新型電力系統中電力設備故障診斷技術研究

王照陽

（南京華盾電力信息安全測評有限公司，南京 211106）

近年來，伴隨著無人值守和電網大數據等智能電網項目的研究和實施，我國電力系統的智能化管理迎來了一個新的發展契機。但隨著電力系統智能化水平的逐漸提高，電氣設備的結構更加精密和復雜，設備故障概率也相應增加。設備故障會對電力系統正常運行產生威脅，干擾到經濟活動和居民正常生活，并造成經濟損失。我國電力行業的發展迅速，因此需要不斷更新先進的故障診斷技術以及管理方案。但是就目前的情況來看，診斷技術和管理方案未及時跟上更新速度。這使得診斷的結果與實際問題出現偏差，診斷數據的精度不夠，增加了維修的成本，甚至會導致其他更多問題的出現。

基于舊式電力設備設計的診斷技術方案和管理體系，已經不能適應現在設備診斷工作的需求。為適應新型電網的設備故障診斷工作的需求，本文結合電力設備故障診斷技術的現有研究，提出故障診斷應用平臺的設計方案，并配套相應的診斷管理體系，實現故障診斷的全過程、系統化的管理，使得診斷效果最大化，為電網安全、可靠、穩定的運行提供保障。

1 電力設備故障診斷相關技術

1.1 紅外線監測

紅外線監測技術是在電力系統中已經應用比較成熟的一種電力故障診斷手段，利用紅外線監測技術可以得到電力設備故障的重要信息。此技術具有響應速度快、成本低、操作簡單和工作方式安全等特點。

1.2 借助專家系統開展故障診斷

專家系統是一個智能計算機程序系統，結合了先進的人工智能技術和計算機技術，用來模擬人類領域專家的思考和決策過程，從而達到解決現實中工程問題的目的。

用于電力系統故障診斷的專家系統，內部包含許多電力領域專業知識與經驗，也包括許多的故障診斷案例，以及從這些案例可以學到的專家水平的知識、解決方法和經驗。當現實中電力設備出現某種故障時，可以根據事件的某些特點，綜合利用內部專業知識、經驗和相關案例進行推理判斷，從而對電力設備的故障類型做出判斷。與其他故障診斷方法相比，專家系統具有啟發性，其不僅僅運用邏輯判斷故障類型，也可以用“直覺”評判相關問題。專家領域系統還具有成長性和靈活性，知識庫與推理機制相分離，系統可以不斷吸納新的知識，從而適應領域新的發展。

1.3 依托神經網絡實施故障診斷

研究人員從信息分析角度，對人腦最基本的神經元進行簡單的抽象。并將其以不同的方式進行連接，從而形成了具有推理功能的人工神經網絡。人工神經網絡可并行計算的分布式系統，具有自學習、聯想存儲和高速尋優等特點。利用神經網絡模型，通過對樣本的學習，可以獲得訓練的神經網絡。神經網絡內部可以通過調整神經元之間連接權重，實現對變電站故障分析方法和相關知識的學習。

1.4 系統融合多樣化的診斷方法

系統融合多樣化的診斷方法指代在各種診斷方法的基礎上，系統融合各自優點，有效運用，進而產生新型診斷方法。例如，對電力設備而言，在其故障診斷過程時常應用神經網絡法，同時，專家系統也較為常用，因此，可融合上述2種方法，組建全新方法，全面利用信息資源，合理整合所有信息，進而得出正確解釋，以此來增加顯示結果的可信度，提升故障診斷效率，完善診斷結果，保障電網的長久運行。

系統融合多樣化的診斷方法是指在多種故障診斷方法的基礎上，保留不同方法的優點進行綜合利用，從而得出更優的故障診斷結果。例如，紅外線監測技術響應速度快、操作簡單，而神經網絡學習能力比較強、精確率高，因此可以在紅外線監測技術的基礎上加上神經網絡方法，對紅外線監測技術采集到的信息進行智能化處理，方便快捷地判斷出故障類型。

2 故障診斷評估模型的構建

隨著電力行業的快速發展，傳統的故障檢測方法的局限性逐漸顯現出來。而深度學習在各個領域實際應用中的優異表現，使得越來越多的研究人員嘗試將深度學習應用在電力設備故障診斷。本文利用采集到的電氣設備紅外圖像，結合基于MobileNet的圖像分類器，完成對紅外圖像溫度信息的提取，并給出判斷結論。同時，為了更好提取紅外圖像的語義特征，將多尺度卷積加入到圖像識別網絡中來。

2.1 深度可分離卷積

MobileNet是Google發布的網絡架構，是一種模型體積較小、可訓練參數及計算量較少的卷積神經網絡。旨在充分利用有限的計算資源，最大化模型的準確性。MobileNet網絡是通過深度卷積和逐點卷積，替代了傳統神經網絡中的全卷積操作，這種卷積方式被稱為深度可分離卷積。全卷積與深度可分離卷積的結構如圖1所示。

圖1 全卷積與深度可分離卷積

傳統的卷積方式先將特征通過1個卷積運算，之后通過正則化層和激活函數層，從而得到輸入信息的高維特征。而深度可分離卷積則是先通過了深度卷積和1×1的逐點卷積，然后在通過正則化層和激活函數層，來完成語義特征的提取。

2.2 優化分類函數

在MobileNet對輸入圖片提取出高維語義特征之后，通常采用Softmax函數完成對輸入圖片的最終分類，給出預測結果。Softmax函數表達式為

式中：Ls表示Softmax損失；f是最后一個完全連接層的輸入（fi表示第i個樣本，一共有n個樣本，c個類別）；Wj是最后一個完全連接層參數矩陣W的第j列；也稱為第i個樣本的目標邏輯；T表示矩陣轉置；θyi是目標角；yi表示第i個樣本的預測輸出。

式中：參數m是新引入的變量，稱為附加余量。附加余量的引入有助于數據中各類之間的距離，并最終提高預測結果的準確率。另外，利用歸一化方法處理參數W和f，之后利用調節因子s對整體進行參數調節。

2.3 數據集增強技術

神經網絡在訓練過程中可能出現過擬合問題，失去泛化能力從而影響到最終的預測結果。為了防止這種現象，本文對訓練數據集進行數據預處理。通過數據增強的操作，可以增加訓練的數據量，提高模型的泛化能力，而適當增加噪聲數據，可以提升模型的魯棒性。本文數據預處理操作包括翻轉、旋轉、縮放、裁剪和添加噪聲，有效提高了網絡的泛化能力。

2.4 故障診斷評估模型架構

本文所提出的電力系統故障診斷模型如圖2所示。在模型中，將采集到的電氣設備紅外圖像作為輸入，之后經過MobileNet神經網絡的多次深度可分離卷積操作，提取輸入圖像的高維語義信息。將得到的高維特征通過平均池化層和全連接層，進一步降低特征維度，最終由優化的AM-Softmax函數層給出故障預測結果。

圖2 故障診斷評估模型架構

基于MobileNet神經網絡架構來提取紅外圖像信息，無需人工設計特征即可完成特征學習，其包含的語義信息更加豐富，因此能夠達到更精準的診斷效果。

3 實例應用和有效性分析

為了對本文提出的故障診斷模型有效性進行驗證，將故障診斷模型在相關數據集上進行實驗。

3.1 實驗數據集和實驗環境

實驗采用湘潭九華220 kV變電站的機器人巡檢項目所采集到的數據集，其中共包含了1000張典型故障電力設備紅外圖像，分為變壓器、絕緣子、互感器、隔離開關和避雷器5類設備，圖像分辨率為480像素×300像素。為了訓練和測試神經網絡，將數據集按比例分為訓練集和測試集。其中測試集占數據集的30%，共300張圖片，用于對模型最終故障診斷能力的評估；訓練集占數據集的70%，為增強模型魯棒性和泛化能力，隨機進行旋轉、裁剪、添加噪聲等數據增強操作，最終得到900張圖片，用于對神經網絡的訓練。

整個模型代碼使用Python語言進行編寫，深度學習框架為TensorFlow，界面顯示使用OpenCV庫。實驗中使用的顯卡為NVIDIA GTX 1080，訓練過程中對模型進行300個epoch的訓練。初始學習率設置為0.001，并使用multistep學習率下降策略，在進行第60、120、180、240個epoch時，根據收斂情況下調學習率。

3.2 實驗結果及分析

為了最終模型的表現，本文采用故障設備召回率（Recall）和故障設備預測準確率（Precision）。故障設備召回率（Recall）是針對原來的樣本而言的，其表示的是樣本中的正例有多少被預測正確。故障設備預測準確率（Precision）是針對預測結果而言的，其表示的是預測為正的樣本中有多少是真正的正樣本。數學描述如下

通過表1的預測結果，可以看出對于不同的電力設施，模型表現出不同的故障預測準確率。這其中的原因主要是因為對于其中一些設備的拍攝，會存在遮擋和周圍物件干擾的情況。另外在數據量上，各類設備并不是平均的，這使樣本數量少的設備故障診斷結果相對較低。但在召回率超過80%，精確率超過70%時，即可對生產管理提供較好的參考依據，因此，本文提出的故障診斷模型可以滿足生產中的需求。

表1 模型預測結果

4 故障診斷應用平臺的設計方案

隨著信息科技行業的發展，搭建企業內部管理平臺的門檻也越來越低，許多電力企業通過建設在線實時監測系統，來提高智能化和企業管理水平。電力設備故障診斷的實時化和智能性，對于電力企業有著非常重大的意義。本文從感應器數據收集、基礎功能、安全業務等方面，提出了故障診斷應用平臺的設計方案。

整個系統利用實時傳感器，對各個電力設備紅外信息進行收集，并將數據傳入處理平臺。在平臺中，可以對數據進行格式處理、存儲備份等基礎功能。業務人員可以按照需求，根據數據信息對各設備運行狀態進行檢查。平臺也將實時對數據進行分析處理，當設備可能出現故障時，將給出設備故障預警，并依照規定給出有效的應急處理方案，如圖3所示。

圖3 故障診斷應用平臺系統架構

5 結束語

電力設備故障診斷對于電力系統的安全平穩運行有著重要的意義。本文提出了基于MobileNet神經網絡的電力設備故障診斷模型。通過數據增強手段，解決了故障樣本較少和網絡過擬合的問題，AM-Softmax函數提升了設備故障分類準確率。實驗表明，模型故障診斷能力可以滿足生產需要。故障診斷應用平臺的設計方案對企業搭建實時在線故障診斷平臺、提高管理水平有借鑒和參考價值。