人工智能技術在電力系統故障診斷中的應用

史雪濤 孫浩南 肖文飚 王德全 張冬

（國網江蘇省電力有限公司淮安供電分公司 江蘇省淮安市 223002）

眾所周知，科技的飛速發展和不斷的創新，讓人工智能技術得到了廣泛的推廣，并已經普遍運用到了各行各業當中。尤其是在現如今信息化的大背景下，先進的人工智能技術，依靠大數據的帶動，已邁入進了獨立學習階段，并且隨著進一步的發展，當前的人工智能技術可全程無需人工操控，這充分證明了此項技術已經正式進入到了另一個全新的發展階段，而這一點在電力系統故障診斷工作上體現的尤為明顯。電力系統人工智能技術的應用可有效提升社會生產效率，而在之前常規電力系統運行中，運行結構復雜，系統內部環節極為繁瑣，還要全面適應內外環境。若電力系統在運行時候出現故障問題，采用傳統的人為排查方式會顯得非常困難且易出錯，而隨著人工智能技術的普及和完善，可將大量的智能算法合理的運用到電力系統當中，進而得以快速高效準確診斷并智能處理大部分電力系統故障問題，大力提升工作效率，保障電網安全可靠運行。

1 電力系統故障診斷中人工智能技術的應用

1.1 基于模糊理論的電力系統故障診斷

自從電力系統采用模糊控制器之后，明顯提升了解決電力系統故障的能力。在過去電力系統產生故障之后，技術工作者難以區分潛在故障和故障清除之間所存在的聯系。所以，始終難以獲得精準的診斷結果。不過這些年以來，伴隨模糊理論的廣泛應用，相關工作者可將故障處理、控制經驗結合到控制器里，進而研發出完善的模糊控制器。電子系統模糊控制主要是使用自適應模糊控制器，其和以往的自適應控制進行比較發現，模糊控制器是兩個以上的自適應模糊系統所構建。自適應模糊控制器主要是在電力系統出現問題的情況下，能夠馬上對不易發現的潛在故障及時實施處理。一是其能夠對傳統的推理工作進行完善，之后完成近似推理工作，最終依靠強化推理的容錯性來達到理想的處理效果，進而使電力系統的故障能夠得到精準的檢測。所以，在相關工作人員診斷電力系統故障的時候，若對一些故障沒有把握，那么就可通過模擬理論診斷法進行解決。而且還要根據傳統工作經驗，將以往的一些診斷方式合理的與模糊理論診斷法融入到一起，進而進一步加強診斷的效果。

1.2 基于信息理論的電力系統故障診斷

其實在上個世紀的時候，就已經有相關專業人士開始研究基于信息理論的電力系統故障診斷。站在信息理論層面進行分析，信息理論方式具有明顯的實用性，對電網故障診斷其實屬于一項信息融合的工作。在對電力系統做故障診斷的時候，利用信息理論診斷法，能夠了解故障是怎樣產生的，并還能夠掌握保護裝置的工作原理。和這種故障診斷方式有關的診斷信息，不但能夠掌握電力系統不穩定性特征，還能確保與其具有關聯性的系統得到保護。此方式不僅處理速度快，并且還能夠達到良好的處理效果。所以在診斷電力系統故障的過程中，一定要合理的使用系統中的保護裝備、錄波信息。而隨著科技水平的進一步發展，還需要優化信息結合、信號處理等方面的工作，以到達最為理想的診斷效果。

1.3 基于遺傳算法的電力系統故障診斷

遺傳算法遵循了人類遺產機理，通過仿照生物進化，實現全局優化的一種算法。此診斷方式的優勢在于，具有加強的優化效果，并且能夠對全局進行全面優化。通過遺傳算法來診斷電力系統所產生的故障時，首先要根據元件故障與保護動作間的關聯性，把系統診斷轉換為整數。之后創建遺傳算法，使用差異性遺傳算法，對所出現的故障進行處理。若保護元件、斷路器產生拒動的話，那么就代表診斷達到了最理想的效果。由此能夠看出，基于遺傳算法的電力系統故障診斷方法，能夠站在全局優化的角度來研究故障問題，從而可準確的進行診斷。不過應如何有效創建電力系統故障診斷數字模型，明確差異性問題等，還需要相關工作人員在今后進行更加深入的研究。

1.4 基于人工神經網絡診斷的電力系統故障診斷

相關研究工作者通過研究電力系統故障所產生的數據后，了解到了以下情況：通過使用人工神經網絡技術，能夠對電力系統故障進行有效的解決，主要是以控制人工神經網絡閥值的方式來獲取知識點，然后隱秘的分布到人工神經網絡里，進而就可獲取充足的隱形知識點，對人工神經網絡方式產生記憶。人工神經網絡除了能夠清除掉噪音數據以外，還可以獲得所需要的知識點，進而有效改善專家系統里所存在的問題。采用人工神經網絡診斷法來處理電力系統故障，主要是糾正系統問題，然后立刻將數據傳送到系統當中，此時系統狀態就會產生明顯的轉變，從而可準確的清理掉系統里的故障，而所要使用的信息，能夠通過人工神經網絡的知識庫來進行提調。在故障診斷完成后，所形成的最新故障信息會立刻傳送進數據庫里，這樣一來不但能夠在第一時間更新數據，還可給故障診斷工作帶來足夠的資源。

2 系統設計

下面我們對通過人工智能技術所研發的電力系統故障診斷系統進行一下充分的研究。此系統主要是結合了人工智能技術中的深度置信網絡，并利用樣本數據預訓練以及調整參數的形式所創建的電力系統故障診斷模型。搭配網絡系數約束和網絡平滑約束，以充分展現銜接矩陣里關鍵性的銜接，進而幫助輔助限制波爾茲曼機抓住暫態故障的局部特點，以此加強故障診斷水平。

2.1 模型構建

深度置信網絡，即DBN。屬于深度表達學習模型，基本單元屬于RBM，在繁瑣函數的表達學習當中得到了普遍的使用。RBM結構主要是輸入層以及隱秘層兩種神經元所構建。RBM 屬于概率生成模型，其和判別模型具有明顯的差別，具體表現在生成模型能夠構建觀測模型和標簽間的分布。通過RBM 輸入層和隱蔽層間所存在的關聯性，來展現系統能量。

在上面的公式當中，θ={ai，bj，Wij}代表RBM 的參數，ai 與bi 依次代表的是輸入層神經元以及隱蔽層神經元的偏置數據，Wij代表的是輸入層神經元i 和隱蔽層神經元j 間所具有的關聯性。使用所傳送的數據，運算RBM 模型的最大似然概率，就能夠完成RBM 的參數預估，公式為：

本文主要是利用BP 神經網絡與大量的RBM 棧式疊加模式創建DBN 模型。在網絡里以兩層為單位，對層進行分組，并設置RBM 層。通過從低往高的形式，把每個RBM 層的輸出結果當做傳送數據加載進此前一層的RBM 層里。通過多層RBM 層的訓練，最后對標簽進行傳送。在模型結構當中，最上端的是輸入層，輸入單元包括n 個，代表的是n 個輸入特點；最底層是輸出成，輸入單元包括m 個，代表的是m 個識別種類。隱蔽層的數量與各層的單數，要通過經驗來做出針對性的布設。

2.2 深度置信網絡訓練方法

DBN 的學習訓練分成預訓練和調整。預訓練主要采用的是無監督訓練方式，而后者則采用的是監督訓練的方式。先無監督訓練然后再后監督的好處在于：無監督訓練在減小搜索最佳求解空間上效率極高，其輸出結果當做成有監督訓練數據，能夠節省很多的時間；能夠改進訓練數據的相關問題，進而提升DBN 模型的監督學習效果。

（1）開展預訓練操控。預訓練主要以貪心無監督學習算法、無監督訓練為主，對以上DBN 模型各層里的全部參數做初始化賦值。通過對各層的RBM 層訓練，底層初期的特征會訓練成具有更加緊密關系的高端數據。因為在無標注時也能做使用貪心算法，造成輸出結果難以符合實際情況。所以，要相應的調整參數。

（2）預訓練結束后，標出輸出結果，然后以全局學習算法的方式來對DBN 模型網絡空間開展監督訓練，進而不斷完善DBN 模型網絡參數。

全局學習算法以從上往下的形式調整DBN 模型。公式為：

其中L 代表的是故障故障診斷樣本數據量，U 代表的是無標準的樣布數據量，D 代表的是每個樣本數據的特點個數。在模型訓練期間，如果全部的樣本數據都做人工標注，那么U=0。這種情況下，就要采用深層結構的全局算法來訓練。每個具備n 個特點的樣本數據都能夠被當做是求解空前當中的某個向量。

2.3 電力系統約束的DBN模型

2.3.1 網絡稀疏約束的構建

由于電力系統里的暫停故障只是暫時會給有關設備造成影響，為此可把沒有受到干擾的設備狀態數據清理掉，以充分體現出局部特點。網絡稀疏約束是依靠把銜接矩陣的權重進行賦值，把沒有遭受太大干擾的暫態故障的權重做好相應的約束，盡量將它的值控制在0 左右，以此充分展現出矩陣關鍵處的銜接，以協助RBM 獲取到暫態故障的局部特點。網絡稀疏化約束，主要是利用罰函數進行約束，罰函數可以用下面的公式反映出來：

2.3.2 網絡平滑約束的構建

在電力系統當中的相同的電力里，和電氣接近的設備在故障沒有產生前和產生后的狀態存在密切的關聯性。所以，在RBM 網絡里有關的權重數值也會保持緊密的關系。網絡平滑約束，主要是往銜接矩陣間增添一定的約束，讓網絡里鄰近的節點的傳送矩陣的權重值盡量控制在0 左右，從而就能夠使鄰近節點在進行完訓練后，掌握相應特征。通常主要是采用下面的公式來反映RBM 網絡平滑約束函數：

在上面的公式當中，p 的取值范圍是（0,1），代表的是歸一化的輸入特性間的電氣距離。電氣間如果靠的很近，那么設備間的關聯性越明顯，這樣數值就會越大。按照機器學習的有關理論，網絡稀疏約束和L1間能夠產生等效，同時網絡平滑約束和L2的正規化間可產生等效。若所建模型非常繁瑣或所獲取到的數據不夠時，機器學習的訓練便要產生擬合現象。若模型結構越繁瑣，那么訓練樣本集中就不會形成太過明顯的誤差，不過模型太過繁瑣會導致測試樣本集的時候，誤差進一步嚴重。所以，為能夠減少模型的測試誤差，就要簡化模型。主要是以減少模型偏差的方式得到小的模型方差。

2.3.3 實際驗證

為證明以上方案的實際效果，相關專家從發電站中收集了29個節點系統，一共使用8 臺發電機，34 條母線以及42 條線路的運行狀態數據。從4532 個樣本數據中隨意挑選其中的3000 個，而剩下的部門當做測試樣本來測試。

在進行測試的時候，采用以往的ANN 模型以及DBN 模型來做監督訓練。其中ANN 模型是把模型初始化參數進行任意搭配，之后再做監督訓練。對其參數優化非常困難，很難做出精準的評測。而DBN 模型的曲線，和ANN 模型曲線比較起來，起始點會低一些。這充分證明，預訓練的無監督訓練法能夠給隨后的調整參數的監督訓練帶來完善的數據，進而可讓DBN 模型的故障評估錯誤率保持在3%左右。

由此能夠了解到，在沒有標注的樣本數量變多的情況下，DBN模型的故障評估精準率會明顯加強，之后會以微弱的漲幅繼續增長。當沒有標注的樣本數達到1000 個的情況下，漲幅就會出現顯著變化，有關的評估精準率會大于95.3%。在樣本訓練數量多于1000的情況下，評測精準率的上漲率便會逐漸降低，不過總體上來講依然處于上漲的狀態。

3 結束語

我國的電網建設在這些年取得了長足的進步，使電網工程逐步壯大，不過伴隨經濟的發展，民眾以及各大行業的用電量逐漸增多。盡管我國電網行業在這樣的背景下承受著巨大的壓力，不過也迎來了一次發展機遇。為此一定要充分的利用人工智能技術，來對電力系統運用當中所存在的故障問題進行及時的診斷，這樣一來就能夠及時的解決所存在的問題，確保電力系統得到安全平穩的運行。從而可在使電網行業獲得穩定經濟收益的同時，讓電網行業得到良好的發展。