基于智能算法的低壓配電網絡故障診斷方法

李若冰

（國網江蘇省電力有限公司鎮江供電分公司，江蘇 鎮江 212000）

電力系統故障診斷的意義在于了解該系統當前或將來發生問題的位置，并對這些問題提出合理的應對措施[1]。評估過程比較復雜，大致可分為三部分[2]。一是電力系統故障診斷指標的確定；二是電力系統故障診斷體系的構造；三是電力系統故障診斷方法的確定。除此之外，作為交叉學科理論的神經網絡也是電力系統故障診斷的重要應用理論。本文將以模糊c 均值聚類（FCM）為基礎，診斷低壓配電網的故障。

1 傳統低壓配電網故障診斷方法

有幾種方法可以用來提高低壓配電網的檢驗質量，這些方法包括檢測設備的技術以及檢驗方法[3]。由于對低壓配電網的預防性維護和狀態監測的需求越來越受到重視和關注，因此需要一種可靠和快速的分析工具來進行故障診斷。以下方法以提高低壓配電網設備檢查和狀態監測的質量，特別是在評估低壓配電網可靠性時。

1.1 高分辨率紅外相機的先進技術

影響檢驗質量的主要因素是紅外熱成像設備本身[4]。紅外熱像儀以其高精度、高靈敏度的成像特性，越來越受到人們的重視，成為電網預防性維修的一種重要手段。紅外探測器制造工藝的進步極大地提高了產量和質量，同時降低了生產成本。然而，檢測的質量與圖像的分辨率有關。分辨率差會導致檢測圖像的判讀不好。因此，為了更準確、更實時地解釋數據，建議在紅外攝像機上使用最新技術。除了分辨率外，現代紅外熱像儀還具有很高的熱靈敏度，在某些產品中，紅外熱像儀還可以調整屏幕上的數據測量值，如物體發射率、溫度等。

1.2 高分辨率連續監測

采用連續熱成像技術，可提供額外的能量進行周期性熱檢，尤其關系到電網設備的耐久性[5]。由于故障隨時可能發生，因此連續熱監測有其優勢。此外，它不依賴于操作員，也不依賴于定期檢查，特別是在嚴重過載期間。另外，實時監控可以在異常發生時對信號或警報發出警報，因此可以同時采取適當的措施。除此之外，與現有的監控和數據采集系統的集成將實現實時遠程監控，而無需單獨的系統或報告，這實際上是定期熱工檢查無法實現的。

1.3 準確的故障診斷方法

有多種技術可用于通過定性檢測圖像分析來確定電網設備的熱嚴重性[6]。其中一項技術是通過確定每個電網設備的實際最高溫度并根據標準評估其狀況來進行直接解釋。最高溫度由指定選定區域內的最高像素值。然而，這種技術有時會產生誤導，這是因為電網設備的溫度會受到環境溫度不同程度的影響。因此，還必須考慮與環境溫度不同的相對溫度。計算直方圖或直方圖距離是另一種可用于兩個物體之間的相似性。在這種情況下，計算每個區域的直方圖并與其他區域進行比較。另一種推薦的方法是分析分割區域的梯度。利用梯度分析技術的一個優點是可以識別電網設備中熱點的來源，所有這些參數都可以作為輸入特征的決策過程。電網設備檢測通常可用于比較相似設備之間的故障，但可能需要顯示故障的嚴重程度。系統的故障診斷往往依賴于對滿載發熱點的預測和設備在該溫度下的耐久性。由于需要預測系統滿負荷運行時的最高溫度，因此必須探索預測設備可靠性和使用壽命的新方法。

2 智能算法的低壓配電網絡故障診斷方法

2.1 智能算法

無論是對低壓配電網設備故障檢測圖像的定性分析還是定量分析，大部分可用的分類方法都是對檢測圖像進行定量分析，可以較好地應用于低壓配電網設備狀態的分類。模糊c 均值聚類（FCM）學習數據的復雜輸入輸出關系，用于低壓配電網設備故障的學習和分類。在眾多智能算法中，模糊c 均值聚類（FCM）的多層感知器模型由于靈活性強，計算速度快，魯棒性強的獨特優點得到了廣泛的應用。

由于模糊c 均值聚類（FCM）是一種廣泛應用的數據分類工具，因而還可以用來確定電網設備的狀態。它還是一種學習系統，它利用高維特征空間中線性函數的假設空間來直接估計決策面（不是建模訓練數據的概率分布），并將模糊決策方法應用于電網設備狀態分類。

采用模糊c 均值聚類（FCM）對低壓配電網故障進行檢測和分類，能夠實現90%的故障分類，并帶有760 多個測量的測試數據集，其圖像配準方法和用于監測低壓配電網設備熱異常的圖像匹配調整算法。圖像配準方法分為三個步驟：首先，基于（區域）灰度相似性的方法，通過一個相似性度量來選擇這類方法，用時間作為兩幅圖像相似性的度量。其次，基于傅里葉變換算法的相位相關圖像變換。最后，對圖像進行匹配。在檢測到目標設備的圖像后，將該圖像與相似模板進行比較，從而進行去噪并檢查儀器狀況。

模糊c 均值聚類（FCM）算法是在c 均值聚類算法模型的基礎上發展起來的。最大的區別是為成員資格uij指定一個權重值m。FCM 的數學推理過程和聚類過程如下：

FCM 聚類初始函數如公式（1）所示：

關系如下公式（2）所示：

在初始函數中，一般權重因子M＞1。為了找到目標函數的最優解，推理過程如下：

為了獲得最優解，可以利用極值的約束條件，在拉格朗日函數的條件下可以構造求解最小值的函數。設拉格朗日函數為公式（3）所示：

其中k 表示第k 次迭代。

計算第k 個聚類中心的數學公式如（5）所示：

求解目標函數的最優解是一個重復的過程。每次獲得隸屬度矩陣和聚類中心矩陣時，需要比較兩個聚類中心之間的距離，如公式（6）所示。

只有當兩個聚類中心之間的距離小于預先設置的終止標準值時，迭代才會結束，否則迭代解將繼續。

初始化聚類類別C 的數量，其中2 ≤C ≤n，C 的值一般根據經驗值確定。設置初始模糊分類矩陣R（0）并按照以下步驟依次迭代，其中I=0,1,2…n 是迭代次數，N 是數據集中劃分的數據數。

對于R（1），計算聚類中心矩陣，其中，根據公式（7）：

調整模糊分類矩陣R（1）以獲得（8）：

聚類結果：借助聚類中心矩陣V，模糊分類矩陣R*如公式（9）所示。

模糊聚類算法不同于傳統的推薦算法。建立用戶組數據庫，查找指定用戶，分析指定用戶感興趣的內容，然后提出建議。根據類似客戶的綜合比較信息對某一內容進行評價，形成新的體系，分析指定用戶對某一信息的理解和興趣，判斷是否推送。由于低壓配電網絡故障診斷有很多推薦內容，因此模型框架的設計需要同時結合多種推薦技術。

首先將數據集轉換為矩陣形式，接著用算法對矩陣進行分類，然后用模糊聚類算法填充數據，最后找到目標用戶的最近鄰，并用協同過濾算法生成最近鄰集。上述基于聚類的實時策略為聚類，并在矩陣上進行最近鄰搜索。除了用戶評分矩陣外，還可以使用項目屬性。使用這些信息可以有效地提高系統的準確性。分層聚類算法模擬樹結構，通過多次迭代，所有采樣點形成樹結構。選擇樹的節點作為聚類結果非常方便。目前，有兩種層次聚類算法，即分裂聚類算法和聚合聚類算法。

算法能夠很好地處理和計算典型背景下的低壓配電網絡故障點圖像，具有通用性和較強的魯棒性。然而，低壓配電網絡圖像的SIFT 特征選擇和提取是一個難點。此外，使用圖像的高級特征獲取故障點速度慢，處理時間長。通過對低壓配電網絡結構特征的深入觀察和分析，提出了提取低壓配電網絡故障點外輪廓并計算外輪廓幾何中心線的方法。通過計算幾何中心線沿直線和垂直于直線的傾角，并結合三角形法計算的實際傾角，計算結果準確，處理速度快，處理時間短。該算法的目的是準確識別和檢測圖像中的異常，以滿足故障診斷的需要。

2.2 智能診斷系統

由于低壓配電網設備對預防性維護的需求過大，迫切需要一個更可靠、更健全的智能系統。到目前為止，由于設備的不同特點，已開發的智能系統只能用于特殊用途的低壓配電網設備。因此，必須設計和開發一個智能系統模型，以適應故障點成像質量問題。基于模糊邏輯的專家系統屬于智能診斷系統，該系統可以提取電網設備檢測圖像中的主要特征，并建議適當的維護措施。對于在室外進行的檢查，拍攝的圖像通常會受到噪聲的影響。因此，選取的算法需要能夠解決這些問題，所開發的模型應能適應各種因素（包括風速、電氣負荷變化、環境空氣溫度、電阻等的影響）的復雜相互作用，并能為未來的擴展提供支持。

基于自頂向下方法的目標識別方法是最佳選擇之一。通過假設低壓配電網設備紅外圖像中的所有物體都是重復結構，識別出感應區域。通過檢測每個目標的局部特征，并對每個目標相似的特征進行分組來進行分類。采用尺度不變特征變換算法進行圖像分割，通過識別重復結構的區別特征，描述特征并匹配每個特征，以檢測圖像中的相似對象。這里，尺度不變特征變換算法是在一幅圖像中而不是在兩幅圖像之間匹配和配對顯著的相似特征。最后，在具有一組匹配特征之后，這些特征集合被分組并且可以提取重復結構的區域。該分割技術具有良好的識別效果和重復目標檢測。目前，這種技術只適用于外形非常相似的低壓配電網設備。

3 結語

本文將智能算法應用到低壓配電網故障診斷問題中，從數據的角度客觀地反映了診斷情況。與其他低壓配電網故障診斷方案相比，該評估模型適用范圍更廣，操作更方便。