國電南瑞科技股份有限公司 張 敏

1 引言

隨著配電終端在能源轉(zhuǎn)型中的重要作用不斷凸顯，其可靠性和穩(wěn)定性變得越來越受到關注。然而，傳統(tǒng)的配電終端故障診斷方法存在一些不足，如診斷準確率不高、依賴人工經(jīng)驗等問題，難以滿足新能源時代對配電終端故障自診斷的要求。

近年來，基于數(shù)據(jù)驅(qū)動的配電終端缺陷分析及自診斷方法備受關注。這些方法通過采集、處理大量的實時數(shù)據(jù)，利用數(shù)據(jù)挖掘、機器學習、深度學習等方法，建立配電終端缺陷分類及診斷模型，實現(xiàn)對配電終端故障的準確自診斷。

2 簡述傳統(tǒng)的配電終端故障診斷方法的不足

一是難以處理大量數(shù)據(jù)：傳統(tǒng)方法主要依靠人工經(jīng)驗和技能，對大量的數(shù)據(jù)難以進行有效的處理，因此往往無法充分挖掘數(shù)據(jù)的潛在信息。二是診斷結果不準確：由于傳統(tǒng)方法主要依賴于人工經(jīng)驗，所以存在主觀性和不確定性，導致診斷結果可能存在誤差和偏差。三是無法應對多變復雜的故障：配電終端設備在使用過程中會面臨多種類型的故障，而傳統(tǒng)方法難以適應各種復雜情況，導致診斷效果不佳[1]。四是人工成本高：傳統(tǒng)方法需要專業(yè)人員進行操作和判斷，所以需要耗費大量的人力和時間成本，增加了企業(yè)的運營成本。

3 數(shù)據(jù)驅(qū)動缺陷分析

3.1 簡介基于數(shù)據(jù)驅(qū)動的方法

基于數(shù)據(jù)驅(qū)動的配電終端缺陷分析及自診斷方法與流程如圖1所示。

圖1 基于數(shù)據(jù)驅(qū)動的配電終端缺陷分析及自診斷方法與流程

基于數(shù)據(jù)驅(qū)動的方法是指通過分析和挖掘大量的數(shù)據(jù)，建立數(shù)據(jù)模型來描述和預測某個系統(tǒng)或者過程的行為和性能。在配電終端缺陷分析中，數(shù)據(jù)驅(qū)動的方法可以通過收集和處理配電終端的實時數(shù)據(jù)、歷史數(shù)據(jù)和環(huán)境數(shù)據(jù)等多種數(shù)據(jù)源，運用數(shù)據(jù)挖掘、機器學習等相關技術，從中提取出與缺陷相關的特征，并利用這些特征進行故障診斷和預測。

3.2 數(shù)據(jù)采集及處理方法

在數(shù)據(jù)驅(qū)動的缺陷分析中，數(shù)據(jù)的采集和處理是非常重要的步驟。以下是一些常見的數(shù)據(jù)采集和處理方法。

一是傳感器數(shù)據(jù)采集。配電終端設備通常配備各種類型的傳感器，可以實時監(jiān)測設備的運行狀況，例如電流、電壓、溫度等。這些傳感器可以連續(xù)記錄數(shù)據(jù)，并將其存儲到數(shù)據(jù)庫中。二是數(shù)據(jù)清洗。由于數(shù)據(jù)采集過程中可能會出現(xiàn)數(shù)據(jù)噪聲、缺失值等問題，因此需要進行數(shù)據(jù)清洗，以保證數(shù)據(jù)的準確性和完整性。三是特征提取。在對數(shù)據(jù)進行缺陷分析時，需要提取與缺陷相關的特征。特征提取的目的是將原始數(shù)據(jù)轉(zhuǎn)換為易于分析的特征向量，例如平均值、方差、最大值、最小值等。四是數(shù)據(jù)標注。在對數(shù)據(jù)進行分類時，需要對數(shù)據(jù)進行標注，即將每個數(shù)據(jù)樣本與其對應的缺陷類型進行關聯(lián)。數(shù)據(jù)標注通常需要專業(yè)人員進行。五是數(shù)據(jù)集劃分。為了評估缺陷分析算法的性能，需要將數(shù)據(jù)集劃分為訓練集、驗證集和測試集。訓練集用于訓練模型，驗證集用于調(diào)整模型參數(shù)，測試集用于評估模型性能[2]。

3.3 特征提取方法

在基于數(shù)據(jù)驅(qū)動的缺陷分析中，特征提取是一個關鍵的步驟。特征提取可以理解為將原始數(shù)據(jù)轉(zhuǎn)化為有意義的特征向量，這些特征向量能夠表達數(shù)據(jù)的本質(zhì)特性，并且有助于后續(xù)的分類和診斷。特征提取的目的是盡可能地保留原始數(shù)據(jù)的信息，同時減少冗余信息和噪聲。常用的特征提取方法如下。

一是時域特征提取。時域特征包括均值、方差、標準差、最大值、最小值、峰值、均方根值等，可以反映信號的振幅、波形、頻率等特性。二是頻域特征提取。頻域特征包括功率譜密度、自相關函數(shù)、互相關聯(lián)函數(shù)、峰值頻率等，可以反映信號的頻率成分和相位關系等特性。三是小波變換特征提取。小波變換是一種數(shù)學方法，可以將信號分解成多個尺度的小波系數(shù)，每個小波系數(shù)代表了不同頻率的信號成分。通過對小波系數(shù)的處理，可以得到許多特征，例如小波包能量、小波包熵、小波包標準差等。四是奇異值分解特征提取。奇異值分解是一種矩陣分解方法，可以將原始數(shù)據(jù)矩陣分解成三個矩陣，其中一個矩陣包含了數(shù)據(jù)的主要特征。通過對這個矩陣的處理，可以得到許多特征，例如，能量、熵、主成分等。五是時頻域特征提取。時頻域特征是將時域和頻域特征結合起來的特征，例如短時傅里葉變換、小波包變換等。

3.4 缺陷分類及診斷方法

缺陷分類及診斷方法是數(shù)據(jù)驅(qū)動缺陷分析中的一個重要環(huán)節(jié)。在特征提取之后，需要對提取的特征進行分類和診斷，以判斷終端設備的運行狀態(tài)是否正常。常見的缺陷分類包括短路、過載、接觸不良以及斷路等。針對不同的缺陷類型，可以采用不同的分類算法。例如，可以使用支持向量機、決策樹、神經(jīng)網(wǎng)絡等機器學習算法進行分類。在缺陷診斷方面，一般采用模型匹配或模式識別的方法。模型匹配指通過與已有模型進行匹配，找到與故障特征最相似的模型，從而判斷故障類型。模式識別則是利用已有的模式庫和故障庫，對輸入的數(shù)據(jù)進行匹配，以判斷故障類型。綜合考慮缺陷分類和診斷方法，可以實現(xiàn)對配電終端設備的缺陷自動診斷。

4 配電終端自診斷方法

4.1 簡述基于規(guī)則的自診斷方法

基于規(guī)則的自診斷方法，即通過事先編寫一系列規(guī)則，對配電終端的數(shù)據(jù)進行判斷和分類，從而實現(xiàn)對故障的自動診斷。這種方法相對于傳統(tǒng)的人工判斷和分析，可以提高診斷效率和準確性。規(guī)則通常由專家團隊編寫，基于經(jīng)驗和知識，將診斷過程形式化，并將其轉(zhuǎn)化為一系列規(guī)則。這些規(guī)則可以是基于IF-THEN 的條件語句或者基于決策樹的結構等。當輸入的數(shù)據(jù)符合某個規(guī)則時，就會觸發(fā)該規(guī)則，并根據(jù)規(guī)則的結果進行故障判斷和分類。這種方法的優(yōu)點是規(guī)則易于理解和解釋，能夠快速進行診斷，但是其適用性和可擴展性受限于規(guī)則的數(shù)量和質(zhì)量。如果規(guī)則不夠完備或者存在漏洞，就會導致診斷的準確性和可靠性下降。

4.2 基于機器學習的自診斷方法

基于機器學習的自診斷方法利用機器學習算法對采集到的配電終端數(shù)據(jù)進行分析和訓練，從而實現(xiàn)對配電終端缺陷的自動識別和診斷。常用的機器學習算法包括支持向量機（SVM）、決策樹、神經(jīng)網(wǎng)絡等。在使用機器學習方法進行配電終端自診斷時，主要步驟如下。

一是數(shù)據(jù)采集。采集配電終端運行狀態(tài)下的各種參數(shù)數(shù)據(jù)，包括電流、電壓、功率等；二是數(shù)據(jù)預處理。對采集到的數(shù)據(jù)進行清洗、去噪和歸一化處理，使得數(shù)據(jù)更加準確和可靠；三是特征提取。提取配電終端數(shù)據(jù)中的特征信息，如頻率、振幅、相位等；四是數(shù)據(jù)標記。將提取到的特征數(shù)據(jù)進行標記，以便機器學習算法進行學習和分類；五是模型訓練。使用機器學習算法對標記過的數(shù)據(jù)進行訓練，生成自診斷模型；六是缺陷診斷。使用訓練好的自診斷模型對新的配電終端數(shù)據(jù)進行分類，判斷是否存在缺陷并進行診斷。

4.3 基于深度學習的自診斷方法

基于深度學習的自診斷方法是利用深度神經(jīng)網(wǎng)絡對配電終端缺陷進行自動分類和診斷。深度學習是一種基于多層神經(jīng)網(wǎng)絡的機器學習方法，可以通過大量數(shù)據(jù)進行訓練，從而自動學習特征和規(guī)律，并生成高質(zhì)量的預測結果。在配電終端自診斷中，深度學習可以有效地發(fā)掘數(shù)據(jù)中的隱含規(guī)律和特征，對不同缺陷類型進行分類和診斷[3]?；谏疃葘W習的自診斷方法主要步驟如下。

一是數(shù)據(jù)預處理。對采集到的原始數(shù)據(jù)進行處理，如濾波、降噪、歸一化等，以便于深度神經(jīng)網(wǎng)絡進行訓練和預測；二是特征提取。使用卷積神經(jīng)網(wǎng)絡（CNN）等深度學習模型，從數(shù)據(jù)中提取出最有代表性的特征；三是模型訓練。將預處理后的數(shù)據(jù)輸入到深度神經(jīng)網(wǎng)絡中進行訓練，不斷優(yōu)化模型的參數(shù)和結構，以提高診斷準確率；四是模型評估。使用測試數(shù)據(jù)集對已訓練好的深度神經(jīng)網(wǎng)絡進行評估，計算模型的準確率、召回率、F1值等指標，評估模型的性能；五是缺陷診斷。將待診斷的數(shù)據(jù)輸入到已訓練好的深度神經(jīng)網(wǎng)絡中，對配電終端的缺陷類型進行自動分類和診斷，得出診斷結果。

5 試驗結果分析

5.1 簡述試驗設計及數(shù)據(jù)來源

在本試驗中，采用了一個基于數(shù)據(jù)驅(qū)動的配電終端缺陷分析及自診斷系統(tǒng)，用于對配電終端進行缺陷分析和自診斷。采用一些實際的配電終端數(shù)據(jù)，包括電流、電壓、溫度等參數(shù)，并通過傳感器進行實時采集。同時，還通過模擬注入一些人工故障數(shù)據(jù)，以模擬真實環(huán)境下的缺陷情況。

5.2 對比不同方法在缺陷診斷準確性及效率方面的表現(xiàn)

通過比較基于規(guī)則、機器學習和深度學習三種不同的自診斷方法在缺陷診斷準確性和效率方面的表現(xiàn)。不同自診斷方法在缺陷診斷準確性和效率的表現(xiàn)結果詳見表1。

表1 不同自診斷方法在缺陷診斷準確性和效率的表現(xiàn)結果

由表1可知，基于深度學習的自診斷方法在缺陷診斷準確性方面表現(xiàn)最好，準確率達到了95%以上，而基于規(guī)則的方法表現(xiàn)最差，準確率只有70%左右。而在診斷效率方面，基于機器學習和基于深度學習的方法都比基于規(guī)則的方法快得多，能夠更快速地完成診斷過程。

5.3 分析試驗結果并提出未來的改進方向

根據(jù)試驗結果分析，可以看出基于深度學習的方法在缺陷診斷方面表現(xiàn)最好，但同時也需要更多的數(shù)據(jù)和更復雜的模型來支持。因此，未來的改進方向可以是進一步提高數(shù)據(jù)采集和處理的效率，以更好地支持深度學習模型的應用。

還可以進一步優(yōu)化基于規(guī)則的自診斷方法，通過引入更多的規(guī)則和專家知識，來提高準確性。同時，也可以將機器學習和深度學習方法與基于規(guī)則的方法相結合，形成一種更加準確、高效的自診斷方法。

6 結語

本文介紹了基于數(shù)據(jù)驅(qū)動的配電終端缺陷分析及自診斷方法，主要包括數(shù)據(jù)采集及處理方法、特征提取方法、缺陷分類及診斷方法等方面。本文還介紹了基于規(guī)則、機器學習和深度學習三種不同的自診斷方法，并通過試驗比較不同方法在缺陷診斷準確性和效率方面的表現(xiàn)。

試驗結果表明，基于深度學習的自診斷方法在診斷準確性和效率方面都有顯著的提高。未來可以進一步研究深度學習模型的優(yōu)化和訓練方法，以提高配電終端故障診斷的準確性和效率。此外，還可以研究基于多源數(shù)據(jù)的綜合診斷方法，以進一步提高缺陷診斷的精度和可靠性?；跀?shù)據(jù)驅(qū)動的配電終端缺陷分析及自診斷方法具有很大的應用前景，可以為實現(xiàn)電力系統(tǒng)的智能化運行提供重要支持。