基于人工智能技術的電力設備故障識別策略與方法

國網山東省電力公司檢修公司 宋香濤 綦浩楠

目前階段，我國的電力結構在科技的不斷創新與推動之下，逐漸形成了更加成熟的供電調度體系，為人們日常的生產生活帶來了極大的便利條件，創造成更加貼合新時代發展的電力環境[1]。雖然電力結構的整合與匯總取得了相對較好的效果，但是在實際應用的過程中，由于外部因素的影響，再加上其他突發情況的發生，還是容易存在不同程度缺陷，導致電力設備的產生運行故障，嚴重的甚至會導致大面積的關聯電路損壞問題的產生，一定程度上增加電力設備應用的實際成本[2]。

另外，近年我國傳統的電力系統逐漸向著現代化電力系統轉變升級，雖然可以完成預期的供電目標，但是內部的結構以及供電機制仍然是十分龐大且復雜的。不僅如此，對應的執行系統通常也處于動態且繁瑣的現狀，所以在日常運行執行的過程中，常常電力設備也會出現高維、強非線性和時變等特征，在這樣的環境之下，通常難以快速、準確地對出現故障的位置作出對應的識別與定位，這也就導致延誤了輸電線路的維修與快速處理[3]。在這樣的背景之下，人們開始嘗試將人工智能技術逐漸應用在對電力設備故障的識別與定位工作中去，逐漸對現狀作出了對應的改善。

人工智能技術是一種具有靈活應變能力的數據分析處理技術，它對于設備的控制能力是相對較強的，并且具有大范圍的定位程序，根據設備日常的運行信息，結合互聯網以及大數據等技術對故障源進行識別，通過平臺將故障信息轉化傳輸至對應的控制區域，完成對設備故障的定位與識別，以此來進一步提升整體的故障修復效果，確保電力設備的使用壽命。

我國的電力設備應用范圍在最近幾年得到了廣泛地擴展，為人們的生產生活提供了極大的便利。但是在對設備的故障識別方面，智能化水平仍然較低。因此，對基于人工智能技術的電力設備故障識別的方法進行設計與探究,確定模糊邏輯故障識別節點、關聯節點的同時建立故障識別樹，并創建人工智能SVM分類故障的識別模型，利用Seq2Seq技術實現人工智能下電力設備故障的識別。最終的測試結果表明：在不同的測試訓練集范圍之內，對比于傳統的重疊特征故障識別方法，本文所設計的方法具有更強的穩定性和系統性，最終得出的故障識別訓練誤差也相對較低，表明對電力設備的實際故障識別效果更佳，具有實際應用意義。

1 人工智能技術下電力設備故障識別方法設計

1.1 模糊邏輯故障識別節點確定

在進行人工智能技術下電力設備故障識別方法設計前，需要先確定模糊邏輯故障識別相對應的節點。一般情況下，電力設備在日常的運行或者供電過程中，都具有特定的程序以及特征，同樣的在發生故障之前，設備也會產生不同程度的征兆，不同的征兆呈現出的電力設備故障區域也是存在差異的，內部設備結構上的建立一定程度上存在對關聯性，可以形成一一對應的故障關系，這部分如果不進行嚴格地控制，便很容易形成大面積的關聯性設備損壞問題，造成一定的經濟損失[4]。所以，在設計故障識別方法前，需要確定模糊邏輯故障識別的相對應節點。

由于實際因素的變化性以及復雜性，需要先確定其模糊邏輯識別的實際范圍，但是這部分需要注意的是，由于初始的識別區域相對較為限制，而出現的故障設備極有可能發生關聯性的損壞，這樣的狀況極有可能會造成電力設備大規模爆電或混電的情況，所以通常在進行模糊邏輯識別的過程中會劃定大于初始范圍的區域，提升整體的識別精度。將其作為基礎，計算其具體的識別系數，具體如下：H=(2k-1)+0.3lt，式中：H表示識別系數，k表示模糊聚類范圍，t表示故障識別范圍。通過上述計算，最終可以得出實際的識別系數。依據得出的識別系數，設定對應的模糊故障識別聚類轉換比值，具體如表1所示。

表1 模糊故障識別聚類轉換比值設定表

根據表1中的數據信息，最終可以完成實際模糊故障識別聚類轉換比值的設定。依據轉換的比值以及對應的范圍，預設模糊邏輯故障識別節點并將其相關聯，每一個故障識別節點均是相互獨立的，此時為確保電力設備的穩定運行，可在基礎電路中接入一個小型的集成控制電路，以此來加強對于內部識別程序的控制，確保不同的電力設備在應用的過程中仍存在對應的關聯，為后續的設計奠定基礎[5]。

1.2 故障識別樹的建立

在完成模糊邏輯故障識別節點的確定之后，接下來需要創建故障識別樹。故障識別樹是一種關聯性的由總體向局部擴散識別的層級細化定位識別程序，與傳統故障識別程序不同的是，模糊邏輯故障識別程序更加細致化、精確化、全面化，對于部分細節化的故障及隱藏故障可更加快速、準確地識別，通常會根據某一個特定的電力設備提取對應的故障特征，同時在預設的故障識別范圍之內進行實效位置的分析以及推理。所以，一般的電力設備在故障的初期都會具有細化識別的條件，但這一條件通常是固定的，屬于故障特征，并不會隨著設備的變化發生改變，所以可根據這一因素識別相對應的故障目標，并根據層級的特性結構建立故障識別樹的執行指令，將其與所設定的和核心識別節點相關聯，經過層層驗證形成三級根節點，在結構上實現了故障的初始識別，具體的結構如圖1所示。

根據圖1中的數據信息，最終可以完成對故障識別樹的創建。但這部分需要注意的是，故障時識別樹對于不同的故障所劃定的層級也是不同的，對于初始的基礎原件故障并不會全面啟用、僅是部分處理，但對于中、重型的故障，相關員工會選擇性地適用故障樹進行維護和處理，以確保其他電力設備的穩定運行。另外，在數據樹中設立對應的數據識別源，依據所提取的特征進行定性故障診斷，最終完成故障識別樹的進一步完善[6]。

圖1 故障識別樹結構

1.3 構建人工智能SVM分類故障識別模型

在完成故障識別樹的建立之后，接下來需要構建人工智能SVM分類故障識別模型。利用控制平臺獲取到多維原始振動信號，將其設定在對應的人工智能控制區域之中，利用深度卷積技術并結合人工智能的定位處理技術，構建多層級的SVM分類故障識別模型。結合依據故障樹分析的故障類型，將獲取的數據劃定在對應的模糊邏輯識別層級之中，根據獨立故障層級提取的特征，進行故障識別冗余擴散值的計算：M=l-e/3+2β。式中：M表示故障識別冗余擴散值，l表示深度處理定位范圍，e表示獨立識別點，β表示智能識別范圍。通過上述的計算，最終可以得出實際的故障識別冗余擴散值。將此數值添加在人工智能SVM分類故障識別模型之中，識別層級需要劃分為三級，并且對逐層減小卷積核進行更加有效地壓縮，以此來優化模型的整體故障識別效果。

1.4 Seq2Seq技術實現人工智能下電力設備故障的識別

在完成人工智能SVM分類故障識別模型的創建之后，接下來利用Seq2Seq技術來最終實現人工智能下電力設備故障的識別。Seq2Seq技術實際上需要根據單相識別序列來關聯多項輸出序列，并且在故障識別模型的輔助作用下組成識別序列的轉化結構。將上述設定的故障識別模型與現如今常用的Encoder模型作出反向轉化，同時結合Seq2Seq技術、再加上智能識別模式，進一步依據固定長度以及實際向量對故障識別結果進行轉化。在人工智能技術的輔助之下，建立更加靈活穩定的識別機制，最終完成對電力設備故障的處理與維護。

2 測試方法

本次測試主要是對基于人工智能技術的電力設備故障定位識別效果的分析與研究。測試共分為兩個小組：一組為傳統的重疊特征故障識別法，將其設定為傳統重疊特征故障識別測試組；另一組為本文所設計的方法，將其設定為人工智能故障識別測試組。兩種方法在相同的測試環境之下同時進行測試，將得出的數據信息對比分析，完成結果的論述與驗證。

2.1 測試準備

依據實際的測試情況，進行相關的測試準備。搭建測試的環境。選取A電力站作為本次測試的目標對象。依據實際的要求，創建Seq2Seq的人工智能故障識別模型，并依據模型的內部結構，建立電力設備故障的訓練集。利用Keras平臺進行輸電線路故障樣本以及特征數據的提取，關聯i5-7500處理器，并對相關電力設備指標參數作出預設，具體如表2所示。

表2 電力設備指標參數預設表

根據表2中的數據信息，最終可以完成對電力設備指標參數的相關預設。完成之后在上述所搭建的環境之中，利用MATLAB/Simulink軟件搭建EE18的故障處理節點，每一個節點均為一個獨立的運行定位裝置，雖然在應用的過程中每一個節點都是獨立的，但是仍然存在一定的聯系，需要建立輸電網架來控制設備的單相電壓瞬時值以及執行有效值，確保在對故障進行識別的過程中各個功率因數角處于合理的范圍之內。完成上述測試準備之后，核查測試的設備以及系統是否處于穩定的運行狀態，同時確保不存在影響最終測試結果的外部因素，核查無誤后，開始測試。

2.2 測試過程及結果分析

在上述所搭建的測試環境之中開始測試。將測試集劃分為以下6組，并且關聯每一個故障識別節點，同時啟動電力設備，設定故障點，進行定位識別，隨后將得出的數據信息匯總整合，得出最終的測試結果，進行對比分析，具體如表3所示。

表3 測試結果對比分析表

根據表3中的數據信息，最終可以得出實際的測試結果：在不同的測試訓練集范圍之內，對比于傳統的重疊特征故障識別方法，本文所設計的方法具有更強的穩定性和系統性。另外，最終得出的故障識別訓練誤差也相對較低，表明對電力設備的實際故障識別效果更佳，具有一定的實際應用價值。

綜上，便是對基于人工智能技術的電力設備故障識別方法的設計與分析。對比于傳統的故障識別方法，本文所設計的方法在實際應用的過程中，具有更強的靈活應變性以及信息的實時傳輸性，隨著智能化技術的不斷完善與發展，在設備綜合情況監測、特征提取、故障識別以及辨別定位等均得到了更加充分地完善與優化，且故障的綜合識別定位準確率均可以達到98%左右，獲得更加穩定全面的識別效果。