康智慧，趙敏，柴陽

（1.河南理工大學鶴壁工程技術(shù)學院；2.鶴壁市淇濱熱力有限公司，河南 鶴壁 458030）

電力設(shè)備是發(fā)電和輸變電系統(tǒng)十分重要的組成部分。當設(shè)備自身出現(xiàn)問題不能正常運行時，將直接影響到電力系統(tǒng)安全、穩(wěn)定及可靠性，損失大量的電力資源，甚至會導致大面積停電的重大電力事故產(chǎn)生，嚴重危害社會經(jīng)濟發(fā)展。因此，為保證電力系統(tǒng)的平穩(wěn)運行，需密切關(guān)注電力設(shè)備的運行狀態(tài)、故障特點及故障成因，研究現(xiàn)代電力系統(tǒng)故障診斷新技術(shù)。由于設(shè)備故障診斷突破口多集中于新型傳感技術(shù)、信號處理技術(shù)及智能識別方法的更新，所以有必要學習新的智能診斷技術(shù)，研究新的診斷技術(shù)，以提高電力設(shè)備故障診斷精確度，達到維護電網(wǎng)平穩(wěn)運行的目的。

1 人工智能算法原理

人工智能技術(shù)給電力設(shè)備故障診斷帶來了新的分析理念。人工智能具有巨大的經(jīng)濟價值及科技潛力，它的應用和推廣已逐漸上升至國家發(fā)展戰(zhàn)略層面。

近年來，《中國電力大數(shù)據(jù)發(fā)展白皮書》《新一代人工智能發(fā)展規(guī)劃》《促進新一代人工智能產(chǎn)業(yè)發(fā)展三年行動計劃》等一系列文件不斷被推出，這標志著電力系統(tǒng)運維正在不斷邁向人工智能的時代。

人工智能的發(fā)展使設(shè)備故障診斷技術(shù)更加智能化，越來越多的新型故障識別判定方法被應用在電力設(shè)備故障診斷領(lǐng)域，其中比較常見的有人工神經(jīng)網(wǎng)絡(luò)及支持向量機等。但人工神經(jīng)網(wǎng)絡(luò)的弊端在于該算法需有大量的訓練樣本，過程復雜、訓練時間也較長；支持向量機在使用時需要提前選取合適的基函數(shù)并設(shè)置大量的參數(shù)，而參數(shù)設(shè)置對算法的泛化能力和識別準確度有較大的影響。

文獻[12]使用極限學習機即ELM(extreme learning machines)對電力設(shè)備進行故障診斷。由于ELM是單隱層神經(jīng)網(wǎng)絡(luò)，所以其訓練速度較快，并且該算法可以避免過多的參數(shù)設(shè)置，泛化能力強，有較好的分類性能。

極限學習機可隨機初始化輸入權(quán)值與隱層閾值，其輸出權(quán)值可由廣義逆矩陣理論計算求得。ELM的網(wǎng)絡(luò)結(jié)構(gòu)如1圖所示。

圖1 極限學習機訓練模型

其中：

輸入數(shù)據(jù)為xi(i= 1,2,…,n)，神經(jīng)元個數(shù)為n。

隱含層節(jié)點數(shù)為l；

極限學習機的輸出數(shù)據(jù)為y j(j= 1,2,… ,m)，輸出層的神經(jīng)元數(shù)目是m。

βk為隱含層和輸出層之間的權(quán)值；

G為隱含層激活函數(shù)，可在sigmoid/RBF/sine之間選擇；

ωk為輸入層和隱含層之間的權(quán)值；

bk為第k個隱含層節(jié)點的閾值。

對于n個給定的樣本數(shù)據(jù)(xi,ti)，可滿足下式：

令：

問題轉(zhuǎn)化為求線性系統(tǒng)的最小二乘解。

2 仿真分析

為了驗證極限學習機算法的智能性及正確性，本文利用了大量仿真數(shù)據(jù)進行模式識別驗證。

仿真環(huán)境：MATLAB R2014b；

數(shù)據(jù)集名稱：features；

ELM仿真數(shù)據(jù)：共150組。

在MATLAB軟件中調(diào)用features文件，可顯示出ELM仿真數(shù)據(jù)。部分仿真數(shù)據(jù)如圖2所示。

圖2 ELM仿真數(shù)據(jù)集

由圖2可知，特征向量包含4個維度，4列數(shù)據(jù)分別體現(xiàn)樣本數(shù)據(jù)不同的特性。features為一個150行4列的特征數(shù)據(jù)集。與特征數(shù)據(jù)集相對應的標簽數(shù)據(jù)集是classes，該標簽集包含150行1列數(shù)據(jù)。

在進行ELM仿真時，150組數(shù)據(jù)被分成兩個部分，第一個部分為訓練集，第二個部分為測試集；其中訓練集包含120組數(shù)據(jù)，測試集包含30組數(shù)據(jù)。

訓練集及測試集的創(chuàng)建在主程序中實現(xiàn)，如圖3所示。

圖3 極限學習機仿真界面

在圖3中可看到除了主程序fenlei外，還有elmtrain和elmpredict兩個子程序。

elmtrain子程序的功能是對120組訓練集數(shù)據(jù)進行模式識別；elmpredict子程序的功能是對30組測試集數(shù)據(jù)進行類別識別。

測試集的仿真結(jié)果如圖4所示。

圖4 測試集仿真效果圖

由圖4可知，30組測試數(shù)據(jù)被分為3類。第一類樣本編號為1～10；第二類樣本編號為11～20；第三類樣本編號為21～30。

其中第一類和第三類的20個樣本數(shù)據(jù)的模式識別準確率為100%，第二類的10個樣本數(shù)據(jù)僅出現(xiàn)1處誤判。30個測試數(shù)據(jù)的整體分類正確率高達96.6667%，充分驗證了ELM算法在分類方面的智能性及準確性。

3 電力設(shè)備故障診斷實驗驗證

我國電力系統(tǒng)規(guī)模龐大、錯綜復雜，電力設(shè)備的運維問題也越來越多，當設(shè)備出現(xiàn)故障產(chǎn)生時，會造成一定的安全隱患和經(jīng)濟損失，因此快速、精準的找出故障原因顯得尤為重要。而借助計算機中的智能自動化算法，可大大提高故障判定速度，所以本文提出將極限學習機算法應用在電力系統(tǒng)故障診斷中。

在進行大電網(wǎng)維護時，高壓斷路器發(fā)揮了不可或缺的作用。它在電力系統(tǒng)中起到了保護和控制的作用，其工作狀態(tài)會直接影響整個系統(tǒng)的運行性能，當斷路器發(fā)生故障時，會直接損壞到與之相連的線路、設(shè)備并會使電網(wǎng)發(fā)生事故，甚至導致大片停電。

因此，在對電力設(shè)備故障診斷方法進行分析時，本文側(cè)重于研究極限學習機ELM在高壓斷路器故障診斷的可行性及應用價值。

3.1 設(shè)備故障特征提取

高壓斷路器進行分合動作時，主要通過內(nèi)部操動系統(tǒng)帶動動靜觸頭斷開與閉合而實現(xiàn)，其中觸頭和斷路器操動機構(gòu)的連接圖如圖5所示。

圖5 觸頭及操動系統(tǒng)連接圖

觸頭運動過程與斷路器內(nèi)部操動機構(gòu)及其它部件之間存在密切的關(guān)系。目前，斷路器觸頭運動監(jiān)測主要靠位移傳感器實時采集觸頭運動的行程而完成，進而獲取到斷路器的行程特性曲線。

下面是關(guān)于斷路器行程信號的提取及分析過程：

（1）提取節(jié)點信號；（2）求取節(jié)點處的包絡(luò)圖譜；（3）求各分段能量；（4）歸一化包絡(luò)譜分段能量，構(gòu)造特征熵向量T。

電力設(shè)備故障診斷部分特征集數(shù)據(jù)如圖6所示。

特征集文件名稱：xingcheng。

由圖6可知特征向量包含8個特征維度，

圖6 實驗樣本集

特征集樣本共20行8列，與特征集對應的標簽數(shù)據(jù)為4類，包含斷路器4種常見狀態(tài)：正常（zc）、觸頭彈簧失效（cts）、分閘彈簧脫落（ftzt）和分閘彈簧失效（fts）。

3.2 設(shè)備故障模式識別

基于ELM的高壓斷路器行程信號故障診斷流程圖如圖7所示。

圖7 高壓斷路器故障診斷流程圖

故障診斷系統(tǒng)被分為3層，分別是輸入層、極限向量機ELM和輸出層。

ELM的輸入信號為特征熵向量，經(jīng)過ELM訓練和測試后，可從極限學習機ELM的輸出結(jié)果進行故障診斷。

輸出層為斷路器4種運行狀態(tài)。

在進行設(shè)備故障診斷時，特征集共20行4列，其中訓練集包含15組數(shù)據(jù)，測試集包含5組數(shù)據(jù)。

訓練集標簽如表1所示。

表1 訓練集狀態(tài)標號

測試集標簽如表2所示。

表2 測試集狀態(tài)標號

測試集故障診斷效果圖如圖8所示。

圖8 設(shè)備故障診斷試驗結(jié)果圖

由圖8可知，測試集中的5組數(shù)據(jù)被分為4類，每一類的真實值與ELM預測值都完全重合，故障診斷準確度達到100%，證實了在高壓斷路器行程信號中利用極限學習機ELM進行故障診斷的正確性及可行性，為電力設(shè)備故障診斷提供了新的技術(shù)方案。

4 結(jié)語

本文將極限學習機應用于電力設(shè)備故障診斷中，通過大量仿真及實驗分析驗證了人工智能算法ELM在電力設(shè)備故障診斷領(lǐng)域應用的可行性及科學性，大大提高了電力系統(tǒng)設(shè)備故障診斷的準確度。所提方法為電網(wǎng)電力設(shè)備的安全穩(wěn)定運行提供了新的技術(shù)支持，具有較高的應用性和推廣價值。