葉 華，趙 川，路學(xué)剛，孫華利，董詩燾

(云南電力調(diào)度控制中心, 云南 昆明 650217)

隨著電力系統(tǒng)設(shè)備越來越集成化和復(fù)雜化，電力系統(tǒng)設(shè)備出現(xiàn)異常狀態(tài)的次數(shù)也在不斷增加[1-3]。由于電力系統(tǒng)設(shè)備異常會導(dǎo)致電力網(wǎng)絡(luò)運行故障，因此準確檢測電力系統(tǒng)設(shè)備異?？梢蕴嵘O(shè)備運行壽命，保證整個電力系統(tǒng)運行的穩(wěn)定性[4]。電力系統(tǒng)設(shè)備遠程實時監(jiān)控異常識別是指通過遠程采集電力系統(tǒng)設(shè)備數(shù)字信號并傳輸至監(jiān)控中心，監(jiān)控中心利用所采集的設(shè)備圖像實時識別設(shè)備異常狀態(tài)。

支持向量機方法是一種重要的機器學(xué)習方法，可解決訓(xùn)練時間過長以及局部最優(yōu)情況，對于提升識別可靠性具有重要的意義[5-6]。現(xiàn)有的實時監(jiān)控方法受霧霾、雪天等惡劣天氣影響，對電力系統(tǒng)設(shè)備遠程實時監(jiān)控異常狀態(tài)的識別效果不夠理想。為了提高電力系統(tǒng)設(shè)備異常識別效果，本文在設(shè)備異常識別中引入支持向量機方法，提出基于人工智能技術(shù)的電力系統(tǒng)設(shè)備遠程實時監(jiān)控異常識別方法。

1 基于人工智能的電力系統(tǒng)設(shè)備遠程實時監(jiān)控異常識別

1.1 電力系統(tǒng)設(shè)備遠程實時監(jiān)控異常識別

基于人工智能技術(shù)的電力系統(tǒng)設(shè)備遠程實時監(jiān)控異常識別的運作原理如下：電力系統(tǒng)利用云臺攝像頭采集設(shè)備的數(shù)字圖像，數(shù)字圖像的信息采用R(紅)、G(綠)、B(藍)3基色8位亮度值(0～255)表示。通過網(wǎng)絡(luò)將采集的圖像傳輸至遠程監(jiān)控中心的計算機內(nèi)；計算機實時截取視頻流中的設(shè)備圖像并進行預(yù)處理，包括圖像轉(zhuǎn)換、圖像增強以及圖像濾波三部分，以去除圖像中所包含的噪聲、干擾以及差異；采用變分模態(tài)分解方法提取設(shè)備異常狀態(tài)特征[7-8]，通過支持向量機方法實現(xiàn)電力系統(tǒng)設(shè)備異常識別；計算機界面顯示識別結(jié)果，實現(xiàn)人機交互。

首先，選取傅里葉變換方法將數(shù)字識別圖像轉(zhuǎn)換至空域以及頻域中，以提升圖像特征提取的處理速度，并改善圖像質(zhì)量[9-10]；其次，通過圖像灰度修正、銳化以及邊緣增強方法實現(xiàn)圖像增強，提升圖像中電力系統(tǒng)設(shè)備異常狀態(tài)特征清晰度，突出包含設(shè)備異常狀態(tài)的特征部分，清除背景等無用信息；最后，通過小波閾值去噪方法對圖像實施濾波。預(yù)處理后的圖像通過變分模態(tài)分解方法提取圖像中設(shè)備的異常狀態(tài)特征，并利用支持向量機方法識別電力系統(tǒng)設(shè)備異常[11]。

1.2 變分模態(tài)分解

變分模態(tài)分解方法是指利用拉格朗日懲罰算子γ(t)和二次懲罰因子α，采用無約束變分方法代替約束變分方法，通過交替方向乘子迭代獲取變分模型最優(yōu)解，令不同模式分量的頻率以及帶寬實時更新，實現(xiàn)自適應(yīng)信號高效分解[12]，從而獲得所需電力系統(tǒng)設(shè)備的異常狀態(tài)特征。

通過變分模態(tài)分解方法獲取調(diào)頻-調(diào)幅信號本征模式分量的公式如下：

vk(t)=Bk(t)cos[φk(t)]

(1)

(2)

式中：Bk(t)與μk(t)分別為諧波信號vk(t)的瞬時幅值以及瞬時頻率；φk(t)為非負函數(shù)相位，且Bk(t)≥0，φk(t)≥0，其中t為圖像數(shù)字信號。

(3)

(4)

獲取解調(diào)信號梯度的范數(shù)平方L2為：

(5)

式中：da為經(jīng)驗?zāi)B(tài)分量a的導(dǎo)數(shù)。

通過以上過程建立變分約束模型如下：

(6)

式中：{vk}為不同模態(tài)函數(shù)集，{vk}={v1,v2,…,vk}；{μk}為中心頻率集，{μk}={μ1,μ2,…,μk}；s.t.表示約束條件；x(t)為輸入信號的變分約束函數(shù)。

利用拉格朗日懲罰算子γ(t)以及二次懲罰因子α，將公式(6)轉(zhuǎn)化為非約束模型問題：

(7)

式中：M(·)為拉格朗日函數(shù)；γ(·)為拉格朗日懲罰函數(shù)。通過式(7)能夠獲取拉格朗日函數(shù)的極小值點[13]。

通過以上過程將圖像信號分解為數(shù)量為K的模態(tài)函數(shù)vk(t)，即可實現(xiàn)電力系統(tǒng)設(shè)備異常狀態(tài)特征提取。

1.3 支持向量機

將本文所獲取的電力系統(tǒng)設(shè)備異常狀態(tài)特征設(shè)置為支持向量機訓(xùn)練樣本，用D={(m1,m1),…,(ml,nl)}表示，其中m∈Rn，n∈{-1,1},l為訓(xùn)練樣本的特征維度。設(shè)以上訓(xùn)練樣本存在于原始輸入空間Rn內(nèi)，通過非線性函數(shù)J(·)將其映射至高維特征空間：

J(m)=(h1(m),h2(m),…,hJ(m))

(8)

式中：J(m)為訓(xùn)練樣本高維特征映射的非線性函數(shù)；hJ(m)為訓(xùn)練樣本映射后的第J維特征。

在高維特征空間中建立超平面獲取的分類器如下：

n(m)=sgn(f·J(m)+g)

(9)

式中：n(m)為訓(xùn)練樣本的高維特征分類器函數(shù)；f為高維特征的超平面類別；g為指示函數(shù)。

通過最小化‖f‖的約束條件，可令結(jié)構(gòu)風險最小化：

n(h(m)·f+g)≥1-ζi

(10)

式中：h(m)為訓(xùn)練樣本映射后的高維特征；ζi為松弛變量，該變量為非負變量。

通過以上過程將最優(yōu)問題轉(zhuǎn)化為高維特征分類最少：

(11)

式中：J(f,ζi)為高維特征超平面類別和特征松弛變量的非線性函數(shù)；C為松弛因子。

求解公式(11)可得：

(12)

式中：minJ(ζi)為訓(xùn)練樣本高維映射超平面結(jié)構(gòu)最優(yōu)解；n(h(mi),h(mj))為訓(xùn)練樣本mi和mj映射后的高維特征分類結(jié)果，其中h(mi),h(mj)分別為訓(xùn)練樣本mi和mj映射后的高維特征。

將高斯徑向基核函數(shù)K(mi,mj)=(h(mi),h(mj))引入公式(12)中可得：

(13)

獲取最優(yōu)分離超平面的公式如下：

(14)

式中：SV為支持向量。

如此獲得的最優(yōu)非線性支持向量機分類器y如下：

(15)

通過式(15)即可實現(xiàn)電力系統(tǒng)設(shè)備異常識別。

2 仿真實驗

本文選取北京市海淀區(qū)某電力公司內(nèi)電力系統(tǒng)15種設(shè)備共125臺作為實驗對象，采用變分模態(tài)分解方法識別設(shè)備于2019年6月1日—12月31日出現(xiàn)的局部放電、低能放電、高能放電、低溫過熱、中溫過熱、高溫過熱6種設(shè)備異常狀態(tài)特征數(shù)量共1 986個作為支持向量機方法的訓(xùn)練樣本集，樣本集中不同設(shè)備異常狀態(tài)所占比例如圖1所示。

圖1 樣本集異常狀態(tài)比例

在不同天氣條件下，采用本文方法識別出的電力系統(tǒng)設(shè)備運行異常結(jié)果見表1。

表1 不同天氣的電力系統(tǒng)設(shè)備識別結(jié)果 單位：次

將表1數(shù)據(jù)與實際情況進行比對，統(tǒng)計本文方法遠程實時監(jiān)控設(shè)備異常識別結(jié)果的誤識別率以及漏識別率，結(jié)果如圖2所示。從圖2識別結(jié)果可以看出，本文方法在正常天氣的漏識別率以及誤識別率明顯低于霧霾天氣以及雪天、雨天，且不同情況下本文方法的漏識別率以及誤識別率均低于0.6%，說明了本文方法具有較高的識別精度，且可滿足惡劣環(huán)境下對高識別精度的要求。

圖2 不同情況下識別性能對比

3 結(jié)束語

本文將人工智能技術(shù)應(yīng)用于電力系統(tǒng)狀態(tài)異常識別中，有效提升了惡劣天氣下電力系統(tǒng)設(shè)備狀態(tài)遠程實時監(jiān)控異常識別的準確性，該方法在電力系統(tǒng)設(shè)備遠程實時監(jiān)控中具有較高的實用價值和現(xiàn)實意義。但由于條件有限，本文研究更傾向于提高識別準確性，識別效率未能明顯提高，未來的研究將在保證識別準確性的前提下進一步提高識別效率。