基于深度卷積神經網絡的變電一次設備故障檢測方法研究

摘要：該文介紹了一種變電一次設備故障檢測方法：通過不同光照環境收集一次設備的圖像，創建設備數據集并進行預處理，通過深度卷積神經網絡提取設備特征并加以檢測。經檢測，此方法能夠明顯降低變電一次設備故障的漏報和誤報率。

關鍵詞：卷積神經網絡；變電站；一次設備；故障檢測

doi：10.3969/J.ISSN.1672-7274.2024.10.010

中圖分類號：TP 391.41 文獻標志碼：A 文章編碼：1672-7274（2024）10-00-03

Research on Fault Detection Method for Substation Primary Equipment Based on Deep Convolutional Neural Network

Abstract： This paper designs a substation primary equipment fault detection method： collecting images of the primary equipment in different lighting environments， creating equipment datasets and preprocessing them， and extracting equipment features for detection based on deep convolutional neural networks. After testing， this method can significantly reduce the missed and false alarm rates of primary equipment faults in substations.

Keywords： convolutional neural Network; substation; one device; fault detection

0 引言

變電一次設備指的是變電站系統中的電源接入、低壓配電、變壓配電設備等，其能夠實現變電站功能。假如變電一次設備在運行過程中出現故障，就會影響到供電的質量或者出現運行事故。可以通過檢修降低變電站一次設備發生事故的概率，延長不停電運行時間，從而使檢修和運行成本得到降低，優化變電站的成本分配，提高變電站運行效率[1]。

1 變電一次設備的檢修內容

1.1 變壓器

（1）絕緣檢測。利用變壓器油氣氣體的檢測結果分析是否存在異常放電等問題，對變壓器絕緣狀態進行判斷。通過變壓器解列監測能夠深入分析絕緣狀態，利用接地絕緣測試儀直接檢測變壓器接地直流絕緣情況，判斷變壓器是否需要拆修。

（2）異常聲音。利用超聲探頭檢測異常放電聲，對變壓器是否出現線圈變形、零件松動或者異常放電等問題進行分析。

（3）引線故障。在檢查變壓器狀態時，通過目測分析變壓器引線狀態，及時處理引線脫焊、松動等情況，避免出現事故[2]。

1.2 斷路器

斷路器故障比較多，主要包括：

（1）過熱。利用吸合器件傳感器分析斷路器中的數據，開關吸合器件會導致溫度升高，此時要對比開關負荷曲線、接觸器件和中性點的溫度曲線，假如改變斷路器溫度，那么也會改變電能質量。所以，要求針對開關檢修，在母線回路中使用并聯斷路器，根據操作員設置冷備用開關的狀態為運行，并且隔離運行開關；

（2）誤動或者拒動。主要包括：①開關二次回路出現故障，從而使遠程系統或者綜合保護器無法聯網；②利用監測系統確定是否是系統故障導致的開關保護拒動；③開關一次設備出現故障，導致吸合線圈出現問題，或者導致機械部件出現變形、松動等問題[3]。

2 變電一次設備故障的檢測方法

2.1 深度卷積神經網絡

（1）卷積層。提取輸入圖像的特征，包括大量卷積核，其中的各元素都包含偏差量和權重系數。在對多維度卷積運算進行處理的過程中，在二維矩陣X中輸入圖像數據，卷積運算如下：

式中，k表示二維卷積核；m表示卷積核的寬；n表示卷積核的高。在對圖像特征進行提取的過程中，將輸入位置和核函數值結合，從而得到有效輸出。

（2）池化層。對卷積層的特征進行分析，將過濾后的信息輸入到池化層中，根據像素的信息確定網絡位置，以最大值輸出實現最大池化。

（3）全連接層。實現特征非線性層的輸出，將池化層與卷積層中的數據特征提取后學習。

（4）激活函數。反向傳播訓練網絡，或者開展非線性映射。卷積運算是一種線性操作，根據線性映射關系在卷積層中設置非線性函數，公式表示為：

損失函數指的是神經網絡的訓練標準，能夠優化網絡學習方法，還能夠有效訓練參數。在最后一層輸出神經網絡結果，以不同損失函數對數據的不同差異進行計算，利用反向傳播對網絡開展訓練。利用目標檢測能夠計算損失函數，從而分析函數精準性[4]。

2.2 注意力機制分析

注意力機制被廣泛應用到神經網絡模型任務中，在人們感知物體的時候，會觀察特定的部位。所以，要以注意力機制根據不同的觀察距離將變電站的原始圖劃分成為中間距離、近距離和原始距離。圖1為注意力機制模型，假如注意力網絡出現延遲，要利用原始圖像對物體特征進行識別，將目標高辨識特征展現出來后，根據局部、中間與圖像的特征進行檢測。

2.3 設備故障圖數據庫

完整變電一次設備信息包括設備連接關系、種類、報文訂閱等信息，智能變電站配置文件SCD記錄智能變電站通信網絡中的信息，比如數據對象、裝置等，創建相應的模型，將模型信息存儲到數據庫中。

利用圖數據庫對不同關聯節點進行遍歷，從而研究其中的訂閱關系。根據不同的IED物理回路創建SLCD文件或者SPCD文件，通過邊屬性方式，使虛連接內容存儲到物理回路中，得出二次回路中虛回路和物理回路的關系，表1為圖數據庫中關系存儲格式。在出現故障的時候，對報文解析后在圖數據庫中存儲信息，得出報文對應信息，根據報文中FCDA信息和路徑結合得出告警信息。

3 變電一次設備故障檢測的實現

將深度學習廣泛應用到人工智能領域，可以對不同的特征進行描述，還能夠提取對象的特征。通過卷積神經網絡提取故障特征，圖2為自適應故障的檢測流程，能夠提高故障檢測效率。

利用深度卷積神經網絡選擇參數，然后訓練信號圖像。利用檢測器、故障特征對模型進行檢測，在創建模型時要對不同的層進行統計，從而滿足故障特征識別需求。如果存在抗生體，可以對其進行尋優，以此提高檢測效率和精準度。在檢測變電一次設備故障的過程中，要提取故障特征。為此，要先解決參數和網絡等問題，根據頻域波形能夠選擇相應的參數，并且完成相應模型的設置[5]，包括：

（1）增量模型。設置80個卷積層特征圖，滿足不同用戶和業務的應用需求。

（2）遞減模型。能夠通過此模型降低系統特征圖數量。

（3）卷積操作。提取波形信號特征，對卷積核大小加以確定，包括3種類型。

之后要求確定深度卷積神經網絡的主要內容，比如層數、時域和頻域的波形信號等，并且利用頻域和時域波形信號實現參數訓練，過程如下：①變電一次設備數據為振動信號；②轉變振動信號，可以根據傅里葉變換實現，將不同的信號設置到針對性的文件夾中；③通過相應位置設置存儲故障類型；④利用測試集和訓練集生成數據集；⑤將卷積操作和池化核的步長分別設置為1和2；⑥利用卷積核初始化操作設置偏差為0；⑦根據不同信號的訓練模型開展訓練；⑧以訓練集對網絡模型進行訓練[6]。

可以通過傅里葉變換的方法將提取到的時域信號轉變為頻域信號，從而提高檢測信號的效果。在對其進行初始檢測時，要將特征結果和初步診斷信息進行存儲。假如變電一次設備在運行中出現故障，為了提高檢測結果精準性，要評估檢測結果。TD表示時域模型檢測結果，Fen表示提取特征屬性，時域檢測評估結果計算公式為

頻域檢測結果定義為

式中，Fd指的是檢測結果，通過不同的方式進行存儲，如不包括帶標簽位抗體種群和帶標簽位抗體種群。

在對變電一次設備故障進行檢測的過程中，一般不需要知識庫就能夠檢測。在檢測時，通過免疫學習方法對抗體進行分析，檢測未知的故障檢測器流程包括：

①使深度卷積神經網絡特征進行轉變；②創建初始抗原，根據抗體的生成策略創建種群；③計算抗體針對抗原平均親和力，利用克隆的方式對抗體定義。如果平均親和力越大，說明存在大量的抗體克隆數據；④對抗體的概率閾值進行克隆和設置，計算變異概率。假如要高于隨機閾值，要求能夠全面操作克隆抗體的過程；⑤對于變異和克隆操作抗體進行降序作業，對下一代初始抗體種群進行分析；⑥重復上述步驟，如果迭代次數滿足指定閾值，那么計算停止；⑦以上操作完成后生成全新檢測器，在知識庫中存儲新檢測器用于故障檢測。

4 仿真實驗

為了對上述檢測方法有效性進行驗證，研究中開展了仿真實驗。 利用仿真軟件設置完成此故障的預測方法，對不同方法變電一次設備故障預測的時間和錯誤次數進行記錄，并展開計算分析。仿真軟件固定變量指的是故障樣本數量，通過輸入變量表示故障特征。本文實驗次數為30次，在實驗迭代次數不斷增加時，邊界條件也會增加，表2為電力一次設備的故障類別。

為了檢驗本文方法優劣，實驗過程中的測試指標為均方根誤差和預測誤差，對不同預測模型預測能力進行分析。實驗中，不同模型故障預測誤差在不斷增加，文獻[3]模型預測誤差是最大的，本文方法預測誤差比較低。當增加實驗次數時，以上預測模型的均方根和預測誤差都在不斷提升。但是和其他模型對比，本文方法的預測指標較低，表明本文方法對于故障預測的結果更為精準。

表3為故障漏報率和誤報率的對比結果，本文模型和文獻[3]、文獻[4]模型進行對比，預測誤差和均方根誤差最低，漏報率和誤報率較低，并且檢測結果更加理想[7]。

5 結束語

在變電站一次設備故障檢測過程中使用傳統檢測方法的效果不滿意，所以通過深度卷積神經網絡對變電一次設備運行故障進行診斷，可以提高故障檢測效率。實驗表明，利用本文所述方法對變電一次設備故障進行檢測，故障檢測結果更為精準，降低了故障的漏報和誤報的幾率。

參考文獻

[1] 萬杰楓．變電一次設備故障預測及檢修方法分析[J]．集成電路應用，2023，40（8）：202-203．

[2] 蔣健，劉年，孫超．基于Faster R-CNN圖像處理的變電站異常設備紅外檢測方法[J]．沈陽工業大學學報，2024，46（2）：157-164．

[3] 黃寶航，高征宇．基于數據挖掘的變電一次設備運行故障檢測方法[J]．通信電源技術，2023，40（17）：38-40．

[4] 龔志輝．基于VR技術的變電站一次設備故障分類方法研究[J]．通訊世界，2022，29（12）：112-114．

[5] 李偉琦，周剛，王法順，等．一起1000 kV特高壓變電站GIS開關故障母線跳閘事故分析[J]．電氣開關，2022，60（5）：118-121，124．

[6] 周皓，劉康康，呂佳，等．一起穿芯電流互感器引起的開關柜局放異常檢測分析[J]．江西電力，2023，47（4）：5-8．

[7] 王亮．變電站一次設備運行中存在的問題與狀態檢修分析[J]．現代制造技術與裝備，2021，57（8）：130-131．