基于深度學(xué)習(xí)的配網(wǎng)設(shè)備故障預(yù)測(cè)方法研究

關(guān)鍵詞：電力配網(wǎng)；深度學(xué)習(xí)；支持向量機(jī)；故障預(yù)測(cè)

中圖分類(lèi)號(hào)：TM719；TP181 文獻(xiàn)標(biāo)識(shí)碼：A

0 引言

配網(wǎng)設(shè)備的故障預(yù)測(cè)對(duì)于供電企業(yè)而言，是決定其是否進(jìn)行設(shè)備技術(shù)升級(jí)或執(zhí)行維護(hù)檢修任務(wù)的關(guān)鍵因素[1]。這種預(yù)測(cè)能夠使供電企業(yè)深入了解其生產(chǎn)設(shè)備在整個(gè)運(yùn)營(yíng)周期內(nèi)的健康狀態(tài)，為設(shè)備的技術(shù)改進(jìn)和維修工作提供了科學(xué)的基礎(chǔ)，從而減少設(shè)備技術(shù)改造和維護(hù)工作中的主觀(guān)判斷和隨意性。通過(guò)精確地分析設(shè)備運(yùn)行健康狀況，企業(yè)能夠確保技術(shù)改造和維修工作的順利進(jìn)行，進(jìn)而提升供電可靠性，解決供電品質(zhì)差、故障停電頻繁和配電系統(tǒng)運(yùn)行效率低等問(wèn)題。這不僅可以減少運(yùn)維成本，還能增強(qiáng)企業(yè)的經(jīng)濟(jì)效益，提高電網(wǎng)的管理效率與工作表現(xiàn)[2]。

隨著人工智能和機(jī)器學(xué)習(xí)技術(shù)的快速發(fā)展，神經(jīng)網(wǎng)絡(luò)在故障預(yù)測(cè)領(lǐng)域展現(xiàn)出了巨大潛力，特別是在配網(wǎng)故障預(yù)測(cè)方面，神經(jīng)網(wǎng)絡(luò)模型憑借其強(qiáng)大的數(shù)據(jù)處理和學(xué)習(xí)能力，從大量的歷史和實(shí)時(shí)數(shù)據(jù)中提取深層次的模式和特征，為配網(wǎng)故障的預(yù)測(cè)提供了一種高效、精確的方法。神經(jīng)網(wǎng)絡(luò)模型通過(guò)模擬人腦的處理機(jī)制，可以處理非線(xiàn)性和高維度的數(shù)據(jù)，使復(fù)雜的電力系統(tǒng)中未知故障的預(yù)測(cè)變得更加準(zhǔn)確和可靠。這種技術(shù)不僅能夠增強(qiáng)供電系統(tǒng)可靠性、降低故障率，還能顯著提升故障診斷的速度和精度[3]。

1 配網(wǎng)設(shè)備故障預(yù)測(cè)問(wèn)題描述

在設(shè)備運(yùn)行過(guò)程中，如磨損、疲勞、老化、燒蝕、腐蝕和失調(diào)等故障模式，通常會(huì)經(jīng)歷從隱性故障到顯性故障的演變過(guò)程[4]。這一轉(zhuǎn)變不是瞬時(shí)發(fā)生的，而是從潛在狀態(tài)不斷惡化至功能性失敗的連續(xù)階段，這個(gè)階段被稱(chēng)為P—F 間隔期（P—F interval），如圖1 所示。“P”點(diǎn)代表潛在故障階段的起始點(diǎn)，此時(shí)故障尚處于可檢測(cè)狀態(tài)且不影響設(shè)備正常功能。若到達(dá)“F”點(diǎn)，即進(jìn)入功能故障階段，如果設(shè)備性能明顯下降或完全失效之前，未進(jìn)行適當(dāng)?shù)木S修，設(shè)備的狀態(tài)將迅速惡化。P—F 間隔期的識(shí)別是對(duì)故障實(shí)施條件性維護(hù)的基礎(chǔ)，只有處于P—F 間隔期時(shí)，條件性維護(hù)策略才具有可行性。這一過(guò)程不僅對(duì)理解設(shè)備故障演變機(jī)制至關(guān)重要，也為采取及時(shí)有效的預(yù)防性維護(hù)措施提供了理論依據(jù)，從而避免或延緩設(shè)備進(jìn)入功能故障階段[5]。

2 相關(guān)技術(shù)

2.1 ResNet50

ResNet 全稱(chēng)殘差網(wǎng)絡(luò)，旨在幫助計(jì)算機(jī)視覺(jué)應(yīng)用解決影響深度神經(jīng)網(wǎng)絡(luò)的梯度消失問(wèn)題，允許模型在不損失性能的情況下網(wǎng)絡(luò)層數(shù)變得更深。ResNet50特指一個(gè)50層的網(wǎng)絡(luò)，包括48 個(gè)卷積層、1 個(gè)最大池化層和1 個(gè)平均池化層，通過(guò)堆疊殘差塊形成網(wǎng)絡(luò)。該架構(gòu)利用了跳躍連接，使其能夠跳過(guò)一個(gè)或多個(gè)層。跳過(guò)連接執(zhí)行恒等映射，并且不需要添加任何額外參數(shù)。ResNet50 網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，“Conv”表示卷積操作，“Max pool”表示最大池化操作。ResNet50 通過(guò)殘差映射而不是直接嘗試擬合所需的底層映射，使ResNet50 可以更深入也更容易優(yōu)化，并且隨著網(wǎng)絡(luò)層數(shù)的增加，獲得更好的準(zhǔn)確率。殘差網(wǎng)絡(luò)最初應(yīng)用于圖像識(shí)別，這個(gè)框架在計(jì)算機(jī)視覺(jué)之外的其他任務(wù)中也被證明是可行的。

ResNet50 是基于瓶頸設(shè)計(jì)的概念構(gòu)建的，使用1×1 卷積來(lái)降低維度，從而在應(yīng)用更昂貴的3×3 卷積之前降低計(jì)算復(fù)雜性。這種高效的設(shè)計(jì)使網(wǎng)絡(luò)能夠在不顯著增加計(jì)算需求的情況下保持性能。網(wǎng)絡(luò)最后一層為全連接層，然后利用Softmax 激活函數(shù)，以產(chǎn)生最終的分類(lèi)輸出。ResNet50 展示了通過(guò)采用殘差學(xué)習(xí)，可以構(gòu)建更深的網(wǎng)絡(luò)模型，而不會(huì)隨網(wǎng)絡(luò)深度的增加而出現(xiàn)梯度消失或訓(xùn)練精度下降的現(xiàn)象，從而超越較淺層網(wǎng)絡(luò)的性能。ResNet50 在基準(zhǔn)測(cè)試中取得了顯著的成功，如在ImageNet 數(shù)據(jù)集上的測(cè)試中，其展示了大幅提高模型性能和效率的能力。

2.2 SVM

支持向量機(jī)（support vector machines，SVM）是一種強(qiáng)大的監(jiān)督式學(xué)習(xí)算法，用于分類(lèi)和回歸問(wèn)題，SVM 特別適用于中小規(guī)模復(fù)雜數(shù)據(jù)集的分類(lèi)問(wèn)題。SVM 的基本原理是找到一個(gè)最優(yōu)的超平面，該超平面在二維空間中表現(xiàn)為一條直線(xiàn)，在更高維空間則是一個(gè)平面或超平面。這個(gè)超平面能夠較好地分隔不同類(lèi)別的數(shù)據(jù)點(diǎn)。在二分類(lèi)問(wèn)題中，超平面可以將數(shù)據(jù)分為兩個(gè)類(lèi)別，同時(shí)盡可能遠(yuǎn)離最近的數(shù)據(jù)點(diǎn)，這些最近的數(shù)據(jù)點(diǎn)被稱(chēng)為支持向量，最大化邊緣是SVM 的核心。SVM 被用于線(xiàn)性可分的數(shù)據(jù)集，其中數(shù)據(jù)可以通過(guò)一條直線(xiàn)或一個(gè)平面完美分開(kāi)。SVM 尋找的超平面是所有可能的超平面中，能夠?qū)蓚€(gè)類(lèi)別分開(kāi)并且邊緣最大的一個(gè)。對(duì)于非線(xiàn)性數(shù)據(jù)集，SVM 使用核技巧對(duì)數(shù)據(jù)進(jìn)行處理。核技巧可以將數(shù)據(jù)映射到更高維的空間，使原本在原始空間中不可分的數(shù)據(jù)變得可分。常見(jiàn)的核函數(shù)包括線(xiàn)性核、多項(xiàng)式核、徑向基函數(shù)（高斯核）和Sigmoid 核。

3 基于ResNet50—SVM的配網(wǎng)故障預(yù)測(cè)

3.1 配網(wǎng)故障預(yù)測(cè)流程

在構(gòu)建用于配電網(wǎng)故障預(yù)測(cè)的深度學(xué)習(xí)模型時(shí)，本文采用ResNet50與SVM相結(jié)合的方法，以實(shí)現(xiàn)準(zhǔn)確性和效率的最佳平衡。圖3 描繪了一個(gè)采用ResNet50和SVM的典型配網(wǎng)故障預(yù)測(cè)流程，其詳細(xì)步驟如下。

步驟1：將從配電網(wǎng)系統(tǒng)收集的各類(lèi)數(shù)據(jù)作為模型輸入。

步驟2：由于不同的測(cè)量指標(biāo)有不同的量綱和取值范圍，為了消除這些差異對(duì)模型性能的影響，需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理，確保模型在訓(xùn)練過(guò)程中的數(shù)值穩(wěn)定性。

步驟3：將歸一化之后的數(shù)據(jù)輸入ResNet50進(jìn)行特征提取， 通過(guò)50層的深度學(xué)習(xí)架構(gòu)，ResNet50 能夠從輸入數(shù)據(jù)中有效提取有助于故障診斷的高級(jí)特征。

步驟4： 在特征提取后， 所得特征被輸入SVM。SVM 作為一個(gè)強(qiáng)大的分類(lèi)器，能夠在高維特征空間中尋找最優(yōu)的超平面，從而區(qū)分故障與非故障狀態(tài)。其在配網(wǎng)故障預(yù)測(cè)中的應(yīng)用被證明具有高度的精確度和穩(wěn)健性。

步驟5：在得到SVM 的預(yù)測(cè)結(jié)果后，將這些預(yù)測(cè)結(jié)果轉(zhuǎn)換為原始的量綱和范圍，以便與現(xiàn)場(chǎng)的實(shí)際測(cè)量數(shù)據(jù)進(jìn)行比較和分析。

步驟6：模型輸出用于表示配網(wǎng)中可能發(fā)生的故障情況。

3.2 數(shù)據(jù)集構(gòu)建

本文以某地區(qū)配網(wǎng)中采集的配電變壓器故障數(shù)據(jù)為例，在該地區(qū)，一臺(tái)配電變壓器從2021 年4 月到2022 年1 月出現(xiàn)了頻繁的故障，這些故障中有60% 集中在2021 年9 月以后，且隨時(shí)間推移，故障發(fā)生的頻率明顯增加，如表1 所示。2022年2月，配電變壓器內(nèi)部故障引起了大規(guī)模臨時(shí)停電事件，使該變壓器被緊急送回廠(chǎng)家檢修。這一系列事件表明，該配電變壓器在此期間不斷出現(xiàn)故障問(wèn)題，且其損壞程度逐漸加重。因此，這段時(shí)間的月度狀態(tài)評(píng)估記錄為網(wǎng)絡(luò)訓(xùn)練提供了寶貴的數(shù)據(jù)資源，成為理解和預(yù)防類(lèi)似問(wèn)題的重要訓(xùn)練樣本。

3.3 模型訓(xùn)練

本文提出了一個(gè)基于ResNet50和SVM 的配網(wǎng)故障預(yù)測(cè)模型。對(duì)于深度特征提取的訓(xùn)練，采用了Adam 優(yōu)化器，初始學(xué)習(xí)率設(shè)置為0.001，并使用指數(shù)衰減的方法調(diào)整學(xué)習(xí)率，以在訓(xùn)練過(guò)程中逐步降低學(xué)習(xí)率。模型在分割好的訓(xùn)練集上進(jìn)行了100個(gè)epoch 的訓(xùn)練，每個(gè)epoch 包括前向傳播和后向傳播的完整過(guò)程。訓(xùn)練過(guò)程中，采用了早停法來(lái)避免過(guò)擬合，即如果驗(yàn)證集上的性能在連續(xù)10 個(gè)epoch內(nèi)沒(méi)有改善，則提前終止訓(xùn)練。此外，本文還實(shí)施了L2正則化來(lái)進(jìn)一步控制模型復(fù)雜度。通過(guò)交叉驗(yàn)證來(lái)評(píng)估模型的性能，并且最終選擇了具有最佳驗(yàn)證性能的模型，用于本文模型在測(cè)試集上的性能評(píng)估。

4 實(shí)驗(yàn)結(jié)果分析

本文將配網(wǎng)變壓器模型預(yù)測(cè)結(jié)果與實(shí)際值進(jìn)行對(duì)比，結(jié)果如表2 所示。期望值之間的相對(duì)偏差均保持在±2% 的范圍內(nèi)。這一結(jié)果充分驗(yàn)證了所提模型在實(shí)際應(yīng)用中的有效性與實(shí)用性。通過(guò)將定量偏差控制在極小范圍內(nèi)，可以確認(rèn)模型具有較高的預(yù)測(cè)準(zhǔn)確性。

5 結(jié)語(yǔ)與展望

本文提出了一種結(jié)合了ResNet50 和SVM 的方法，旨在預(yù)測(cè)配網(wǎng)變壓器的故障。經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，該模型在配網(wǎng)變壓器故障預(yù)測(cè)任務(wù)中表現(xiàn)出優(yōu)異的性能，其預(yù)測(cè)結(jié)果與實(shí)際值之間的相對(duì)偏差均較小。預(yù)測(cè)結(jié)果的精度水平不僅符合實(shí)際應(yīng)用的需求，而且還展示了所提模型在故障預(yù)測(cè)方面的有效性和實(shí)用性。通過(guò)對(duì)模型性能的綜合評(píng)估，確認(rèn)了該模型的適用性，能夠?yàn)殡娋W(wǎng)故障診斷、預(yù)防維護(hù)及狀態(tài)評(píng)估提供技術(shù)支持，同時(shí)也證明了深度學(xué)習(xí)和機(jī)器學(xué)習(xí)方法在傳統(tǒng)電力系統(tǒng)領(lǐng)域巨大的應(yīng)用潛力。未來(lái)的研究將集中于如何進(jìn)一步提升模型的泛化能力，以及探索該模型在不同電力系統(tǒng)設(shè)備故障預(yù)測(cè)中的適用性。