基于深度遷移學習的智能變電站電力設備部件狀態檢測方法

廖 海 陳 俊 鄭 磊 王 楠 王子琪

（貴州電網有限責任公司遵義供電局）

0 引言

近年來，學者們對電力設備部件狀態檢測方法進行了廣泛研究。例如，文獻［1］、文獻［2］提出了基于可視化和數據融合的光伏電站電氣設備異常運行狀態檢測方法，以及基于分層聚類算法的避雷器運行狀態檢測方法。這些方法為電力設備狀態檢測提供了新的思路，但仍然存在設備狀態檢測精度和效率低的問題。

為了解決這些問題，提出基于深度遷移學習的智能變電站電力設備部件狀態檢測方法。該方法利用其他相關任務的大規模數據集進行預訓練，使得模型能夠用學習到的通用特征表示。然后，將預訓練模型遷移到目標任務并進行微調，以適應特定的電力設備部件狀態檢測。通過這種遷移學習的方式，可以加速模型的訓練過程，提高模型的泛化能力和預測的準確性［3］。

1 基于深度遷移學習的智能變電站電力設備部件狀態檢測方法

1.1 變電站電力設備異常狀態檢測特征量選取

將變電站電力設備異常狀態檢測特征量作為特征向量輸入到自組織映射神經網絡結構中，網絡輸入層按各向量對應的權矢量分配向量賦值區間，由輸出層輸出數據，減輕網絡運算負擔，同時降低大基數樣本的聚類難度。特征向量對應權矢量計算公式如下：

式中，DM表示網絡學習速率；ZN表示初始化權矢量；Xij表示輸入層神經元對特征向量的響應結果。

正常情況下，向量賦值區間內任意變電站電力設備異常狀態檢測特征量的隨機抽樣概率相等，這意味著從外界觀察賦值區間，每一個變電站電力設備異常狀態檢測特征量所指代的偏好特征都是唯一且有意義的。隨機抽樣概率的計算公式如下：

式中，Sd表示抽取第d條樣本的均值；Am表示抽取第n條樣本的標準差；An表示第n條樣本網絡中的神經元總數。

當所有特征向量分配結束后，輸入層神經元參考時間動態變化規律，開始尋找距離測度意義下最靠近自身激活值的向量賦值區間。輸入層中神經元與向量賦值區間的最適距離稱為Euclicl距離。神經元激活值的計算公式如下：

式中，τ1表示活躍神經元的覆蓋面積；τ2表示神經元在網絡空間中的領域覆蓋面積。

特征向量只有憑借活躍神經元才能實現高維數據的低維映射，以活躍神經元為中心，滿足Euclicl距離的向量賦值區間才能成功映射到競爭層。選取變電站電力設備異常狀態檢測特征量公式如下：

式中，β表示變電站電力設備異常狀態檢測特征量的關聯度；γ表示各類別與理想化目標的貼近度。

視競爭層為一張二維映射圖，經過映射后，性質相同的特征向量在二維平面區域上分布較為聚集，性質不同的特征向量在二維平面上分布較為分散。根據網絡輸出的變電站電力設備異常狀態檢測特征量結果，即可實現SOM神經網絡下變電站電力設備異常狀態檢測特征量的選取。

1.2 變電站電力設備異常狀態檢測特征量預處理

針對變電站電力設備異常狀態檢測特征量預處理首先要收集需要的數據，然后按照檢測的順序將樣本數據進行分類處理，其分類的核心是建立一個非線性函數，設定一個相同的環境，來分離數據樣本點，使誤差達到最小。假設其線性函數為D(d)，利用自身的映射性把待測樣本映射到一個三維立體空間內，然后在多維空間的平面上將所有的樣本進行篩選分類，擴大每個樣本點之間的距離，調整到最優距離后再進行處理。步驟如下：

步驟一：首先明確待測樣本的數量及類型，線性函數公式如下：

式中，xi與yi表示樣本。

步驟二：對于相關的各個樣本參數要科學分配，確定合理的波動范圍，例如其中的懲罰參數要保證參數必須大于零，且與上述的線性函數相互呼應，在空間中形成一個超越平面的檢測問題。

步驟三：假設R1為一個矢量，那么其分支的變量就滿足0

式中，YT表示向量總和，B表示樣本點。

步驟四：基于上述檢測樣本的特征性與參數的差異性，最大優化兩個樣本點之間的距離，構建一個決策函數為：

式中，μ1、μ2、μ3均表示不完整的核函數。

核函數建立在樣本數量巨大的基礎上，在集合中的少數樣本點不能作為向量直接輸入到函數中，假設一個集合中含有N個樣本，k1與k2分別是原始樣本點與終端樣本點，那么其核函數的表達式為：

式中，DF表示多維空間平面，DR表示空間的矢量，將其優化后的空間函數的公式為：

式中，C表示向量參數，E1表示平面因子，將平面問題轉化成等式的形式，其公式為：

式中，Ii表示變量算子。

通常使用最小二乘法進行函數運算，最后得到的決策函數為：

在合理的情況下將決策函數輸入到樣本檢測系統中，得到變電站電力設備異常狀態檢測特征量預處理結果，公式如下：

式中，DX、Dy、Dz表示樣本集體中的初始值。經過上述計算不僅去除了干擾因素，還對檢測特征量進行了選取與處理，為異常狀態檢測提供基礎。

1.3 實現變電站電力設備異常狀態檢測

在變電站電力設備異常狀態檢測特征量預處理結果的基礎上，利用深度遷移學習算法對電力變電站設備的異常狀態進行檢測。基于自組織映射，將待測樣本映射到二維或者多維的神經元空間中，利用神經元之間的相對位置關系來檢測異常狀態。收集并準備帶有標記的訓練數據集，其中包含正常狀態和異常狀態的樣本。使用訓練數據集訓練一個SOM神經網絡，該SOM網絡由一個或多個神經元組成，每個神經元都代表SOM的一個節點。通過迭代更新神經元的權重向量，使得神經元能夠自適應地聚集輸入數據的特征。

基于SOM神經網絡融合的診斷模型中映射函數的表達式為：

式中，MX表示函數寬度參數，MY表示核函數中心。在基于深度遷移學習算法融合的診斷模型中，懲罰參數和核函數參數是通過執行錯誤診斷模型直接確定的。

以歐氏距離為基礎的高斯核函數是網路中故障類型識別的核心部分，用高斯核函數法計算輸入樣本到訓練樣本之間的距離，通過向基的非線性映射，可以獲得深度遷移網絡中非線性的輸出矢量，是取得高準確度特征的關鍵一步，可通過關系式將其表示為：

式中，LR表示混合神經網絡判別故障的平滑因子；LG表示網絡中輸入層與模式定位部位之間的連接權值。

根據樣本在深度遷移網絡中的映射位置，判斷其是否為異常狀態。通常情況下，較少或沒有樣本映射到某個神經元的區域被認為是異常狀態。假設故障類型為n個，此時對各故障類別進行匯總，由此得到電力變電站電力設備異常狀態檢測結果，公式為：

式中，Rr表示求和模式對故障數據的概率匯總；Ee表示故障模式的網絡訓練向量；Uu表示網絡中神經元的輸入向量；最終深度遷移學習算法模型的輸出層將異常狀態的后驗概率輸出，得出在當前電力變電站電力設備運維中發生概率最高的故障，判斷出對應的電力變電站設備異常狀態。

2 實驗

2.1 實驗準備

文中將某變電站內的某一個電力變壓器作為實驗對象，示意圖如圖1所示。

圖1 電力變壓器的示意圖

該實驗對象的電壓等級為220kV，其詳細參數如表1所示。

表1 電力變壓器詳細參數

將5個超聲傳感器部署在該電力變壓器的箱內，超聲傳感器的安裝空間坐標位置詳情如表2所示。

表2 超聲傳感器的安裝空間坐標

2.2 實驗結果分析

以檢測時間作為指標，對比三種方法的檢測效率。具體對比結果如表3所示。

表3 三種方法的檢測效率的對比結果

分析表3可知，本文方法用于電力設備狀態檢測的時間最高只需40ms，而其他兩種方法所需的時間最低分別為310ms和325ms。這表明本文方法在提高電力設備狀態檢測效率方面具有顯著優勢。通過減少檢測時間，可以更快地發現和應對潛在的故障，從而降低繼電保護裝置的安全風險。

為驗證本文方法的可靠性，本研究對繼電保護信息智能進行驗收，并與文獻［1］和文獻［2］的方法進行對比。以誤報率作為指標來比較三種方法的驗收準確率。驗收誤報率越低，說明檢測準確率越高。具體比較結果見圖2。

圖2 三種方法的電力設備狀態檢測誤報率對比結果

通過對圖2的分析，觀察到本文方法的檢測誤報率始終保持在20%以下，而其他兩種方法的誤報率則超過了40%。這表明本文方法相較于其他兩種方法，在減少誤報方面取得了顯著的改進。

3 結束語

綜合而言，本文方法在提高設備狀態檢測精度和效率方面取得了重要進展。通過利用預訓練模型和遷移學習，該方法充分利用大規模數據集，使得模型能夠用學習到的通用特征表示，從而減少針對目標任務的訓練時間和樣本數量，并有效提升模型的泛化能力和預測準確性。與傳統的方法相比，本文方法能夠更精準地進行電力設備部件狀態的檢測，為智能變電站的設備維護和故障診斷提供更可靠的支持。