徐方林, 晏節(jié)晉
(安徽送變電工程有限公司,安徽 合肥 230601)
接地網(wǎng)防腐結(jié)構埋于地下且面積大,直接監(jiān)測難度較高,這就需要研究在不斷電與不開挖情況下接地網(wǎng)防腐結(jié)構腐蝕狀態(tài)的監(jiān)測技術[1-5]。劉渝根等[6]研究基于Tikhonov正則化原理的接地網(wǎng)腐蝕診斷方法,利用最小二乘法編寫相應的程序,診斷接地網(wǎng)腐蝕現(xiàn)象,提升腐蝕診斷效率。杜京義等[7]研究接地網(wǎng)腐蝕狀態(tài)監(jiān)測傳感器的優(yōu)化布置方法,設計一種監(jiān)測接地網(wǎng)腐蝕狀態(tài)的三電極傳感器,監(jiān)測接地網(wǎng)腐蝕狀態(tài),降低經(jīng)濟損失。接地網(wǎng)防腐結(jié)構埋于地下且面積大,直接監(jiān)測難度較高,這就需要研究在不斷電與不開挖情況下接地網(wǎng)防腐結(jié)構腐蝕狀態(tài)的監(jiān)測技術。因此本文研究了基于深度遷移學習的變電站接地網(wǎng)防腐結(jié)構無損監(jiān)測技術,及時發(fā)現(xiàn)腐蝕情況、排除安全隱患,確保電力系統(tǒng)運行的安全性與可靠性。
數(shù)據(jù)挖掘原理如圖1所示。
圖1 數(shù)據(jù)挖掘原理圖
如圖1所示,在獲取變電站接地網(wǎng)防腐結(jié)構相關數(shù)據(jù)時,利用SPSS工具,挖掘變電站接地網(wǎng)在運行方式變更與出現(xiàn)腐蝕等情況下,電阻、電流與電壓等狀態(tài)量的大小與變化速率方面的特征。提升變電站接地網(wǎng)防腐結(jié)構無損監(jiān)測水平。
假設w1、w2、…、wn屬于數(shù)據(jù)集D內(nèi)的對象,那么數(shù)據(jù)集D內(nèi)隨機一點的密度估計公式如式(1)所示。
(1)
(2)
(3)
在卷積神經(jīng)網(wǎng)絡(convolutional neural network,CNN)中引入遷移學習,遷移學習共包含兩個部分,具體操作如下。
第一部分:通過基于大數(shù)據(jù)集預訓練后提供的權重參數(shù)初始化完成數(shù)據(jù)加強變換的原始圖像;遷移預訓練模型參數(shù),加載除最后全連接層以外的預訓練模型參數(shù)與權重,重新訓練一個完整的全連接模型。
第二部分:加載第一部分訓練好的全連接層權重,按照層凍結(jié)方式微調(diào)卷積神經(jīng)網(wǎng)絡的整個模型(部分關鍵層),遷移學習的流程如圖2所示。
圖2 遷移學習的流程
圖2中,變電站接地網(wǎng)防腐結(jié)構腐蝕信號特征的二維圖像數(shù)據(jù)通過最初的讀取層進入卷積神經(jīng)網(wǎng)絡,經(jīng)過層層卷積,感受越來越大,原始二維圖像信息尺度不斷改變,越接近底層卷積神經(jīng)網(wǎng)絡,特征圖分辨率越大,感受越小,二維圖像的細節(jié)信息越多。
殘差網(wǎng)絡(residual neural network,ResNet)屬于深度CNN的框架,ResNet網(wǎng)絡的殘差學習模塊如圖3所示。
圖3 ResNet網(wǎng)絡的殘差學習模塊
圖3中,P為變電站接地網(wǎng)防腐結(jié)構腐蝕信號特征的二維圖像數(shù)據(jù),允許輸入信息P直接傳輸至后層卷積神經(jīng)網(wǎng)絡,完成ResNet網(wǎng)絡的殘差學習。
利用softmax分類器輸出變電站接地網(wǎng)防腐結(jié)構腐蝕區(qū)域位置信息。由1×1×256替換原有全連接層參數(shù)結(jié)構1×1×1 000,由1×1×腐蝕區(qū)域數(shù)量替換原有softmax分類器輸出數(shù)據(jù)結(jié)構1×1×1 000。批量、標準化操作卷積神經(jīng)網(wǎng)絡的各層參數(shù),可提升遷移學習的深度CNN訓練速度,增強梯度更新時的穩(wěn)定性。
以某省某個變電站為試驗對象,利用電路模擬仿真軟件(alternative transients program-draw,ATP-Draw)為該變電站構建接地網(wǎng)模型,對接地網(wǎng)防腐結(jié)構的腐蝕情況實施模擬,將獲取的數(shù)據(jù)輸入MATLAB編寫的腐蝕診斷程序進行計算。為驗證本文技術的有效性,對該變電站接地網(wǎng)防腐結(jié)構實施模擬故障的仿真試驗,為其構建一個30節(jié)點、49支路的仿真試驗接地網(wǎng)防腐結(jié)構模型。假設節(jié)點30為參考節(jié)點,該變電站接地網(wǎng)防腐結(jié)構每個節(jié)點與其支路的編號如圖4所示。
變電站接地網(wǎng)防腐結(jié)構腐蝕經(jīng)常呈現(xiàn)區(qū)域集中的特點,區(qū)域接地導體腐蝕存在單支路和多支路接地導體腐蝕的特征。因此,設變電站接地網(wǎng)防腐結(jié)構出現(xiàn)區(qū)域腐蝕,腐蝕支路分別是3、4、7、8、11、12、35、36、40、41、45與46。圖4中以粗線代表,每條支路的初始電阻都是10 mΩ,利用ATP-Draw軟件構建變電站接地網(wǎng)防腐結(jié)構ATP模型,其中共有25組端口電阻數(shù)據(jù),令腐蝕支路的電阻變化倍數(shù)是1.6倍,注入的恒定電流源激勵大小是10 A,利用本文技術與基于Tikhonov正則化原理的接地網(wǎng)腐蝕診斷方法(文獻[6]方法)、接地網(wǎng)腐蝕狀態(tài)監(jiān)測傳感器的優(yōu)化布置方法(文獻[7]方法)對構建的變電站接地網(wǎng)防腐結(jié)構仿真模型實施無損監(jiān)測。為區(qū)分腐蝕支路和健康支路,將支路電阻變化倍數(shù)低于1.06的支路當作健康支路,三種技術分別實施10次試驗,選取平均值作為最終測試結(jié)果,確保試驗的準確性。診斷偏差公式如下:
(4)
式中:Md為支路電阻變化倍數(shù)的診斷值;Mr為支路電阻實際變化倍數(shù)。
為驗證本文技術的準確性,在腐蝕支路3中加入不同噪聲,驗證本文技術無損監(jiān)測變電站接地網(wǎng)方法結(jié)構腐蝕區(qū)域定位的準確性。圖5為三種技術在不同噪聲時腐蝕區(qū)域定位的準確率測試結(jié)果。
圖5 不同噪聲時腐蝕區(qū)域定位準確率
根據(jù)圖5可知,隨著噪聲的不斷增加,三種技術的腐蝕區(qū)域定位準確率均有所下降,本文技術下降幅度明顯低于其余兩種技術。在噪聲大于60 dB時,本文技術的腐蝕區(qū)域定位準確率逐漸趨于平穩(wěn),維持在96%以上,原因是本文技術的卷積與池化過程具備降噪功能,文獻[6]方法與文獻[7]方法的腐蝕區(qū)域定位準確率下降幅度較大。在噪聲達到100 dB時,文獻[6]方法的腐蝕區(qū)域定位準確率低至45%,文獻[7]方法的腐蝕區(qū)域定位準確率低至50%。試驗結(jié)果表明:隨著噪聲的不斷增加,本文技術具很好的抗噪聲能力,且腐蝕區(qū)域定位準確率高。
為分析測量節(jié)點數(shù)量對變電站接地網(wǎng)防腐結(jié)構無損監(jiān)測結(jié)果的影響,試驗設置6種測量節(jié)點配置方案,方案1測量節(jié)點30;方案2測量節(jié)點30、25;方案3測量節(jié)點30、25、20;方案4測量節(jié)點30、25、20、15;方案5測量節(jié)點30、25、20、15、10;方案6測量節(jié)點30、25、20、15、10、5。在不同方案情況下,利用本文技術無損監(jiān)測變電站接地網(wǎng)防腐結(jié)構的腐蝕情況,測試本文技術的腐蝕區(qū)域定位準確率與模型訓練時間,測試結(jié)果如圖6、圖7所示。
圖6 不同方案的腐蝕區(qū)域定位準確率
圖7 不同方案的模型訓練時間
根據(jù)圖6、圖7可知,除方案1外,其余5種方案均能實現(xiàn)變電站接地網(wǎng)防腐結(jié)果無損監(jiān)測,準確定位腐蝕區(qū)域;方案1只測量一個節(jié)點,從變電站接地網(wǎng)防腐結(jié)構中獲取的腐蝕區(qū)域信息較少,腐蝕信號和腐蝕區(qū)域間的映射函數(shù)很難擬合,不能準確定位腐蝕區(qū)域;方案3~方案6雖然能夠準確定位腐蝕區(qū)域,但延長了訓練時間,表示采集信息已呈現(xiàn)多余現(xiàn)象;較少的測量節(jié)點能夠減少設備配置成本。試驗結(jié)果表明:方案2采用測量兩個節(jié)點,既能實現(xiàn)準確定位腐蝕區(qū)域,又能減少訓練時間。
變電站安全運行的基礎為接地網(wǎng),現(xiàn)代大電網(wǎng)不斷向超高壓與大容量等方向發(fā)展,電力系統(tǒng)的安全性與穩(wěn)定性等要求也隨之提升。由于變電站接地網(wǎng)運行時間長、土壤環(huán)境復雜等原因,導致接地網(wǎng)腐蝕問題日益嚴重,因此研究了基于深度遷移學習的變電站接地網(wǎng)防腐結(jié)構無損監(jiān)測技術,全面監(jiān)測了變電站接地網(wǎng)防腐結(jié)構腐蝕情況,提升了變電站供電的安全性,降低了電力事故的發(fā)生概率。