機器算法在電氣設備故障預警及診斷中的運用研究

劉繼偉

（重慶長征重工有限責任公司，重慶 400083）

電力產業是我國重要的經濟支撐，不僅關系著我國的發展，更關系著我國的民生。但隨著我國電力產業的不斷發展，其結構也變得日益復雜，基于此應對電網的穩定運行提出更高的要求，以現代化技術解決各類現存問題，以此促進電力產業的可持續發展。在復雜的電網結構中，電氣設備發生故障的原因也各不相同，常見的原因為設備潮濕或設備老化、設備超負荷運載、電氣設備場所不符合規定等，且任何一種情況引發的電氣設備故障都會出現接連反應，最終導致電網無法有效運行，如情況嚴重將會使電網造成不可挽回的損傷，因此應合理利用機器計算發現電氣設備中的故障問題，以此保障電網的可靠運行。

1 機器算法在電氣設備故障預警及診斷中的運用概述

智能電網在運行中有著不確定性和局部可觀測性，因此導致建模分析法難以全面反映電力系統的當前特征。因此，為提高智能電網運行的準確性，需要合理應用機器算法，將其引入到智能電網檢測中，以此為電網運行提供安全保障，現如今該方法已經受到了我國相關人員的高度重視。目前，機器算法應用于電氣設備故障預警的方法是通過監測電氣量

得出相關電網數據，隨后傳輸到數據處理平臺，最后得到因變量的結果，因變量的結果即是預警數據，并以此判定電氣設備當前是否存在故障，準確預判故障的發生點。同時，機器算法應用在電氣設備的故障診斷中需要結合智能算法，且在應用過程中需要建立數學模型，以此進行數據處理，最后得出特征值，以此對電氣設備故障進行分類。經過我國的調查研究顯示，機器學習算法在電氣設備故障預警及診斷中的準確率高達92.4%，因此該方法應被廣泛應用，促進智能電網的可持續發展。

2 機器學習概述

2.1 機器學習發展歷程

機器學習M.L 的發展是基于人工智能所展開的，在1995年，V.P 與C.T 首次提出了支持向量機，僅過了兩年的時間，在1997 年，H.R.T 與C.T 便提出了長短時間記憶網絡，直到2009 年，深度學習網絡已經基本完善，且可以應用在基礎語言識別上，到2012 年深度學習網絡應用在了圖像識別，直到2015 年，深度學習網絡才算基本完善，已經可以在圖像識別的基礎上分析問題成因，2018 年深度學習網絡已經被廣泛應用在各個領域中，且取得了不錯的效果。

2.2 機器學習的基本思想

2.2.1 機器的基本學習

機器學習需要從歷史相關數據中挖掘相關數據，并在數據挖掘結束后找出各類信息之間存在的特定聯系，以此使機器學習發揮出其實際作用，且此類規律算法可以稱之為機器學習。機器學習需要對已經獲得的樣本數據進行整理和歸類，通過訓練構造出預測或分類函數，具體學習訓練過程如下：

（1）甄別待選擇模型并訓練數據集；（2）確定機器學習的最優模型；（3）確定機器學習的最優參數；（4）檢測機器學習的函數精度；（5）測試機器學習的數據集。

2.2.2 機器學習的能力

預測函數和分類函數的適應性較強，且泛化能力可適用于多種數據處理，以此提高樣本信息的適應性，該種能力可以稱之為泛化能力，具體的學習可分為以下三步。

（1）根據當前存在的實際問題選擇合適的模型，常用模型為支持向量機，而回歸問題常用模型為濾波預測模型，此類模型可表示一組函數的集合。

（2）在應用中需要擬定衡量標準，且需要判斷模型的精確程度，以此提高損失函數的應用效果。不同的損失函數的表現有所不同，且分別適用于不同分類問題的評價，為了使分類達到最優化，應靈活選取損失函數。

（3）參數的選擇為模型建立的必要條件，且需要在最短時間內找出最優函數，通常情況下會選用優化算法，并將最優參數進行測試，如符合預期效果即模型建立完成。

2.2.3 機器學習的類別

機器學習有著多種類別，可以具體劃分為以下幾種，在實際應用中需要對此加強關注力度。

任務類型：機器學習的任務類型可以劃分為分類模型、回歸模型和結構概率模型，三者之間由于任務類型不同，需要在實際應用中格外注意。

模型結構：機器學習的模型結構可以劃分為線性結構和非線性結構，其中線性結構主要體現在主觀表現上，如機器學習的主觀要求，而非線性結構則表現在客觀需求上，如實際應用過程中的需求，且兩者之間存在差異。

學習方式：機器學習的學習方式可以分為監督學習、半監督學習和無監督學習，監督學習及機器學習時需要人工持續幫助，而半監督學習則需要人工進行輔助學習，無監督學習則是無需人工提供任何幫助。同時，學習方式也可以分為遷移學習和強化監督學習，這兩種學習方式在當前時代中更為常用，其中遷移學習則是可以使學習完整遷移到其他區域，強化監督學習則是提高機器學習質量，使學習符合實際需求。

3 機器算法在電氣設備故障預警及診斷中的運用

3.1 傳統機器學習

3.1.1 BP 神經網絡及改進

BP 神經網絡以逆向傳播算法為主，其主要應用于機器學習的訓練過程，以提高訓練精確度，當前電氣設備故障預警及診斷最為常用的方法之一。將遺傳算法與BP 神經網絡相融合，在減少訓練時間的基礎上提高網絡的精確度，此類方法在很大程度上解決了當前BP 神經網絡中存在的訓練問題。

除訓練過程優化外，還可以進行函數改造。如將小波神經嵌入BP 神經網系統中提高容錯率，實現電機故障的精確診斷，且可以利用粒子化對神經網絡進行優化，以此提高故障診斷速率。BP 神經網絡還可以與其他網絡達到互補的效果，如利用模糊推理系統，則可以將實驗采集的故障信號提取，最后完成故障診斷模型的搭建。也可以將記憶單元加入模糊層節點內，以此提高電氣設備壽命預測的準確性。

3.1.2 支持向量機

支持向量機的實質是二次規劃的求解問題，實際應用需要重新構造分類器。支持向量機的核心思想是分割間隔最大化為原則，將SVM 進行優化改造，實現對故障的提前預警。為了對SVM 預測模型參數進行優化，可以應用改進粒子群算法，以此解決后期易循環在局部極值的問題。或者可以采用人工蜂群，以人工蜂群提高診斷預測精度，完成電氣設備的故障預警。

3.2 深度學習網絡

深度學習以人腦的工作原理為基準，其可以對數據進行有效分析、預測，常用的深度學習模型可以生成遞歸神經網絡。

3.2.1 神經網絡

RNN 存在數據的循環傳遞連接，在下一時刻的信息處理中會由單層變為多層，以此進行深度循環。RNN 引入了上一時刻的信息，對數據處理有著很大的優勢，但網絡權值更新不穩定，因此可以利用LSTM。LSTM 引入了門的概念，解決了RNN 的缺陷，且實際應用效果顯著。

3.2.2 卷積神經網絡

卷積神經網絡由若干卷積層組成，其可以將輸入數據旋轉及縮放，以此實現對圖像的識別。卷積神經網絡在語音識別和圖像處理方面的優勢較為明顯，其可以使網絡結構優化，避免原始數據處理提取時的分類操作。構建卷積神經網絡需要對變壓器、高壓斷路器進行診斷，并與SVM 算法相結合，最后得到數據的基本概率分配，以此實現復合故障診斷。卷積神經網絡在對電力系統的測量數據處理時，需要重視參數調節，并以此作為卷積神經網絡的優化目標。

3.2.3 深度信念網絡

深度信念網絡原始數據需要進行訓練，將底層RBM 進行頂層網絡的訓練，并用反向傳播算法優化參數。深度信念網絡不需要提取數據的特征，而是在實際的電氣設備檢修中自動提取數據信息，以此進行深度優化學習。網絡訓練如影響特征提取能力，需要對此進行拓展與改進，如利用小波變換提取故障信號，通過仿真結果表明，該方法的數據十分正確，且結構能夠適應數據變化要求。

4 結語

機器算法可以在很大程度上提高電氣設備故障預防及檢測的準確性，且實際應用中有很大的提升空間。因此，應推動機器算法的實際應用，使其發揮出故障預警及診斷的作用，確保電網的準確運行。