萬四維，廖肇毅，何俊達

（廣東電網(wǎng)有限責任公司東莞供電局，廣東東莞 523000）

高壓開關(guān)柜是輸配電系統(tǒng)的重要組成部分，一旦開關(guān)柜損壞，將會造成巨大的經(jīng)濟損失，所以有必要對高壓開關(guān)柜的負荷數(shù)據(jù)進行分析。常規(guī)機器學習能夠有效地檢測和診斷高壓開關(guān)柜的故障，但也存在一些難以解決的問題，如挖掘速度較慢、挖掘效果有限、歷史數(shù)據(jù)和計算量較少、挖掘精度較低[1-4]。

針對上述傳統(tǒng)系統(tǒng)存在的問題，提出了一種基于深度學習的高壓開關(guān)柜負荷數(shù)據(jù)智能挖掘系統(tǒng)設(shè)計方法，該方法能夠詳細分析出高壓開關(guān)設(shè)備負荷數(shù)據(jù)隱藏的復(fù)雜特征，并在復(fù)雜的監(jiān)測任務(wù)條件下，準確挖掘高壓開關(guān)柜負荷數(shù)據(jù)。

1 系統(tǒng)硬件結(jié)構(gòu)設(shè)計

高壓開關(guān)柜采用了先進ARM+DSP 雙CPU，接收開關(guān)柜監(jiān)控器采集的三相電流數(shù)據(jù)，通過IEC61850協(xié)議發(fā)送到站控服務(wù)中心，實現(xiàn)了開關(guān)柜遠程監(jiān)控功能。系統(tǒng)硬件結(jié)構(gòu)如圖1 所示。

圖1 系統(tǒng)硬件結(jié)構(gòu)

1.1 適配器

適配器用于處理代理的初始化信息，實現(xiàn)代理和遠程數(shù)據(jù)采集系統(tǒng)的通信。這個系統(tǒng)包含了每個代理的健康狀況、位置以及當前的系統(tǒng)資源。每一個代理在適配器中都有一個別名，因此代理在通信時只需知道其別名即可決定在何處運行。該適配器的另一個功能是分解由UIA 發(fā)送的挖掘請求，然后分別將其發(fā)送到相應(yīng)的DMA 中[5]，在挖掘過程結(jié)束后，將結(jié)果直接合并發(fā)送給UIA。

1.2 負荷數(shù)據(jù)監(jiān)測器

負荷數(shù)據(jù)監(jiān)測器主要用于監(jiān)控箱體絕緣特性，如圖2 所示。

由圖2 可知，在線監(jiān)測器是由檢波電路、IED、一體化信息平臺組成的，通過高頻雙屏蔽天線傳輸局放信號，經(jīng)過檢波電路獲取盡可能多的放電信息，同時能更好地抑制噪聲干擾[6]。采用雙臂螺旋高頻雙屏蔽天線，可檢測500～1 500 MHz 頻帶內(nèi)的局放信號。通過IED 顯示屏實現(xiàn)高頻雙屏蔽結(jié)果，并將該結(jié)果通過光纖傳輸給一體化信息平臺，完成數(shù)據(jù)監(jiān)測[7]。

圖2 負荷數(shù)據(jù)監(jiān)測器

1.3 服務(wù)器

采用ARM9芯片S3C2440A 和TMS320F28335 的雙CPU 結(jié)構(gòu)設(shè)計了控制器，外圍分別設(shè)置CAN 網(wǎng)絡(luò)接口，RS-485 網(wǎng)絡(luò)接口以及RFID 模塊，并使用IRIG-B 碼匹配提供精確且統(tǒng)一的時間基準[8]。高電壓開關(guān)柜充分考慮了電磁干擾對設(shè)備的影響，在供電部分設(shè)計時對供電進行了劃分和隔離[9]。服務(wù)器結(jié)構(gòu)如圖3 所示。

圖3 服務(wù)器結(jié)構(gòu)

由圖3 可知，監(jiān)控信息由服務(wù)器通過CAN 總線或485 總線傳送到智能交換機，智能識別單元通過RFID 模塊識別交換設(shè)備的信息，并根據(jù)IEC61850 協(xié)議與服務(wù)中心進行通信，實現(xiàn)遠程監(jiān)控功能[10]。

1.4 電源電壓

采用開關(guān)電源模塊，將輸入交流220 V 轉(zhuǎn)換為DC 5 V，再由線性穩(wěn)壓器芯片MIC29502BU 轉(zhuǎn)換為3.3 V，最后通過調(diào)節(jié)芯片LM1117，將3.3 V 電壓轉(zhuǎn)換為1.5 V 作為電源。

受開關(guān)柜高壓條件的限制，監(jiān)控裝置電源必須在內(nèi)部配置，使用固定能量源，如蓄電池等，無法保證系統(tǒng)的長期運行[11]，為此，設(shè)計了一種特殊的電流互感器，用坡莫合金作為鐵芯，以確保鐵芯在低電流下勵磁磁芯飽和時產(chǎn)生高磁電流，從而使感應(yīng)電壓的變化范圍變小[12]，在母線溫度升高時，根據(jù)斷路器接觸點及電流特性，利用電磁感應(yīng)監(jiān)測原理，從斷路器接觸板或母線上直接獲取設(shè)備低壓電源。

1.5 挖掘引擎

與一般的數(shù)據(jù)庫查詢不同，挖掘引擎利用數(shù)據(jù)挖掘技術(shù)對數(shù)據(jù)庫進行處理，使特定的對象集產(chǎn)生特定的查詢集合，并根據(jù)查詢集合自動訪問數(shù)據(jù)庫，從而挖掘數(shù)據(jù)庫中的隱藏規(guī)則。該挖掘引擎以高壓開關(guān)設(shè)備負荷數(shù)據(jù)庫和負荷信息庫為核心，實現(xiàn)了高壓開關(guān)設(shè)備負荷數(shù)據(jù)的數(shù)據(jù)挖掘[13-14]。圖4 所示為挖掘引擎系統(tǒng)結(jié)構(gòu)。

圖4 挖掘引擎系統(tǒng)結(jié)構(gòu)

挖掘引擎以對象、領(lǐng)域知識和模式信息為輸入，系統(tǒng)會產(chǎn)生一些隨機查詢數(shù)據(jù)，把這些查詢數(shù)據(jù)作為數(shù)據(jù)庫模型輸入，系統(tǒng)預(yù)測并評估返回結(jié)果。

2 系統(tǒng)軟件部分設(shè)計

數(shù)據(jù)挖掘是從大量數(shù)據(jù)中發(fā)現(xiàn)隱藏的規(guī)律，從而解決數(shù)據(jù)應(yīng)用的質(zhì)量問題[15-16]。數(shù)據(jù)挖掘原理示意圖如圖5 所示。

圖5 數(shù)據(jù)挖掘原理示意圖

圖5 左邊模型是一個網(wǎng)絡(luò)結(jié)構(gòu)，可以在源域中進行訓(xùn)練。當源域和目標域數(shù)據(jù)的最大均值差小于閾值A(chǔ)時，學習過程無需對網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整。以標記目標域數(shù)據(jù)為微調(diào)參數(shù)，以初始網(wǎng)絡(luò)參數(shù)為初值，使用SVM 分類器分析最終診斷結(jié)果。

當最大均值差大于設(shè)定閾值A(chǔ)，但不超過閾值B時，調(diào)整后的網(wǎng)絡(luò)結(jié)構(gòu)如圖5 右邊模型所示，全聯(lián)層A、B、C 取代了三個權(quán)值層，在網(wǎng)端增加一個新的全聯(lián)層D，作為SVM 的輸入。

由于電流在不同電壓和有功功率分布數(shù)據(jù)集上的差異影響了挖掘結(jié)果精度，因此將其替換為全連接層的權(quán)重，還可以調(diào)整層連接權(quán)，以保留或放棄部分源網(wǎng)絡(luò)的權(quán)重特征選擇，學習新的網(wǎng)絡(luò)權(quán)重，達到既保留源域信息又吸收目標域信息的目的，提高網(wǎng)絡(luò)的學習能力。非調(diào)整層的參數(shù)直接從源域網(wǎng)絡(luò)中遷移和固定，而完全連接層則使用目標域數(shù)據(jù)重新訓(xùn)練并進行替換和添加，消除網(wǎng)絡(luò)中固定參數(shù)以減少學習率，并利用目標域數(shù)據(jù)對網(wǎng)絡(luò)優(yōu)化。

結(jié)合高壓開關(guān)柜硬件結(jié)構(gòu)設(shè)計，基于上述分析的智能挖掘流程如圖6 所示。

圖6 高壓開關(guān)柜負荷數(shù)據(jù)智能挖掘流程

圖6中，首先對源域、目標域數(shù)據(jù)預(yù)處理；然后利用源域數(shù)據(jù)訓(xùn)練原始深層神經(jīng)網(wǎng)絡(luò)模型或訓(xùn)練好的網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)，建立源域分類預(yù)測模型；最后通過MMD 分析源域與目標域數(shù)據(jù)的最大均值差異，確定分布距離，進行預(yù)訓(xùn)練與預(yù)處理，完成數(shù)據(jù)挖掘模型構(gòu)建。

假定F是樣本空間中連續(xù)的一組函數(shù)，則MMD可以表示為：

假定x和y是來自分布p和q的數(shù)據(jù)集，且數(shù)據(jù)集的大小分布為m和n，則MMD 經(jīng)驗值估計如下：

由式（2）可以看出，MMD 對于一個特定數(shù)據(jù)集，依賴于一個給定函數(shù)集。在p和q分布相同的情況下，根據(jù)MMD 的性質(zhì)，MMD 為0，則要求F足夠普遍。為了提高MMD 經(jīng)驗估計的收斂速度，需要根據(jù)MMD 調(diào)整原有的網(wǎng)絡(luò)結(jié)構(gòu)，從而得到新的目標域網(wǎng)絡(luò)結(jié)構(gòu)，同時有選擇地挖掘從原有網(wǎng)絡(luò)結(jié)構(gòu)訓(xùn)練得到的參數(shù)。

3 實 驗

為了驗證基于深度學習的高壓開關(guān)柜負荷數(shù)據(jù)智能挖掘系統(tǒng)設(shè)計合理性，進行實驗驗證分析[17]。

3.1 實驗環(huán)境設(shè)置

將系統(tǒng)應(yīng)用于某市機場變電站，以高壓開關(guān)柜的三相溫升監(jiān)測點溫度為示例，從2019 年9 月20 日至2019 年9 月24 日對運行數(shù)據(jù)監(jiān)測，監(jiān)測中心整體拓撲結(jié)構(gòu)如圖7 所示。

圖7 監(jiān)測中心整體拓撲結(jié)構(gòu)

3.2 實驗數(shù)據(jù)分析

在高壓開關(guān)柜各個傳感器正常工作的情況下，有效獲取實時三相負荷監(jiān)測數(shù)據(jù)，如表1 所示。

表1 三相負荷監(jiān)測數(shù)據(jù)

3.3 實驗結(jié)果與分析

分別使用基于機器學習的數(shù)據(jù)處理系統(tǒng)、基于數(shù)值模擬的數(shù)據(jù)處理系統(tǒng)和基于深度學習的數(shù)據(jù)挖掘系統(tǒng)對高壓開關(guān)柜三相負荷數(shù)據(jù)挖掘結(jié)果進行對比分析，如圖8 所示。

圖8 不同系統(tǒng)數(shù)據(jù)挖掘?qū)Ρ冉Y(jié)果

由圖8 可知，使用基于機器學習的數(shù)據(jù)處理系統(tǒng)A 相的負荷在時間為6 s時，與實際數(shù)據(jù)相差最大為5 000 kVA；B 相的負荷在時間為10 s時，與實際數(shù)據(jù)相差最大為3 000 kVA；C 相的負荷在時間為10 s時，與實際數(shù)據(jù)相差最大為3 000 kVA。使用基于數(shù)值模擬的數(shù)據(jù)處理系統(tǒng)A 相的負荷，在時間為6 s時，與實際數(shù)據(jù)相差最大為1 000 kVA；B 相的負荷在時間為4 s時，與實際數(shù)據(jù)相差最大為2 000 kVA；C 相的負荷在時間為8 s時，與實際數(shù)據(jù)相差最大為2 000 kVA。

4 結(jié)束語

該文設(shè)計了基于深度學習的高壓開關(guān)柜負荷數(shù)據(jù)智能挖掘系統(tǒng)，其智能化高壓開關(guān)柜既有傳統(tǒng)開關(guān)柜的功能，又有智能監(jiān)測與故障診斷功能，能夠在本地分析和處理開關(guān)柜的狀態(tài)時，完成相應(yīng)的操作，能夠精準挖掘負荷數(shù)據(jù)，為實現(xiàn)高壓開關(guān)柜智能控制奠定基礎(chǔ)，但其抗干擾功能還有待加強，因此，在未來的研究中要以此為重點，爭取為該領(lǐng)域的相關(guān)研究提供參考。