基于ReLU深度信念網絡的35kV開關柜故障診斷

母卓元

（內蒙古國合電力有限責任公司，呼和浩特010060）

0 引言

作為電力系統中的重要設備，開關柜起著電力設備控制與保護的作用，但是會出現絕緣故障、機械故障、溫度升高、誤操作和電弧故障，其能否安全運行直接影響用戶的用電感受與供電的安全可靠性［1-2］。尤其是開關柜工作地點環境復雜，在長期運行過程中極易出現絕緣老化以及因柜內濕度過高而引起的電暈放電、觸點和母線溫度升高等問題，從而引發斷電甚至火災，導致巨大的經濟損失，因此對開關柜進行故障診斷具有重要意義［3］。隨著智能電網建設和發展，利用先進傳感技術實現開關柜故障診斷，可預防或盡早發現開關柜運行存在的異常狀況。文獻［4］提出利用人工免疫原理進行網絡在線跟蹤開關柜機械狀態變化，以達到開關柜機械故障診斷的目的；文獻［5］給出了開關柜局部放電分類的關聯規則算法，但只針對開關柜的某個單項性能進行診斷，無法從多個角度全面綜合的判別開關柜的健康狀況；文獻［6］提出以樣板為基礎、以規則為基礎的診斷方法，這種方法比較依賴已知的故障種類，對新增的故障類型無能為力；文獻［7］則提出利用RBF神經網絡進行開關柜故障診斷的方法，但是診斷出的故障類型少，網絡訓練時間長、效率低。

近些年發展起來的深度信念網絡算法，其具有訓練速度快、泛化能力強、噪聲魯棒性好、不易陷入局部最優等優點，在工程上易于實現，適于實時控制等對時間要求高的場合，在特征識別、數據降維、分類預測等方面性能突出，目前被廣泛應用于圖像處理、語音識別等領域。概率神經網絡為開發以人工神經網絡為框架的故障診斷系統提供了理論基礎，鑒于此本文以35kV開關柜為對象，提出了基于ReLU深度信念網絡的開關柜故障診斷模型，并通過實際案例進行了驗證。

1 ReLU深度信念網絡

深度信念網絡（Deep Belief Networks，DBN）是由若干層受限玻爾茲曼機（restricted boltzmann machine，RBM）和分類輸出層組成的一種深層神經網絡。RBM由用于輸入訓練數據的可視層v和作為特征檢測器的隱藏層h組成，結構如圖1所示［8］。

定義給定狀態（v，h）的聯合組態能量為:

式中:vi為可視層顯元，hj為隱藏層隱元，ai和bj分別為顯元i和隱元j偏置，wj，i為連接權重。

圖1 受限玻爾茲曼機結構

基于能量函數的狀態聯合概率分布為:

第j個隱元和第i個顯元的條件激活概率為:

式中:σ（）表示激活函數。

神經網絡學習中常用激活函數為sigmoid函數和tanh函數，這兩種函數存在導數及飽和值縮放特性，進行遞進式多層反向傳播時，梯度誤差會不斷累積增大，導致網絡學習效率大幅降低。ReLU函數梯度為1，且只有一端飽和，可在深層反向傳播過程中保持穩定性，結構收斂性良好，公式（5-7）是這三種激活函數的數學表達式，相應對比曲線如圖2所示。

圖2 3種激活函數對比

ReLU函數的優良特性可以提高網絡整體學習速率及分類準確率，本文選用該函數取代傳統激活函數來訓練DBN網絡。ReLU-DBN網絡采用對比散度算法對RBM逐層快速訓練得到權重。由于每層網絡都是獨立學習，只能保證該層權重對特征向量映射達到最優，并不能確保整個網絡特征提取和映射達到最優，因此采用梯度下降算法將網絡輸出與標準數值標簽之間的誤差自頂向下反向傳播至每一層RBM，微調整個ReLU-DBN網絡，使得權重參數全局最優。

2 35kV開關柜故障診斷

2.1 開關柜特征參量監測

35kV開關柜按其使用環境可分為室內開關柜和室外開關柜，本文的監測對象是室內開關柜。室內開關柜工作環境沒有室外開關柜那樣惡劣，對于監測傳感器的工作環境要求沒有室外開關柜嚴格。35kV開關柜的主體結構主要包括柜體、斷路器、控制設備及導線等，其外觀如圖3所示。各種傳感器監測信號分別從不同角度反映開關柜的當前工作狀態，因此監測信號中特征參量的提取對開關柜故障診斷至關重要。根據開關柜的結構，從進線到出線，依次經過母線室、斷路器室和電纜室，表征開關柜狀態的特征參量，從屬性上可分為電氣參量（電壓、電流等）和環境參量（溫度、濕度等），考慮到各個分室不同特征量的差異化和可觀測性［9］，采取的信號傳感器監測點布置方案如圖4所示，具體闡述說明如下:

圖3 開關柜外觀

圖4 傳感器監測點布置

（1）母線室。在母線室布置三類傳感器，分別是采集母線電壓數據的電壓互感器，采集母線和斷路器連接處溫度數據的光纖溫度傳感器以及采集母線室溫濕度數據的無線溫濕度傳感器。

（2）斷路器室。在斷路器室布置三類傳感器，分別是采集斷路器觸頭溫度數據的光纖溫度傳感器，采集斷路器室內溫濕度數據的無線溫濕度傳感器和采集分合閘線圈電流數據的電流互感器。

（3）電纜室。在電纜室布置三類傳感器，分別是采集電纜接頭溫度數據的光纖溫度傳感器，采集出線電流數據的電流互感器以及采集電纜室溫濕度數據的無線溫濕度傳感器。

（4）開關柜外。在開關柜外裝有采集環境溫濕度數據的無線溫濕度傳感器。

表1給出了各類傳感器所監測的具體特征參量，通過采集列表中的信號特征參量，可以獲得反應開關柜當前工作狀態的豐富原始數據源。

表1 35kV開關柜監測特征參量

2.2 故障診斷流程

由于開關柜結構復雜，運行過程中很難直接分清故障產生原因，通過對35kV開關柜故障案例搜集整理，綜合正常運行狀態數據，本文對開關柜狀態標簽編碼為如下9種狀態模式:1正常，2母線電壓過高，3電纜電流過大，4母線室溫濕度過高，5母線與斷路器連接處溫度過高，6合閘線圈電流過大，7斷路器室溫濕度過高，8電纜室溫濕度過高，9電纜接頭溫度過高。通過識別這9常見狀態模式可以更方便快速地推算出具體的故障原因，例如因電流過大或絕緣老化引起的母線室、電纜室、斷路器室溫度過高；母線室、電纜室、斷路器室濕度過高而引起裸露金屬部分腐蝕；電阻增大或電流增大導致的各小室接頭部分溫度過高；濕度過大造成電阻增大或電流增大引起絕緣擊穿；斷路器機械故障導致的斷路器合閘線圈電流過大等［10］。

針對35kV開關柜狀態識別一非線性多分類問題，本文提出基于ReLU-DBN網絡的故障診斷模型，如圖5所示，通過提取監測信號中的特征參量并輸入到深度信念網絡進行信息處理，可實現開關柜工作狀態的自動判定，具體實現步驟如下:

（1）選取開關柜狀態傳感器監測信號中的特征參量作為模型的輸入，將計算獲取的特征參量輸入到搭建的診斷網絡模型前，應該對特征參量進行歸一化處理。已有研究表明，對模型的輸入數據進行歸一化處理存在兩個明顯好處:一是可以大幅提高網絡的學習速度，二是可以大大降低冗余數據的干擾影響。本文將計算獲取的特征參量轉化到［0，1］之間進行歸一化處理，表達式如下:

其中 Xi、Xmin、Xmax分別表示同一特征參量的第個數據、最小值和最大值，X是歸一化結果。需要特別指出，所有的溫濕度監測量均以開關柜外部環境溫濕度作為參考，其歸一化過程是在當前監測值減去同時刻開關柜外部環境溫濕度監測值的基礎上實現。

（2）按照一定比例將樣本數據劃分為訓練樣本和測試樣本。

（3）對ReLU-DBN網絡進行無監督預訓練，通過反向傳播算法和隨機梯度下降法利用狀態模式標簽對網絡參數微調，實現模型參數最優化。

（4）利用訓練樣本最優參數對測試樣本進行測試，通過Softmax分類器輸出結果得出診斷結論。

（5）依據新增樣本及故障診斷準確率，對網絡重新訓練，實現參數更新。

圖5 基于ReLU-DBN的開關柜診斷模型

3 實例驗證

通過布置的各類型傳感器對35kV開關柜運行過程中的實際信號進行持續采集，對實測信號源進行分類，每種類型信號源包含多個數據樣本，將信號樣本劃分為訓練樣本和測試樣本，具體分布見表2，提取表1所列的信號特征參量，將其作為ReLU-DBN網絡輸入，用于后續開關柜故障識別。

表2 樣本數據具體分布

參考相關文獻［11］，初始化 ReLU-DBN 網絡連接權重為服從正態分布N（0，1）的隨機數，偏置項為0。設定權重學習率、偏置學習率分別為0.5，權重衰減項為0.1。為改善反向傳播算法的收斂速度與算法不穩定性間的矛盾，初始動量項為0.1，在重構誤差處于平穩增加狀態時動量項設為1。通過研究發現，網絡層數與診斷準確率的關系如圖6所示。當層數從1層增加至4層，識別正確率大幅提升，由4層增加至8層，準確率提升效果微弱。綜合模型診斷效果及運算效率，本文確定網絡結構為4層，由于輸入為12種信號監測特征量，輸出為開關柜9種工作狀態，因此ReLU-DBN網絡整體結構為12-20-20-10-9。

圖6 網絡層數與診斷準確率關系曲線

本文采用混淆矩陣考察算法的診斷效果，混淆矩陣如圖7所示。

圖7 混淆矩陣

其中，目標類型p和n表示樣本真正類別，輸出類型p，和n，表示樣本被ReLU-DBN診斷模型判定的類別。真正（TP）表示被模型診斷為正的正樣本，假正（FP）表示被模型診斷為正的負樣本，假負（FN）表示被模型診斷為負的正樣本，真負（TN）表示被模型診斷為負的負樣本。

混淆矩陣各項評價指標如下:

將數據按照表2中分布進行訓練、測試，其中訓練樣本診斷準確率為95.3%。圖8為基于ReLUDBN診斷模型在測試樣本數據上的混淆矩陣，其中序號1-9對應本文2.2部分所定義的開關柜工作狀態編碼。由圖8可見模型的總體診斷準確率較高，達到94.4%，其中編碼8和9對應的開關柜工作狀態識別精度分別為97.0%和96.2%，召回率分別為97.0%和100%。50例電纜接頭溫度過高樣本全部識別正確，33例電纜室溫濕度過高樣本數據中，僅有1例誤診，表明ReLU-DBN診斷模型有較強的復合故障判定能力。通過對溫度、濕度復合狀態特征提取，該模型可得到表征溫度過高兼顧濕度過大狀態的特征量，將其與開關柜正常狀態進行區分。ReLU-DBN網絡通過深層學習，樣本數據間相關信息得以充分表示，更利于故障模式診斷。

圖8中編碼1對應的正常狀態數據，相對其它樣本類型診斷精確度略低，僅為88.2%。通過對原始監測信號分析發現，綜合案例庫在開關柜已經發生異常而監測信號特征參量尚未達到警示值時，樣本類型劃分較為粗獷。編碼6對應的合閘線圈電流過大類型樣本召回率僅為85.3%，通過對原始案例文件分析發現，有一小部分數據實際監測信號呈現特征與所上報的狀態類型有所不符，存在部分分歧，因為這些干擾樣本的存在，對診斷模型參數存在一定影響，導致診斷精度有所降低。

圖8 ReLU-DBN測試集混淆矩陣

下面利用較為先進的最小二乘支持向量機（LSSVM）［12］和卷積神經網絡（CNN）［13］與本文提出的ReLU-DBN網絡診斷效果進行對比，采用相同的樣本分布進行訓練、測試。其中LSSVM模型選用徑向基核函數（radial basis function，RBF），通過交叉驗證得最優正則因子為0.1，RBF核參數為100。CNN網絡中學習率為0.1，學習周期為200。LSSVM模型和CNN模型對訓練樣本的診斷準確率分別為90.1%和87.8%。在測試集上的識別效果如圖9所示。針對開關柜故障診斷問題，LSSVM和CNN方法的識別準確率分別為89.5%和 86.6%。其中LSSVM模型對編碼8、9類型的診斷精度分別為94.1%和 79.7%，召回率分別為 97.0%和 94.0%。CNN網絡模型對8、9類型的識別精度分別為85.7%和 75.8%，召回率分別為 36.4%和 94.0%，開關柜工作狀態模式間的誤識別率與本文提出的ReLU-DBN模型相比更高，診斷效果不佳。

圖9 LSSVM和CNN測試集混淆矩陣

保持測試集規模不變，將訓練集逐步減小為3600、2700、1800、900、400，訓練集和測試集比例分別為 4:1、3:1、2:1、1:1、1:2，考察三種算法的診斷效果，如表3所示。

表3 不同訓練集時診斷準確率

逐步減小樣本集為 4000、3000、2000、1000、500、250，按照6:4的比例將樣本庫劃分為訓練集和測試集，考察三種算法的診斷效果變化，可以得到如表4所示的結果。

表4 不同樣本集時診斷準確率

對比表3和4可知，開關柜診斷準確率與模型訓練樣本中所包含的特征信息密切相關，隨著訓練樣本減少，診斷模型從訓練樣本中提取的特征信息越稀少，診斷精度會隨之降低。開關柜故障模式因型號、電壓等級、運行狀態等不同所呈現的多樣性，被大樣本空間所覆蓋，同LSSVM、CNN模型相比，ReLU-DBN網絡模型可以全面地提取出樣本空間中更深層的抽象特征，能正確處理各種復雜信息，具有良好的容錯能力，診斷正確率高，為解決35kV開關柜狀態識別問題提供了一種有效手段。

4 結論

開關柜內環境復雜，故障類型多種多樣，針這一問題，本文提出基于深度信念網絡的35kV開關柜故障診斷方法，利用先進的傳感器技術，采集多路在線監測信號，以實時在線監測信號狀態特征參量作為ReLU-DBN網絡的輸入，可實現開關柜工作狀態的準確判定。實際案例分析結果表明，該方法簡單方便、訓練時間短、擴充性能好、收斂速度快、分類能力強、易于實現、可以最大程度地利用工程先驗知識。如果將樣本集逐步完善，隨著狀態知識的逐漸積累，ReLU-DBN網絡可以不斷擴張從而進一步提高診斷準確率，有望獲得更佳的診斷效果。