tǒng)狀態(tài)就會(huì)產(chǎn)生明顯的轉(zhuǎn)變，從而可準(zhǔn)確的清理掉系統(tǒng)里的故障，而所要使用的信息，能夠通過(guò)人工神經(jīng)網(wǎng)絡(luò)的知識(shí)庫(kù)來(lái)進(jìn)行提調(diào)。在故障診斷完成后，所形成的最新故障信息會(huì)立刻傳送進(jìn)數(shù)據(jù)庫(kù)里，這樣一來(lái)不但能夠在第一時(shí)間更新數(shù)據(jù)，還可給故障診斷工作帶來(lái)足夠的資源。

2 系統(tǒng)設(shè)計(jì)

下面我們對(duì)通過(guò)人工智能技術(shù)所研發(fā)的電力系統(tǒng)故障診斷系統(tǒng)進(jìn)行一下充分的研究。此系統(tǒng)主要是結(jié)合了人工智能技術(shù)中的深度置信網(wǎng)絡(luò)，并利用樣本數(shù)據(jù)預(yù)訓(xùn)練以及調(diào)整參數(shù)的形式所創(chuàng)建的電力系統(tǒng)故障診斷模型。搭配網(wǎng)絡(luò)系數(shù)約束和網(wǎng)絡(luò)平滑約束，以充分展現(xiàn)銜接矩陣?yán)镪P(guān)鍵性的銜接，進(jìn)而幫助輔助限制波爾茲曼機(jī)抓住暫態(tài)故障的局部特點(diǎn)，以此加強(qiáng)故障診斷水平。

2.1 模型構(gòu)建

深度置信網(wǎng)絡(luò)，即DBN。屬于深度表達(dá)學(xué)習(xí)模型，基本單元屬于RBM，在繁瑣函數(shù)的表達(dá)學(xué)習(xí)當(dāng)中得到了普遍的使用。RBM結(jié)構(gòu)主要是輸入層以及隱秘層兩種神經(jīng)元所構(gòu)建。RBM 屬于概率生成模型，其和判別模型具有明顯的差別，具體表現(xiàn)在生成模型能夠構(gòu)建觀測(cè)模型和標(biāo)簽間的分布。通過(guò)RBM 輸入層和隱蔽層間所存在的關(guān)聯(lián)性，來(lái)展現(xiàn)系統(tǒng)能量。

在上面的公式當(dāng)中，θ={ai，bj，Wij}代表RBM 的參數(shù)，ai 與bi 依次代表的是輸入層神經(jīng)元以及隱蔽層神經(jīng)元的偏置數(shù)據(jù)，Wij代表的是輸入層神經(jīng)元i 和隱蔽層神經(jīng)元j 間所具有的關(guān)聯(lián)性。使用所傳送的數(shù)據(jù)，運(yùn)算RBM 模型的最大似然概率，就能夠完成RBM 的參數(shù)預(yù)估，公式為：

本文主要是利用BP 神經(jīng)網(wǎng)絡(luò)與大量的RBM 棧式疊加模式創(chuàng)建DBN 模型。在網(wǎng)絡(luò)里以兩層為單位，對(duì)層進(jìn)行分組，并設(shè)置RBM 層。通過(guò)從低往高的形式，把每個(gè)RBM 層的輸出結(jié)果當(dāng)做傳送數(shù)據(jù)加載進(jìn)此前一層的RBM 層里。通過(guò)多層RBM 層的訓(xùn)練，最后對(duì)標(biāo)簽進(jìn)行傳送。在模型結(jié)構(gòu)當(dāng)中，最上端的是輸入層，輸入單元包括n 個(gè)，代表的是n 個(gè)輸入特點(diǎn)；最底層是輸出成，輸入單元包括m 個(gè)，代表的是m 個(gè)識(shí)別種類。隱蔽層的數(shù)量與各層的單數(shù)，要通過(guò)經(jīng)驗(yàn)來(lái)做出針對(duì)性的布設(shè)。

2.2 深度置信網(wǎng)絡(luò)訓(xùn)練方法

DBN 的學(xué)習(xí)訓(xùn)練分成預(yù)訓(xùn)練和調(diào)整。預(yù)訓(xùn)練主要采用的是無(wú)監(jiān)督訓(xùn)練方式，而后者則采用的是監(jiān)督訓(xùn)練的方式。先無(wú)監(jiān)督訓(xùn)練然后再后監(jiān)督的好處在于：無(wú)監(jiān)督訓(xùn)練在減小搜索最佳求解空間上效率極高，其輸出結(jié)果當(dāng)做成有監(jiān)督訓(xùn)練數(shù)據(jù)，能夠節(jié)省很多的時(shí)間；能夠改進(jìn)訓(xùn)練數(shù)據(jù)的相關(guān)問(wèn)題，進(jìn)而提升DBN 模型的監(jiān)督學(xué)習(xí)效果。

（1）開展預(yù)訓(xùn)練操控。預(yù)訓(xùn)練主要以貪心無(wú)監(jiān)督學(xué)習(xí)算法、無(wú)監(jiān)督訓(xùn)練為主，對(duì)以上DBN 模型各層里的全部參數(shù)做初始化賦值。通過(guò)對(duì)各層的RBM 層訓(xùn)練，底層初期的特征會(huì)訓(xùn)練成具有更加緊密關(guān)系的高端數(shù)據(jù)。因?yàn)樵跓o(wú)標(biāo)注時(shí)也能做使用貪心算法，造成輸出結(jié)果難以符合實(shí)際情況。所以，要相應(yīng)的調(diào)整參數(shù)。

（2）預(yù)訓(xùn)練結(jié)束后，標(biāo)出輸出結(jié)果，然后以全局學(xué)習(xí)算法的方式來(lái)對(duì)DBN 模型網(wǎng)絡(luò)空間開展監(jiān)督訓(xùn)練，進(jìn)而不斷完善DBN 模型網(wǎng)絡(luò)參數(shù)。

全局學(xué)習(xí)算法以從上往下的形式調(diào)整DBN 模型。公式為：

其中L 代表的是故障故障診斷樣本數(shù)據(jù)量，U 代表的是無(wú)標(biāo)準(zhǔn)的樣布數(shù)據(jù)量，D 代表的是每個(gè)樣本數(shù)據(jù)的特點(diǎn)個(gè)數(shù)。在模型訓(xùn)練期間，如果全部的樣本數(shù)據(jù)都做人工標(biāo)注，那么U=0。這種情況下，就要采用深層結(jié)構(gòu)的全局算法來(lái)訓(xùn)練。每個(gè)具備n 個(gè)特點(diǎn)的樣本數(shù)據(jù)都能夠被當(dāng)做是求解空前當(dāng)中的某個(gè)向量。

2.3 電力系統(tǒng)約束的DBN模型

2.3.1 網(wǎng)絡(luò)稀疏約束的構(gòu)建

由于電力系統(tǒng)里的暫停故障只是暫時(shí)會(huì)給有關(guān)設(shè)備造成影響，為此可把沒(méi)有受到干擾的設(shè)備狀態(tài)數(shù)據(jù)清理掉，以充分體現(xiàn)出局部特點(diǎn)。網(wǎng)絡(luò)稀疏約束是依靠把銜接矩陣的權(quán)重進(jìn)行賦值，把沒(méi)有遭受太大干擾的暫態(tài)故障的權(quán)重做好相應(yīng)的約束，盡量將它的值控制在0 左右，以此充分展現(xiàn)出矩陣關(guān)鍵處的銜接，以協(xié)助RBM 獲取到暫態(tài)故障的局部特點(diǎn)。網(wǎng)絡(luò)稀疏化約束，主要是利用罰函數(shù)進(jìn)行約束，罰函數(shù)可以用下面的公式反映出來(lái)：

2.3.2 網(wǎng)絡(luò)平滑約束的構(gòu)建

在電力系統(tǒng)當(dāng)中的相同的電力里，和電氣接近的設(shè)備在故障沒(méi)有產(chǎn)生前和產(chǎn)生后的狀態(tài)存在密切的關(guān)聯(lián)性。所以，在RBM 網(wǎng)絡(luò)里有關(guān)的權(quán)重?cái)?shù)值也會(huì)保持緊密的關(guān)系。網(wǎng)絡(luò)平滑約束，主要是往銜接矩陣間增添一定的約束，讓網(wǎng)絡(luò)里鄰近的節(jié)點(diǎn)的傳送矩陣的權(quán)重值盡量控制在0 左右，從而就能夠使鄰近節(jié)點(diǎn)在進(jìn)行完訓(xùn)練后，掌握相應(yīng)特征。通常主要是采用下面的公式來(lái)反映RBM 網(wǎng)絡(luò)平滑約束函數(shù)：

在上面的公式當(dāng)中，p 的取值范圍是（0,1），代表的是歸一化的輸入特性間的電氣距離。電氣間如果靠的很近，那么設(shè)備間的關(guān)聯(lián)性越明顯，這樣數(shù)值就會(huì)越大。按照機(jī)器學(xué)習(xí)的有關(guān)理論，網(wǎng)絡(luò)稀疏約束和L1間能夠產(chǎn)生等效，同時(shí)網(wǎng)絡(luò)平滑約束和L2的正規(guī)化間可產(chǎn)生等效。若所建模型非常繁瑣或所獲取到的數(shù)據(jù)不夠時(shí)，機(jī)器學(xué)習(xí)的訓(xùn)練便要產(chǎn)生擬合現(xiàn)象。若模型結(jié)構(gòu)越繁瑣，那么訓(xùn)練樣本集中就不會(huì)形成太過(guò)明顯的誤差，不過(guò)模型太過(guò)繁瑣會(huì)導(dǎo)致測(cè)試樣本集的時(shí)候，誤差進(jìn)一步嚴(yán)重。所以，為能夠減少模型的測(cè)試誤差，就要簡(jiǎn)化模型。主要是以減少模型偏差的方式得到小的模型方差。

2.3.3 實(shí)際驗(yàn)證

為證明以上方案的實(shí)際效果，相關(guān)專家從發(fā)電站中收集了29個(gè)節(jié)點(diǎn)系統(tǒng)，一共使用8 臺(tái)發(fā)電機(jī)，34 條母線以及42 條線路的運(yùn)行狀態(tài)數(shù)據(jù)。從4532 個(gè)樣本數(shù)據(jù)中隨意挑選其中的3000 個(gè)，而剩下的部門當(dāng)做測(cè)試樣本來(lái)測(cè)試。

在進(jìn)行測(cè)試的時(shí)候，采用以往的ANN 模型以及DBN 模型來(lái)做監(jiān)督訓(xùn)練。其中ANN 模型是把模型初始化參數(shù)進(jìn)行任意搭配，之后再做監(jiān)督訓(xùn)練。對(duì)其參數(shù)優(yōu)化非常困難，很難做出精準(zhǔn)的評(píng)測(cè)。而DBN 模型的曲線，和ANN 模型曲線比較起來(lái)，起始點(diǎn)會(huì)低一些。這充分證明，預(yù)訓(xùn)練的無(wú)監(jiān)督訓(xùn)練法能夠給隨后的調(diào)整參數(shù)的監(jiān)督訓(xùn)練帶來(lái)完善的數(shù)據(jù)，進(jìn)而可讓DBN 模型的故障評(píng)估錯(cuò)誤率保持在3%左右。

由此能夠了解到，在沒(méi)有標(biāo)注的樣本數(shù)量變多的情況下，DBN模型的故障評(píng)估精準(zhǔn)率會(huì)明顯加強(qiáng)，之后會(huì)以微弱的漲幅繼續(xù)增長(zhǎng)。當(dāng)沒(méi)有標(biāo)注的樣本數(shù)達(dá)到1000 個(gè)的情況下，漲幅就會(huì)出現(xiàn)顯著變化，有關(guān)的評(píng)估精準(zhǔn)率會(huì)大于95.3%。在樣本訓(xùn)練數(shù)量多于1000的情況下，評(píng)測(cè)精準(zhǔn)率的上漲率便會(huì)逐漸降低，不過(guò)總體上來(lái)講依然處于上漲的狀態(tài)。

3 結(jié)束語(yǔ)

我國(guó)的電網(wǎng)建設(shè)在這些年取得了長(zhǎng)足的進(jìn)步，使電網(wǎng)工程逐步壯大，不過(guò)伴隨經(jīng)濟(jì)的發(fā)展，民眾以及各大行業(yè)的用電量逐漸增多。盡管我國(guó)電網(wǎng)行業(yè)在這樣的背景下承受著巨大的壓力，不過(guò)也迎來(lái)了一次發(fā)展機(jī)遇。為此一定要充分的利用人工智能技術(shù)，來(lái)對(duì)電力系統(tǒng)運(yùn)用當(dāng)中所存在的故障問(wèn)題進(jìn)行及時(shí)的診斷，這樣一來(lái)就能夠及時(shí)的解決所存在的問(wèn)題，確保電力系統(tǒng)得到安全平穩(wěn)的運(yùn)行。從而可在使電網(wǎng)行業(yè)獲得穩(wěn)定經(jīng)濟(jì)收益的同時(shí)，讓電網(wǎng)行業(yè)得到良好的發(fā)展。