劉繼偉

（重慶長征重工有限責任公司，重慶 400083）

電力產(chǎn)業(yè)是我國重要的經(jīng)濟支撐，不僅關(guān)系著我國的發(fā)展，更關(guān)系著我國的民生。但隨著我國電力產(chǎn)業(yè)的不斷發(fā)展，其結(jié)構(gòu)也變得日益復(fù)雜，基于此應(yīng)對電網(wǎng)的穩(wěn)定運行提出更高的要求，以現(xiàn)代化技術(shù)解決各類現(xiàn)存問題，以此促進電力產(chǎn)業(yè)的可持續(xù)發(fā)展。在復(fù)雜的電網(wǎng)結(jié)構(gòu)中，電氣設(shè)備發(fā)生故障的原因也各不相同，常見的原因為設(shè)備潮濕或設(shè)備老化、設(shè)備超負荷運載、電氣設(shè)備場所不符合規(guī)定等，且任何一種情況引發(fā)的電氣設(shè)備故障都會出現(xiàn)接連反應(yīng)，最終導(dǎo)致電網(wǎng)無法有效運行，如情況嚴重將會使電網(wǎng)造成不可挽回的損傷，因此應(yīng)合理利用機器計算發(fā)現(xiàn)電氣設(shè)備中的故障問題，以此保障電網(wǎng)的可靠運行。

1 機器算法在電氣設(shè)備故障預(yù)警及診斷中的運用概述

智能電網(wǎng)在運行中有著不確定性和局部可觀測性，因此導(dǎo)致建模分析法難以全面反映電力系統(tǒng)的當前特征。因此，為提高智能電網(wǎng)運行的準確性，需要合理應(yīng)用機器算法，將其引入到智能電網(wǎng)檢測中，以此為電網(wǎng)運行提供安全保障，現(xiàn)如今該方法已經(jīng)受到了我國相關(guān)人員的高度重視。目前，機器算法應(yīng)用于電氣設(shè)備故障預(yù)警的方法是通過監(jiān)測電氣量

得出相關(guān)電網(wǎng)數(shù)據(jù)，隨后傳輸?shù)綌?shù)據(jù)處理平臺，最后得到因變量的結(jié)果，因變量的結(jié)果即是預(yù)警數(shù)據(jù)，并以此判定電氣設(shè)備當前是否存在故障，準確預(yù)判故障的發(fā)生點。同時，機器算法應(yīng)用在電氣設(shè)備的故障診斷中需要結(jié)合智能算法，且在應(yīng)用過程中需要建立數(shù)學(xué)模型，以此進行數(shù)據(jù)處理，最后得出特征值，以此對電氣設(shè)備故障進行分類。經(jīng)過我國的調(diào)查研究顯示，機器學(xué)習算法在電氣設(shè)備故障預(yù)警及診斷中的準確率高達92.4%，因此該方法應(yīng)被廣泛應(yīng)用，促進智能電網(wǎng)的可持續(xù)發(fā)展。

2 機器學(xué)習概述

2.1 機器學(xué)習發(fā)展歷程

機器學(xué)習M.L 的發(fā)展是基于人工智能所展開的，在1995年，V.P 與C.T 首次提出了支持向量機，僅過了兩年的時間，在1997 年，H.R.T 與C.T 便提出了長短時間記憶網(wǎng)絡(luò)，直到2009 年，深度學(xué)習網(wǎng)絡(luò)已經(jīng)基本完善，且可以應(yīng)用在基礎(chǔ)語言識別上，到2012 年深度學(xué)習網(wǎng)絡(luò)應(yīng)用在了圖像識別，直到2015 年，深度學(xué)習網(wǎng)絡(luò)才算基本完善，已經(jīng)可以在圖像識別的基礎(chǔ)上分析問題成因，2018 年深度學(xué)習網(wǎng)絡(luò)已經(jīng)被廣泛應(yīng)用在各個領(lǐng)域中，且取得了不錯的效果。

2.2 機器學(xué)習的基本思想

2.2.1 機器的基本學(xué)習

機器學(xué)習需要從歷史相關(guān)數(shù)據(jù)中挖掘相關(guān)數(shù)據(jù)，并在數(shù)據(jù)挖掘結(jié)束后找出各類信息之間存在的特定聯(lián)系，以此使機器學(xué)習發(fā)揮出其實際作用，且此類規(guī)律算法可以稱之為機器學(xué)習。機器學(xué)習需要對已經(jīng)獲得的樣本數(shù)據(jù)進行整理和歸類，通過訓(xùn)練構(gòu)造出預(yù)測或分類函數(shù)，具體學(xué)習訓(xùn)練過程如下：

（1）甄別待選擇模型并訓(xùn)練數(shù)據(jù)集；（2）確定機器學(xué)習的最優(yōu)模型；（3）確定機器學(xué)習的最優(yōu)參數(shù)；（4）檢測機器學(xué)習的函數(shù)精度；（5）測試機器學(xué)習的數(shù)據(jù)集。

2.2.2 機器學(xué)習的能力

預(yù)測函數(shù)和分類函數(shù)的適應(yīng)性較強，且泛化能力可適用于多種數(shù)據(jù)處理，以此提高樣本信息的適應(yīng)性，該種能力可以稱之為泛化能力，具體的學(xué)習可分為以下三步。

（1）根據(jù)當前存在的實際問題選擇合適的模型，常用模型為支持向量機，而回歸問題常用模型為濾波預(yù)測模型，此類模型可表示一組函數(shù)的集合。

（2）在應(yīng)用中需要擬定衡量標準，且需要判斷模型的精確程度，以此提高損失函數(shù)的應(yīng)用效果。不同的損失函數(shù)的表現(xiàn)有所不同，且分別適用于不同分類問題的評價，為了使分類達到最優(yōu)化，應(yīng)靈活選取損失函數(shù)。

（3）參數(shù)的選擇為模型建立的必要條件，且需要在最短時間內(nèi)找出最優(yōu)函數(shù)，通常情況下會選用優(yōu)化算法，并將最優(yōu)參數(shù)進行測試，如符合預(yù)期效果即模型建立完成。

2.2.3 機器學(xué)習的類別

機器學(xué)習有著多種類別，可以具體劃分為以下幾種，在實際應(yīng)用中需要對此加強關(guān)注力度。

任務(wù)類型：機器學(xué)習的任務(wù)類型可以劃分為分類模型、回歸模型和結(jié)構(gòu)概率模型，三者之間由于任務(wù)類型不同，需要在實際應(yīng)用中格外注意。

模型結(jié)構(gòu)：機器學(xué)習的模型結(jié)構(gòu)可以劃分為線性結(jié)構(gòu)和非線性結(jié)構(gòu)，其中線性結(jié)構(gòu)主要體現(xiàn)在主觀表現(xiàn)上，如機器學(xué)習的主觀要求，而非線性結(jié)構(gòu)則表現(xiàn)在客觀需求上，如實際應(yīng)用過程中的需求，且兩者之間存在差異。

學(xué)習方式：機器學(xué)習的學(xué)習方式可以分為監(jiān)督學(xué)習、半監(jiān)督學(xué)習和無監(jiān)督學(xué)習，監(jiān)督學(xué)習及機器學(xué)習時需要人工持續(xù)幫助，而半監(jiān)督學(xué)習則需要人工進行輔助學(xué)習，無監(jiān)督學(xué)習則是無需人工提供任何幫助。同時，學(xué)習方式也可以分為遷移學(xué)習和強化監(jiān)督學(xué)習，這兩種學(xué)習方式在當前時代中更為常用，其中遷移學(xué)習則是可以使學(xué)習完整遷移到其他區(qū)域，強化監(jiān)督學(xué)習則是提高機器學(xué)習質(zhì)量，使學(xué)習符合實際需求。

3 機器算法在電氣設(shè)備故障預(yù)警及診斷中的運用

3.1 傳統(tǒng)機器學(xué)習

3.1.1 BP 神經(jīng)網(wǎng)絡(luò)及改進

BP 神經(jīng)網(wǎng)絡(luò)以逆向傳播算法為主，其主要應(yīng)用于機器學(xué)習的訓(xùn)練過程，以提高訓(xùn)練精確度，當前電氣設(shè)備故障預(yù)警及診斷最為常用的方法之一。將遺傳算法與BP 神經(jīng)網(wǎng)絡(luò)相融合，在減少訓(xùn)練時間的基礎(chǔ)上提高網(wǎng)絡(luò)的精確度，此類方法在很大程度上解決了當前BP 神經(jīng)網(wǎng)絡(luò)中存在的訓(xùn)練問題。

除訓(xùn)練過程優(yōu)化外，還可以進行函數(shù)改造。如將小波神經(jīng)嵌入BP 神經(jīng)網(wǎng)系統(tǒng)中提高容錯率，實現(xiàn)電機故障的精確診斷，且可以利用粒子化對神經(jīng)網(wǎng)絡(luò)進行優(yōu)化，以此提高故障診斷速率。BP 神經(jīng)網(wǎng)絡(luò)還可以與其他網(wǎng)絡(luò)達到互補的效果，如利用模糊推理系統(tǒng)，則可以將實驗采集的故障信號提取，最后完成故障診斷模型的搭建。也可以將記憶單元加入模糊層節(jié)點內(nèi)，以此提高電氣設(shè)備壽命預(yù)測的準確性。

3.1.2 支持向量機

支持向量機的實質(zhì)是二次規(guī)劃的求解問題，實際應(yīng)用需要重新構(gòu)造分類器。支持向量機的核心思想是分割間隔最大化為原則，將SVM 進行優(yōu)化改造，實現(xiàn)對故障的提前預(yù)警。為了對SVM 預(yù)測模型參數(shù)進行優(yōu)化，可以應(yīng)用改進粒子群算法，以此解決后期易循環(huán)在局部極值的問題?；蛘呖梢圆捎萌斯し淙?，以人工蜂群提高診斷預(yù)測精度，完成電氣設(shè)備的故障預(yù)警。

3.2 深度學(xué)習網(wǎng)絡(luò)

深度學(xué)習以人腦的工作原理為基準，其可以對數(shù)據(jù)進行有效分析、預(yù)測，常用的深度學(xué)習模型可以生成遞歸神經(jīng)網(wǎng)絡(luò)。

3.2.1 神經(jīng)網(wǎng)絡(luò)

RNN 存在數(shù)據(jù)的循環(huán)傳遞連接，在下一時刻的信息處理中會由單層變?yōu)槎鄬樱源诉M行深度循環(huán)。RNN 引入了上一時刻的信息，對數(shù)據(jù)處理有著很大的優(yōu)勢，但網(wǎng)絡(luò)權(quán)值更新不穩(wěn)定，因此可以利用LSTM。LSTM 引入了門的概念，解決了RNN 的缺陷，且實際應(yīng)用效果顯著。

3.2.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)由若干卷積層組成，其可以將輸入數(shù)據(jù)旋轉(zhuǎn)及縮放，以此實現(xiàn)對圖像的識別。卷積神經(jīng)網(wǎng)絡(luò)在語音識別和圖像處理方面的優(yōu)勢較為明顯，其可以使網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化，避免原始數(shù)據(jù)處理提取時的分類操作。構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)需要對變壓器、高壓斷路器進行診斷，并與SVM 算法相結(jié)合，最后得到數(shù)據(jù)的基本概率分配，以此實現(xiàn)復(fù)合故障診斷。卷積神經(jīng)網(wǎng)絡(luò)在對電力系統(tǒng)的測量數(shù)據(jù)處理時，需要重視參數(shù)調(diào)節(jié)，并以此作為卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)化目標。

3.2.3 深度信念網(wǎng)絡(luò)

深度信念網(wǎng)絡(luò)原始數(shù)據(jù)需要進行訓(xùn)練，將底層RBM 進行頂層網(wǎng)絡(luò)的訓(xùn)練，并用反向傳播算法優(yōu)化參數(shù)。深度信念網(wǎng)絡(luò)不需要提取數(shù)據(jù)的特征，而是在實際的電氣設(shè)備檢修中自動提取數(shù)據(jù)信息，以此進行深度優(yōu)化學(xué)習。網(wǎng)絡(luò)訓(xùn)練如影響特征提取能力，需要對此進行拓展與改進，如利用小波變換提取故障信號，通過仿真結(jié)果表明，該方法的數(shù)據(jù)十分正確，且結(jié)構(gòu)能夠適應(yīng)數(shù)據(jù)變化要求。

4 結(jié)語

機器算法可以在很大程度上提高電氣設(shè)備故障預(yù)防及檢測的準確性，且實際應(yīng)用中有很大的提升空間。因此，應(yīng)推動機器算法的實際應(yīng)用，使其發(fā)揮出故障預(yù)警及診斷的作用，確保電網(wǎng)的準確運行。