彭志遠，谷湘煜，周仁彬，鮮開義，楊利萍，梁洪軍，鄒 娟

(深圳市朗馳欣創(chuàng)科技股份有限公司，深圳 518000)

變電站設備種類和數量眾多，且為了提高防護性和安全性，大多安放在密閉箱柜、溝道等封閉空間[1]。隨著機器人技術的快速發(fā)展，巡檢機器人在日常的巡檢工作中得到了廣泛應用，但是現有的機器人系統(tǒng)難以有效進入封閉空間，并且需要后臺人員實時監(jiān)控數據變化，無人化程度較低。為了提高系統(tǒng)無人化程度，邵慶祝等[2]基于長短期記憶網絡(long short term memory，LSTM)模型對配電網單相接地故障進行故障辨識；徐家慧等[3]則使用網絡復雜度更低的門控循環(huán)單元(gated recurrent unit,GRU)網絡對電網告警信息進行了分類；楊濟海等[4]為了提高效率，對傳統(tǒng)LSTM模型進行改進，使用并行的F-LSTM網絡進行了故障預測；王磊[5]則使用混動蟻群優(yōu)化算法對LSTM網絡進行優(yōu)化，完成對高壓斷路器故障的預測；Peng等[6]使用3 dB的小波對故障信號進行分解，基于稀疏自編碼神經網絡構建深度學習網絡，計算出子帶能量作為深度學習神經網絡的參數，完成對電力線纜的故障診斷。但是這些方法大多集中在網絡的或者算法的研究，與實際問題結合不夠緊密。

以自研的一套變電站巡檢系統(tǒng)(系統(tǒng)結構如圖1所示)為基礎，首先分析了變電站密閉箱柜、溝道中設備的巡檢需求以及相應的物聯(lián)網終端構建方式；其次，確立了各項傳感數據的采集、處理和標注方法；再次，為了提高收斂速度，獲取最優(yōu)解，基于GRU網絡結合粒子群優(yōu)化(particle swarm optimization,PSO)優(yōu)化算法構建基于PSO-GRU網絡的變電站各項設備故障的智能判斷方法。最后，通過實驗對LSTM、GRU和PSO-GRU網絡進行了對比，證明了算法兼顧了快速性和準確性。

1 密閉箱柜、溝道的巡檢需求分析和物聯(lián)網終端構建

變電站日常的箱柜巡檢主要是對端子箱、檢修電源箱、匯控柜、開關機構箱、刀閘機構箱、滅火裝置柜等進行巡檢；溝道巡檢主要對通信、控制、信號、電源、動力線纜等線纜情況進行巡檢?？傮w來說，可以分為參數類檢測和設備狀態(tài)類檢測兩大類，具體如表1所示。

表1 日常巡檢需求及分類

對于參數類數據，通過諸如溫濕度傳感器、紅外測溫儀、觸點開關、水位傳感器等終端進行采集；對于狀態(tài)類數據，使用可見光相機進行圖片采集，結合圖像處理算法獲取相應參數值。

2 數據的采集、處理與標注

通過上述物聯(lián)網終端設備的反饋數據構建D={Hi,Tj,Sk,Wm,Cn}，其中H、T、S、W、C分別表示濕度值向量、溫度值向量、觸點開關開合狀態(tài)向量、水位高度值向量和狀態(tài)類數據向量；i、j、k、m、n分別表示對應各類傳感器個數，即向量的維度。狀態(tài)類數據向量通過現有的圖像處理、圖像顯著性檢測方法[7-8]等獲取被測物體的完整性、脫落、積塵、銹蝕、絕緣老化、指示燈、分合閘等狀態(tài)均轉換為異常情況概率P∈[0,1]，通過現有圖像識別算法[9-10]識別儀器儀表的各項參數值。通過此流程，即可獲取一組完整的數據值。

以時間間隔θ進行一組完整數據的采集。多次采集完成后，以時間維度對數據進行z-score[10]標準化，計算公式為

(1)

由于所使用算法為有監(jiān)督學習方法，因此需要對數據進行標注。通過專家經驗對采集的數據進行標注，因為故障的出現有相關性并且其嚴重程度有區(qū)別，因此一組z-score規(guī)范化后的數據標注為4維向量Tag={f1,f2,f3,l}，其中，f1、f2、f3為最有可能的故障類型的前3種，l∈{非常嚴重，嚴重，一般，可能}為嚴重程度。為了便于后續(xù)網絡訓練的應用，從0開始依次對故障類型f進行編號，對嚴重程度同樣從0依次編號，并對二者進行Embedding編碼，對每個故障類型和嚴重程度編碼為8位嵌入詞向量，因此Tag將轉換為含有32個元素的向量。

3 基于PSO-GRU網絡的故障判別方法

3.1 GRU網絡

封閉箱體和溝道內各個傳感設備的參數以時間軸為序列排布，且故障的發(fā)生與前一段時間內各項參數有密切聯(lián)系。循環(huán)神經網絡(recurrent neural network, RNN)是處理時間序列數據的一種有效的網絡結構[11], LSTM網絡是RNN的一種擴展，可以有效解決常規(guī)RNN的梯度消失和梯度爆炸問題[12]，其中含有輸入門、遺忘門和輸出門的門控機制分別控制輸入值、記憶值和輸出值，GRU模型[13]中只有更新門和復位門，因此結構更加簡潔，參數更少，訓練速度更快。GRU典型結構如圖2所示。

圖2 GRU單元結構

xt、ht分別為GRU單元的輸入和輸出，ht-1為上個單元的輸出。各參數的推導公式分別為

更新門：

zt=σ(Wz[ht-1,xt])

復位門：

rt=σ(Wr[ht-1,xt])

(2)

記憶：

ht=tanh[W(rtht-1,xt)]

(3)

輸出：

(4)

3.2 PSO優(yōu)化算法

粒子群優(yōu)化算法[14]是基于個體之間信息的共享和協(xié)助來進行整體的迭代更新，尋找最優(yōu)解?？梢赃M行如下的描述：存在一個搜索空間M，維度為m，存在一個種群X={x1,x2,…,xn|xi=(xi1,xi2,…,xim)}，在時刻t時，種群的位置、速度以及個體、全局的最優(yōu)位置分別為

(5)

根據個體和全局最優(yōu)位置，粒子群依據式(6)、式(7)進行更新。

t+1vid=ωtvid+r1c1(tpid-txid)+r2c2(tPid-txid)

(6)

t+1xid=txid+t+1vid

(7)

式中：ω為慣性因子，是一個非負值；r∈(0,1)為隨機數；c為學習因子；vid∈[Vmin,Vmax]；xid∈[Xmin,Xmax]用于保證速度和位置不會超限。式(6)中ωtvid用于記憶上次速度的大小和方向；r1c1(tpid-txid)為個體當前位置與最好位置的位矢，表示個體自身經驗；r2c2(tPid-txid)為個體到種群最好位置的位矢，表示種群的協(xié)同合作。

慣性因子關乎尋優(yōu)能力的強弱，值越大，全局尋優(yōu)能力強，但局部尋優(yōu)能力弱，反之亦然。因此為了平衡二者，使用線性遞減權值(linearly decreasing weight, LDW)方法[15]，可表示為

ωt=(ωinit-ωend)(K-k)/K+ωend

(8)

式(8)中：ωinit、ωend分別為初始權值和最終權值，一般分別取0.9和0.4；K為總迭代數；k為當前迭代數。

3.3 網絡結構與算法流程

由于封閉箱體和溝道內傳感設備眾多，人為的很難設定GRU的單元個數、時間窗口和批處理數據大小的最優(yōu)值，因此通過PSO方法，將此三者作為一個粒子群，尋求最優(yōu)解。網絡結構如圖3所示。

圖3 PSO-GRU模型結構

PSO算法尋求最優(yōu)解的適應度函數f定義為

(9)

算法流程如下。

Step 1將2中采集的數據分為訓練集和測試集。

Step 2以GRU單元個數、批處理數據大小、時間窗口為優(yōu)化對象，隨機初始化每個粒子和慣性因子。

Step 3根據式(9)評估所有粒子的最優(yōu)位置p，得到全局最優(yōu)位置P。

Step 4while not stop根據式(6)、式(7)更新粒子的速度和位置，根據式(6)更新慣性因子。依據圖3的網絡結構構建PSO-GRU網絡模型，其中超參數使用更新后的粒子；從訓練集中隨機平均抽樣少量數據訓練GRU網絡直至收斂；根據式(9)計算f，如果f在可接受范圍內，退出循環(huán)，保存網絡模型即為最優(yōu)超參數網絡模型。

Step 5根據保存的PSO-GRU網絡模型，使用全量數據進行訓練至模型收斂。保存收斂后模型進行后續(xù)實際工作中的故障判別。

4 仿真驗證

為了驗證所提方法的可行性和有效性，使用兩種方法建立數據集用于訓練PSO-GRU網絡。在某實際場景中，各類傳感器個數i、j、k、m、n分別取值45、45、469、36、753。因此訓練集每條數據維度為 1 348，時間間隔θ取5 s。依據專家經驗，本場景中常見故障有：表計異常、指示燈狀態(tài)異常、二次線接觸狀態(tài)異常、器件標識及狀態(tài)異常、箱柜密封異常、柜內觸點即設備發(fā)熱異常、柜內積水、柜內溫濕度超過預警值、溝道線路外觀破損、溝道完整性異常、氧氣含量超過預警值、硫化氫含量超過預警值和甲烷含量超過預警值，共13種異常場景，根據其中對故障嚴重程度的劃分，故障類型共52種。對一類故障在一個時刻發(fā)生的前后采集不少于30次的數據并進行z-score歸一化，打上故障類型的標簽，作為數據庫的一條數據。最終，經過篩選，確定數據庫共10 000條數據，涵蓋所有類型故障及正常運行情況下，隨機平均抽樣500條數據作為最終GRU網絡的測試集，剩余9 500條作為GRU網絡訓練集。

基于Tensorflow1.14.0構建網絡模型，使用4張NVIDA P40顯卡作硬件資源進行實驗并與LSTM網絡和GRU網絡進行對比。PSO-GRU的各項超參數設置如表2所示，LSTM網絡和GRU網絡的超參數根據經驗設定。

表2 實驗參數設置

首先從9 500條GRU網絡訓練集中隨機平均抽樣500條數據使用PSO優(yōu)化算法訓練GRU網絡最優(yōu)超參數，此處訓練是較為簡單的優(yōu)化問題，因此僅需少量訓練數據即可。每次更新超參數后的GRU網絡經過1 200次左右的迭代可以完成收斂，最終PSO優(yōu)化算法經過640次左右循環(huán)得到的GRU網絡最優(yōu)超參數，此時適應度f最小約為1.5，3層GRU隱含層節(jié)點數分別為36、42、28；時間窗口大小為25；批處理大小為88。適應度f的變化如圖4所示。

圖4 PSO算法獲取最優(yōu)GRU參數訓練過程

依據最優(yōu)GRU超參數，使用全量訓練集訓練GRU網絡，經過約8 440次迭代，GRU網絡完成收斂，其損失函數的變化如圖5所示。

圖5 最優(yōu)超參數下GRU訓練過程

LSTM網絡、GRU網絡及PSO-GRU網絡的各項指標對比結果如表3所示，可以看出，PSO-GRU網絡由于需要使用500條訓練數據不斷的進行小規(guī)模的訓練，尋求最優(yōu)超參數，因此耗時較長。但是其核心的模型評價指標均方根誤差(root mean square error，RMSE)[13]與平均絕對誤差(mean absolute error，MAE)[14]均有明顯下降，基本達到LSTM網絡和GRU網絡的1/2。RMSE和MAE的計算公式分別為

表3 3種方法的對比結果

(10)

(11)

式中：n為采樣次數；h為觀測值；y為真實值。

由于PSO算法為GRU網絡訓練了更為合理的各項超參數，相比于人為根據經驗設定的超參數的GRU網絡，其故障判定耗時有13.1%的下降。由此可以證明，本文方法在故障判定的準確性和耗時方面有明顯提升。

5 結論

以提升變電站智能化水平為目的，挖掘現有的變電站智能巡檢系統(tǒng)的痛點以變電站密閉箱體或溝道的故障判定為研究課題展開。首先分析巡檢需求，依托物聯(lián)網終端數據構建數據集，介紹了數據集的采集、處理和標注方式；其次在介紹GRU網絡、PSO優(yōu)化算法的基礎上提出了基于PSO-GRU的故障判定方法，介紹了網絡結構和相應算法。最后通過實驗對比了傳統(tǒng)LSTM網絡、GRU網絡及本文方法之間的各項指標參數。實驗表明，本文方法在故障判定的準確性和快速性上均有提升。