新型電力設備運行工況診斷分析技術研究

康智慧，趙敏，柴陽

（1.河南理工大學鶴壁工程技術學院；2.鶴壁市淇濱熱力有限公司，河南 鶴壁 458030）

電力設備是發電和輸變電系統十分重要的組成部分。當設備自身出現問題不能正常運行時，將直接影響到電力系統安全、穩定及可靠性，損失大量的電力資源，甚至會導致大面積停電的重大電力事故產生，嚴重危害社會經濟發展。因此，為保證電力系統的平穩運行，需密切關注電力設備的運行狀態、故障特點及故障成因，研究現代電力系統故障診斷新技術。由于設備故障診斷突破口多集中于新型傳感技術、信號處理技術及智能識別方法的更新，所以有必要學習新的智能診斷技術，研究新的診斷技術，以提高電力設備故障診斷精確度，達到維護電網平穩運行的目的。

1 人工智能算法原理

人工智能技術給電力設備故障診斷帶來了新的分析理念。人工智能具有巨大的經濟價值及科技潛力，它的應用和推廣已逐漸上升至國家發展戰略層面。

近年來，《中國電力大數據發展白皮書》《新一代人工智能發展規劃》《促進新一代人工智能產業發展三年行動計劃》等一系列文件不斷被推出，這標志著電力系統運維正在不斷邁向人工智能的時代。

人工智能的發展使設備故障診斷技術更加智能化，越來越多的新型故障識別判定方法被應用在電力設備故障診斷領域，其中比較常見的有人工神經網絡及支持向量機等。但人工神經網絡的弊端在于該算法需有大量的訓練樣本，過程復雜、訓練時間也較長；支持向量機在使用時需要提前選取合適的基函數并設置大量的參數，而參數設置對算法的泛化能力和識別準確度有較大的影響。

文獻[12]使用極限學習機即ELM(extreme learning machines)對電力設備進行故障診斷。由于ELM是單隱層神經網絡，所以其訓練速度較快，并且該算法可以避免過多的參數設置，泛化能力強，有較好的分類性能。

極限學習機可隨機初始化輸入權值與隱層閾值，其輸出權值可由廣義逆矩陣理論計算求得。ELM的網絡結構如1圖所示。

圖1 極限學習機訓練模型

其中：

輸入數據為xi(i= 1,2,…,n)，神經元個數為n。

隱含層節點數為l；

極限學習機的輸出數據為y j(j= 1,2,… ,m)，輸出層的神經元數目是m。

βk為隱含層和輸出層之間的權值；

G為隱含層激活函數，可在sigmoid/RBF/sine之間選擇；

ωk為輸入層和隱含層之間的權值；

bk為第k個隱含層節點的閾值。

對于n個給定的樣本數據(xi,ti)，可滿足下式：

令：

問題轉化為求線性系統的最小二乘解。

2 仿真分析

為了驗證極限學習機算法的智能性及正確性，本文利用了大量仿真數據進行模式識別驗證。

仿真環境：MATLAB R2014b；

數據集名稱：features；

ELM仿真數據：共150組。

在MATLAB軟件中調用features文件，可顯示出ELM仿真數據。部分仿真數據如圖2所示。

圖2 ELM仿真數據集

由圖2可知，特征向量包含4個維度，4列數據分別體現樣本數據不同的特性。features為一個150行4列的特征數據集。與特征數據集相對應的標簽數據集是classes，該標簽集包含150行1列數據。

在進行ELM仿真時，150組數據被分成兩個部分，第一個部分為訓練集，第二個部分為測試集；其中訓練集包含120組數據，測試集包含30組數據。

訓練集及測試集的創建在主程序中實現，如圖3所示。

圖3 極限學習機仿真界面

在圖3中可看到除了主程序fenlei外，還有elmtrain和elmpredict兩個子程序。

elmtrain子程序的功能是對120組訓練集數據進行模式識別；elmpredict子程序的功能是對30組測試集數據進行類別識別。

測試集的仿真結果如圖4所示。

圖4 測試集仿真效果圖

由圖4可知，30組測試數據被分為3類。第一類樣本編號為1～10；第二類樣本編號為11～20；第三類樣本編號為21～30。

其中第一類和第三類的20個樣本數據的模式識別準確率為100%，第二類的10個樣本數據僅出現1處誤判。30個測試數據的整體分類正確率高達96.6667%，充分驗證了ELM算法在分類方面的智能性及準確性。

3 電力設備故障診斷實驗驗證

我國電力系統規模龐大、錯綜復雜，電力設備的運維問題也越來越多，當設備出現故障產生時，會造成一定的安全隱患和經濟損失，因此快速、精準的找出故障原因顯得尤為重要。而借助計算機中的智能自動化算法，可大大提高故障判定速度，所以本文提出將極限學習機算法應用在電力系統故障診斷中。

在進行大電網維護時，高壓斷路器發揮了不可或缺的作用。它在電力系統中起到了保護和控制的作用，其工作狀態會直接影響整個系統的運行性能，當斷路器發生故障時，會直接損壞到與之相連的線路、設備并會使電網發生事故，甚至導致大片停電。

因此，在對電力設備故障診斷方法進行分析時，本文側重于研究極限學習機ELM在高壓斷路器故障診斷的可行性及應用價值。

3.1 設備故障特征提取

高壓斷路器進行分合動作時，主要通過內部操動系統帶動動靜觸頭斷開與閉合而實現，其中觸頭和斷路器操動機構的連接圖如圖5所示。

圖5 觸頭及操動系統連接圖

觸頭運動過程與斷路器內部操動機構及其它部件之間存在密切的關系。目前，斷路器觸頭運動監測主要靠位移傳感器實時采集觸頭運動的行程而完成，進而獲取到斷路器的行程特性曲線。

下面是關于斷路器行程信號的提取及分析過程：

（1）提取節點信號；（2）求取節點處的包絡圖譜；（3）求各分段能量；（4）歸一化包絡譜分段能量，構造特征熵向量T。

電力設備故障診斷部分特征集數據如圖6所示。

特征集文件名稱：xingcheng。

由圖6可知特征向量包含8個特征維度，

圖6 實驗樣本集

特征集樣本共20行8列，與特征集對應的標簽數據為4類，包含斷路器4種常見狀態：正常（zc）、觸頭彈簧失效（cts）、分閘彈簧脫落（ftzt）和分閘彈簧失效（fts）。

3.2 設備故障模式識別

基于ELM的高壓斷路器行程信號故障診斷流程圖如圖7所示。

圖7 高壓斷路器故障診斷流程圖

故障診斷系統被分為3層，分別是輸入層、極限向量機ELM和輸出層。

ELM的輸入信號為特征熵向量，經過ELM訓練和測試后，可從極限學習機ELM的輸出結果進行故障診斷。

輸出層為斷路器4種運行狀態。

在進行設備故障診斷時，特征集共20行4列，其中訓練集包含15組數據，測試集包含5組數據。

訓練集標簽如表1所示。

表1 訓練集狀態標號

測試集標簽如表2所示。

表2 測試集狀態標號

測試集故障診斷效果圖如圖8所示。

圖8 設備故障診斷試驗結果圖

由圖8可知，測試集中的5組數據被分為4類，每一類的真實值與ELM預測值都完全重合，故障診斷準確度達到100%，證實了在高壓斷路器行程信號中利用極限學習機ELM進行故障診斷的正確性及可行性，為電力設備故障診斷提供了新的技術方案。

4 結語

本文將極限學習機應用于電力設備故障診斷中，通過大量仿真及實驗分析驗證了人工智能算法ELM在電力設備故障診斷領域應用的可行性及科學性，大大提高了電力系統設備故障診斷的準確度。所提方法為電網電力設備的安全穩定運行提供了新的技術支持，具有較高的應用性和推廣價值。