基于人工智能的電力系統(tǒng)故障檢測(cè)與自動(dòng)修復(fù)方法研究

姜俊秋 車德敏

（1.山東興燁電力科技有限公司 2.煙臺(tái)未來自動(dòng)裝備有限責(zé)任公司）

0 引言

隨著全球的工業(yè)化和現(xiàn)代化，電力系統(tǒng)已經(jīng)成為現(xiàn)代社會(huì)生活的核心部分。從家庭、工廠到關(guān)鍵基礎(chǔ)設(shè)施，電力系統(tǒng)的穩(wěn)定性和連續(xù)性對(duì)于維護(hù)社會(huì)運(yùn)行和經(jīng)濟(jì)發(fā)展都至關(guān)重要。然而，由于系統(tǒng)的復(fù)雜性和外部環(huán)境的多變性［1］，故障和中斷在電力系統(tǒng)中仍然是一個(gè)不可避免的問題。這些故障不僅可能導(dǎo)致經(jīng)濟(jì)損失，還可能影響人們的生活，并在某些情況下，造成安全事故。

近年來，人工智能（AI）技術(shù)在諸多領(lǐng)域都已經(jīng)展現(xiàn)出其強(qiáng)大的潛力。從醫(yī)療、金融到自動(dòng)駕駛，AI的應(yīng)用不僅提高了效率，還創(chuàng)造了新的可能性。考慮到AI的這些優(yōu)勢(shì)，其在電力系統(tǒng)中的應(yīng)用也成為了研究的焦點(diǎn)。特別是深度學(xué)習(xí)技術(shù)憑借其強(qiáng)大的數(shù)據(jù)驅(qū)動(dòng)能力，有望對(duì)故障進(jìn)行更為精確的檢測(cè)［2］。此外，通過結(jié)合強(qiáng)化學(xué)習(xí)，我們還可以實(shí)現(xiàn)電力系統(tǒng)的自動(dòng)修復(fù)［3］，從而大大提高系統(tǒng)的穩(wěn)定性和可靠性。

鑒于此，本文旨在利用深度學(xué)習(xí)方法構(gòu)建一個(gè)先進(jìn)的電力系統(tǒng)故障檢測(cè)模型，并進(jìn)一步通過強(qiáng)化學(xué)習(xí)實(shí)現(xiàn)自動(dòng)修復(fù)策略。我們希望通過這種結(jié)合，為電力系統(tǒng)提供一個(gè)更為穩(wěn)健、快速且自適應(yīng)的故障應(yīng)對(duì)機(jī)制。

1 基于深度學(xué)習(xí)的電力系統(tǒng)故障檢測(cè)方法

1.1 基于循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的時(shí)間序列數(shù)據(jù)分析

電力系統(tǒng)中的數(shù)據(jù)，特別是傳感器數(shù)據(jù)，通常呈現(xiàn)出時(shí)間序列的特性，如電流、電壓、頻率等參數(shù)隨時(shí)間的變化。為了有效捕捉這些時(shí)間序列數(shù)據(jù)中的模式和關(guān)系，循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）成為了一個(gè)理想的選擇［4］。

RNN是設(shè)計(jì)用來處理序列數(shù)據(jù)的，其基本思想是利用序列中元素之間的時(shí)間依賴關(guān)系。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)（如全連接網(wǎng)絡(luò)或卷積神經(jīng)網(wǎng)絡(luò)）無(wú)法實(shí)現(xiàn)這一點(diǎn)，因?yàn)樗鼈儧]有內(nèi)部狀態(tài)的概念。RNN的一個(gè)關(guān)鍵特點(diǎn)是它擁有一個(gè)內(nèi)部狀態(tài)，可以記住過去的信息。

考慮時(shí)間序列數(shù)據(jù)x（t），其中t表示時(shí)間步。RNN更新其狀態(tài)h（t）通過以下公式表示：

式中，W 和U分別是權(quán)重矩陣；b是偏置量；σ是激活函數(shù)，往往使用Sigmoid或tanh函數(shù)。

圖 一個(gè)簡(jiǎn)化的RNN單元及其時(shí)間展開圖

對(duì)于電力系統(tǒng)中的時(shí)間序列數(shù)據(jù)，RNN可以在每個(gè)時(shí)間步捕獲和記住之前步驟中的模式，這對(duì)于識(shí)別和預(yù)測(cè)系統(tǒng)中的長(zhǎng)期依賴性和動(dòng)態(tài)變化特別有價(jià)值。

1.2 數(shù)據(jù)采集與預(yù)處理

1.2.1 電力系統(tǒng)實(shí)時(shí)數(shù)據(jù)獲取

需要從電力系統(tǒng)中收集實(shí)時(shí)數(shù)據(jù)，這通常可以通過已經(jīng)部署在系統(tǒng)中的各種傳感器和儀器完成。數(shù)據(jù)可能包括但不限于：電壓、電流、功率、頻率等。采集的實(shí)時(shí)傳感器信息如表1所示。

表1 電力系統(tǒng)故障檢測(cè)中采集的實(shí)時(shí)傳感器信息

1.2.2 數(shù)據(jù)清洗及標(biāo)準(zhǔn)化

我們需要進(jìn)行數(shù)據(jù)清洗，對(duì)于這些傳感器數(shù)據(jù)，可能存在的問題包括數(shù)據(jù)缺失、異常值和噪聲。對(duì)于缺失值，直接刪除含有缺失值的記錄。特別是對(duì)于時(shí)間序列數(shù)據(jù)，使用前一個(gè)時(shí)間點(diǎn)的數(shù)據(jù)或后一個(gè)時(shí)間點(diǎn)的數(shù)據(jù)進(jìn)行填充。異常值，我們可以設(shè)定一個(gè)閾值，超過或低于這個(gè)閾值的數(shù)據(jù)被認(rèn)為是異常值，對(duì)于噪聲，我們可以使用平滑法或?yàn)V波法來處理。

數(shù)據(jù)標(biāo)準(zhǔn)化是一個(gè)關(guān)鍵步驟，尤其是當(dāng)使用深度學(xué)習(xí)模型時(shí)。標(biāo)準(zhǔn)化可確保所有輸入特征都在相同的尺度上減少量綱的影響，這有助于模型的訓(xùn)練。常見的方法是Min-Max標(biāo)準(zhǔn)化或Z-score標(biāo)準(zhǔn)化。

式中，μ為平均值；σ為標(biāo)準(zhǔn)差。

1.2.3 數(shù)據(jù)增強(qiáng)方法

在實(shí)際電力系統(tǒng)中，故障可能不是經(jīng)常發(fā)生的，這導(dǎo)致我們?cè)谡：凸收蠑?shù)據(jù)之間存在不平衡。為了提高模型的性能，可以使用故障模擬來生成額外的故障數(shù)據(jù)。另外，數(shù)據(jù)增強(qiáng)技術(shù)，如噪聲注入、時(shí)間扭曲等，可以進(jìn)一步擴(kuò)展和豐富訓(xùn)練集，提高模型的泛化能力。

2 基于Q-learning的電力系統(tǒng)故障自動(dòng)修復(fù)決策

強(qiáng)化學(xué)習(xí)（RL）為自動(dòng)決策系統(tǒng)提供了一個(gè)有效的框架，其中智能體學(xué)習(xí)如何在給定環(huán)境中采取行動(dòng)，以最大化某種長(zhǎng)期的獎(jiǎng)勵(lì)［5］。在電力系統(tǒng)故障自動(dòng)修復(fù)的場(chǎng)景中，我們可以將電力系統(tǒng)的狀態(tài)視為環(huán)境，而采取的修復(fù)動(dòng)作則是智能體的行為。

2.1 Q-learning算法簡(jiǎn)介

Q-learning是一種無(wú)模型的強(qiáng)化學(xué)習(xí)方法，它估計(jì)了在給定狀態(tài)下采取某一行動(dòng)所能獲得的預(yù)期未來獎(jiǎng)勵(lì)。Q函數(shù)的定義如下：

式中，s是當(dāng)前狀態(tài)；a是狀態(tài)s下采取的行動(dòng)；r是采取行為a所得到的即時(shí)獎(jiǎng)勵(lì)；γ是折現(xiàn)因子，位于0～1；s′是采取a后電力系統(tǒng)到達(dá)的新狀態(tài)；a′是新狀態(tài)下使得Q值最大的行動(dòng)。

2.2 電力系統(tǒng)自動(dòng)修復(fù)的應(yīng)用

在電力系統(tǒng)中，狀態(tài)s可以是由各種傳感器讀數(shù)、電力流、頻率等構(gòu)成的向量。行動(dòng)a可能包括：切斷某個(gè)電路、更改配電方式、啟動(dòng)備用電源等。獎(jiǎng)勵(lì)函數(shù)設(shè)計(jì)尤為關(guān)鍵。例如，成功修復(fù)故障可以給予正的獎(jiǎng)勵(lì)，而系統(tǒng)中斷或過載可能會(huì)得到負(fù)的獎(jiǎng)勵(lì)。這里使用電力分配效率η和負(fù)荷均勻度δL的線性疊加表示采取措施后，電力系統(tǒng)的整體運(yùn)行狀態(tài)：

式中，k1，k2為網(wǎng)絡(luò)超參數(shù)，人為設(shè)定。

2.3 訓(xùn)練實(shí)施

初始化：所有的Q值都被初始化為0。

探索與利用：采用ε-greedy策略，智能體以ε的概率隨機(jī)選擇一個(gè)行動(dòng)，以1-ε的概率選擇當(dāng)前Q值最大的行動(dòng)。

學(xué)習(xí)：采取行動(dòng)，并觀察獎(jiǎng)勵(lì)和新的狀態(tài)，然后使用上述Q函數(shù)更新規(guī)則來更新Q值。

迭代：重復(fù)上述過程，直到Q值收斂。

3 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析

3.1 數(shù)據(jù)來源

本文首先基于歷史數(shù)據(jù)進(jìn)行數(shù)據(jù)獲取，針對(duì)某小型電力系統(tǒng)，過去的電力系統(tǒng)運(yùn)行數(shù)據(jù)包括了系統(tǒng)在正常操作和已知故障情況下的記錄。這些歷史數(shù)據(jù)不僅可以用于分析電力系統(tǒng)的正常運(yùn)行模式，還可以用于建立故障檢測(cè)模型和算法，以便在實(shí)際運(yùn)行中檢測(cè)異常情況并進(jìn)行診斷。包括上文所提及的多種傳感器所采集的數(shù)據(jù)。

然后，針對(duì)數(shù)據(jù)不均衡問題，本文采用故障模擬的方法，基于真實(shí)的電力系統(tǒng)模型，通過模擬各種故障情況，如短路、過載和設(shè)備故障等，可以生成標(biāo)記的故障數(shù)據(jù)。這些故障模擬數(shù)據(jù)對(duì)于系統(tǒng)的故障檢測(cè)和診斷算法的訓(xùn)練和驗(yàn)證非常有用，因?yàn)樗鼈兲峁┝烁鞣N故障情況下的參考數(shù)據(jù)。從而擴(kuò)充數(shù)據(jù)集，實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)。

最后，為驗(yàn)證本文提出的基于人工智能的電力系統(tǒng)故障檢測(cè)與自動(dòng)修復(fù)方法的實(shí)時(shí)性與有效性，電力系統(tǒng)通過各種傳感器，如電流傳感器、電壓傳感器和頻率傳感器等，實(shí)時(shí)采集運(yùn)行數(shù)據(jù)。這些傳感器持續(xù)地監(jiān)測(cè)電力系統(tǒng)的各個(gè)參數(shù)，并提供實(shí)時(shí)信息，以便對(duì)系統(tǒng)狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)控和分析。

3.2 評(píng)價(jià)指標(biāo)

針對(duì)本文所提出的基于人工智能的電力系統(tǒng)故障檢測(cè)與自動(dòng)修復(fù)方法，我們采用四種評(píng)價(jià)指標(biāo)對(duì)其結(jié)果進(jìn)行評(píng)價(jià)。

（1）故障檢測(cè)準(zhǔn)確率：衡量RNN模型正確檢測(cè)電力系統(tǒng)故障的能力，是一個(gè)二分類問題，公式表達(dá)如下：

（2）故障類型分類準(zhǔn)確率：衡量RNN模型對(duì)故障類型的分類能力，其公式與式（6）一致。

（3）自動(dòng)修復(fù)成功率：衡量強(qiáng)化學(xué)習(xí)模型成功修復(fù)電力系統(tǒng)故障的能力，這里結(jié)果用自動(dòng)修復(fù)過程中施以Q-learning輸出的動(dòng)作之后的故障排除率表示。

（4）系統(tǒng)穩(wěn)定性：在自動(dòng)修復(fù)后，系統(tǒng)應(yīng)維持其穩(wěn)定運(yùn)行的狀態(tài)，這里用修復(fù)后開始到下一次相同故障狀態(tài)之間時(shí)間的均值表示，由于這里單位是在模擬環(huán)境下進(jìn)行，因此量綱直接取為1。

3.3 實(shí)驗(yàn)流程

首先，數(shù)據(jù)預(yù)處理是一個(gè)關(guān)鍵的初始步驟。在這個(gè)階段，我們對(duì)收集的數(shù)據(jù)進(jìn)行清洗、標(biāo)準(zhǔn)化和分割，以便創(chuàng)建訓(xùn)練集和測(cè)試集，其中訓(xùn)練和測(cè)試集將被分為4∶1，并且各種故障之間的記錄也將被均勻分布到訓(xùn)練集和測(cè)試集中，以防止對(duì)某一類預(yù)測(cè)結(jié)果的傾向。

然后，進(jìn)入模型訓(xùn)練的階段。在這個(gè)階段，我們采用兩種不同的方法來訓(xùn)練模型：

（1）RNN模型訓(xùn)練：我們使用訓(xùn)練集來訓(xùn)練RNN模型，以便它能夠檢測(cè)和分類電力系統(tǒng)的故障。

（2）強(qiáng)化學(xué)習(xí)模型訓(xùn)練：在一個(gè)模擬環(huán)境中，我們使用Q-learning來訓(xùn)練模型，使其能夠?qū)W習(xí)自動(dòng)修復(fù)策略。

最后，我們進(jìn)行系統(tǒng)的測(cè)試與性能評(píng)估，根據(jù)上述評(píng)價(jià)指標(biāo)來評(píng)估模型的性能。這個(gè)階段可以幫助我們了解模型的有效性和適用性，以及在電力系統(tǒng)維護(hù)和管理中的實(shí)際價(jià)值。

（1）RNN模型測(cè)試：使用測(cè)試集，我們對(duì)RNN模型的故障檢測(cè)和分類性能進(jìn)行評(píng)估。

（2）強(qiáng)化學(xué)習(xí)模型測(cè)試：在模擬環(huán)境或?qū)嶋H環(huán)境中，我們?cè)u(píng)估強(qiáng)化學(xué)習(xí)模型的自動(dòng)修復(fù)性能。

3.4 實(shí)驗(yàn)結(jié)果與分析

基于人工智能的電力系統(tǒng)故障診斷與自動(dòng)修復(fù)結(jié)果如表2所示。

表2 基于人工智能的電力系統(tǒng)故障診斷與自動(dòng)修復(fù)結(jié)果

從上表可以看出，所得到的RNN故障檢測(cè)準(zhǔn)確率均達(dá)到80%以上，在電力系統(tǒng)自動(dòng)化診斷中達(dá)到了較高的準(zhǔn)確率，而在多分類問題中，基于RNN的分類準(zhǔn)確率有所降低，這和故障類型選擇有關(guān)，選擇區(qū)分度更大的故障類型時(shí)，有望進(jìn)一步提高其分類準(zhǔn)確率。而在強(qiáng)化學(xué)習(xí)自動(dòng)修復(fù)策略中，結(jié)果表明該系統(tǒng)具有一定的自動(dòng)修復(fù)成功率，但距離完全脫離人工干預(yù)仍有一定差距。從系統(tǒng)穩(wěn)定的角度來看，實(shí)時(shí)電力系統(tǒng)是一個(gè)復(fù)雜多變的系統(tǒng)，該自動(dòng)修復(fù)模型的穩(wěn)定性需要進(jìn)一步加強(qiáng)。

4 結(jié)束語(yǔ)

本文利用RNN網(wǎng)絡(luò)模型構(gòu)建了一個(gè)先進(jìn)的電力系統(tǒng)故障檢測(cè)系統(tǒng)，并進(jìn)一步通過強(qiáng)化學(xué)習(xí)實(shí)現(xiàn)自動(dòng)修復(fù)策略。我們希望通過這種結(jié)合，為電力系統(tǒng)提供一個(gè)更為穩(wěn)健、快速且自適應(yīng)的故障應(yīng)對(duì)機(jī)制。通過實(shí)驗(yàn)驗(yàn)證，本文提出的方法一定程度上實(shí)現(xiàn)了電力系統(tǒng)自動(dòng)化、智能化故障診斷與修復(fù)，但仍需要進(jìn)一步研究來增強(qiáng)其穩(wěn)定性和診斷效果。