姜俊秋 車德敏

（1.山東興燁電力科技有限公司 2.煙臺未來自動裝備有限責任公司）

0 引言

隨著全球的工業(yè)化和現(xiàn)代化，電力系統(tǒng)已經成為現(xiàn)代社會生活的核心部分。從家庭、工廠到關鍵基礎設施，電力系統(tǒng)的穩(wěn)定性和連續(xù)性對于維護社會運行和經濟發(fā)展都至關重要。然而，由于系統(tǒng)的復雜性和外部環(huán)境的多變性［1］，故障和中斷在電力系統(tǒng)中仍然是一個不可避免的問題。這些故障不僅可能導致經濟損失，還可能影響人們的生活，并在某些情況下，造成安全事故。

近年來，人工智能（AI）技術在諸多領域都已經展現(xiàn)出其強大的潛力。從醫(yī)療、金融到自動駕駛，AI的應用不僅提高了效率，還創(chuàng)造了新的可能性。考慮到AI的這些優(yōu)勢，其在電力系統(tǒng)中的應用也成為了研究的焦點。特別是深度學習技術憑借其強大的數(shù)據(jù)驅動能力，有望對故障進行更為精確的檢測［2］。此外，通過結合強化學習，我們還可以實現(xiàn)電力系統(tǒng)的自動修復［3］，從而大大提高系統(tǒng)的穩(wěn)定性和可靠性。

鑒于此，本文旨在利用深度學習方法構建一個先進的電力系統(tǒng)故障檢測模型，并進一步通過強化學習實現(xiàn)自動修復策略。我們希望通過這種結合，為電力系統(tǒng)提供一個更為穩(wěn)健、快速且自適應的故障應對機制。

1 基于深度學習的電力系統(tǒng)故障檢測方法

1.1 基于循環(huán)神經網(wǎng)絡（RNN）的時間序列數(shù)據(jù)分析

電力系統(tǒng)中的數(shù)據(jù)，特別是傳感器數(shù)據(jù)，通常呈現(xiàn)出時間序列的特性，如電流、電壓、頻率等參數(shù)隨時間的變化。為了有效捕捉這些時間序列數(shù)據(jù)中的模式和關系，循環(huán)神經網(wǎng)絡（RNN）成為了一個理想的選擇［4］。

RNN是設計用來處理序列數(shù)據(jù)的，其基本思想是利用序列中元素之間的時間依賴關系。傳統(tǒng)的神經網(wǎng)絡（如全連接網(wǎng)絡或卷積神經網(wǎng)絡）無法實現(xiàn)這一點，因為它們沒有內部狀態(tài)的概念。RNN的一個關鍵特點是它擁有一個內部狀態(tài)，可以記住過去的信息。

考慮時間序列數(shù)據(jù)x（t），其中t表示時間步。RNN更新其狀態(tài)h（t）通過以下公式表示：

式中，W 和U分別是權重矩陣；b是偏置量；σ是激活函數(shù)，往往使用Sigmoid或tanh函數(shù)。

圖 一個簡化的RNN單元及其時間展開圖

對于電力系統(tǒng)中的時間序列數(shù)據(jù)，RNN可以在每個時間步捕獲和記住之前步驟中的模式，這對于識別和預測系統(tǒng)中的長期依賴性和動態(tài)變化特別有價值。

1.2 數(shù)據(jù)采集與預處理

1.2.1 電力系統(tǒng)實時數(shù)據(jù)獲取

需要從電力系統(tǒng)中收集實時數(shù)據(jù)，這通?？梢酝ㄟ^已經部署在系統(tǒng)中的各種傳感器和儀器完成。數(shù)據(jù)可能包括但不限于：電壓、電流、功率、頻率等。采集的實時傳感器信息如表1所示。

表1 電力系統(tǒng)故障檢測中采集的實時傳感器信息

1.2.2 數(shù)據(jù)清洗及標準化

我們需要進行數(shù)據(jù)清洗，對于這些傳感器數(shù)據(jù)，可能存在的問題包括數(shù)據(jù)缺失、異常值和噪聲。對于缺失值，直接刪除含有缺失值的記錄。特別是對于時間序列數(shù)據(jù)，使用前一個時間點的數(shù)據(jù)或后一個時間點的數(shù)據(jù)進行填充。異常值，我們可以設定一個閾值，超過或低于這個閾值的數(shù)據(jù)被認為是異常值，對于噪聲，我們可以使用平滑法或濾波法來處理。

數(shù)據(jù)標準化是一個關鍵步驟，尤其是當使用深度學習模型時。標準化可確保所有輸入特征都在相同的尺度上減少量綱的影響，這有助于模型的訓練。常見的方法是Min-Max標準化或Z-score標準化。

式中，μ為平均值；σ為標準差。

1.2.3 數(shù)據(jù)增強方法

在實際電力系統(tǒng)中，故障可能不是經常發(fā)生的，這導致我們在正常和故障數(shù)據(jù)之間存在不平衡。為了提高模型的性能，可以使用故障模擬來生成額外的故障數(shù)據(jù)。另外，數(shù)據(jù)增強技術，如噪聲注入、時間扭曲等，可以進一步擴展和豐富訓練集，提高模型的泛化能力。

2 基于Q-learning的電力系統(tǒng)故障自動修復決策

強化學習（RL）為自動決策系統(tǒng)提供了一個有效的框架，其中智能體學習如何在給定環(huán)境中采取行動，以最大化某種長期的獎勵［5］。在電力系統(tǒng)故障自動修復的場景中，我們可以將電力系統(tǒng)的狀態(tài)視為環(huán)境，而采取的修復動作則是智能體的行為。

2.1 Q-learning算法簡介

Q-learning是一種無模型的強化學習方法，它估計了在給定狀態(tài)下采取某一行動所能獲得的預期未來獎勵。Q函數(shù)的定義如下：

式中，s是當前狀態(tài)；a是狀態(tài)s下采取的行動；r是采取行為a所得到的即時獎勵；γ是折現(xiàn)因子，位于0～1；s′是采取a后電力系統(tǒng)到達的新狀態(tài)；a′是新狀態(tài)下使得Q值最大的行動。

2.2 電力系統(tǒng)自動修復的應用

在電力系統(tǒng)中，狀態(tài)s可以是由各種傳感器讀數(shù)、電力流、頻率等構成的向量。行動a可能包括：切斷某個電路、更改配電方式、啟動備用電源等。獎勵函數(shù)設計尤為關鍵。例如，成功修復故障可以給予正的獎勵，而系統(tǒng)中斷或過載可能會得到負的獎勵。這里使用電力分配效率η和負荷均勻度δL的線性疊加表示采取措施后，電力系統(tǒng)的整體運行狀態(tài)：

式中，k1，k2為網(wǎng)絡超參數(shù)，人為設定。

2.3 訓練實施

初始化：所有的Q值都被初始化為0。

探索與利用：采用ε-greedy策略，智能體以ε的概率隨機選擇一個行動，以1-ε的概率選擇當前Q值最大的行動。

學習：采取行動，并觀察獎勵和新的狀態(tài)，然后使用上述Q函數(shù)更新規(guī)則來更新Q值。

迭代：重復上述過程，直到Q值收斂。

3 實驗設計與結果分析

3.1 數(shù)據(jù)來源

本文首先基于歷史數(shù)據(jù)進行數(shù)據(jù)獲取，針對某小型電力系統(tǒng)，過去的電力系統(tǒng)運行數(shù)據(jù)包括了系統(tǒng)在正常操作和已知故障情況下的記錄。這些歷史數(shù)據(jù)不僅可以用于分析電力系統(tǒng)的正常運行模式，還可以用于建立故障檢測模型和算法，以便在實際運行中檢測異常情況并進行診斷。包括上文所提及的多種傳感器所采集的數(shù)據(jù)。

然后，針對數(shù)據(jù)不均衡問題，本文采用故障模擬的方法，基于真實的電力系統(tǒng)模型，通過模擬各種故障情況，如短路、過載和設備故障等，可以生成標記的故障數(shù)據(jù)。這些故障模擬數(shù)據(jù)對于系統(tǒng)的故障檢測和診斷算法的訓練和驗證非常有用，因為它們提供了各種故障情況下的參考數(shù)據(jù)。從而擴充數(shù)據(jù)集，實現(xiàn)數(shù)據(jù)增強。

最后，為驗證本文提出的基于人工智能的電力系統(tǒng)故障檢測與自動修復方法的實時性與有效性，電力系統(tǒng)通過各種傳感器，如電流傳感器、電壓傳感器和頻率傳感器等，實時采集運行數(shù)據(jù)。這些傳感器持續(xù)地監(jiān)測電力系統(tǒng)的各個參數(shù)，并提供實時信息，以便對系統(tǒng)狀態(tài)進行實時監(jiān)控和分析。

3.2 評價指標

針對本文所提出的基于人工智能的電力系統(tǒng)故障檢測與自動修復方法，我們采用四種評價指標對其結果進行評價。

（1）故障檢測準確率：衡量RNN模型正確檢測電力系統(tǒng)故障的能力，是一個二分類問題，公式表達如下：

（2）故障類型分類準確率：衡量RNN模型對故障類型的分類能力，其公式與式（6）一致。

（3）自動修復成功率：衡量強化學習模型成功修復電力系統(tǒng)故障的能力，這里結果用自動修復過程中施以Q-learning輸出的動作之后的故障排除率表示。

（4）系統(tǒng)穩(wěn)定性：在自動修復后，系統(tǒng)應維持其穩(wěn)定運行的狀態(tài)，這里用修復后開始到下一次相同故障狀態(tài)之間時間的均值表示，由于這里單位是在模擬環(huán)境下進行，因此量綱直接取為1。

3.3 實驗流程

首先，數(shù)據(jù)預處理是一個關鍵的初始步驟。在這個階段，我們對收集的數(shù)據(jù)進行清洗、標準化和分割，以便創(chuàng)建訓練集和測試集，其中訓練和測試集將被分為4∶1，并且各種故障之間的記錄也將被均勻分布到訓練集和測試集中，以防止對某一類預測結果的傾向。

然后，進入模型訓練的階段。在這個階段，我們采用兩種不同的方法來訓練模型：

（1）RNN模型訓練：我們使用訓練集來訓練RNN模型，以便它能夠檢測和分類電力系統(tǒng)的故障。

（2）強化學習模型訓練：在一個模擬環(huán)境中，我們使用Q-learning來訓練模型，使其能夠學習自動修復策略。

最后，我們進行系統(tǒng)的測試與性能評估，根據(jù)上述評價指標來評估模型的性能。這個階段可以幫助我們了解模型的有效性和適用性，以及在電力系統(tǒng)維護和管理中的實際價值。

（1）RNN模型測試：使用測試集，我們對RNN模型的故障檢測和分類性能進行評估。

（2）強化學習模型測試：在模擬環(huán)境或實際環(huán)境中，我們評估強化學習模型的自動修復性能。

3.4 實驗結果與分析

基于人工智能的電力系統(tǒng)故障診斷與自動修復結果如表2所示。

表2 基于人工智能的電力系統(tǒng)故障診斷與自動修復結果

從上表可以看出，所得到的RNN故障檢測準確率均達到80%以上，在電力系統(tǒng)自動化診斷中達到了較高的準確率，而在多分類問題中，基于RNN的分類準確率有所降低，這和故障類型選擇有關，選擇區(qū)分度更大的故障類型時，有望進一步提高其分類準確率。而在強化學習自動修復策略中，結果表明該系統(tǒng)具有一定的自動修復成功率，但距離完全脫離人工干預仍有一定差距。從系統(tǒng)穩(wěn)定的角度來看，實時電力系統(tǒng)是一個復雜多變的系統(tǒng)，該自動修復模型的穩(wěn)定性需要進一步加強。

4 結束語

本文利用RNN網(wǎng)絡模型構建了一個先進的電力系統(tǒng)故障檢測系統(tǒng)，并進一步通過強化學習實現(xiàn)自動修復策略。我們希望通過這種結合，為電力系統(tǒng)提供一個更為穩(wěn)健、快速且自適應的故障應對機制。通過實驗驗證，本文提出的方法一定程度上實現(xiàn)了電力系統(tǒng)自動化、智能化故障診斷與修復，但仍需要進一步研究來增強其穩(wěn)定性和診斷效果。