基于卷積神經網絡的設備運行狀態智能控制優化模型分析

范德和　李新海　周恒　邱天怡　郭法安

摘 要：為了獲得準確的變電設備狀態估計結果，提出了一種基于卷積神經網絡（CNN）的狀態估計方法，利用自動編碼器對變電設備監測數據進行特征約簡，將其作為CNN的輸入，進一步采用Softmax分類器對獲得的其輸出進行分類，以獲得變電設備的狀態估計結果。實驗結果表明，與傳統的基于支持量機（SVM）和多層神經感知機（MLP）相比，提出的方法在準確性、靈敏度、特異性和陽性預測性4種量化評價指標中具有明顯的優勢。提出的方法較其他2種方法能夠獲得更好的正檢率指標。

關鍵詞：卷積神經網絡; 變電設備; 分類; 狀態估計

中圖分類號：TP391；TM76文獻標志碼：A文章編號：1001-5922（2023）06-0179-04

Analysis of intelligent control and optimization model for device operation status based on convolutional neural networks

FAN Dehe，LI Xinhai，ZHOU Heng，QIU Tianyi，GUO Faan

（Zhongshan Power Supply Bureau，Guangdong Power Grid Limited Liability Company，Zhongshan 528400，Guangdong China）

Abstract：To achieve accurate status estimation results of the substation equipment，a method based on the convolutional neural networks is proposed in this study.The monitoring data of the substation equipment is first subjected to feature reduction using an autoencoder，which serves as input to the CNN. The output of the CNN is further classified using a Softmax classifier to obtain the estimated status of the substation equipment.Experimental results demonstrate that compared to traditional methods such as support vector machines （SVM） and multi-layer perceptron （MLP），the proposed method exhibits significant advantages in terms of accuracy，sensitivity，specificity，and positive predictive value-all quantifiable evaluation metrics.The proposed method achieves better true positive rate indicators compared to other methods.

Key words：convolutional neural networks; substation equipment; classification; status estimation

電力系統的穩定運行是各行各業開展正常活動的前提條件。相關研究表明，長期運行導致的設備老化和異常狀態是引起電網設備異常的主要因素［1］。雖然增強電網自身應對各種突發緊急情況的能力是最為直接的解決方案，但需要投入昂貴的建設成本，并且一般的實施周期較長。采用狀態估計的方法，可為開展電力設備的及時維護維修提供相應的決策支撐信息，對于在很大程度上決定電網設備能否正常運行的變電設備，具有十分重要的研究價值［2-3］。

國外較早地針對電力系統開展了狀態估計與故障診斷方法的相關研究［4-6］。日本和美國對電力系統中的輸變電設備，開展了在線狀態評估技術研究。20世紀90年代，美國已經能夠實現三分之一左右的電力設備狀態檢測。然而，隨著電力設備的逐漸增多，帶來了海量的狀態監測數據，對電力設備狀態評估技術也提出了越來越高的要求。

與其他復雜系統類似，變電設備的維護與維修也是采用定期開展方式。隨著技術的發展，出現了以專家經驗為基礎的監測系統。更進一步發展出基于物理模型、數據驅動以及混合模型的狀態估計方法［7］。然而，變電設備的監測參數維度較大，互相之間還存在復雜的耦合關系，利用傳統方法難以獲得較準的狀態估計方法。在已有研究的基礎上，探索一種基于卷積神經網絡（CNN）的變電設備狀態估計方法，通過提供相應的狀態分類成果，為開展運維維修提供決策支撐信息，具有十分重要的應用價值。

1 研究理論基礎

卷積神經網絡是深度學習領域中最為重要的人工神經網絡之一。其中，最為著名的是，用基于梯度的反向傳播（BP）方法進行有監督訓練而得到的7層卷積神經網絡——LeNet-5［8］，并憑借其在計算機視覺領域的成功應用引起了學術界的廣泛關注。

卷積神經網絡的典型結構由3層組成：輸入層、隱藏層和輸出層，其中，隱藏層包括卷積層、激活函數、池化層、全連接層。以利用卷積神經網絡識別車為案例，其對應的上述各步驟的實現流程如圖1所示。在對輸入圖像進行全面分析后，經過最后步驟的分類處理，獲得識別對象是汽車、卡車、貨車、自行車等分類結果。

卷積神經網絡的主要思想是將輸入層后的卷積層與前層神經元抽取，傳播后形成子采樣層的交替。以在圖像領域應用為例，將輸入圖像的（R，G，B）通道指定為3個神經元，在足夠數量的子采樣層正向傳播時，抽取最后一層的輸出作為一維向量。當全連接層的神經元數量與其相同時，在輸出層能夠獲得相對應的分類向量。總結上述階段為：輸入階段;2個特征映射，以及分類階段。

1.1 卷積層

卷積層的功能是實現上一層與多卷積核的計算，通常需要增加偏置來獲得各層的計算結果，計算過程的公式：

2 變電設備運行狀態監測模型

為利用卷積神經網絡開展變電設備的狀態估計，需要先明確變電設備具有的狀態種類。

2.1 正常狀態

指變電設備能夠正常運行，所獲得的狀態監測數據處于正常閾值范圍之內。

2.2 注意狀態

變電設備的某些狀態監測數據具有向需注意的狀態變化趨勢。

2.3 異常狀態

變電設備的部分重要監測數據變化較大，已經出現了超過閾值的現象，需要采取相應的處理措施。

2.4 嚴重狀態

變電設備的單個或多個重要監測數據已嚴重超過閾值，需要立刻采取停電檢修的處理措施。

為實現變電設備的上述4種狀態估計，研究提出如圖2所示的狀態監測數據處理方法。

從圖2可看出，首先對變電設備的狀態監測數據進行自動編碼，獲得數據中蘊含的特征；然后，對低維特征進行狀態分類，以概率的形式輸出結果，其分類由多個卷積層、子樣層和全連接層來實現；最后，在輸出層中，利用Softmax分類器實現變電設備不同狀態的分類。

3 實驗結果及分析

3.1 實驗條件

為驗證本文提出方法的有效性，采用變電設備中的變壓器作為典型研究對象，利用仿真生成的數據進行實驗驗證和評估。仿真數據中，4種狀態的數據均為280個樣本，利用N代表正常狀態、C代表注意狀態，A代表異常狀態，S代表嚴重狀態，為了獲得較好的卷積神經網絡性能，采用10倍交叉驗證方法擴充訓練樣本，實驗數據如表1所示。

在衡量狀態分類性能方面，本文采用4個指標來量化評估分類結果，分別為：準確性（Acc）、靈敏度（Sen）、特異性（Spe）和陽性預測性（Ppr）。

（1）Acc表示整體分類性能，即被正確分類的樣本占總樣本的百分比；

（2）Sen代表對整體分類的結果中，正確分類的非健康樣本的百分比；

（3）Ppr代表所有的非健康樣本中，被正確分類的非健康樣本的百分比；

（4）Spe代表所有健康樣本中，被正確分類的健康樣本的百分比。

3.2 實驗結果

采用上述實驗數據開展實驗驗證，并將本文提出的方法與SVM、多層感知機進行對比，采用上述4個量化指標進行結果評價。實驗過程中，對實驗數據進行降維后，再進行4種狀態的分類，其中采用基于自動編碼和主成分分析2種降維方法，可獲得6種對比實驗條件，即AE CNN-MLP、AE CNN-SVM、AE CNN-Softmax、PCA CNN-MLP、PCA CNN- SVM和PCA CNN-Softma，所獲得的實驗結果如表2所示。

由表2可知，使用2種降維方法獲得的實驗結果，提出的方法具有明顯的優勢。其中，基于AE降維方法獲得的實驗結果，本方法獲得的Acc、Sen和Spe指標均優于其他2類方法；基于PCA降維方法獲得的實驗結果，本方法獲得的Acc、Ppr和Spe指標均優于其他2類方法，上述對比實驗結果在一定程度上證實了本文提出方法的有效性。

采用實測數據對本文提出的方法開展適應性驗證，實驗數據來自于變電站中的2018年5月至2018年10月監測數據，覆蓋了變壓器狀態監測的26種數據，包括阻值、電壓、油溫、油位等。實驗過程中利用10 000條數據進行模型訓練，利用1 000條數據進行驗證，實驗結果采用ROC曲線進行評估，驗證本文提出方法的泛化能力。2個組實驗結果的ROC曲線如圖3、圖4所示。

從圖3可以看出，提出方法的正檢率可達95.1%，另外2種方法的正檢率分別為88.4%和86.0%。從圖4所示的實驗結果，提出方法的正檢率可達94.9%，另外2種方法的正檢率分別為89.1%和85.5%。因此，無論是使用變壓器實測數據開展模型訓練，還是模型測試，實驗結果均證明了本文提出方法的有效性。

4 結語

開展的變電設備的狀態估計方法研究，在對其狀態監測數據指標特征約減的基礎上，采用卷積神經網絡深入挖掘其中蘊含的價值信息，進而利用Softmax分類器實現4種狀態的估計。分別采用仿真數據和實測數據，與其他2種方法開展了對比實驗，并采用量化評價指標評估了方法的性能，證明了提出的基礎卷積神經網絡方法的有效性，以及實現變電設備狀態估計的可行性，為變電設備的狀態估計提供了一種切實可行的基礎方法。

【參考文獻】

［1］ZHONG J，LI W.Determining Optimal Inspection Intervals in Maintenance Considering Equipment Aging Failures［J］.IEEE Transactions on Power Systems，2017，32（2）： 1474-1482.

［2］李澤宇，王逸飛.考慮在線監測信息的電力變壓器時變停運模型［J］.電力系統自動化，2017，41（8）： 63-68.

［3］鄭一鳴，何文林，王文浩，等.基于多源信息的電力變壓器全量狀態評價模型［J］.智能電網，2016，4（9）： 894-900.

［4］YUANBO Y E，YUEQIN S，TAIGUI H，et al.On-line state detection technology of relay protection relevant secondary circuits［J］.Automation of Electric Power Systems，2014，41（12）： 156-159.

［5］TU D，XINBO H，JIE S，et al.on-line monitoring system for capacitive equipment insulation condition in intelligent substation［J］.Electric Power Construction，2014，52（6）： 43-60.

［6］MOLDOVEANU C，HATEGAN I，RUSU A，et al.Smart grids：On-line monitoring and condition assessment of high voltage substations［C］.［s.1.］：IEEE Pes International Conference on Transmission & Distribution Construction，2017.

［7］樂健，李星銳，周謙，等.電力系統多區域分布式狀態估計方法［J］.電力自動化設備，2020，40（5）： 165-173.

［8］LECUN Y，BOTTOU L.Gradient-based learning applied to document recognition［J］.Proceedings of the IEEE，1998，86（11）：2278-2324.

收稿日期：2022-10-31；修回日期：2023-04-06

作者簡介：范德和（1986-），男，碩士，高級工程師，主要從事變電設備運行、檢修、安全等管理研究；E-mail：dehefan@163.com。

基金項目：廣東電網有限責任公司科技項目（項目編號：GDKJXM20190154（032000KK52190001））。

引文格式：范德和，李新海 ，周 恒，等.基于卷積神經網絡的設備運行狀態智能控制優化模型分析[J].粘接，2023，50（6）：179-182.