范德和　李新海　周恒　邱天怡　郭法安

摘 要：為了獲得準(zhǔn)確的變電設(shè)備狀態(tài)估計(jì)結(jié)果，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的狀態(tài)估計(jì)方法，利用自動(dòng)編碼器對(duì)變電設(shè)備監(jiān)測(cè)數(shù)據(jù)進(jìn)行特征約簡(jiǎn)，將其作為CNN的輸入，進(jìn)一步采用Softmax分類器對(duì)獲得的其輸出進(jìn)行分類，以獲得變電設(shè)備的狀態(tài)估計(jì)結(jié)果。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)的基于支持量機(jī)（SVM）和多層神經(jīng)感知機(jī)（MLP）相比，提出的方法在準(zhǔn)確性、靈敏度、特異性和陽(yáng)性預(yù)測(cè)性4種量化評(píng)價(jià)指標(biāo)中具有明顯的優(yōu)勢(shì)。提出的方法較其他2種方法能夠獲得更好的正檢率指標(biāo)。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò); 變電設(shè)備; 分類; 狀態(tài)估計(jì)

中圖分類號(hào)：TP391；TM76文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1001-5922（2023）06-0179-04

Analysis of intelligent control and optimization model for device operation status based on convolutional neural networks

FAN Dehe，LI Xinhai，ZHOU Heng，QIU Tianyi，GUO Faan

（Zhongshan Power Supply Bureau，Guangdong Power Grid Limited Liability Company，Zhongshan 528400，Guangdong China）

Abstract：To achieve accurate status estimation results of the substation equipment，a method based on the convolutional neural networks is proposed in this study.The monitoring data of the substation equipment is first subjected to feature reduction using an autoencoder，which serves as input to the CNN. The output of the CNN is further classified using a Softmax classifier to obtain the estimated status of the substation equipment.Experimental results demonstrate that compared to traditional methods such as support vector machines （SVM） and multi-layer perceptron （MLP），the proposed method exhibits significant advantages in terms of accuracy，sensitivity，specificity，and positive predictive value-all quantifiable evaluation metrics.The proposed method achieves better true positive rate indicators compared to other methods.

Key words：convolutional neural networks; substation equipment; classification; status estimation

電力系統(tǒng)的穩(wěn)定運(yùn)行是各行各業(yè)開(kāi)展正?；顒?dòng)的前提條件。相關(guān)研究表明，長(zhǎng)期運(yùn)行導(dǎo)致的設(shè)備老化和異常狀態(tài)是引起電網(wǎng)設(shè)備異常的主要因素［1］。雖然增強(qiáng)電網(wǎng)自身應(yīng)對(duì)各種突發(fā)緊急情況的能力是最為直接的解決方案，但需要投入昂貴的建設(shè)成本，并且一般的實(shí)施周期較長(zhǎng)。采用狀態(tài)估計(jì)的方法，可為開(kāi)展電力設(shè)備的及時(shí)維護(hù)維修提供相應(yīng)的決策支撐信息，對(duì)于在很大程度上決定電網(wǎng)設(shè)備能否正常運(yùn)行的變電設(shè)備，具有十分重要的研究?jī)r(jià)值［2-3］。

國(guó)外較早地針對(duì)電力系統(tǒng)開(kāi)展了狀態(tài)估計(jì)與故障診斷方法的相關(guān)研究［4-6］。日本和美國(guó)對(duì)電力系統(tǒng)中的輸變電設(shè)備，開(kāi)展了在線狀態(tài)評(píng)估技術(shù)研究。20世紀(jì)90年代，美國(guó)已經(jīng)能夠?qū)崿F(xiàn)三分之一左右的電力設(shè)備狀態(tài)檢測(cè)。然而，隨著電力設(shè)備的逐漸增多，帶來(lái)了海量的狀態(tài)監(jiān)測(cè)數(shù)據(jù)，對(duì)電力設(shè)備狀態(tài)評(píng)估技術(shù)也提出了越來(lái)越高的要求。

與其他復(fù)雜系統(tǒng)類似，變電設(shè)備的維護(hù)與維修也是采用定期開(kāi)展方式。隨著技術(shù)的發(fā)展，出現(xiàn)了以專家經(jīng)驗(yàn)為基礎(chǔ)的監(jiān)測(cè)系統(tǒng)。更進(jìn)一步發(fā)展出基于物理模型、數(shù)據(jù)驅(qū)動(dòng)以及混合模型的狀態(tài)估計(jì)方法［7］。然而，變電設(shè)備的監(jiān)測(cè)參數(shù)維度較大，互相之間還存在復(fù)雜的耦合關(guān)系，利用傳統(tǒng)方法難以獲得較準(zhǔn)的狀態(tài)估計(jì)方法。在已有研究的基礎(chǔ)上，探索一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的變電設(shè)備狀態(tài)估計(jì)方法，通過(guò)提供相應(yīng)的狀態(tài)分類成果，為開(kāi)展運(yùn)維維修提供決策支撐信息，具有十分重要的應(yīng)用價(jià)值。

1 研究理論基礎(chǔ)

卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)領(lǐng)域中最為重要的人工神經(jīng)網(wǎng)絡(luò)之一。其中，最為著名的是，用基于梯度的反向傳播（BP）方法進(jìn)行有監(jiān)督訓(xùn)練而得到的7層卷積神經(jīng)網(wǎng)絡(luò)——LeNet-5［8］，并憑借其在計(jì)算機(jī)視覺(jué)領(lǐng)域的成功應(yīng)用引起了學(xué)術(shù)界的廣泛關(guān)注。

卷積神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)由3層組成：輸入層、隱藏層和輸出層，其中，隱藏層包括卷積層、激活函數(shù)、池化層、全連接層。以利用卷積神經(jīng)網(wǎng)絡(luò)識(shí)別車為案例，其對(duì)應(yīng)的上述各步驟的實(shí)現(xiàn)流程如圖1所示。在對(duì)輸入圖像進(jìn)行全面分析后，經(jīng)過(guò)最后步驟的分類處理，獲得識(shí)別對(duì)象是汽車、卡車、貨車、自行車等分類結(jié)果。

卷積神經(jīng)網(wǎng)絡(luò)的主要思想是將輸入層后的卷積層與前層神經(jīng)元抽取，傳播后形成子采樣層的交替。以在圖像領(lǐng)域應(yīng)用為例，將輸入圖像的（R，G，B）通道指定為3個(gè)神經(jīng)元，在足夠數(shù)量的子采樣層正向傳播時(shí)，抽取最后一層的輸出作為一維向量。當(dāng)全連接層的神經(jīng)元數(shù)量與其相同時(shí)，在輸出層能夠獲得相對(duì)應(yīng)的分類向量?？偨Y(jié)上述階段為：輸入階段;2個(gè)特征映射，以及分類階段。

1.1 卷積層

卷積層的功能是實(shí)現(xiàn)上一層與多卷積核的計(jì)算，通常需要增加偏置來(lái)獲得各層的計(jì)算結(jié)果，計(jì)算過(guò)程的公式：

2 變電設(shè)備運(yùn)行狀態(tài)監(jiān)測(cè)模型

為利用卷積神經(jīng)網(wǎng)絡(luò)開(kāi)展變電設(shè)備的狀態(tài)估計(jì)，需要先明確變電設(shè)備具有的狀態(tài)種類。

2.1 正常狀態(tài)

指變電設(shè)備能夠正常運(yùn)行，所獲得的狀態(tài)監(jiān)測(cè)數(shù)據(jù)處于正常閾值范圍之內(nèi)。

2.2 注意狀態(tài)

變電設(shè)備的某些狀態(tài)監(jiān)測(cè)數(shù)據(jù)具有向需注意的狀態(tài)變化趨勢(shì)。

2.3 異常狀態(tài)

變電設(shè)備的部分重要監(jiān)測(cè)數(shù)據(jù)變化較大，已經(jīng)出現(xiàn)了超過(guò)閾值的現(xiàn)象，需要采取相應(yīng)的處理措施。

2.4 嚴(yán)重狀態(tài)

變電設(shè)備的單個(gè)或多個(gè)重要監(jiān)測(cè)數(shù)據(jù)已嚴(yán)重超過(guò)閾值，需要立刻采取停電檢修的處理措施。

為實(shí)現(xiàn)變電設(shè)備的上述4種狀態(tài)估計(jì)，研究提出如圖2所示的狀態(tài)監(jiān)測(cè)數(shù)據(jù)處理方法。

從圖2可看出，首先對(duì)變電設(shè)備的狀態(tài)監(jiān)測(cè)數(shù)據(jù)進(jìn)行自動(dòng)編碼，獲得數(shù)據(jù)中蘊(yùn)含的特征；然后，對(duì)低維特征進(jìn)行狀態(tài)分類，以概率的形式輸出結(jié)果，其分類由多個(gè)卷積層、子樣層和全連接層來(lái)實(shí)現(xiàn)；最后，在輸出層中，利用Softmax分類器實(shí)現(xiàn)變電設(shè)備不同狀態(tài)的分類。

3 實(shí)驗(yàn)結(jié)果及分析

3.1 實(shí)驗(yàn)條件

為驗(yàn)證本文提出方法的有效性，采用變電設(shè)備中的變壓器作為典型研究對(duì)象，利用仿真生成的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)驗(yàn)證和評(píng)估。仿真數(shù)據(jù)中，4種狀態(tài)的數(shù)據(jù)均為280個(gè)樣本，利用N代表正常狀態(tài)、C代表注意狀態(tài)，A代表異常狀態(tài)，S代表嚴(yán)重狀態(tài)，為了獲得較好的卷積神經(jīng)網(wǎng)絡(luò)性能，采用10倍交叉驗(yàn)證方法擴(kuò)充訓(xùn)練樣本，實(shí)驗(yàn)數(shù)據(jù)如表1所示。

在衡量狀態(tài)分類性能方面，本文采用4個(gè)指標(biāo)來(lái)量化評(píng)估分類結(jié)果，分別為：準(zhǔn)確性（Acc）、靈敏度（Sen）、特異性（Spe）和陽(yáng)性預(yù)測(cè)性（Ppr）。

（1）Acc表示整體分類性能，即被正確分類的樣本占總樣本的百分比；

（2）Sen代表對(duì)整體分類的結(jié)果中，正確分類的非健康樣本的百分比；

（3）Ppr代表所有的非健康樣本中，被正確分類的非健康樣本的百分比；

（4）Spe代表所有健康樣本中，被正確分類的健康樣本的百分比。

3.2 實(shí)驗(yàn)結(jié)果

采用上述實(shí)驗(yàn)數(shù)據(jù)開(kāi)展實(shí)驗(yàn)驗(yàn)證，并將本文提出的方法與SVM、多層感知機(jī)進(jìn)行對(duì)比，采用上述4個(gè)量化指標(biāo)進(jìn)行結(jié)果評(píng)價(jià)。實(shí)驗(yàn)過(guò)程中，對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行降維后，再進(jìn)行4種狀態(tài)的分類，其中采用基于自動(dòng)編碼和主成分分析2種降維方法，可獲得6種對(duì)比實(shí)驗(yàn)條件，即AE CNN-MLP、AE CNN-SVM、AE CNN-Softmax、PCA CNN-MLP、PCA CNN- SVM和PCA CNN-Softma，所獲得的實(shí)驗(yàn)結(jié)果如表2所示。

由表2可知，使用2種降維方法獲得的實(shí)驗(yàn)結(jié)果，提出的方法具有明顯的優(yōu)勢(shì)。其中，基于AE降維方法獲得的實(shí)驗(yàn)結(jié)果，本方法獲得的Acc、Sen和Spe指標(biāo)均優(yōu)于其他2類方法；基于PCA降維方法獲得的實(shí)驗(yàn)結(jié)果，本方法獲得的Acc、Ppr和Spe指標(biāo)均優(yōu)于其他2類方法，上述對(duì)比實(shí)驗(yàn)結(jié)果在一定程度上證實(shí)了本文提出方法的有效性。

采用實(shí)測(cè)數(shù)據(jù)對(duì)本文提出的方法開(kāi)展適應(yīng)性驗(yàn)證，實(shí)驗(yàn)數(shù)據(jù)來(lái)自于變電站中的2018年5月至2018年10月監(jiān)測(cè)數(shù)據(jù)，覆蓋了變壓器狀態(tài)監(jiān)測(cè)的26種數(shù)據(jù)，包括阻值、電壓、油溫、油位等。實(shí)驗(yàn)過(guò)程中利用10 000條數(shù)據(jù)進(jìn)行模型訓(xùn)練，利用1 000條數(shù)據(jù)進(jìn)行驗(yàn)證，實(shí)驗(yàn)結(jié)果采用ROC曲線進(jìn)行評(píng)估，驗(yàn)證本文提出方法的泛化能力。2個(gè)組實(shí)驗(yàn)結(jié)果的ROC曲線如圖3、圖4所示。

從圖3可以看出，提出方法的正檢率可達(dá)95.1%，另外2種方法的正檢率分別為88.4%和86.0%。從圖4所示的實(shí)驗(yàn)結(jié)果，提出方法的正檢率可達(dá)94.9%，另外2種方法的正檢率分別為89.1%和85.5%。因此，無(wú)論是使用變壓器實(shí)測(cè)數(shù)據(jù)開(kāi)展模型訓(xùn)練，還是模型測(cè)試，實(shí)驗(yàn)結(jié)果均證明了本文提出方法的有效性。

4 結(jié)語(yǔ)

開(kāi)展的變電設(shè)備的狀態(tài)估計(jì)方法研究，在對(duì)其狀態(tài)監(jiān)測(cè)數(shù)據(jù)指標(biāo)特征約減的基礎(chǔ)上，采用卷積神經(jīng)網(wǎng)絡(luò)深入挖掘其中蘊(yùn)含的價(jià)值信息，進(jìn)而利用Softmax分類器實(shí)現(xiàn)4種狀態(tài)的估計(jì)。分別采用仿真數(shù)據(jù)和實(shí)測(cè)數(shù)據(jù)，與其他2種方法開(kāi)展了對(duì)比實(shí)驗(yàn)，并采用量化評(píng)價(jià)指標(biāo)評(píng)估了方法的性能，證明了提出的基礎(chǔ)卷積神經(jīng)網(wǎng)絡(luò)方法的有效性，以及實(shí)現(xiàn)變電設(shè)備狀態(tài)估計(jì)的可行性，為變電設(shè)備的狀態(tài)估計(jì)提供了一種切實(shí)可行的基礎(chǔ)方法。

【參考文獻(xiàn)】

［1］ZHONG J，LI W.Determining Optimal Inspection Intervals in Maintenance Considering Equipment Aging Failures［J］.IEEE Transactions on Power Systems，2017，32（2）： 1474-1482.

［2］李澤宇，王逸飛.考慮在線監(jiān)測(cè)信息的電力變壓器時(shí)變停運(yùn)模型［J］.電力系統(tǒng)自動(dòng)化，2017，41（8）： 63-68.

［3］鄭一鳴，何文林，王文浩，等.基于多源信息的電力變壓器全量狀態(tài)評(píng)價(jià)模型［J］.智能電網(wǎng)，2016，4（9）： 894-900.

［4］YUANBO Y E，YUEQIN S，TAIGUI H，et al.On-line state detection technology of relay protection relevant secondary circuits［J］.Automation of Electric Power Systems，2014，41（12）： 156-159.

［5］TU D，XINBO H，JIE S，et al.on-line monitoring system for capacitive equipment insulation condition in intelligent substation［J］.Electric Power Construction，2014，52（6）： 43-60.

［6］MOLDOVEANU C，HATEGAN I，RUSU A，et al.Smart grids：On-line monitoring and condition assessment of high voltage substations［C］.［s.1.］：IEEE Pes International Conference on Transmission & Distribution Construction，2017.

［7］樂(lè)健，李星銳，周謙，等.電力系統(tǒng)多區(qū)域分布式狀態(tài)估計(jì)方法［J］.電力自動(dòng)化設(shè)備，2020，40（5）： 165-173.

［8］LECUN Y，BOTTOU L.Gradient-based learning applied to document recognition［J］.Proceedings of the IEEE，1998，86（11）：2278-2324.

收稿日期：2022-10-31；修回日期：2023-04-06

作者簡(jiǎn)介：范德和（1986-），男，碩士，高級(jí)工程師，主要從事變電設(shè)備運(yùn)行、檢修、安全等管理研究；E-mail：dehefan@163.com。

基金項(xiàng)目：廣東電網(wǎng)有限責(zé)任公司科技項(xiàng)目（項(xiàng)目編號(hào)：GDKJXM20190154（032000KK52190001））。

引文格式：范德和，李新海 ，周 恒，等.基于卷積神經(jīng)網(wǎng)絡(luò)的設(shè)備運(yùn)行狀態(tài)智能控制優(yōu)化模型分析[J].粘接，2023，50（6）：179-182.