李波，李凱，鐘蘇生，黃愷彤，楊朝誼，吳麗瓊

（廣東電力信息科技有限公司，廣東廣州 510080）

電網(wǎng)運(yùn)行過(guò)程中會(huì)產(chǎn)生調(diào)度、電量、檢修等多種類(lèi)型數(shù)據(jù)，這些數(shù)據(jù)蘊(yùn)含豐富的電網(wǎng)運(yùn)行狀態(tài)信息。合理挖掘這些信息的價(jià)值，能夠提高電網(wǎng)運(yùn)行的智能化水平[1-6]。

多源數(shù)據(jù)融合旨在模擬人類(lèi)從視覺(jué)、聽(tīng)覺(jué)、嗅覺(jué)等感知到認(rèn)識(shí)的機(jī)制過(guò)程，在電力系統(tǒng)的狀態(tài)監(jiān)測(cè)、故障診斷、負(fù)荷預(yù)測(cè)與新能源預(yù)測(cè)等方面廣泛應(yīng)用[7-12]。與神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等人工智能算法相結(jié)合[13-16]，能夠充分挖掘電網(wǎng)海量數(shù)據(jù)的應(yīng)用價(jià)值，在保障電網(wǎng)安全、穩(wěn)定運(yùn)行的同時(shí)，提升電網(wǎng)公司信息服務(wù)能力。

1 多源數(shù)據(jù)融合模型

1.1 多源數(shù)據(jù)體系架構(gòu)

由于電力系統(tǒng)中設(shè)備的狀態(tài)不僅與電氣參數(shù)相關(guān)，還與溫濕度等環(huán)境參數(shù)有關(guān)。因此，基于多源數(shù)據(jù)融合驅(qū)動(dòng)電力設(shè)備狀態(tài)的監(jiān)測(cè)與故障評(píng)估，結(jié)果的準(zhǔn)確性與多源數(shù)據(jù)的選取緊密相關(guān)，多源數(shù)據(jù)的選取應(yīng)該遵循科學(xué)性、可行性與全面性的原則?？茖W(xué)性原則是指選取應(yīng)符合客觀(guān)物理過(guò)程的發(fā)展規(guī)律；可行性原則是指數(shù)據(jù)的選取應(yīng)在統(tǒng)計(jì)基礎(chǔ)上，具有可操作性；全面性原則是指數(shù)據(jù)選取應(yīng)全面反映電力設(shè)備狀態(tài)的變化。

以油浸式變壓器為例，其表征故障狀態(tài)的特征參數(shù)眾多，依據(jù)科學(xué)性、可行性與全面性的原則，構(gòu)建油浸式變壓器故障診斷的多源數(shù)據(jù)體系，如圖1所示。正常狀態(tài)下變壓器絕緣油中氣體含量與空氣大致相同，但隨著變壓器使用時(shí)間的增長(zhǎng)或出現(xiàn)過(guò)熱與放電故障時(shí)，絕緣油會(huì)發(fā)生分解，產(chǎn)生一氧化碳、氫氣等氣體。通過(guò)油色譜試驗(yàn)分析變壓器絕緣油中某些氣體含量，可以對(duì)變壓器狀態(tài)進(jìn)行評(píng)估及診斷故障情況。變壓器絕緣油是變壓器主要的絕緣介質(zhì)，通過(guò)油化試驗(yàn)絕緣油狀態(tài)間接評(píng)估變壓器的健康狀態(tài)。電氣試驗(yàn)指標(biāo)通過(guò)測(cè)量變壓器的主要電氣參數(shù)，直觀(guān)、簡(jiǎn)明地反映變壓器的狀態(tài)。

圖1 油浸式變壓器故障診斷多源數(shù)據(jù)體系

1.2 多源數(shù)據(jù)融合算法

多源數(shù)據(jù)融合（Multisource Data Fusion，MDA）是模擬人類(lèi)從感知到認(rèn)識(shí)的過(guò)程，結(jié)合不同學(xué)科的數(shù)據(jù)信息，通過(guò)對(duì)其進(jìn)行優(yōu)化分析、綜合處理，完成所需任務(wù)的評(píng)估與決策。

DS 證據(jù)理論是多源數(shù)據(jù)融合領(lǐng)域常用的算法，屬于決策級(jí)別的多源數(shù)據(jù)融合算法。其核心思想是將待分析的問(wèn)題分解為多個(gè)子問(wèn)題，通過(guò)DS 合成規(guī)則實(shí)現(xiàn)多源數(shù)據(jù)融合，最終依據(jù)所需任務(wù)的決策規(guī)則得到?jīng)Q策結(jié)果?；贒S 理論的多源數(shù)據(jù)融合決策算法如圖2 所示。在數(shù)據(jù)層面，通過(guò)多個(gè)傳感器進(jìn)行多源數(shù)據(jù)采集，通過(guò)數(shù)據(jù)標(biāo)準(zhǔn)化、相關(guān)性分析等數(shù)據(jù)處理方法，實(shí)現(xiàn)多源數(shù)據(jù)整體識(shí)別與特征提取。在特征層識(shí)別所需任務(wù)決策證據(jù)，并通過(guò)DS 合成規(guī)則實(shí)現(xiàn)融合，在決策層依據(jù)融合形成的決策規(guī)則得到?jīng)Q策結(jié)果。

圖2 基于DS理論的多源數(shù)據(jù)融合決策算法

DS 證據(jù)理論采用集合形式描述命題，假設(shè)N個(gè)互斥的獨(dú)立事件構(gòu)成一個(gè)集合，該集合稱(chēng)為識(shí)別框架，如式（1）所示。

式中，xn為識(shí)別框架θ的第n個(gè)元素。

識(shí)別框架θ的所有子集構(gòu)成一個(gè)集合，稱(chēng)為冪集2θ，如式（2）所示。

由此可見(jiàn)，冪集由2N個(gè)元素構(gòu)成。假設(shè)A為冪集2θ的任意子集，即A?2θ，A與所需決策問(wèn)題的一個(gè)命題相對(duì)應(yīng)。進(jìn)一步采用區(qū)間[0,1]的數(shù)值來(lái)描述對(duì)命題為真的信任程度，數(shù)值越大信任程度越高。命題A與該數(shù)值的對(duì)應(yīng)關(guān)系采用基本概率分配函數(shù)進(jìn)行描述?；靖怕史峙浜瘮?shù)應(yīng)滿(mǎn)足以下關(guān)系，如式（3）所示。

對(duì)于同一決策目標(biāo)，由于決策過(guò)程的數(shù)據(jù)來(lái)源不同，所以對(duì)應(yīng)著不同的基本概率分配函數(shù)。假設(shè)兩個(gè)來(lái)源不同的數(shù)據(jù)樣本X與Y，其對(duì)應(yīng)的基本概率分配函數(shù)分別為m1與m2，合成后的基本概率分配函數(shù)，如式（4）所示。

式中，E為合成后的數(shù)據(jù)樣本，k為X與Y之間的沖突系數(shù)，k值越大說(shuō)明X與Y之間的沖突越大。當(dāng)k=1 時(shí)，說(shuō)明X與Y完全矛盾，合成不成立，k的計(jì)算方法如下：

2 多源數(shù)據(jù)融合的深度學(xué)習(xí)算法

2.1 深度學(xué)習(xí)網(wǎng)絡(luò)模型

機(jī)器學(xué)習(xí)算法是模擬人類(lèi)大腦神經(jīng)元處理信息機(jī)制的算法，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型包含2～3 層神經(jīng)單元，如圖3 所示。傳統(tǒng)神經(jīng)網(wǎng)絡(luò)處理大規(guī)模數(shù)據(jù)的能力有限，通常要經(jīng)過(guò)人工的數(shù)據(jù)特征提取，將提取后的特征數(shù)據(jù)作為輸入。

圖3 神經(jīng)網(wǎng)絡(luò)模型

深度學(xué)習(xí)網(wǎng)絡(luò)（Deep Learning Network，DLN）由神經(jīng)網(wǎng)絡(luò)發(fā)展而來(lái)，其可由5～10 層神經(jīng)單元構(gòu)成。因此可以處理更大規(guī)模的數(shù)據(jù)，實(shí)現(xiàn)特征的自動(dòng)提取，具有較高的學(xué)習(xí)效率。其典型結(jié)構(gòu)，如圖4 所示，由多層受限玻爾茲曼機(jī)（RBM）堆疊而成。DLN的訓(xùn)練方法包含正向傳播與反向傳播兩個(gè)過(guò)程，正向傳播過(guò)程以原始數(shù)據(jù)作為輸入數(shù)據(jù)，采用對(duì)比散度法進(jìn)行無(wú)監(jiān)督的預(yù)訓(xùn)練；反向傳播過(guò)程根據(jù)輸出結(jié)果的預(yù)測(cè)值與實(shí)際值的誤差，采用梯度下降法對(duì)預(yù)訓(xùn)練得到的參數(shù)進(jìn)行微調(diào)。

圖4 深度學(xué)習(xí)網(wǎng)絡(luò)模型

2.2 基于DLN-DS的變壓器故障診斷算法

文中將DLN 與DS 理論結(jié)合，并將該算法應(yīng)用于電力變壓器的故障診斷?；贒LN-DS 的電力變壓器多源數(shù)據(jù)融合模型如圖5 所示。

圖5 DLN-DS多源數(shù)據(jù)融合模型

以圖1 的油浸式變壓器多源數(shù)據(jù)作為輸入數(shù)據(jù)，采用DLN-DS 算法進(jìn)行故障診斷的步驟流程，如圖6 所示。其包含以下3 個(gè)步驟：

圖6 基于DLN-DS的變壓器故障診斷算法步驟

1）采集原始數(shù)據(jù)，其樣本包含多源特征數(shù)據(jù)與變壓器故障類(lèi)型標(biāo)簽，多源特征數(shù)據(jù)作為DLN 模型的輸入數(shù)據(jù)；

2）采用對(duì)比散度算法與梯度下降法對(duì)DLN 模型進(jìn)行迭代訓(xùn)練，直至得到滿(mǎn)足精度要求的DLN 模型；

3）采用DS 證據(jù)理論對(duì)DLN 模型輸出結(jié)果進(jìn)行數(shù)據(jù)融合，根據(jù)融合結(jié)果得到變壓器故障診斷結(jié)果。

3 算例分析

文中算例采用某省電網(wǎng)2019 年變壓器檢修報(bào)告的故障數(shù)據(jù)，數(shù)據(jù)樣本總數(shù)為1 400 個(gè)，每個(gè)數(shù)據(jù)樣本包括油色譜指標(biāo)L1、油氣試驗(yàn)指標(biāo)L2與電氣試驗(yàn)指標(biāo)L3共13 組數(shù)據(jù)。將變壓器故障類(lèi)型作為數(shù)據(jù)標(biāo)簽，常見(jiàn)變壓器故障類(lèi)型包括局部放電、過(guò)溫過(guò)熱、中低溫過(guò)熱、高能放電和低能放電。

3.1 多源數(shù)據(jù)融合對(duì)診斷結(jié)果的影響

以某次局部放電故障為例，分析采用DS 證據(jù)理論進(jìn)行多元數(shù)據(jù)融合對(duì)變壓器診斷結(jié)果的影響。圖7 為各證據(jù)體關(guān)于局部放電故障的信任度。可以看出，只選取單種數(shù)據(jù)時(shí)信任度在0.2～0.4 范圍內(nèi)；選取兩種數(shù)據(jù)時(shí)信任度在0.5～0.7 范圍內(nèi)；同時(shí)選取3 種數(shù)據(jù)時(shí)信任度為0.784。雖然不同數(shù)據(jù)方案下均能判斷故障類(lèi)型為局部放電，但采用3 種數(shù)據(jù)進(jìn)行融合決策，結(jié)果更直觀(guān)、明顯，可以提高故障診斷的準(zhǔn)確率。

圖7 局部放電故障各證據(jù)體的信任度

選取不同數(shù)據(jù)方案的變壓器故障診斷準(zhǔn)確率，如表1 所示。只選取單種數(shù)據(jù)時(shí)平均準(zhǔn)確率低于85%；選取兩種數(shù)據(jù)時(shí)平均準(zhǔn)確率低于95%；同時(shí)選取3種數(shù)據(jù)信任度時(shí)，平均準(zhǔn)確率高達(dá)98.1%。由此可見(jiàn)，采用多種數(shù)據(jù)融合方案具有更高的診斷準(zhǔn)確率。

表1 不同變壓器故障類(lèi)型診斷準(zhǔn)確率（%）

3.2 不同機(jī)器學(xué)習(xí)算法對(duì)診斷結(jié)果的影響

為對(duì)比深度學(xué)習(xí)算法與其他機(jī)器學(xué)習(xí)算法在變壓器故障診斷應(yīng)用上的差異，將上述變壓器故障多源數(shù)據(jù)樣本作為輸入數(shù)據(jù)。機(jī)器學(xué)習(xí)模型構(gòu)建方面分別選用BP 神經(jīng)網(wǎng)絡(luò)（BPNN）與支持向量機(jī)（SVM），均將其與DS 證據(jù)理論相結(jié)合，形成BPNN-DS 和SVM-DS 算法。各類(lèi)機(jī)器學(xué)習(xí)算法故障診斷結(jié)果如表2 所示。

表2 各類(lèi)機(jī)器學(xué)習(xí)算法故障診斷結(jié)果

由表2 可知，故障診斷平均準(zhǔn)確率DLN-DS＞SVM-DS＞BPNN-DS，因?yàn)镈LN 算法相比于BPNN與SVM 算法更適應(yīng)大量數(shù)據(jù)的應(yīng)用場(chǎng)景，具有較高的故障診斷準(zhǔn)確率。

4 結(jié)束語(yǔ)

文中以油浸式變壓器為例說(shuō)明多源數(shù)據(jù)選取原則，構(gòu)建電網(wǎng)多源數(shù)據(jù)體系，分析基于DS 證據(jù)理論的多源數(shù)據(jù)融合決策算法，進(jìn)一步提出基于DLNDS 算法的電力變壓器故障診斷算法。由算例仿真分析可知，通過(guò)DS 證據(jù)理論進(jìn)行多源數(shù)據(jù)融合，能夠更加明顯、直觀(guān)地得到故障診斷結(jié)果。多源數(shù)據(jù)融合決策相比于單源數(shù)據(jù)單獨(dú)決策或雙源數(shù)據(jù)融合決策，具有更高的故障診斷準(zhǔn)確率。DLN 算法比BPNN 或SVM，具有更理想的故障診斷準(zhǔn)確率。