謝旭峰,陳上上,潘 攀,單振飛

國網(wǎng)泰順縣供電公司,浙江 溫州 325599

0 引言

近年來,電氣設(shè)備在各行業(yè)中廣泛應(yīng)用,但隨之而來的故障問題也不斷增加,給生產(chǎn)和運營帶來了不少困擾。為提高電氣設(shè)備的可靠性和維護效率,基于機器學(xué)習(xí)算法進行電氣設(shè)備故障的預(yù)測與診斷成為研究的熱點。本文旨在建立高效的電氣設(shè)備故障預(yù)測與診斷模型,通過提前發(fā)現(xiàn)潛在故障,實現(xiàn)設(shè)備的預(yù)防性維護,降低維修成本,提高生產(chǎn)效益。本研究的創(chuàng)新點主要聚焦于對多源數(shù)據(jù)的融合應(yīng)用,如結(jié)合傳感器數(shù)據(jù)、工作環(huán)境參數(shù)等,構(gòu)建更全面的特征空間,提高模型的預(yù)測精度。本研究將為電氣設(shè)備運維提供先進的預(yù)測與診斷工具,推動智能制造與維護管理的發(fā)展,為提高設(shè)備可靠性,降低生產(chǎn)成本作出貢獻。

1 城市電氣照明系統(tǒng)故障分析

電氣照明系統(tǒng)是城市的重要基礎(chǔ)設(shè)施,其中涉及的電氣設(shè)備可分為2類,分別為配電系統(tǒng)和路燈節(jié)點,具體則包括配電箱、電力電纜、燈桿、燈具、主電路、控制電路。受到環(huán)境因素、人為因素、設(shè)備自身因素的影響,城市電氣照明系統(tǒng)較容易出現(xiàn)故障和損壞。表1為城市電氣照明系統(tǒng)常見故障。

表1 城市公共照明系統(tǒng)故障示例

2 基于機器學(xué)習(xí)的路燈節(jié)點故障診斷建模及驗證

2.1 路燈節(jié)點故障診斷問題分析

城市路燈數(shù)量龐大、分布廣泛,為了便于管理,相關(guān)部門主要利用數(shù)字化的監(jiān)測系統(tǒng)掌握路燈的運行狀態(tài)。在該系統(tǒng)中,每個路燈都成為1個節(jié)點,其運行數(shù)據(jù)包括燈桿編號、路燈狀態(tài)、電壓、電流、功率、電壓頻率、功率因數(shù)、報警信息等[1]。當(dāng)路燈異常關(guān)閉后,系統(tǒng)會記錄這一事件,并且系統(tǒng)中預(yù)設(shè)了一系列故障編碼,通過運行數(shù)據(jù)判斷故障類型,進而以編碼的形式反映出故障類別。雖然現(xiàn)有的數(shù)字化監(jiān)管系統(tǒng)能夠識別出故障類別,但每一種故障類別通常對應(yīng)多種成因,例如配電箱閘刀開關(guān)過熱的原因包括導(dǎo)線壓接不緊、閘刀開關(guān)容量小,監(jiān)測系統(tǒng)尚不能反映出具體原因。

2.2 基于機器學(xué)習(xí)算法的路燈節(jié)點故障診斷建模

2.2.1 故障類別與屬性字段的關(guān)系

(1)

式中:f為故障類別與屬性字段之間的依賴關(guān)系,其輸出結(jié)果是一個由離散值構(gòu)成的連續(xù)函數(shù),函數(shù)中的離散值與故障特征、故障維護策略形成對應(yīng)關(guān)系,建模的關(guān)鍵是確定依賴關(guān)系f[2]。

2.2.2 路燈節(jié)點故障診斷建模

1)基于經(jīng)典ELM算法的診斷模型構(gòu)建。故障建模中使用的機器學(xué)習(xí)算法為極限學(xué)習(xí)機(extreme learning machine,ELM),其優(yōu)點為生效時間短、更新速度快,能夠適應(yīng)路燈管理的實際需求。路燈節(jié)點故障診斷在本質(zhì)上是分類問題,將故障類型的標(biāo)識記為ti,其取值范圍在集合{1,2,3,4,5}中。路燈節(jié)點運行數(shù)據(jù)用于判定故障類型,每個節(jié)點的運行數(shù)據(jù)包括20個維度的屬性。因此,在ELM模型中,需要輸入20個屬性值,相應(yīng)的故障診斷模型可表示如下。

(2)

式中:xi為第i條路燈節(jié)點數(shù)據(jù),并且有xi=(x1(i),x2(i),…,x20(i));N為路燈節(jié)點運行數(shù)據(jù)的樣本量;βj為權(quán)重;g(·)為神經(jīng)網(wǎng)絡(luò)的激活函數(shù);aj和bj是隨機生成的2個參數(shù);L為神經(jīng)網(wǎng)絡(luò)中隱藏層節(jié)點的數(shù)量;符號“〈〉”表示對計算結(jié)果進行四舍五入;Oi為模型的輸出值。

在算法模型的訓(xùn)練階段,要使損失函數(shù)達到最小化,這一要求可轉(zhuǎn)化為求得經(jīng)驗誤差的最小值,其數(shù)學(xué)表示方法如下。

(3)

在ELM算法模型中,常用的激活函數(shù)為Hardlim函數(shù)、高斯函數(shù)以及sigmoid函數(shù),在訓(xùn)練過程中,應(yīng)該測試不同激活函數(shù)的分類效果的影響。

2)基于AG-ELM算法的診斷模型優(yōu)化。在ELM算法中需要確定最佳的節(jié)點數(shù)量,如隱藏層節(jié)點數(shù),當(dāng)節(jié)點數(shù)量不同時,算法的性能也會有所差異。在ELM算法的基礎(chǔ)上引入蒙特卡洛方法的思想,形成了AG-ELM算法。以AG-ELM算法為基礎(chǔ),診斷模型每經(jīng)過1次迭代,即可優(yōu)化1次ELM算法的結(jié)構(gòu)[3]。優(yōu)化過程的核心思想是不斷減小模型的誤差,與傳統(tǒng)的ELM算法不同,AG-ELM算法中引入了誤差εL,在初始時刻,將誤差記為ε0,則有ε0=[t1,…,tn]T,即訓(xùn)練數(shù)據(jù)集上的目標(biāo)標(biāo)簽。在模型訓(xùn)練的過程中,誤差將不斷發(fā)生變化,ELM算法的隱藏層節(jié)點數(shù)與誤差存在緊密的聯(lián)系,當(dāng)隱藏層節(jié)點數(shù)為L時,誤差εL的計算方法如下。

εL=εL-1-δHLβL

(4)

式中:εL-1為前一級的誤差;βL為新增加隱藏層節(jié)點到輸出層的權(quán)重;訓(xùn)練數(shù)據(jù)集在新增隱藏層節(jié)點的輸出記為HL;δ為任意小的正值。為了降低誤差εL,需要精確計算出新增節(jié)點的權(quán)重,計算方法如下。

(5)

2.3 故障診斷模型效果檢驗

2.3.1 模型檢驗方案

在模型性能檢驗階段,利用MATLAB編寫算法程序,通過高性能計算機搭建程序運行的環(huán)境,處理器為Intel i7,操作系統(tǒng)為Win10。模型訓(xùn)練和測試的數(shù)據(jù)來自某城市路燈系統(tǒng)的真實運行數(shù)據(jù),其中包括一定比例的故障信息。試驗過程所使用的數(shù)據(jù)采集自路燈節(jié)點,為了保證數(shù)據(jù)的質(zhì)量,試驗之前應(yīng)進行數(shù)據(jù)清洗和歸一化處理,共計獲得1 000條節(jié)點運行數(shù)據(jù),將其中的800條作為訓(xùn)練集,剩余200條作為測試集。在模型效果評價階段,將準確率作為評價指標(biāo),計算方法如下。

Acc=(1-cw/ctotal)×100%

(6)

式中:Acc為準確率;cw為錯誤分類的樣本數(shù);ctotal為所有樣本的數(shù)目。

2.3.2 檢驗結(jié)果分析

對于傳統(tǒng)ELM算法,采用了4種不同的激活函數(shù)(Sigmoid、Sin、Hardlim、RBF)。在訓(xùn)練數(shù)據(jù)集上,這些激活函數(shù)導(dǎo)致了各不相同的準確率,最高為Sin函數(shù)(74%～79%),最低為Hardlim函數(shù)(21%～42%)。在測試數(shù)據(jù)集上,各個激活函數(shù)的表現(xiàn)同樣存在差異,最高為Sin函數(shù)(67.3%～72%),最低為Hardlim函數(shù)(32%～33.2%)。對于GA-ELM算法,僅采用了Sin激活函數(shù)構(gòu)建模型。該算法在訓(xùn)練數(shù)據(jù)集上表現(xiàn)出相對較高的準確率,為91%。在測試數(shù)據(jù)集上,GA-ELM算法同樣取得了較高的準確率,為89.3%。對比結(jié)果如表2所示。從中可知,以傳統(tǒng)的ELM算法為基礎(chǔ),Sin函數(shù)的準確率最高,將Sin函數(shù)應(yīng)用于GA-ELM算法,診斷模型在訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)上的準確率全面優(yōu)于ELM算法模型[4]。

表2 基于ELM算法的診斷模型和基于AG-ELM算法的診斷模型準確率對比 單位:%

相對于傳統(tǒng)ELM算法,GA-ELM算法在訓(xùn)練和測試數(shù)據(jù)集上都表現(xiàn)出更高的準確率,這可能歸因于GA-ELM算法通過遺傳算法優(yōu)化模型參數(shù),提高了模型性能。此外,在傳統(tǒng)ELM算法中,Sin激活函數(shù)在訓(xùn)練和測試數(shù)據(jù)集上都取得了相對較好的表現(xiàn)。同時,針對不同故障類型,不同激活函數(shù)對診斷準確率產(chǎn)生不同影響,強調(diào)了在特定任務(wù)中選擇合適的算法和激活函數(shù)組合的重要性。

3 基于機器學(xué)習(xí)的路燈配電系統(tǒng)故障預(yù)測建模及驗證

3.1 路燈配電系統(tǒng)故障預(yù)測問題分析

配電系統(tǒng)為路燈提供電力能源,其主要構(gòu)成為電力線纜和分布在各處的配電箱,每一個配電箱對應(yīng)一個區(qū)域的電力供應(yīng)。在故障預(yù)測中,需要將配電設(shè)備的潛在故障風(fēng)險與時間相結(jié)合,進而掌握其可能出現(xiàn)故障的時間段。機器學(xué)習(xí)算法能夠根據(jù)配電系統(tǒng)的運行數(shù)據(jù),預(yù)測其在特定時段內(nèi)的故障風(fēng)險。

3.2 路燈配電系統(tǒng)故障預(yù)測建模

3.2.1 預(yù)測模型的輸入和輸出

根據(jù)預(yù)測模型的設(shè)計思路,模型輸入數(shù)據(jù)為按照時間排列的路燈配電系統(tǒng)運行數(shù)據(jù),將數(shù)據(jù)量記為P,模型的輸出結(jié)果為系統(tǒng)在未來的某個特定時段(通常為預(yù)測過程的下一時段)是否會出現(xiàn)故障,輸入和輸出之間的數(shù)學(xué)關(guān)系可抽象為式(7)。

yi=F(xi,xi-1,…),xi∈Rm×1

(7)

式中:yi為模型輸出,代表發(fā)生故障的概率,其計算結(jié)果在0～1;F(·)為一個連續(xù)的函數(shù);xi、xi-1、…為輸入模型的數(shù)據(jù);xi∈Rm×1,Rm×1代表m×1維向量的集合。

3.2.2 故障預(yù)測模型建模及優(yōu)化

1)構(gòu)建自回歸極限學(xué)習(xí)機預(yù)測模型。在建立模型時,需要作出基本假設(shè),具體包括2個方面。其一,在時間維度上,設(shè)備故障與設(shè)備異常信息的排列順序有關(guān);其二,在屬性維度上,關(guān)鍵屬性在當(dāng)前時刻的狀態(tài)量能夠反映出設(shè)備故障[4]。在以上假設(shè)的基礎(chǔ)上,路燈配電系統(tǒng)的故障預(yù)測可轉(zhuǎn)化為自回歸分析問題,利用自回歸模型(autoregressive model,AR)處理故障預(yù)測模型的輸入數(shù)據(jù),可得到如下表達式。

Xt=φ1xt-1+φ2xt-2+…+φsxt-s+αt

(8)

式中:φi表示自回歸系數(shù);xt-1、xt-2、…xt-s為輸入自回歸模型的數(shù)據(jù);αt為白噪聲;Xt為經(jīng)過自回歸處理后的數(shù)據(jù)。將AR模型和ELM模型相結(jié)合,可建立自回歸極限學(xué)習(xí)機預(yù)測模型(AR-ELM),其數(shù)學(xué)描述方法如下。

(9)

式中:Ot為模型的預(yù)測結(jié)果,其本質(zhì)上是一個概率數(shù)值;其他參數(shù)的含義可參見式(2)。為了提高模型的預(yù)測精度,必須盡可能降低輸出結(jié)果Ot與實際結(jié)果之間的誤差,這一過程的數(shù)學(xué)描述方法如下。

(10)

式中:Ti表示配電系統(tǒng)在時刻i發(fā)生故障的結(jié)果,1表示發(fā)生故障,0表示未發(fā)生故障;Oi是1個介于0～1的概率數(shù)值。顯然,Oi與Ti的偏差越小,模型的預(yù)測效果就越精確[5]。為了評價模型對配電系統(tǒng)故障的預(yù)測效果,將均方誤差作為評價依據(jù),均方誤差的計算方法如下。

(11)

式中:R為均方誤差的計算結(jié)果,N為總的時間長度。

3.2.3 故障預(yù)測模型性能檢驗

研究人員首先進行了數(shù)據(jù)準備,獲取具有標(biāo)簽的故障預(yù)測數(shù)據(jù)集并將其劃分為訓(xùn)練集和測試集。分別使用ELM算法和AR-ELM算法構(gòu)建了故障預(yù)測模型,其中ELM算法采用了4種激活函數(shù)(Sigmoid、Sin、Hardlim、RBF),而AR-ELM算法使用了RBF激活函數(shù)。

在此基礎(chǔ)上,研究人員對每個模型使用相應(yīng)的激活函數(shù)進行訓(xùn)練,并在測試集上進行預(yù)測。為了評估模型性能,采用了均方誤差(MSE)作為指標(biāo)。具體實踐中,研究人員運用ELM算法,分別計算了每個激活函數(shù)下的預(yù)測誤差的平方,并取平均得到相應(yīng)的均方誤差值(Sigmoid為0.186 5,Sin為0.173 2,Hardlim為0.242 0,RBF為0.122 6)。對于AR-ELM算法,使用RBF激活函數(shù)計算了均方誤差值為0.055 2。

這些均方誤差值反映了模型在測試集上的性能,其中數(shù)值越小代表模型預(yù)測越準確。整個過程需要確保數(shù)據(jù)集劃分、模型訓(xùn)練和評估的一致性,以及對表格中數(shù)值的正確計算(見表3)。

表3 2種故障預(yù)測模型的誤差對比結(jié)果

從表3可知,當(dāng)使用RBF激活函數(shù)時,ELM算法建立的故障預(yù)測模型達到了最高的精度,均方誤差最低。因此,將RBF函數(shù)應(yīng)用于AR-ELM算法中,模型故障預(yù)測結(jié)果的均方誤差僅為0.055 2,低于傳統(tǒng)的ELM算法。由此可見,經(jīng)過自回歸模型優(yōu)化的ELM算法達到了更高的預(yù)測精度。

4 結(jié)束語

城市路燈電氣照明系統(tǒng)由路燈節(jié)點和區(qū)域性的配電系統(tǒng)構(gòu)成,其在運行過程中都可能出現(xiàn)各種故障,包括配電箱故障、燈具故障、燈桿故障、主電路故障、電纜故障等,每種故障又可細分為多種故障類型,傳統(tǒng)的基于數(shù)字化監(jiān)控系統(tǒng)的故障診斷方法具有一定的局限性,難以指導(dǎo)故障排除。研究過程基于ELM算法構(gòu)建了AG-ELM和AR-ELM算法,分別通過這2種算法建立路燈節(jié)點故障診斷模型、路燈配電系統(tǒng)故障預(yù)測模型。經(jīng)過性能檢驗,2種算法模型都取得了良好的效果。