萬 樂

（煙臺工程職業(yè)技術(shù)學(xué)院）

0 引言

電力系統(tǒng)是現(xiàn)代社會的重要組成部分，它們依賴于復(fù)雜的輸電變電設(shè)備網(wǎng)絡(luò)來保障能源的分配和傳輸［1］。因此，對輸電變電設(shè)備的可靠性和穩(wěn)定性提出了更高的要求。為了實現(xiàn)這一目標，電力行業(yè)正在積極探索基于云平臺的故障率預(yù)測技術(shù)［2］。云平臺提供了強大的計算和存儲資源，可處理大規(guī)模數(shù)據(jù)，實現(xiàn)實時監(jiān)測和預(yù)測。

1 云平臺在電力行業(yè)中的應(yīng)用

云平臺在電力行業(yè)中的應(yīng)用已取得顯著進展［3］。它可用于數(shù)據(jù)存儲、實時監(jiān)測、分析和可視化。通過將傳感器數(shù)據(jù)上傳到云平臺，操作人員可遠程監(jiān)控設(shè)備狀態(tài)。云平臺還可存儲歷史數(shù)據(jù)，用于故障率預(yù)測模型的訓(xùn)練和改進。

2 數(shù)據(jù)采集和處理

2.1 傳感器觀測變量

為了進行故障率預(yù)測，首先定義一組傳感器觀測變量，這些變量包括電流、電壓、溫度、濕度等。數(shù)據(jù)采集過程可表示為：

式中，N是采樣點的數(shù)量；t是時間戳。這些采樣的原始數(shù)據(jù)包含噪聲和異常值，因此需要進行數(shù)據(jù)清洗和預(yù)處理。

2.2 數(shù)據(jù)清洗

數(shù)據(jù)清洗的目的是檢測和修復(fù)異常值，以確保數(shù)據(jù)的質(zhì)量和可用性［4］。異常值的檢測和表示如下：

（1）計算觀測變量Xi的均值μi和標準差σi，計算如下：

（2）設(shè)置異常值的閾值為α，隨后定義異常值的界限。異常值可表示為以下條件：

若某個數(shù)據(jù)點Xi(t)k超過上述條件的閾值，則被視為異常值。這些異常值代表數(shù)據(jù)中的錯誤、干擾或設(shè)備故障等問題。一旦檢測到異常值，可刪除這些異常值，以確保數(shù)據(jù)的準確性和可信度。

2.3 數(shù)據(jù)預(yù)處理

在數(shù)據(jù)清洗之后，進行數(shù)據(jù)預(yù)處理，包括平滑、插值和特征工程。

2.3.1 數(shù)據(jù)平滑

在數(shù)據(jù)平滑中，本研究使用滑動窗口法進行平均濾波，其中M表示窗口的大小。平均濾波可以表示為：

式中，Xi（tk）是經(jīng)過平滑后的觀測值，Xi（tk－j）是原始觀測值。經(jīng)過平滑后的數(shù)據(jù)可減少數(shù)據(jù)的波動，使其更適合用于后續(xù)的分析。隨后，進行數(shù)據(jù)插值以確保數(shù)據(jù)的連續(xù)性。

2.3.2 數(shù)據(jù)插值

數(shù)據(jù)插值用于填補缺失的數(shù)據(jù)點，以保持時間序列的完整性。本研究使用線性插值填補缺失的數(shù)據(jù)點。線性插值是一種常見的方法，它通過使用相鄰時間點的觀測值來估算缺失數(shù)據(jù)點，可用公式表示為：

2.3.3 特征工程

最后，進行特征工程，提取統(tǒng)計特征，以便用于故障率預(yù)測模型。統(tǒng)計特征包括平均值、方差、偏度和峰度。這些特征有助于模型捕捉數(shù)據(jù)的分布和趨勢，同時也可用于檢測異常情況。

特征工程為模型提供了有用的信息，幫助模型更好地理解數(shù)據(jù)。經(jīng)過這些數(shù)據(jù)預(yù)處理步驟，得到經(jīng)過平滑、插值和特征工程處理后的數(shù)據(jù)，這些數(shù)據(jù)可以用于訓(xùn)練故障率預(yù)測模型，提高預(yù)測的準確性和可信度。

3 基于深度前饋神經(jīng)網(wǎng)絡(luò)的故障率預(yù)測模型

深度前饋神經(jīng)網(wǎng)絡(luò)（FNN）可自動學(xué)習(xí)和捕捉數(shù)據(jù)中的復(fù)雜模式和關(guān)聯(lián)，從而提供準確的設(shè)備故障率估計，以實現(xiàn)輸電變電設(shè)備故障率預(yù)測［5］。因此本研究選擇深度前饋神經(jīng)網(wǎng)絡(luò)建立輸電變電設(shè)備故障率預(yù)測模型。輸電變電設(shè)備故障率預(yù)測模型的建立過程如下：

（1）數(shù)據(jù)準備。首先，將經(jīng)過數(shù)據(jù)預(yù)處理的數(shù)據(jù)集分為訓(xùn)練集和測試集。數(shù)據(jù)集中的大部分數(shù)據(jù)將用于訓(xùn)練模型，而剩余的數(shù)據(jù)將用于評估模型的性能。數(shù)據(jù)集包括多種特征作為輸入，這些特征包括設(shè)備的操作數(shù)據(jù)（如電流、電壓、溫度等）以及環(huán)境條件（如濕度、溫度、風速等）。將這些特征表示為一個輸入向量X，X的表達式如下：

其中，Xi代表不同的特征。此輸入向量將用于訓(xùn)練模型。

同時，設(shè)備的故障率作為輸出標簽也包括在數(shù)據(jù)集中。故障率可以表示為一個輸出標簽Y，Y的表達式如下：

其中，Yi代表對應(yīng)的設(shè)備的故障率。此輸出標簽將用于監(jiān)督模型的訓(xùn)練，使其學(xué)習(xí)如何根據(jù)輸入特征來預(yù)測設(shè)備的故障率。

（2）神經(jīng)網(wǎng)絡(luò)架構(gòu)設(shè)計。深度前饋神經(jīng)網(wǎng)絡(luò)包括輸入層、隱藏層和輸出層。輸入層接受來自數(shù)據(jù)集的輸入特征，隱藏層執(zhí)行非線性變換，最終輸出預(yù)測結(jié)果。本研究選擇一個包括兩個隱藏層的神經(jīng)網(wǎng)絡(luò)。每個隱藏層的神經(jīng)元數(shù)量是一個可調(diào)整的超參數(shù)，用Nhidden表示。隱藏層的數(shù)量和每個隱藏層中神經(jīng)元的數(shù)量取決于任務(wù)的復(fù)雜性和數(shù)據(jù)的特性。此神經(jīng)網(wǎng)絡(luò)的架構(gòu)可表示為：

輸入層：輸入包含D個特征且每個元素都是實數(shù)的特征向量，的表達式如下：

其中，Xj表示每個特征，j是特征的索引。

第一個隱藏層：

1）神經(jīng)元i的線性組合：

2）神經(jīng)元i的激活函數(shù)（使用ReLU）：

式中，表示第一個隱藏層中神經(jīng)元i和輸入層中特征j之間的連接權(quán)重，是第一個隱藏層中神經(jīng)元i的偏置。

第二個隱藏層：

1）神經(jīng)元i的線性組合：

2）神經(jīng)元i的激活函數(shù)（使用ReLU）：

式中，表示第二個隱藏層中神經(jīng)元i和第一個隱藏層中神經(jīng)元j之間的連接權(quán)重；是第二個隱藏層中神經(jīng)元i的偏置。

輸出層：

輸出預(yù)測值Y′：

式中，表示輸出層中神經(jīng)元i和第二個隱藏層中神經(jīng)元i之間的連接權(quán)重；b（3）是輸出層中神經(jīng)元i的偏置。

整個神經(jīng)網(wǎng)絡(luò)架構(gòu)使用ReLU作為激活函數(shù)，通過前向傳播計算輸入特征X經(jīng)過隱藏層傳遞到輸出層，從而得到故障率的預(yù)測結(jié)果Y′。隱藏層的數(shù)量和每個隱藏層中神經(jīng)元的數(shù)量都是可調(diào)整的超參數(shù)，可根據(jù)具體任務(wù)和數(shù)據(jù)集進行選擇和優(yōu)化。

神經(jīng)網(wǎng)絡(luò)架構(gòu)案例：如圖所示，本研究使用MATLAB創(chuàng)建一個包含10個特征的特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入，隨后建立兩層包含20個神經(jīng)元的隱藏層，最后設(shè)置輸出層大小，模擬輸出值。

圖 神經(jīng)網(wǎng)絡(luò)架構(gòu)案例

（3）損失函數(shù)和優(yōu)化器。在故障率預(yù)測問題中，本研究采用均方誤差（MSE）作為損失函數(shù)，以量化模型的性能。均方誤差計算模型的預(yù)測值與實際值之間的平方差的平均值，MSE的表達式如下：

式中，L（θ）表示損失函數(shù)；θ表示神經(jīng)網(wǎng)絡(luò)的參數(shù)，包括權(quán)重和偏差；N表示樣本數(shù)量；Yi表示第i個樣本的實際故障率；Y′表示第i個樣本的神經(jīng)網(wǎng)絡(luò)預(yù)測的故障率。

MSE損失函數(shù)的目標是最小化這個平方差的平均值，使模型的預(yù)測盡可能接近實際值。

為了優(yōu)化神經(jīng)網(wǎng)絡(luò)的參數(shù)（權(quán)重和偏差），本研究使用Adam優(yōu)化器。Adam優(yōu)化器結(jié)合了動量和自適應(yīng)學(xué)習(xí)率的方法，可更有效地調(diào)整學(xué)習(xí)率，以加速訓(xùn)練過程并避免陷入局部極小值。Adam優(yōu)化器的更新規(guī)則如下：

式中，mt和vt分別表示梯度的一階矩估計和二階矩估計；β1和β2是衰減率，通常設(shè)置為接近1的值；?L（θt）表示損失函數(shù)關(guān)于參數(shù)θt的梯度；＾mt和＾vt是修正后的一階和二階矩估計；α是學(xué)習(xí)率，控制了參數(shù)更新的步長；˙o是一個極小的常數(shù)，防止除零錯誤。

通過使用MSE作為損失函數(shù)和Adam優(yōu)化器，神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中逐漸調(diào)整權(quán)重和偏差，以最小化損失函數(shù)，從而更好地擬合實際的故障率數(shù)據(jù)，有助于提高故障率預(yù)測模型的準確性和性能。

（4）模型訓(xùn)練。模型訓(xùn)練是深度前饋神經(jīng)網(wǎng)絡(luò)構(gòu)建的重要階段，其目標是通過使用訓(xùn)練集的數(shù)據(jù)和故障率標簽來擬合模型參數(shù)，以使模型能夠準確預(yù)測故障率。在每個訓(xùn)練周期中，神經(jīng)網(wǎng)絡(luò)根據(jù)損失函數(shù)的梯度對權(quán)重和偏差進行更新，以最小化損失。此過程經(jīng)常需要多次迭代，直到模型收斂到一個滿意的性能水平。訓(xùn)練過程如下：

1）訓(xùn)練數(shù)據(jù)集。訓(xùn)練數(shù)據(jù)集由輸入特征數(shù)據(jù)Xtrain和相應(yīng)的故障率標簽Ytrain組成。其中，Xtrain是一個大小為Ntrain×D的矩陣，包含Ntrain個訓(xùn)練樣本，每個樣本有D個特征。Ytrain是一個大小為Ntrain×Noutput的矩陣，包含每個訓(xùn)練樣本對應(yīng)的故障率標簽，其中Noutput是輸出層的大小。

2）使用MSE損失函數(shù)訓(xùn)練模型。使用（3）中提到的均方誤差（MSE）作為損失函數(shù)，對模型進行訓(xùn)練，可表示為：

其中，θ表示神經(jīng)網(wǎng)絡(luò)的參數(shù) （權(quán)重和偏差），Yi，train表示第i個訓(xùn)練樣本的實際故障率標簽，Y′i表示神經(jīng)網(wǎng)絡(luò)對第i個訓(xùn)練樣本的預(yù)測故障率。

3）權(quán)重和偏差更新。本研究使用（3）中提到的Adam優(yōu)化器優(yōu)化算法，在每個訓(xùn)練周期中，根據(jù)損失函數(shù)的梯度，對權(quán)重和偏差進行更新。

4）迭代訓(xùn)練。訓(xùn)練過程是一個迭代的過程，每個訓(xùn)練周期更新一次權(quán)重和偏差。需要多個訓(xùn)練周期，直到模型在訓(xùn)練數(shù)據(jù)上達到最優(yōu)性能。在每個訓(xùn)練周期結(jié)束后，使用驗證數(shù)據(jù)集來評估模型的性能，并根據(jù)需要進行超參數(shù)調(diào)整。

模型訓(xùn)練的目標是通過不斷迭代調(diào)整神經(jīng)網(wǎng)絡(luò)參數(shù)，使其能夠最小化損失函數(shù)，以更好地擬合故障率數(shù)據(jù)并提高預(yù)測準確性。一旦模型收斂，它將能夠?qū)π碌奈粗獢?shù)據(jù)進行準確的故障率預(yù)測。

4 將模型部署到云平臺

云平臺為模型提供了計算和存儲資源，使得實時預(yù)測和數(shù)據(jù)處理成為可能。將已訓(xùn)練完成的深度前饋神經(jīng)網(wǎng)絡(luò)故障率預(yù)測模型部署到云平臺以接收、處理和分析實時數(shù)據(jù)流，從而提供設(shè)備狀態(tài)的實時監(jiān)測和故障率預(yù)測。部署過程如下。

（1）云計算資源配置。在部署之前，在云平臺中配置適當?shù)挠嬎阗Y源，包括虛擬機、GPU等，以支持深度學(xué)習(xí)模型的推理和實時數(shù)據(jù)處理。

（2）模型上傳。將已訓(xùn)練完成的深度前饋神經(jīng)網(wǎng)絡(luò)故障率預(yù)測模型上傳至云平臺的模型存儲庫，以供后續(xù)的推理使用。

（3）實時數(shù)據(jù)接收。在云平臺中設(shè)置實時數(shù)據(jù)接收器，用于從設(shè)備傳感器、監(jiān)測系統(tǒng)或其他數(shù)據(jù)源接收實時數(shù)據(jù)流。這包括設(shè)備操作數(shù)據(jù)、環(huán)境條件等輸入特征。

（4）數(shù)據(jù)處理和預(yù)測。云平臺的計算資源對實時數(shù)據(jù)進行處理，將其輸入到已部署的深度前饋神經(jīng)網(wǎng)絡(luò)故障率預(yù)測模型中進行預(yù)測。模型會生成實時設(shè)備故障率預(yù)測作為輸出。

（5）實時監(jiān)測。根據(jù)模型的輸出，云平臺實時監(jiān)測設(shè)備狀態(tài)，檢測異常或高風險情況。

（6）警報生成。一旦檢測到異?；蚋唢L險情況，云平臺生成警報，通知相關(guān)維護人員或決策者采取措施。

5 結(jié)束語

本研究在電力系統(tǒng)領(lǐng)域取得了顯著進展，通過融合云平臺和深度前饋神經(jīng)網(wǎng)絡(luò)，實現(xiàn)了輸電變電設(shè)備的故障率預(yù)測，為電力行業(yè)提供了更可靠和高效的解決方案。未來的工作將集中在進一步提高預(yù)測性能、擴展應(yīng)用領(lǐng)域以及完善實時監(jiān)測和警報系統(tǒng)，為智能電力系統(tǒng)的發(fā)展和可持續(xù)性做出貢獻。