機器學習在電力系統故障中的運用探析

張云嘯，劉奕麟，杜昊陽，黃迪，溫馨

（東北電力大學，吉林 吉林 132000）

隨著用電負荷的大幅增加，人們對電力系統的重視程度逐漸提高，而系統故障則是關注的重點。現階段，大數據技術呈現出較快的發展趨勢，機器學習已經在很多領域中得到應用，效果也較為理想。電力行業前行的腳步逐漸加快，產生的數據也非常多，為了使電力系統故障能夠切實消除，必須要構建起機器學習算法模型，進而使異常數據檢測順利展開，尋找到具體的故障位置，如此就可保證電力系統故障診斷能夠切實達成。

1 電力系統故障

1.1 城市軌道交通的電力系統故障

隨著城市規模的擴大，大量人員選擇在此工作、生活，這就為軌道交通的發展奠定了基礎。如果軌道交通系統發生故障的話，造成的后果將是十分嚴重的，而導致故障發生的主要原因是電力系統出現問題。電纜在使用一段時間后，線路就會出現老化的情況，尤其是固定點會發生松動，如果沖擊電流過強的話，電流短路的發生幾率就會大幅提升，線路跳閘就難以避免。從軌道交通電力系統的運行現狀來看，調度、通信、控制等系統如果發生故障的話，地鐵列車發生失控的幾率就會大幅增加，甚至會引發交通事故。

1.2 偏遠地區的輸電線路故障

從輸電線路架設的現狀來看，有些地區的地理環境較為特殊，而且氣候環境造成的影響較大，這就使得輸電線路難以保持穩定運行，發生大面積停電的幾率較高。輸電線路故障的類型較多，常見的如風偏故障、雷擊跳閘、線路污閃等。

1.3 電力系統繼電保護不穩定產生的故障

家用電器的數量增加后，用電負荷有明顯的提升，因而要將電力維護切實做到位。從電力維護的現狀來看，繼電保護是需要重點關注的環節。然而從電力系統運行的現狀來看，軟件一旦出現問題的話，繼電器就會發生誤動、拒動。另外來說，二次回路的線路發生老化，這對電力系統產生的影響也非常大。

1.4 電網新能源故障

科學技術發展的速度較快，新能源的應用也成為大家關注的重點。從當下的實際情況來看，新能源已經在很多領域中得到應用，而這對電網運行安全產生的影響非常大。將新能源接入到電力系統的過程中，電流、電壓難以保持穩定，電網運行受到擾動的幾率較大，情況較為嚴重的話，電力事故也會頻繁出現。

2 機器學習算法

2.1 決策樹算法

對決策樹算法進行分析可知，其就是由根節點起來處理數據樣本，重點是要做好分析工作，依據所得的結果來劃分數據樣本，進而獲得數據樣本子集，通過歸納算法就可將可讀規則、決策樹予以明確，將決策樹的作用充分發揮出來就可保證新數據分析能夠順利達成。決策樹學習方法中得到廣泛應用的是分類與回歸樹算法，其組成部分包括特征選擇、樹的組成、剪枝，對于分類、回歸來說就是適合的。在對二分類問題予以解決時，CART算法是確實可行的，從其內部特征來說，可以分為是、否，也就是在內部特點左側、右側。在對此種算法予以實際應用時，決策樹生成、剪枝這兩個步驟是關鍵的，簡單來說，將訓練數據集作為基礎就可獲得決策樹，進而展開適當剪枝，確保決策樹能夠更加的簡潔，決策結構是最為合理的，修剪的過程中要將標準予以明確，也就是損失函數最小。

2.2 人工神經網絡

人工神經網絡已經出現好長時間，并得到了普遍應用。對其進行分析可知，其是將大量神經元連接起來，而且可對連接權重予以調整，如此就可切實完成好處理工作，實現信息的分布式存儲，其在自組織、自學習方面是具有明顯優勢的。從BP算法來看，其呈現出明顯的監督特征，從理論層面來說，此種算法的基本結構為非線性變化單元，其非線性映射能力是較強的。除此以外，可以依據實際條件來對學習系數之類的參數予以設置，靈活性是較為明顯的。此種算法的應用范圍是較廣的，進行故障診斷、模型優化，或者是展開智能控制時，均是較為適合的。

2.3 樸素貝葉斯

從樸素貝葉斯算法來看，其是以概率統計為基礎的，通過其可以實現分類的目標。從當下的應用現狀來看，樸素貝葉斯算法、決策樹算法的應用是較為普遍的，在不同場景中均能夠發揮出效用。大型數據庫通常選用的是樸素貝葉斯書暗訪，其應用是較為簡單的，速度相對較快，而且穩定性會有大幅提升。

3 機器學習在電力系統故障中的運用

3.1 人工智能技術

在對計算機軟件、硬件進行研究的過程中，人工智能是重要的基礎，也就是通過計算機語言、計算機算法來對人類的一些行為進行模擬。人工智能技術的主要作用是確保計算機能夠認同人一樣來對特定事情進行處理。現階段，很多的行業已經開始對人工智能技術加以應用，并發揮出關鍵的作用。對此種技術予以分析可知，其在學習性、靈活性方面具有的優勢是明顯的，在電力系統當中對其予以充分利用的話，可以使得診斷操作變得更為便捷。從電力系統故障來說，在對其進行診斷的過程中，可對遺傳算法、機器學習、專家系統等加以運用，這樣就能夠建立起完善的數學模型，進而保證診斷結果是更為準確的。

3.2 人工智能給電力系統帶來的挑戰

在電力系統中對人工智能加以應用時所要面對的挑戰是較大的，常見的表現是信息量是非常大的，而且種類也是較多的，這就使得信息處理的實效性較為低下。為了使得人工智能可以得到充分應用，必須要對網絡連接等予以重點關注，同時要對其具有的安全性、可靠性等進行考慮。

3.3 機器學習算法及其在電力系統中的應用

機器學習涉及到的學科較多，統計學、概率論、逼近論等均在其中，而且呈現出交叉特征。在整個人工智能中，機器學習是重要的分支，其是針對計算機模擬展開深入研究，進而能夠掌握更多的知識，擁有一定的技能，將現有知識結構予以重新組織，如此就可使得自身性能有明顯的改善。機器學習就是要通過計算機來總結相關的數據，如此就可獲得可靠的模型，通過其就可對特定事情予以判斷，保證預測更加的準確。眾所周知，機器學習是按照既定步驟展開的，具體來說共包括以下3步：第一步就是對相關的數據進行采集，在此基礎上完成模型的構造，這里需要提醒的話，模型必須要最為適合，能夠保證問題研究能夠順利進行。第二步是要從問題出發，將系統衡量標準予以明確，進而對函數模型展開判斷。第三步是要將與系統衡量標準相適宜的函數尋找出來，將其帶入到系統當中就可以展開測試工作。在現階段，科技發展速度持續加快，創新研究工作正在深入展開，這就為機器學習奠定了堅實的基礎，進行電力系統檢測時，其適用性較強。從電力系統故障的檢測來看，對機器學習必須要予以重視，通過直接方式、間接方式來獲取所需的數據，并要切實完成好判斷、預測工作。首先，數據的采集必須要做到位。整個電力系統是較為龐雜的，其中涵蓋的數據信息有不同的種類，覆蓋范圍也是較廣的，所以要將故障本質點切實尋找出來。比方說，直流匯集系統的常見故障為直流雙極短路，此時應該要針對換流器、變流器展開有效的監控；當IIREG故障發生后，則要針對母線短路點展開檢測，并對故障數據進行梳理；保護繼電器出現拒動、誤動的話，最為關鍵的就是要將繼電器的相關數據予以歸納。長時間獲取的相關數據必須要將預處理做到位。為了保證數據的全面性和可靠性，可以對不同系統在不同電力負荷、不同故障以及發電機不同出力情況下進行樣本采集。其次，通過機器學習算法將數據進行總結，構建數學模型。電力系統中發生的故障不同，其故障模式也大不相同，可以收集相對應故障模式下的故障數據組，將大量的數據組通過傳感器輸入到機器學習算法模型中，并反復訓練和學習。當模型學習了大量數據信息后，就可以在電力系統中投入使用，可以對產生的故障點進行判斷，從而準確找出發生故障的位置，同時還可以對故障進行預測，防范于未然。

4 結語

電力負荷的增加給電力系統帶來了嚴峻的問題和巨大的挑戰。但在大數據的背景下，人工智能不斷發展、進步，電力系統將會與時俱進。因此，要切合實際更好地將機器學習算法運用于電網行業，以便更加積極地應對電力系統中發生的故障。