基于人工智能技術的輸電線路故障識別系統(tǒng)研究

陳 洋，李 敏

（國網(wǎng)寧夏電力有限公司 超高壓公司，寧夏 銀川 750001）

0 引 言

輸電線路故障識別工作本質(zhì)是通過快速判定輸電線路中的故障元件或開關，助力電力技術人員完成故障排查工作，從而快速恢復輸電線路的正常運行，保證電網(wǎng)的運行效率?，F(xiàn)階段，輸電線路故障識別方法已成為國內(nèi)學者研究的重點內(nèi)容。郭嘉睿等人提出了基于小波變換的輸電線路故障識別方法，利用小波變換的方法分析各故障類型在輸電線路頻域上的能量分布特征，建立故障類型識別模型，完成對輸電線路故障的快速識別[1]。薛嘉等人將知識圖譜技術引入到傳統(tǒng)輸電線路故障識別方法中，以此解決輸電線路單端故障識別精度差、故障識別工作效率低等問題[2]。文章在國內(nèi)各學者研究的基礎上，提出利用人工智能技術中的Seq2Seq 技術，構(gòu)建完整的輸電線線路故障識別框架，通過將長短期記憶（Long Short Term Memory，LSTM）作為網(wǎng)絡神經(jīng)元，建立基于深度學習模型的故障識別系統(tǒng)，以期更快速、更精準地識別輸電線路故障，提高電網(wǎng)診斷智能化水平。

1 基于Seq2Seq 技術的輸電線路故障類型識別框架

Seq2Seq 技術的本質(zhì)是一個Encoder-Decoder 結(jié)構(gòu)的網(wǎng)絡，它的輸入是一個序列，輸出也是一個序列?；赟eq2Seq 技術所構(gòu)建的輸電線路故障類型識別框架可分為故障數(shù)據(jù)處理與故障類型識別2 部分，如圖1 所示。

圖1 Seq2Seq 技術下的輸電線路故障類型識別框架

1.1 故障數(shù)據(jù)處理

輸電線路故障數(shù)據(jù)包括故障采樣數(shù)據(jù)與故障類型標志數(shù)據(jù)[3]。由于故障采樣數(shù)據(jù)與故障類型標志數(shù)據(jù)在該識別框架中是作為輸入數(shù)據(jù)和輸出數(shù)據(jù)，為精準判定輸電線路的故障類型，應對上述初始采樣數(shù)據(jù)進行統(tǒng)一化處理[4]。統(tǒng)一化的計算公式為

式中：為統(tǒng)一化后的故障數(shù)據(jù)；n為原始故障數(shù)據(jù)；nmax為n的最大值；nmin為n的最小值。

統(tǒng)一化的故障數(shù)據(jù)應集成到相同類型的故障矩陣中，再構(gòu)建故障數(shù)據(jù)與故障類型之間的對應關系。在故障數(shù)據(jù)統(tǒng)一化的過程中，初始的輸入數(shù)據(jù)為時序型數(shù)據(jù)，后期的輸出數(shù)據(jù)為非時序型數(shù)據(jù)。經(jīng)過處理后，故障采樣數(shù)據(jù)的輸入過程為

式中：A、B、C為現(xiàn)有輸電線路故障類型；T為故障樣本數(shù)據(jù)采樣時間；M為采樣電流、閥側(cè)電流等故障數(shù)據(jù)的總量；xA、xB、xC分別為A、B、C故障樣本的總數(shù)。

將樣本的輸入數(shù)據(jù)整合為輸入矩陣，完成輸電線路故障數(shù)據(jù)的處理工作。建立故障樣本數(shù)據(jù)集，為下一階段的故障類型識別奠定堅實的數(shù)據(jù)基礎。

1.2 故障類型識別組成要素

1.2.1 LSTM 神經(jīng)元

LSTM 神經(jīng)元具有循環(huán)式的鮮明特點，可高效處理時序型數(shù)據(jù)。將LSTM 神經(jīng)元作為本次輸電線路故障類型識別框架的基礎元素，可高效識別輸電網(wǎng)的故障類型[5]。LSTM 神經(jīng)元數(shù)學模型可描述為

式中：pt為遺忘門；zt為輸入門；Qt為輸出門；為待更新記憶單元狀態(tài)；kt為神經(jīng)元輸出；Bt為神經(jīng)元狀態(tài)；F為各輸入?yún)?shù)的權(quán)重值；c為各輸入?yún)?shù)的偏置值；σ(·)為sigmoid 函數(shù)；tanh(·)為雙曲正弦函數(shù)。

1.2.2 Seq2Seq 技術

Seq2Seq 技術的本質(zhì)是通過一個序列的輸入，再完成一個序列的輸出。其對輸電網(wǎng)故障類型的識別由Encoder 模型和Decoder 模型共同組成，如圖2 所示。

圖2 Encoder-Decoder 模型

Encoder 模型是將故障采樣數(shù)據(jù)這一輸入序列輸出為一個固定長度的向量，而Decoder 模型則是繼續(xù)將這一固定長度的向量再轉(zhuǎn)化為故障類型標志數(shù)據(jù)這一輸出序列。中間狀態(tài)將Encoder 模型與Decoder 模型隔離，保證2 部分的工作流程可分步進行[6]。實際工作中，Encoder 模型按照輸入序列的進入時間依次處理，同時將最后一個神經(jīng)元狀態(tài)信息以中間狀態(tài)的形式傳遞給Decoder 模型。Decoder 模型則可根據(jù)神經(jīng)元狀態(tài)和輸入的信息，按照時間排序進行解碼，形成鏈式輸出，直至輸出所有神經(jīng)元序列，至此完成對故障采樣數(shù)據(jù)的解碼工作。在此模式下，以Encoder模型最后一個時間輸入的LSTM 神經(jīng)元狀態(tài)作為中間狀態(tài)。

2 驗證與分析

為進一步驗證基于Seq2Seq 技術的輸電線路故障識別系統(tǒng)的故障檢測效率，獲取輸電線路的故障樣本數(shù)據(jù)，在計算機Keras 平臺上進行模擬驗證。文章所提出的輸電線路故障識別系統(tǒng)可驗證6 種輸電線路故障類型，包括單相短路故障、兩相短路故障、三相短路故障、相間短路故障、單相斷線故障、兩相斷線故障以及三相斷線故障。通過故障數(shù)據(jù)處理方法完成輸電線路故障樣本處理，以此得出本次模擬驗證中的故障樣本集合。將故障樣本隨機分為6 份，每份包含150 個故障樣本。分別利用文章所提出的故障識別系統(tǒng)、基于人工免疫算法的故障識別系統(tǒng)、基于SVM算法的故障識別系統(tǒng)、基于GRNN 算法的故障識別系統(tǒng)、基于RBF 算法的故障識別系統(tǒng)以及基于DT 算法的故障識別系統(tǒng)進行故障識別診斷，保證驗證結(jié)果的客觀性與準確性。

通過Keras 平臺的模擬驗證，不同方法對于輸電線路故障識別的結(jié)果如圖3 所示。

圖3 輸電線路故障類型識別結(jié)果

與其他5 種輸電線路故障類型識別方法相比，文章所提出的基于Seq2Seq 技術的輸電線路故障識別方法精度更高，故障判定準確度可達到100%。其中，SVW算法判定輸電線路故障準確率明顯低于其他識別方法，這是因為SW 算法在故障判定時需要對故障特征的電氣特征量開展篩選工作，但此過程進行時常常會忽略一部分較為隱秘且關鍵的故障類型識別信息[7]。

3 結(jié) 論

文章對輸電線路故障識別系統(tǒng)進行了大膽創(chuàng)新，將人工智能技術有效融入到故障識別系統(tǒng)中，通過對Seq2Seq 技術和LSTM 神經(jīng)元的高效應用，系統(tǒng)故障判定準確率達到100%，明顯高于其他故障類型識別方法。由此可知，在電力故障診斷中，應用人工智能技術不僅能減少電力技術人員的工作量，還能節(jié)省故障識別工作中的時間成本和經(jīng)濟成本，實現(xiàn)對故障的精準識別，具有實踐推廣價值。