陳湞斐， 章黃勇， 馬宏忠， 李志新， 李呈營

(1.河海大學(xué) 能源與電氣學(xué)院，江蘇 南京 211100; 2.國家電網(wǎng)有限公司電能計量重點實驗室國網(wǎng)江蘇省電力有限公司營銷服務(wù)中心，江蘇 南京 210019)

0 引 言

電力設(shè)備是電網(wǎng)的關(guān)鍵組成部分，種類多、數(shù)量龐大。目前電網(wǎng)朝向智能化、自動化發(fā)展的趨勢不斷增強。因此大量的傳感器設(shè)備被用于進行設(shè)備狀態(tài)監(jiān)測，采集的數(shù)據(jù)構(gòu)成了龐大的數(shù)據(jù)集[1]，其中包含大量非結(jié)構(gòu)化數(shù)據(jù)。從積累的大量數(shù)據(jù)中挖掘與設(shè)備狀態(tài)相關(guān)的信息，判斷是否有故障存在或者進行故障預(yù)測，對于保障電網(wǎng)安全穩(wěn)定運行有重要意義。

傳統(tǒng)上，電力設(shè)備故障診斷方法分為兩類：基于數(shù)學(xué)模型的診斷方法和基于設(shè)備監(jiān)測數(shù)據(jù)的診斷方法[2]?；跀?shù)學(xué)模型的診斷方法準確性和針對性很強，但面對實際情況缺乏適應(yīng)性[3]?；谠O(shè)備監(jiān)測數(shù)據(jù)的診斷方法將故障診斷過程分為特征提取和特征分類兩個主要過程。特征提取過程應(yīng)用傅里葉變換、小波變換和經(jīng)驗?zāi)B(tài)分解等方法，特征分類過程應(yīng)用支持向量機、決策樹、隨機森林和人工神經(jīng)網(wǎng)絡(luò)等傳統(tǒng)機器學(xué)習(xí)算法。然而，此類方法只能提取數(shù)據(jù)的淺層特征，并且特征提取過程需要專業(yè)知識支撐。隨著狀態(tài)監(jiān)測設(shè)備不斷增多、設(shè)備監(jiān)測數(shù)據(jù)量不斷增長，傳統(tǒng)方法無法有效處理海量設(shè)備監(jiān)測數(shù)據(jù)，因此需要發(fā)展新的故障診斷方法。

近年來，隨著計算機技術(shù)的快速發(fā)展[4]，深度學(xué)習(xí)技術(shù)的研究浪潮再次興起。深度學(xué)習(xí)技術(shù)能夠處理海量數(shù)據(jù)，提取輸入數(shù)據(jù)的深層特征，應(yīng)用于醫(yī)療健康、圖像識別和自然語言處理等方面，獲得巨大成功。深度學(xué)習(xí)技術(shù)應(yīng)用于故障診斷領(lǐng)域，可以實現(xiàn)特征提取與特征分類過程合并，對專業(yè)知識依賴小。在面對設(shè)備復(fù)雜故障情況時，深度學(xué)習(xí)技術(shù)能夠針對監(jiān)測數(shù)據(jù)的特點進行數(shù)據(jù)挖掘，具有很好的實際應(yīng)用價值。總而言之，深度學(xué)習(xí)技術(shù)具有強大的提取數(shù)據(jù)特征的能力，為基于電力設(shè)備監(jiān)測數(shù)據(jù)的故障診斷方法提供了新的途徑。

本文以基于電力設(shè)備監(jiān)測數(shù)據(jù)的故障診斷方法為研究主題，總結(jié)電力設(shè)備監(jiān)測數(shù)據(jù)的特點，梳理深度學(xué)習(xí)技術(shù)在電力設(shè)備故障診斷領(lǐng)域的應(yīng)用及面臨的挑戰(zhàn)。

1 電力設(shè)備數(shù)據(jù)特點

按數(shù)據(jù)結(jié)構(gòu)不同，電力設(shè)備數(shù)據(jù)可以分為結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)，從數(shù)據(jù)規(guī)模上看，非結(jié)構(gòu)化數(shù)據(jù)是主要的數(shù)據(jù)類型[5]。表1為電力設(shè)備數(shù)據(jù)主要來源。

電力設(shè)備數(shù)據(jù)的特征如下[6]：

(1) 具有大量、多樣和高速的大數(shù)據(jù)基本特征[7]。

(2) 電力設(shè)備監(jiān)測數(shù)據(jù)與被監(jiān)測設(shè)備關(guān)系密切，監(jiān)測的狀態(tài)量是設(shè)備的關(guān)鍵狀態(tài)量。

表1 電力設(shè)備數(shù)據(jù)來源

(3) 記錄故障過程的數(shù)據(jù)少。

(4) 數(shù)據(jù)質(zhì)量不高。監(jiān)測數(shù)據(jù)中存在“臟”數(shù)據(jù)，數(shù)據(jù)質(zhì)量不能滿足后續(xù)故障處理的要求。

(5) 數(shù)據(jù)分布于多個系統(tǒng)。

傳統(tǒng)的故障診斷方法不能適應(yīng)電力設(shè)備數(shù)據(jù)的新特性，這給故障診斷技術(shù)的研究帶來新的挑戰(zhàn)。深度學(xué)習(xí)是一種新的應(yīng)用于故障診斷領(lǐng)域的技術(shù)。與傳統(tǒng)機器學(xué)習(xí)方法相比，它具有多層網(wǎng)絡(luò)結(jié)構(gòu)，通過大量故障數(shù)據(jù)的訓(xùn)練，可以提取數(shù)據(jù)更高層次的抽象特征，且不需要人工參與。在復(fù)雜情況下可以有效提取故障特征，與電力設(shè)備數(shù)據(jù)的新特點更契合。

2 深度學(xué)習(xí)在故障診斷和預(yù)測中的應(yīng)用

2.1 深度學(xué)習(xí)

深度學(xué)習(xí)是當(dāng)前人工智能領(lǐng)域重要的研究方向，技術(shù)目標(biāo)是模擬或者實現(xiàn)人類行為，特點可以總結(jié)為：大數(shù)據(jù)樣本、深層網(wǎng)絡(luò)結(jié)構(gòu)、自動提取深層抽象特征及多層網(wǎng)絡(luò)參數(shù)逐層預(yù)訓(xùn)練[8]，能夠蓬勃發(fā)展主要得益于大數(shù)據(jù)集處理技術(shù)和計算機技術(shù)在并行、異構(gòu)計算方面取得的進步。

典型的深度學(xué)習(xí)網(wǎng)絡(luò)包括卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)[9]、遞歸神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)[10]、深度置信網(wǎng)絡(luò)(deep belief network，DBN)[11]、堆棧自編碼網(wǎng)絡(luò)(stacked autoencoder，SAE)[12]及生成式對抗網(wǎng)絡(luò)(generative adversarial network，GAN)[13]。

2.2 深度學(xué)習(xí)在故障診斷中的應(yīng)用

在電力設(shè)備的長期運行中，出現(xiàn)故障是不可避免的，主要的原因包括外力破壞設(shè)備絕緣、設(shè)備長時間運行絕緣老化和設(shè)備本身存在制造缺陷。近年來，電網(wǎng)中新增了大量的傳感器設(shè)備，已建成的設(shè)備運行管理平臺迅速積累了大量的設(shè)備運行數(shù)據(jù)。傳統(tǒng)的故障診斷方法難以適應(yīng)大數(shù)據(jù)時代下的故障診斷工作，診斷效率低下。因為具有從大量數(shù)據(jù)中提取高層次抽象特征的能力，所以深度學(xué)習(xí)技術(shù)逐漸在故障診斷領(lǐng)域獲得廣泛運用。表2為不同深度學(xué)習(xí)網(wǎng)絡(luò)在故障診斷領(lǐng)域中的部分應(yīng)用。

表2 深度學(xué)習(xí)在電力設(shè)備故障診斷領(lǐng)域中的應(yīng)用

基于深度學(xué)習(xí)的故障診斷方法與傳統(tǒng)故障診斷方法的區(qū)別：

(1) 處理數(shù)據(jù)量、狀態(tài)量種類增多。

(2) 特征提取能力增強，在早期故障、微小故障故障診斷方面能力突出。

(3) 減少了對于先驗知識的依賴。

(4) 基于大量數(shù)據(jù)可以診斷出更多故障類型。

(5) 從一般數(shù)據(jù)(電壓、電流、功率)中挖掘與設(shè)備狀態(tài)相關(guān)的信息的能力增強。

( 6)診斷結(jié)果準確性受樣本數(shù)量和樣本準確性限制。

2.3 深度學(xué)習(xí)在故障預(yù)測中的應(yīng)用

通過設(shè)備監(jiān)測數(shù)據(jù)進行故障預(yù)測，及時地發(fā)現(xiàn)早期故障，有利于安排合理的檢修計劃，減少經(jīng)濟損失和停機時間。在電力設(shè)備的監(jiān)測數(shù)據(jù)中，電壓、電流和功率等數(shù)據(jù)一般都會采集的數(shù)據(jù)，此類數(shù)據(jù)中也會隱藏設(shè)備的故障信息，挖掘這類數(shù)據(jù)進行設(shè)備故障預(yù)測具有實際的應(yīng)用前景。文獻[14]通過dropout層和批歸一化技術(shù)解決線路故障預(yù)測中過擬合問題，可以離線訓(xùn)練模型，然后在線運行，具有實際應(yīng)用意義。

在設(shè)備故障預(yù)測的研究中，為了獲得更為穩(wěn)定的診斷結(jié)果，應(yīng)該考慮融合與設(shè)備相關(guān)的多源數(shù)據(jù)，如環(huán)境負荷數(shù)據(jù)、氣象數(shù)據(jù)、定期檢修信息及地理信息數(shù)據(jù)。

3 深度學(xué)習(xí)技術(shù)在應(yīng)用中面臨的挑戰(zhàn)

面對蘊含設(shè)備狀態(tài)信息的電力設(shè)備數(shù)據(jù)，在提取具有應(yīng)用價值的特征的過程中，應(yīng)用深度學(xué)習(xí)技術(shù)面臨以下幾方面的挑戰(zhàn)。

(1) 故障樣本數(shù)量不足。設(shè)備帶故障運行存在很大隱患，一般發(fā)現(xiàn)故障后就會及時停機，數(shù)據(jù)采集不完全；運維檢修時，故障記錄不規(guī)范，記錄缺失。

(2) 故障診斷結(jié)果準確性不高。不同故障之間的特征區(qū)別小，并且存在環(huán)境因素的干擾，使得模型診斷結(jié)果不能達到工程應(yīng)用的要求。

(3) 故障診斷的效率偏低。模型參數(shù)多，診斷時間不能滿足實時性的要求。

(4) 實際應(yīng)用平臺計算能力和存儲空間小。電網(wǎng)中的嵌入式設(shè)備受硬件條件限制，難以運行計算量很大且需要大量存儲空間的深度學(xué)習(xí)網(wǎng)絡(luò)模型。

4 結(jié)束語

深度學(xué)習(xí)是人工智能領(lǐng)域重要的研究方向，在故障診斷與預(yù)測領(lǐng)域中有很好的應(yīng)用前景，隨著時代發(fā)展，將在以下三個方面得到進一步發(fā)展。

(1) 基于可解釋的深度學(xué)習(xí)模型進行診斷。基于可解釋的深度學(xué)習(xí)模型，可以在提取故障特征過程中融合專家經(jīng)驗，提升特征提取效果，提高診斷的準確性。

(2) 多源數(shù)據(jù)深度融合。打破系統(tǒng)間存在的數(shù)據(jù)壁壘，實現(xiàn)數(shù)據(jù)共享，將圖像和文本等非結(jié)構(gòu)化數(shù)據(jù)融入到基于設(shè)備狀態(tài)監(jiān)測結(jié)構(gòu)化數(shù)據(jù)進行故障診斷的過程中，利用設(shè)備全景數(shù)據(jù)融合進行故障診斷。

(3) 提升深度學(xué)習(xí)故障診斷穩(wěn)定性。增強深度學(xué)習(xí)技術(shù)在傳感器故障和電磁干擾等因素影響下診斷結(jié)果的穩(wěn)定性，能在靈活多變的實際運行環(huán)境中準確診斷故障。