一種基于深度學習算法的電網故障診斷方法

趙雪松謝蓓敏張宏偉

（1.國網吉林省電力有限公司，吉林長春 130000；2.國網吉林省電力有限公司檢修公司，吉林長春 130000）

一種基于深度學習算法的電網故障診斷方法

趙雪松1謝蓓敏2張宏偉2

（1.國網吉林省電力有限公司，吉林長春 130000；2.國網吉林省電力有限公司檢修公司，吉林長春 130000）

電網故障原因復雜，開關和保護的誤動、拒動以及信道的信號干擾均會給傳統的淺層智能模型帶來困難，所以需要從更深入的層面表征電網故障，并對其進行故障診斷。針對這一問題，本文提出一種基于深度學習算法的電網故障診斷方法，該算法利用由Convolution層、Pooling層、Flatten層及MLP層構成的深度網絡結構，對電網故障信息進行學習并獲得對應的診斷模型。試驗表明PGFD-DL算法具有更高的穩定性與精度。

電網；故障診斷；深度學習；神經網；深層表達

隨著電網規模的不斷擴大，變電站自動化和無人值班得到了廣泛的關注。電網自動化管理的一個關鍵環節就是能夠對電網出現的故障進行診斷，并調整相應的保護裝置［1，2］。當前很多人工智能算法被應用到了電網故障診斷領域，并取得了較好的應用效果［3］。

然而電網故障原因復雜，開關和保護的誤動、拒動以及信道的信號干擾均會給傳統的淺層智能模型帶來困難，所以需要從更深入的層面表征電網故障，并對其進行故障診斷。針對這一問題，本文提出了一種基于深度學習算法的電網故障診斷方法（Power Grid Fault Diagnosis Method Based on Deep Learning Algorithm，PGFD-DL），該算法利用由Convolution層、Pooling層、Flatten層以及MLP層構成的深度網絡結構，對電網故障信息進行學習獲得對應的模型。然后引入電網實際運行數據，PGFD-DL與傳統神經網算法、決策樹算法及隨機森林算法進行對比，表明PGFD-DL算法具有更好的穩定性與精度。

1 一種基于深度學習算法的電網故障預測方法

本文構造了一種深度學習算法的電網故障預測方法，其深度網絡結構如圖1所示。

圖1 深度網絡結構

如圖1所示，本文提出的算法包含4個組成部分：Convolution層、Pooling層、Flatten層及MLP層。卷積層連接輸入數據，對于卷積層其輸入為對于一個二維矩陣I，該卷積層對應的一個m行n列的核K計算產生對應的公式為：

式（1）中，s的每一個元素均通過該公式計算獲得，一個卷積層可以對應多個核，每個核Kernel對應一個輸出s。Pooling層連接Convolution，Pooling指定一個filter的大小通過該filter將輸入矩陣劃分為多個子部分，而每個子部分經過計算獲得一個輸出值。該層在默認情況下使用Max求子部分的最大值，當然也可以選用Mean、Stdv等方式進行計算。Flatten層將Pooling層的輸出轉換為1維矢量并連接MLP層；MLP層為一個3層神經網連接Flatten層包含一個隱層、一個輸出層。對于該深度網絡結構，其訓練算法如下：

根據該算法可以基于訓練的效果動態地添加核，直到精度滿足要求。在該算法基礎上，模型的獲取及故障診斷過程如下：①對于每一個樣本數據截取該樣本所在時間點之前的s秒所有電網采樣數據，構成一個數據矩陣M，該矩陣的橫向為不同的采樣點，縱向為對應采樣點不同的屬性，轉換所有樣本構成訓練樣本集合Train Set；②利用TrainModel算法獲得深度網絡結構DeepMod?el；③對應電網當前的時間點截取該樣本所在時間點之前的s秒所有電網采樣數據，構成待分析數據矩陣M，將M輸入給DeepModel獲得診斷結果。

2 試驗驗證

為了驗證算法的診斷能力，本文引入電網2015年的真實的運行數據，截取其中1 000個存在故障的時間點和1 000個正常運行的時間點作為樣本，隨機選取其中100，200，……，1 000共10組數據作為訓練數據，隨機選取1 000個樣本作為測試數據。PGFD-DL與傳統神經網算法、決策樹算法及隨機森林算法進行對比，4種算法的診斷精度如表1所示。

表1 4種算法的診斷精度

從表1中可以看出，決策樹算法的診斷精度在4種算法中是最低的，傳統神經網算法雖然精度略有提高，隨機森林算法分類精度接近神經網穩。PGFD-DL算法對于10組訓練樣本獲得的診斷精度均高于另外3種算法，在1 000個樣本時達到了最高的92%。4種算法診斷精度對比如圖2所示。

從圖2中可以看出，PGFD-DL在分類精度和穩定性方面均優于另外3種算法。

3 結論

本文提出了一種基于深度學習算法的電網故障診斷方法，該算法通過建立一個深度網絡結構，可以對電網故障的信息進行分析獲得深層次電網故障知識。通過將PGFD-DL與傳統神經網算法、決策樹算法及隨機森林算法進行對比，結果表明PGFD-DL在分類精度和穩定性方面均優于另外3種算法。本文提出的算法對保證電網系統安全運行提高供電可靠性具有十分重要的應用價值。

［1］杜一，張沛超，郁惟鋪.基于事例和規則混合推理的變電站故障診斷系統［J］.電網技術，2004（1）：34-37.

［2］畢天妹，倪以信，吳復立，等.基于新型神經網絡的電網故障診斷方法［J］.中國電機工程學報，2002（2）：33-38.

［3］陳平，謝志江，歐陽奇多層傳遞函數的量子神經網絡在汽輪機故障診斷中的應用［J］.動力工程，2007（4）：569-572.

A Power Grid Fault Diagnosis Method Based on Deep Learning Algorithm

Zhao Xuesong1Xie Beimin2Zhang Hongwei2
（1.State Grid Jilin Electric Power Co.Ltd.，Changchun Jilin 130000；2.State Grid Jilin Electric Power Co.Ltd.Maintenance Branch，Changchun Jilin 130000）

Because of the complex cause of grid fault,the malfunction and failure of switch and protection,and the signal interference of channel will bring difficulties to the traditional shallow intelligent model.Therefore,it is neces?sary to characterize grid fault and diagnose it in a deeper level.In order to solve this problem,a power grid fault diag?nosis method based on deep learning algorithm(PGFD-DL)was proposed.This algorithm utilizes the Convolution lay?er,Pooling layer,Flatten layer and MLP Layer to construct a deep network structure,the grid fault information can be learned and get the corresponding diagnostic model.Experiments show that PGFD-DL algorithm has higher stability and accuracy.

power grid；fault diagnosis；deep learning；neural network；deep expression

TM711

A

1003-5168（2016）12-0053-02

2016-11-25

趙雪松（1972-），男，本科，高級工程師，研究方向：電力系統及其自動化。