張 鑫， 牟龍華， 徐志宇

（同濟大學電子與信息工程學院，上海201804）

0 引 言

高壓開關柜擔負著配電系統(tǒng)保護與控制的任務，其能否正常運行直接關系到電力系統(tǒng)供電的可靠性。對高壓開關柜運行狀態(tài)進行實時監(jiān)測，可以識別潛在的故障，有目的地進行檢修和排查，降低因設備故障而造成事故的可能。同時，電氣設備狀態(tài)監(jiān)測與故障診斷是高校電氣工程專業(yè)的重要專業(yè)課程，旨在培養(yǎng)學生掌握電氣設備設計、運行與維護中的關鍵技術，而高壓開關柜的狀態(tài)監(jiān)測是其中的重要組成部分。

隨著物聯(lián)網(wǎng)與人工智能技術的發(fā)展，為電氣設備狀態(tài)監(jiān)測提供了新的思路與技術可行性［1-4］。對于高壓開關柜狀態(tài)監(jiān)測與故障診斷，研究人員主要從物聯(lián)通信系統(tǒng)與機器學習模型來兩個維度進行研究。

物聯(lián)通信系統(tǒng)方面，文獻［5-6］中設計了具有物聯(lián)感知特點的高壓開關柜綜合在線監(jiān)測裝置；文獻［7］中對物聯(lián)型開關柜狀態(tài)監(jiān)測系統(tǒng)中ZigBee路由優(yōu)化問題進行改進。物聯(lián)通信系統(tǒng)研究的關注點主要在物聯(lián)感知與通信傳輸方面，并未對物聯(lián)網(wǎng)應用層的數(shù)據(jù)分析模型進行深入探討。同時，多數(shù)系統(tǒng)仍舊采取“主機＋監(jiān)測單元”的傳統(tǒng)兩層式主從式通信架構，監(jiān)測單元采用CAN、RS-485及ZigBee等通信方式傳輸信息，無法滿足物聯(lián)網(wǎng)通信節(jié)點多、傳輸距離長、自組網(wǎng)便捷等要求。

機器學習模型方面，文獻［8］中構建了包含多個時間尺度的開關柜多變量、多尺度云樣本熵故障特征向量，采用改進的模糊支持向量機實現(xiàn)開關柜故障監(jiān)測；文獻［9］中提出了基于T-S模糊神經(jīng)網(wǎng)絡的開關柜狀態(tài)評估模型。對于高壓開關柜狀態(tài)監(jiān)測問題，其核心在于如何利用機器學習模型對故障特征與各種故障工況在一個高維空間進行分類，以挖掘各種故障特征在不同故障工況下的分布規(guī)律。高壓開關柜故障特征與故障工況間呈現(xiàn)不明顯且非線性的關系。近年來應用在電氣設備故障診斷中的傳統(tǒng)人工智能技術，如支持向量機、模糊神經(jīng)網(wǎng)絡等，均難以完整描述輸入信息的真實情況，無法解釋復雜輸入的內在規(guī)律。因此，高壓開關柜故障診斷需要具有深層隱含特征挖掘能力、分類更為精確的非線性機器學習模型，基于深度學習的故障分析模型應運而生。文獻［10］中提出一種基于卷積神經(jīng)網(wǎng)絡深度學習的開關柜設備故障率計算方法；文獻［11］中利用卷積神經(jīng)網(wǎng)絡對開關柜局部放電進行故障識別。目前，基于深度學習的開關柜狀態(tài)監(jiān)測研究仍處于起步階段，主要聚焦在訓練框架及理論算法方面，并未結合開關柜狀態(tài)監(jiān)測應用場景，對深度學習模型優(yōu)化求解、模型超參數(shù)訓練等核心環(huán)節(jié)形成具體、有效的方法，難以構成完整的基于物聯(lián)交互＋人工智能開關柜狀態(tài)監(jiān)測系統(tǒng)方案。

本文立足于新工科背景下電氣工程專業(yè)學科特點［12］，結合物聯(lián)網(wǎng)和深度學習技術設計了基于電力物聯(lián)網(wǎng)的開關柜狀態(tài)監(jiān)測系統(tǒng)。該系統(tǒng)基于電力物聯(lián)網(wǎng)技術，監(jiān)測開關柜的實時運行數(shù)據(jù)，建立本地存儲與云存儲相結合的運行數(shù)據(jù)庫；進而基于含多感知機的前饋深度學習模型，對開關柜進行故障診斷。

1 系統(tǒng)架構分析

國網(wǎng)公司《配電物聯(lián)網(wǎng)建設方案》《智慧物聯(lián)體系應用場景典型設計》導則約定，電力物聯(lián)網(wǎng)應該具備各類感知終端、無線傳感網(wǎng)、廣域傳輸網(wǎng)絡及人工智能應用四大業(yè)務需求。

根據(jù)對電力物聯(lián)網(wǎng)關鍵技術的理解［13-14］，本文認為一個完整的物聯(lián)網(wǎng)系統(tǒng)應該具備以下特點：

（1）感知層具備配置有無線通信接口的智能檢測裝置，能夠針對檢測對象實現(xiàn)信息采集與傳輸。

（2）數(shù)據(jù)傳輸層具備自組織的無線局域網(wǎng)絡，在任何時間、任何地點，不依賴公用基礎網(wǎng)絡實現(xiàn)感知層裝置的監(jiān)測信息匯聚。同時，將監(jiān)測數(shù)據(jù)存儲在本地服務器中，并利用4G等無線廣域網(wǎng)絡將信息上傳至云服務器。

（3）信息聚合與應用層具備數(shù)據(jù)存儲與分析功能，采用云存儲方式存儲數(shù)據(jù)信息，便于任何具有權限的PC、移動終端在任何時間、任何地點通過互聯(lián)網(wǎng)訪問數(shù)據(jù)，并根據(jù)需求在后臺PC或移動終端進行數(shù)據(jù)分析。

基于此，本文提出的基于電力物聯(lián)網(wǎng)的開關柜狀態(tài)監(jiān)測系統(tǒng)由感知層、數(shù)據(jù)傳輸層及信息聚合與應用層四部分組成，如圖1所示。

圖1 系統(tǒng)體系結構

（1）感知層。通過安裝在開關柜中的智能電力儀表實現(xiàn)多源數(shù)據(jù)的可靠實時獲取，并可通過LoRa將數(shù)據(jù)傳至數(shù)據(jù)合并單元。

（2）數(shù)據(jù)傳輸層。數(shù)據(jù)合并單元與智能電力儀表通過LoRa擴頻調制技術形成自組織的無線局域網(wǎng)絡，該網(wǎng)絡不依賴基礎通信網(wǎng)絡，采取自組織網(wǎng)絡架構將各智能電力儀表采集的數(shù)據(jù)傳輸至數(shù)據(jù)合并單元；進而，數(shù)據(jù)合并單元通過局域網(wǎng)將監(jiān)測數(shù)據(jù)存放到現(xiàn)場數(shù)據(jù)庫中，在網(wǎng)絡中斷時將本地數(shù)據(jù)庫緩存的歷史數(shù)據(jù)傳輸?shù)焦I(yè)云的非實時數(shù)據(jù)收集集群，從而避免網(wǎng)絡中斷帶來的數(shù)據(jù)丟失問題。同時，數(shù)據(jù)合并單元利用4G、WiFi等廣域通信網(wǎng)絡將數(shù)據(jù)上傳至云服務器，建立高效、高可靠的數(shù)據(jù)傳輸系統(tǒng)。

（3）信息聚合與應用層。在工業(yè)云計算中心部署實時數(shù)據(jù)收集集群，實時接收監(jiān)測數(shù)據(jù)并存入云端數(shù)據(jù)庫中；進而，采用深度學習技術對監(jiān)測數(shù)據(jù)進行分析，提供實時狀態(tài)監(jiān)測服務、運行分析服務、故障/異常工況服務等，以提高開關柜的運維水平。

2 電力物聯(lián)網(wǎng)的開關柜狀態(tài)監(jiān)測系統(tǒng)設計

2.1 感知層設計

根據(jù)開關柜在線監(jiān)測系統(tǒng)的功能需求，智能電力儀表的硬件結構設計如圖2所示，以STM32F103VCARM處理器為核心，采用ATT7022電能質量芯片測量三相電壓/電流，并檢測開關量信號。同時，電力儀表具備LoRa無線接口，用于與數(shù)據(jù)合并單元組成無線局域網(wǎng)絡，傳輸監(jiān)測數(shù)據(jù)。

圖2 數(shù)據(jù)采集層硬件功能模塊圖

2.2 數(shù)據(jù)傳輸層設計

系統(tǒng)數(shù)據(jù)傳輸結構示意圖如圖3所示。其中，數(shù)據(jù)傳輸層主要由數(shù)據(jù)合并單元與本地服務器組成。數(shù)據(jù)合并單元硬件結構設計如圖4所示。數(shù)據(jù)合并單元的STM32F103VCARM處理器通過LoRa無線模塊，將大量具有無線收發(fā)功能的智能電力儀表通過動態(tài)組網(wǎng)構成多跳自組織網(wǎng)絡，調取監(jiān)測數(shù)據(jù)，并經(jīng)4G網(wǎng)絡以網(wǎng)絡透傳模式上傳至云服務器進行云存儲。

圖3 數(shù)據(jù)傳輸結構示意圖

圖4 數(shù)據(jù)合并單元結構圖

LoRa是一種基于擴頻調制與解調的超遠距離無線傳輸技術，采用包括433、868、915 MHz等全球免費頻段，實現(xiàn)了超低功耗、超遠距離無線通信。LoRa將頻譜擴展通信技術與GFSK調制技術融合，這使得網(wǎng)絡中的不同終端只要使用不同的擴頻序列，即可保證用一樣的頻率同時發(fā)送數(shù)據(jù)也不會相互干擾。本設計中選用ZM470SX-M型LoRa無線通信模塊構成無線局域網(wǎng)絡，實現(xiàn)數(shù)據(jù)合并單元與智能電力儀表間的數(shù)據(jù)傳輸。

4G模塊選用USR-LTE-7S4工業(yè)級4G模塊，實現(xiàn)專用路由器與云服務器間的廣域數(shù)據(jù)傳輸。

2.3 深度學習的信息聚合與應用層設計

（1）數(shù)據(jù)云存儲設計。由于現(xiàn)場開關柜需要監(jiān)測的數(shù)據(jù)項非常龐大，數(shù)據(jù)合并單元會采集大量監(jiān)測數(shù)據(jù)，傳輸時占用大量的網(wǎng)絡帶寬，需通過在云服務器部署數(shù)據(jù)收集集群實現(xiàn)數(shù)據(jù)的高效傳輸。由圖3可見，云服務器采用Kafka集群和RabbitMQ集群分別收集實時數(shù)據(jù)和非實時數(shù)據(jù)，即將現(xiàn)場實時數(shù)據(jù)通過4G或WiFi通信傳輸?shù)焦I(yè)云計算中心的Kafka實時數(shù)據(jù)收集集群，在網(wǎng)絡中斷時將現(xiàn)場本地數(shù)據(jù)庫緩存的歷史數(shù)據(jù)傳輸?shù)焦I(yè)云計算中心的RabbitMQ非實時數(shù)據(jù)收集集群，從而避免網(wǎng)絡中斷帶來的數(shù)據(jù)不完整問題；同時安裝支持分布式系統(tǒng)數(shù)據(jù)同步服務，集群服務器之間形成高可用服務，防止因服務器出現(xiàn)故障而影響數(shù)據(jù)傳輸。

（2）開關柜狀態(tài)監(jiān)測模型。深度學習是機器學習領域一個新的研究方向，其理論動機是：如果一個函數(shù)可用k層結構以簡潔的形式表達，那么用k－1層的結構表達則可能需要指數(shù)級數(shù)量的參數(shù)，且泛化能力不足［15］。

本設計以開關柜最為常見的熱故障為目標，采用含多層感知機的前饋深度模型進行開關柜狀態(tài)研判，并對模型訓練算法進行優(yōu)化改進，從而加快了訓練的收斂速度，減少局部最優(yōu)與過擬合現(xiàn)象的出現(xiàn)。

（3）特征狀態(tài)量的選取。高壓開關柜主要有三大部位易出現(xiàn)熱故障［16］：隔離開關接頭、母線和電纜接頭。電流通過兩金屬材料接觸面時，接觸點周圍的溫度可由下式計算：

式中：θ為接觸點周圍的溫度；Rj為接觸面間的電阻；I為電流值；λ為導體的熱導率；ρλ為相互接觸的金屬材料的熱導率和電阻率乘積的均值。故可以選取接觸電阻和負荷電流作為開關柜的特征狀態(tài)量。另外當環(huán)境溫度上升時，會使接觸面氧化，破壞了安裝時金屬接觸面的直接接觸，進而導致了接觸電阻的增加，故將環(huán)境溫度也選為熱故障的特征狀態(tài)量。

在以上3個特征狀態(tài)量中，負荷電流和各隔室的溫度可以直接測量，接觸電阻無法直接測量，本文引入虛擬接觸電阻，用來表征單位時間因接觸點電阻增大而引起的溫度變化的特征量。定義虛擬接觸電阻，

式中：R代表虛擬接觸電阻；T為隔室的溫度；T0為環(huán)境溫度；I為電流的有效值。

在計算虛擬接觸電阻時為防止因異常電流流經(jīng)導電回路時所產(chǎn)生的熱量引起的溫度變化，需要判斷電流在這段時間內是否滿足穩(wěn)定的條件，以排除由于電流突變引起溫度上升的干擾。

（4）狀態(tài)監(jiān)測模型超參數(shù)的優(yōu)化。在訓練狀態(tài)監(jiān)測模型之前，需要對超參數(shù)進行優(yōu)化，以提高學習的性能和效果。對于本文建立的狀態(tài)監(jiān)測模型，其超參數(shù)有神經(jīng)網(wǎng)絡層數(shù)L、每一層網(wǎng)絡神經(jīng)元的個數(shù)m、批尺寸s、學習率η。

超參數(shù)的優(yōu)化策略為：先根據(jù)寬泛策略確定模型的層數(shù)和每一層網(wǎng)絡的神經(jīng)元個數(shù)，然后對剩下的超參數(shù)先隨機給一個可能的值；在代價函數(shù)中先不考慮正則項的存在，調整學習率得到一個較為合適的學習率的閾值；然后通過實驗確定批尺寸的大小，使模型的精度與收斂速度符合要求。

（5）狀態(tài)監(jiān)測模型訓練。對于每一組超參數(shù)確定的狀態(tài)監(jiān)測模型，需要對每個神經(jīng)元的權值進行訓練，訓練算法流程圖如圖5所示。

圖5 模型訓練流程圖

具體步驟如下：

Step 1訓練樣本預處理。對訓練數(shù)據(jù)進行高斯歸一化，以去量綱化：

式中：μ為訓練樣本的均值；σ為訓練樣本的方差。

Step 2神經(jīng)元權值訓練。由于訓練數(shù)據(jù)集很大，網(wǎng)絡每更新一次參數(shù)所需要的計算量極大，網(wǎng)絡的收斂速度隨之減慢。為了克服這個問題，本文采用Mini-Batch梯度下降法［17］計算每次迭代的前向傳播過程：

式中：z表示神經(jīng)元的輸出矩陣；ω表示權重系數(shù)矩陣；a表示輸入向量；b表示偏倚向量；｛n｝表示第n個mini-batch；［k］表示第k層神經(jīng)元。

為了減少梯度爆炸或梯度消失現(xiàn)象的出現(xiàn)，本文采用批量歸一化優(yōu)化算法（BN算法）［18］進行梯度計算。

根據(jù)BN算法對z｛n｝［k］進行批量歸一化處理：

式中：m表示第k層神經(jīng)元的個數(shù)；參數(shù)ε是使數(shù)值穩(wěn)定。為了防止歸一化影響網(wǎng)絡所學習的特征，可以使用變換重構，引入可學習重構參數(shù)γ、β，使經(jīng)過批量歸一化后的網(wǎng)絡恢復出原始網(wǎng)絡所要學習的特征分布

則經(jīng)過該層神經(jīng)元的輸出為

為避免局部最優(yōu)解，本文選擇凸函數(shù)作為代價函數(shù)。對于全部訓練數(shù)據(jù)集的代價函數(shù)可以表示為：

為了減小過擬合現(xiàn)象，可為代價函數(shù)添加正則化項，懲罰模型的復雜度：

根據(jù)鏈式求導法則計算各個參數(shù)的梯度：

對于第k層神經(jīng)元的偏倚參數(shù)b［k］，BN算法將z［k］歸一化為均值為0、標準差為1的分布，故無論偏倚參數(shù)b［k］的值為多少，在運算過程中都被消去，其數(shù)值由重構參數(shù)γ進行重新分布縮放。參數(shù)更新時忽略各隱藏層的偏倚參數(shù)可以加速訓練過程，則每次迭代的參數(shù)更新為：

Step 3輸出訓練結果。上述訓練過程每次迭代的代價函數(shù)都要小于上次代價函數(shù)，如此往復直到代價函數(shù)不再發(fā)生變化或足夠小為止。這樣就確定了該組超參數(shù)下的狀態(tài)監(jiān)測模型，通過比較不同超參數(shù)模型，選擇預測精度高、收斂速度快的模型作為開關柜的狀態(tài)監(jiān)測模型。

3 系統(tǒng)功能與驗證

3.1 開關柜狀態(tài)監(jiān)測系統(tǒng)功能

基于電力物聯(lián)網(wǎng)與深度學的開關柜狀態(tài)監(jiān)測系統(tǒng)功能如圖6所示。

圖6 開關柜狀態(tài)監(jiān)測系統(tǒng)功能圖

系統(tǒng)的主要功能包括：

（1）設備狀態(tài)采集。運行狀態(tài)界面可視化顯示開關柜的運行和報警狀態(tài)，實時狀態(tài)監(jiān)測顯示溫度、各電氣量等實時參數(shù)曲線。

（2）報警信息記錄。當運行狀態(tài)數(shù)據(jù)發(fā)生異常時，根據(jù)狀態(tài)數(shù)據(jù)值判斷其報警等級，同時可對歷史報警記錄進行查詢，亦可進行相應的報警統(tǒng)計。

（3）歷史數(shù)據(jù)查詢。可以查詢一個時間段內開關柜的歷史運行數(shù)據(jù)，使管理人員方便的回顧設備歷史健康狀況并做出相應的管理動作。

（4）故障診斷。采用深度學習技術，建立含多層感知機的前饋深度學習模型，對開關柜潛在故障進行診斷，為狀態(tài)維修提供依據(jù)。

3.2 實例驗證

本文所建立的含多層感知器的前饋深度學習模型的原始輸入有三相電流、母線室溫度、開關室溫度、電纜室溫度及環(huán)境溫度，模型的輸出單元為H1和H2，對于開關柜的不同運行狀態(tài)，各輸出單元的輸出如表1所示。

表1 不同神經(jīng)元輸出

為了驗證模型的準確性和有效性，以某變電站6 kV開關柜在線狀態(tài)監(jiān)測數(shù)據(jù)為例，建立熱故障狀態(tài)監(jiān)測模型。本設計通過大量的樣本訓練，綜合考慮模型精度和訓練速度需求，確定模型超參數(shù)為：網(wǎng)絡層數(shù)L＝10，學習率η＝0.02，批尺度s＝8。限于篇幅，超參數(shù)選擇過程恕不贅述。以此參數(shù)訓練現(xiàn)場數(shù)據(jù)，其中部分輸入監(jiān)測數(shù)據(jù)如表2所示，模型的輸出及診斷結果如表3所示，可見3種狀態(tài)的測試數(shù)據(jù)都得到準確的診斷。

表2 部分狀態(tài)監(jiān)測數(shù)據(jù)

表3 測試數(shù)據(jù)訓練結果

同時，為了驗證深度學習模型從少量訓練樣本中提取特征及故障辨識的能力，分別使用樣本總量為100、300、500、800、1 200、2 000、4 000、8 000和15 000的訓練樣本訓練深度學習模型。由于各神經(jīng)元的權值初值是隨機生成的，為了驗證模型的穩(wěn)定性，每個試驗重復進行20次，試驗結果如圖7所示。

圖7 不同訓練樣本量的診斷性能

由圖7可以看出，當訓練樣本增加時，識別率逐漸上升，20次試驗標準差逐漸下降，即深度學習模型的穩(wěn)定性越來越高。當訓練樣本數(shù)上升到15 000時，識別率為99.94%，標準差為0.2%；而當訓練樣本數(shù)為100時，識別率僅為88.5%。這說明了訓練樣本個數(shù)對深度學習模型性能有巨大影響。此外，當訓練樣本個數(shù)為800時，識別率就可以達到99.16%，證明了深度學習模型在使用較少訓練樣本的情況下，也能達到很高的識別率，模型的抑制過擬合的能力較強。圖7右側為每種深度學習模型分析一組監(jiān)測數(shù)據(jù)所用時間。由圖可知，深度學習模型分析一組監(jiān)測數(shù)據(jù)的時間約為0.7 ms，可以很好滿足實時性要求。

為了進一步評估深度學習模型的優(yōu)勢，將深度學習模型與傳統(tǒng)淺層神經(jīng)網(wǎng)絡行比較。圖8給出了對1 000個訓練樣本訓練后兩種模型20次重復試驗的平均診斷結果。

圖8 中的誤差棒代表20次試驗計算的標準差?？梢?，相比于淺層神經(jīng)網(wǎng)絡模型，本文提出的深度學習模型具有更高的分類精度，減少了過擬合現(xiàn)象的出現(xiàn)，同時較低的標準差說明深度學習模型的穩(wěn)定性更高。

images/BZ_86_278_817_1119_1313.png

由上述測試結果可知，本文提出的含多層感知器的前饋深度學習模型不僅可以實時、準確地研判開關柜運行狀態(tài)，還可以實現(xiàn)較少訓練樣本情況下的高識別率。同時，相比于淺層神經(jīng)網(wǎng)絡模型，該模型識別準確率有明顯提升。將該模型應用到開關柜熱故障狀態(tài)監(jiān)測中，可以提高開關柜的運行維護水平，為開關柜后續(xù)維修保障決策的編制提供科學依據(jù)。

4 結 語

本文針對目前傳統(tǒng)開關柜狀態(tài)監(jiān)測系統(tǒng)存在的問題與不足，設計并實現(xiàn)了基于電力物聯(lián)網(wǎng)和深度學習的開關柜狀態(tài)監(jiān)測系統(tǒng)。該系統(tǒng)利用物聯(lián)網(wǎng)技術實現(xiàn)了開關柜實時運行數(shù)據(jù)感知，并基于深度學習算法建立開關柜狀態(tài)研判模型，形成集實時狀態(tài)監(jiān)測服務、運行統(tǒng)計分析服務、故障/異常工況報警服務、在線故障診斷服務于一體的開關柜狀態(tài)監(jiān)測診斷平臺。實驗結果表明，該系統(tǒng)能夠快速、準確、高效地對開關柜運行狀態(tài)進行診斷，具備很好的工程應用價值。