王照陽

（南京華盾電力信息安全測評有限公司，南京 211106）

近年來，伴隨著無人值守和電網(wǎng)大數(shù)據(jù)等智能電網(wǎng)項目的研究和實施，我國電力系統(tǒng)的智能化管理迎來了一個新的發(fā)展契機。但隨著電力系統(tǒng)智能化水平的逐漸提高，電氣設備的結構更加精密和復雜，設備故障概率也相應增加。設備故障會對電力系統(tǒng)正常運行產(chǎn)生威脅，干擾到經(jīng)濟活動和居民正常生活，并造成經(jīng)濟損失。我國電力行業(yè)的發(fā)展迅速，因此需要不斷更新先進的故障診斷技術以及管理方案。但是就目前的情況來看，診斷技術和管理方案未及時跟上更新速度。這使得診斷的結果與實際問題出現(xiàn)偏差，診斷數(shù)據(jù)的精度不夠，增加了維修的成本，甚至會導致其他更多問題的出現(xiàn)。

基于舊式電力設備設計的診斷技術方案和管理體系，已經(jīng)不能適應現(xiàn)在設備診斷工作的需求。為適應新型電網(wǎng)的設備故障診斷工作的需求，本文結合電力設備故障診斷技術的現(xiàn)有研究，提出故障診斷應用平臺的設計方案，并配套相應的診斷管理體系，實現(xiàn)故障診斷的全過程、系統(tǒng)化的管理，使得診斷效果最大化，為電網(wǎng)安全、可靠、穩(wěn)定的運行提供保障。

1 電力設備故障診斷相關技術

1.1 紅外線監(jiān)測

紅外線監(jiān)測技術是在電力系統(tǒng)中已經(jīng)應用比較成熟的一種電力故障診斷手段，利用紅外線監(jiān)測技術可以得到電力設備故障的重要信息。此技術具有響應速度快、成本低、操作簡單和工作方式安全等特點。

1.2 借助專家系統(tǒng)開展故障診斷

專家系統(tǒng)是一個智能計算機程序系統(tǒng)，結合了先進的人工智能技術和計算機技術，用來模擬人類領域專家的思考和決策過程，從而達到解決現(xiàn)實中工程問題的目的。

用于電力系統(tǒng)故障診斷的專家系統(tǒng)，內部包含許多電力領域專業(yè)知識與經(jīng)驗，也包括許多的故障診斷案例，以及從這些案例可以學到的專家水平的知識、解決方法和經(jīng)驗。當現(xiàn)實中電力設備出現(xiàn)某種故障時，可以根據(jù)事件的某些特點，綜合利用內部專業(yè)知識、經(jīng)驗和相關案例進行推理判斷，從而對電力設備的故障類型做出判斷。與其他故障診斷方法相比，專家系統(tǒng)具有啟發(fā)性，其不僅僅運用邏輯判斷故障類型，也可以用“直覺”評判相關問題。專家領域系統(tǒng)還具有成長性和靈活性，知識庫與推理機制相分離，系統(tǒng)可以不斷吸納新的知識，從而適應領域新的發(fā)展。

1.3 依托神經(jīng)網(wǎng)絡實施故障診斷

研究人員從信息分析角度，對人腦最基本的神經(jīng)元進行簡單的抽象。并將其以不同的方式進行連接，從而形成了具有推理功能的人工神經(jīng)網(wǎng)絡。人工神經(jīng)網(wǎng)絡可并行計算的分布式系統(tǒng)，具有自學習、聯(lián)想存儲和高速尋優(yōu)等特點。利用神經(jīng)網(wǎng)絡模型，通過對樣本的學習，可以獲得訓練的神經(jīng)網(wǎng)絡。神經(jīng)網(wǎng)絡內部可以通過調整神經(jīng)元之間連接權重，實現(xiàn)對變電站故障分析方法和相關知識的學習。

1.4 系統(tǒng)融合多樣化的診斷方法

系統(tǒng)融合多樣化的診斷方法指代在各種診斷方法的基礎上，系統(tǒng)融合各自優(yōu)點，有效運用，進而產(chǎn)生新型診斷方法。例如，對電力設備而言，在其故障診斷過程時常應用神經(jīng)網(wǎng)絡法，同時，專家系統(tǒng)也較為常用，因此，可融合上述2種方法，組建全新方法，全面利用信息資源，合理整合所有信息，進而得出正確解釋，以此來增加顯示結果的可信度，提升故障診斷效率，完善診斷結果，保障電網(wǎng)的長久運行。

系統(tǒng)融合多樣化的診斷方法是指在多種故障診斷方法的基礎上，保留不同方法的優(yōu)點進行綜合利用，從而得出更優(yōu)的故障診斷結果。例如，紅外線監(jiān)測技術響應速度快、操作簡單，而神經(jīng)網(wǎng)絡學習能力比較強、精確率高，因此可以在紅外線監(jiān)測技術的基礎上加上神經(jīng)網(wǎng)絡方法，對紅外線監(jiān)測技術采集到的信息進行智能化處理，方便快捷地判斷出故障類型。

2 故障診斷評估模型的構建

隨著電力行業(yè)的快速發(fā)展，傳統(tǒng)的故障檢測方法的局限性逐漸顯現(xiàn)出來。而深度學習在各個領域實際應用中的優(yōu)異表現(xiàn)，使得越來越多的研究人員嘗試將深度學習應用在電力設備故障診斷。本文利用采集到的電氣設備紅外圖像，結合基于MobileNet的圖像分類器，完成對紅外圖像溫度信息的提取，并給出判斷結論。同時，為了更好提取紅外圖像的語義特征，將多尺度卷積加入到圖像識別網(wǎng)絡中來。

2.1 深度可分離卷積

MobileNet是Google發(fā)布的網(wǎng)絡架構，是一種模型體積較小、可訓練參數(shù)及計算量較少的卷積神經(jīng)網(wǎng)絡。旨在充分利用有限的計算資源，最大化模型的準確性。MobileNet網(wǎng)絡是通過深度卷積和逐點卷積，替代了傳統(tǒng)神經(jīng)網(wǎng)絡中的全卷積操作，這種卷積方式被稱為深度可分離卷積。全卷積與深度可分離卷積的結構如圖1所示。

圖1 全卷積與深度可分離卷積

傳統(tǒng)的卷積方式先將特征通過1個卷積運算，之后通過正則化層和激活函數(shù)層，從而得到輸入信息的高維特征。而深度可分離卷積則是先通過了深度卷積和1×1的逐點卷積，然后在通過正則化層和激活函數(shù)層，來完成語義特征的提取。

2.2 優(yōu)化分類函數(shù)

在MobileNet對輸入圖片提取出高維語義特征之后，通常采用Softmax函數(shù)完成對輸入圖片的最終分類，給出預測結果。Softmax函數(shù)表達式為

式中：Ls表示Softmax損失；f是最后一個完全連接層的輸入（fi表示第i個樣本，一共有n個樣本，c個類別）；Wj是最后一個完全連接層參數(shù)矩陣W的第j列；也稱為第i個樣本的目標邏輯；T表示矩陣轉置；θyi是目標角；yi表示第i個樣本的預測輸出。

式中：參數(shù)m是新引入的變量，稱為附加余量。附加余量的引入有助于數(shù)據(jù)中各類之間的距離，并最終提高預測結果的準確率。另外，利用歸一化方法處理參數(shù)W和f，之后利用調節(jié)因子s對整體進行參數(shù)調節(jié)。

2.3 數(shù)據(jù)集增強技術

神經(jīng)網(wǎng)絡在訓練過程中可能出現(xiàn)過擬合問題，失去泛化能力從而影響到最終的預測結果。為了防止這種現(xiàn)象，本文對訓練數(shù)據(jù)集進行數(shù)據(jù)預處理。通過數(shù)據(jù)增強的操作，可以增加訓練的數(shù)據(jù)量，提高模型的泛化能力，而適當增加噪聲數(shù)據(jù)，可以提升模型的魯棒性。本文數(shù)據(jù)預處理操作包括翻轉、旋轉、縮放、裁剪和添加噪聲，有效提高了網(wǎng)絡的泛化能力。

2.4 故障診斷評估模型架構

本文所提出的電力系統(tǒng)故障診斷模型如圖2所示。在模型中，將采集到的電氣設備紅外圖像作為輸入，之后經(jīng)過MobileNet神經(jīng)網(wǎng)絡的多次深度可分離卷積操作，提取輸入圖像的高維語義信息。將得到的高維特征通過平均池化層和全連接層，進一步降低特征維度，最終由優(yōu)化的AM-Softmax函數(shù)層給出故障預測結果。

圖2 故障診斷評估模型架構

基于MobileNet神經(jīng)網(wǎng)絡架構來提取紅外圖像信息，無需人工設計特征即可完成特征學習，其包含的語義信息更加豐富，因此能夠達到更精準的診斷效果。

3 實例應用和有效性分析

為了對本文提出的故障診斷模型有效性進行驗證，將故障診斷模型在相關數(shù)據(jù)集上進行實驗。

3.1 實驗數(shù)據(jù)集和實驗環(huán)境

實驗采用湘潭九華220 kV變電站的機器人巡檢項目所采集到的數(shù)據(jù)集，其中共包含了1000張典型故障電力設備紅外圖像，分為變壓器、絕緣子、互感器、隔離開關和避雷器5類設備，圖像分辨率為480像素×300像素。為了訓練和測試神經(jīng)網(wǎng)絡，將數(shù)據(jù)集按比例分為訓練集和測試集。其中測試集占數(shù)據(jù)集的30%，共300張圖片，用于對模型最終故障診斷能力的評估；訓練集占數(shù)據(jù)集的70%，為增強模型魯棒性和泛化能力，隨機進行旋轉、裁剪、添加噪聲等數(shù)據(jù)增強操作，最終得到900張圖片，用于對神經(jīng)網(wǎng)絡的訓練。

整個模型代碼使用Python語言進行編寫，深度學習框架為TensorFlow，界面顯示使用OpenCV庫。實驗中使用的顯卡為NVIDIA GTX 1080，訓練過程中對模型進行300個epoch的訓練。初始學習率設置為0.001，并使用multistep學習率下降策略，在進行第60、120、180、240個epoch時，根據(jù)收斂情況下調學習率。

3.2 實驗結果及分析

為了最終模型的表現(xiàn)，本文采用故障設備召回率（Recall）和故障設備預測準確率（Precision）。故障設備召回率（Recall）是針對原來的樣本而言的，其表示的是樣本中的正例有多少被預測正確。故障設備預測準確率（Precision）是針對預測結果而言的，其表示的是預測為正的樣本中有多少是真正的正樣本。數(shù)學描述如下

通過表1的預測結果，可以看出對于不同的電力設施，模型表現(xiàn)出不同的故障預測準確率。這其中的原因主要是因為對于其中一些設備的拍攝，會存在遮擋和周圍物件干擾的情況。另外在數(shù)據(jù)量上，各類設備并不是平均的，這使樣本數(shù)量少的設備故障診斷結果相對較低。但在召回率超過80%，精確率超過70%時，即可對生產(chǎn)管理提供較好的參考依據(jù)，因此，本文提出的故障診斷模型可以滿足生產(chǎn)中的需求。

表1 模型預測結果

4 故障診斷應用平臺的設計方案

隨著信息科技行業(yè)的發(fā)展，搭建企業(yè)內部管理平臺的門檻也越來越低，許多電力企業(yè)通過建設在線實時監(jiān)測系統(tǒng)，來提高智能化和企業(yè)管理水平。電力設備故障診斷的實時化和智能性，對于電力企業(yè)有著非常重大的意義。本文從感應器數(shù)據(jù)收集、基礎功能、安全業(yè)務等方面，提出了故障診斷應用平臺的設計方案。

整個系統(tǒng)利用實時傳感器，對各個電力設備紅外信息進行收集，并將數(shù)據(jù)傳入處理平臺。在平臺中，可以對數(shù)據(jù)進行格式處理、存儲備份等基礎功能。業(yè)務人員可以按照需求，根據(jù)數(shù)據(jù)信息對各設備運行狀態(tài)進行檢查。平臺也將實時對數(shù)據(jù)進行分析處理，當設備可能出現(xiàn)故障時，將給出設備故障預警，并依照規(guī)定給出有效的應急處理方案，如圖3所示。

圖3 故障診斷應用平臺系統(tǒng)架構

5 結束語

電力設備故障診斷對于電力系統(tǒng)的安全平穩(wěn)運行有著重要的意義。本文提出了基于MobileNet神經(jīng)網(wǎng)絡的電力設備故障診斷模型。通過數(shù)據(jù)增強手段，解決了故障樣本較少和網(wǎng)絡過擬合的問題，AM-Softmax函數(shù)提升了設備故障分類準確率。實驗表明，模型故障診斷能力可以滿足生產(chǎn)需要。故障診斷應用平臺的設計方案對企業(yè)搭建實時在線故障診斷平臺、提高管理水平有借鑒和參考價值。