廖 海 陳 俊 鄭 磊 王 楠 王子琪

（貴州電網(wǎng)有限責(zé)任公司遵義供電局）

0 引言

近年來，學(xué)者們對電力設(shè)備部件狀態(tài)檢測方法進(jìn)行了廣泛研究。例如，文獻(xiàn)［1］、文獻(xiàn)［2］提出了基于可視化和數(shù)據(jù)融合的光伏電站電氣設(shè)備異常運(yùn)行狀態(tài)檢測方法，以及基于分層聚類算法的避雷器運(yùn)行狀態(tài)檢測方法。這些方法為電力設(shè)備狀態(tài)檢測提供了新的思路，但仍然存在設(shè)備狀態(tài)檢測精度和效率低的問題。

為了解決這些問題，提出基于深度遷移學(xué)習(xí)的智能變電站電力設(shè)備部件狀態(tài)檢測方法。該方法利用其他相關(guān)任務(wù)的大規(guī)模數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練，使得模型能夠用學(xué)習(xí)到的通用特征表示。然后，將預(yù)訓(xùn)練模型遷移到目標(biāo)任務(wù)并進(jìn)行微調(diào)，以適應(yīng)特定的電力設(shè)備部件狀態(tài)檢測。通過這種遷移學(xué)習(xí)的方式，可以加速模型的訓(xùn)練過程，提高模型的泛化能力和預(yù)測的準(zhǔn)確性［3］。

1 基于深度遷移學(xué)習(xí)的智能變電站電力設(shè)備部件狀態(tài)檢測方法

1.1 變電站電力設(shè)備異常狀態(tài)檢測特征量選取

將變電站電力設(shè)備異常狀態(tài)檢測特征量作為特征向量輸入到自組織映射神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，網(wǎng)絡(luò)輸入層按各向量對應(yīng)的權(quán)矢量分配向量賦值區(qū)間，由輸出層輸出數(shù)據(jù)，減輕網(wǎng)絡(luò)運(yùn)算負(fù)擔(dān)，同時(shí)降低大基數(shù)樣本的聚類難度。特征向量對應(yīng)權(quán)矢量計(jì)算公式如下：

式中，DM表示網(wǎng)絡(luò)學(xué)習(xí)速率；ZN表示初始化權(quán)矢量；Xij表示輸入層神經(jīng)元對特征向量的響應(yīng)結(jié)果。

正常情況下，向量賦值區(qū)間內(nèi)任意變電站電力設(shè)備異常狀態(tài)檢測特征量的隨機(jī)抽樣概率相等，這意味著從外界觀察賦值區(qū)間，每一個(gè)變電站電力設(shè)備異常狀態(tài)檢測特征量所指代的偏好特征都是唯一且有意義的。隨機(jī)抽樣概率的計(jì)算公式如下：

式中，Sd表示抽取第d條樣本的均值；Am表示抽取第n條樣本的標(biāo)準(zhǔn)差；An表示第n條樣本網(wǎng)絡(luò)中的神經(jīng)元總數(shù)。

當(dāng)所有特征向量分配結(jié)束后，輸入層神經(jīng)元參考時(shí)間動(dòng)態(tài)變化規(guī)律，開始尋找距離測度意義下最靠近自身激活值的向量賦值區(qū)間。輸入層中神經(jīng)元與向量賦值區(qū)間的最適距離稱為Euclicl距離。神經(jīng)元激活值的計(jì)算公式如下：

式中，τ1表示活躍神經(jīng)元的覆蓋面積；τ2表示神經(jīng)元在網(wǎng)絡(luò)空間中的領(lǐng)域覆蓋面積。

特征向量只有憑借活躍神經(jīng)元才能實(shí)現(xiàn)高維數(shù)據(jù)的低維映射，以活躍神經(jīng)元為中心，滿足Euclicl距離的向量賦值區(qū)間才能成功映射到競爭層。選取變電站電力設(shè)備異常狀態(tài)檢測特征量公式如下：

式中，β表示變電站電力設(shè)備異常狀態(tài)檢測特征量的關(guān)聯(lián)度；γ表示各類別與理想化目標(biāo)的貼近度。

視競爭層為一張二維映射圖，經(jīng)過映射后，性質(zhì)相同的特征向量在二維平面區(qū)域上分布較為聚集，性質(zhì)不同的特征向量在二維平面上分布較為分散。根據(jù)網(wǎng)絡(luò)輸出的變電站電力設(shè)備異常狀態(tài)檢測特征量結(jié)果，即可實(shí)現(xiàn)SOM神經(jīng)網(wǎng)絡(luò)下變電站電力設(shè)備異常狀態(tài)檢測特征量的選取。

1.2 變電站電力設(shè)備異常狀態(tài)檢測特征量預(yù)處理

針對變電站電力設(shè)備異常狀態(tài)檢測特征量預(yù)處理首先要收集需要的數(shù)據(jù)，然后按照檢測的順序?qū)颖緮?shù)據(jù)進(jìn)行分類處理，其分類的核心是建立一個(gè)非線性函數(shù)，設(shè)定一個(gè)相同的環(huán)境，來分離數(shù)據(jù)樣本點(diǎn)，使誤差達(dá)到最小。假設(shè)其線性函數(shù)為D(d)，利用自身的映射性把待測樣本映射到一個(gè)三維立體空間內(nèi)，然后在多維空間的平面上將所有的樣本進(jìn)行篩選分類，擴(kuò)大每個(gè)樣本點(diǎn)之間的距離，調(diào)整到最優(yōu)距離后再進(jìn)行處理。步驟如下：

步驟一：首先明確待測樣本的數(shù)量及類型，線性函數(shù)公式如下：

式中，xi與yi表示樣本。

步驟二：對于相關(guān)的各個(gè)樣本參數(shù)要科學(xué)分配，確定合理的波動(dòng)范圍，例如其中的懲罰參數(shù)要保證參數(shù)必須大于零，且與上述的線性函數(shù)相互呼應(yīng)，在空間中形成一個(gè)超越平面的檢測問題。

步驟三：假設(shè)R1為一個(gè)矢量，那么其分支的變量就滿足0

式中，YT表示向量總和，B表示樣本點(diǎn)。

步驟四：基于上述檢測樣本的特征性與參數(shù)的差異性，最大優(yōu)化兩個(gè)樣本點(diǎn)之間的距離，構(gòu)建一個(gè)決策函數(shù)為：

式中，μ1、μ2、μ3均表示不完整的核函數(shù)。

核函數(shù)建立在樣本數(shù)量巨大的基礎(chǔ)上，在集合中的少數(shù)樣本點(diǎn)不能作為向量直接輸入到函數(shù)中，假設(shè)一個(gè)集合中含有N個(gè)樣本，k1與k2分別是原始樣本點(diǎn)與終端樣本點(diǎn)，那么其核函數(shù)的表達(dá)式為：

式中，DF表示多維空間平面，DR表示空間的矢量，將其優(yōu)化后的空間函數(shù)的公式為：

式中，C表示向量參數(shù)，E1表示平面因子，將平面問題轉(zhuǎn)化成等式的形式，其公式為：

式中，Ii表示變量算子。

通常使用最小二乘法進(jìn)行函數(shù)運(yùn)算，最后得到的決策函數(shù)為：

在合理的情況下將決策函數(shù)輸入到樣本檢測系統(tǒng)中，得到變電站電力設(shè)備異常狀態(tài)檢測特征量預(yù)處理結(jié)果，公式如下：

式中，DX、Dy、Dz表示樣本集體中的初始值。經(jīng)過上述計(jì)算不僅去除了干擾因素，還對檢測特征量進(jìn)行了選取與處理，為異常狀態(tài)檢測提供基礎(chǔ)。

1.3 實(shí)現(xiàn)變電站電力設(shè)備異常狀態(tài)檢測

在變電站電力設(shè)備異常狀態(tài)檢測特征量預(yù)處理結(jié)果的基礎(chǔ)上，利用深度遷移學(xué)習(xí)算法對電力變電站設(shè)備的異常狀態(tài)進(jìn)行檢測?；谧越M織映射，將待測樣本映射到二維或者多維的神經(jīng)元空間中，利用神經(jīng)元之間的相對位置關(guān)系來檢測異常狀態(tài)。收集并準(zhǔn)備帶有標(biāo)記的訓(xùn)練數(shù)據(jù)集，其中包含正常狀態(tài)和異常狀態(tài)的樣本。使用訓(xùn)練數(shù)據(jù)集訓(xùn)練一個(gè)SOM神經(jīng)網(wǎng)絡(luò)，該SOM網(wǎng)絡(luò)由一個(gè)或多個(gè)神經(jīng)元組成，每個(gè)神經(jīng)元都代表SOM的一個(gè)節(jié)點(diǎn)。通過迭代更新神經(jīng)元的權(quán)重向量，使得神經(jīng)元能夠自適應(yīng)地聚集輸入數(shù)據(jù)的特征。

基于SOM神經(jīng)網(wǎng)絡(luò)融合的診斷模型中映射函數(shù)的表達(dá)式為：

式中，MX表示函數(shù)寬度參數(shù)，MY表示核函數(shù)中心。在基于深度遷移學(xué)習(xí)算法融合的診斷模型中，懲罰參數(shù)和核函數(shù)參數(shù)是通過執(zhí)行錯(cuò)誤診斷模型直接確定的。

以歐氏距離為基礎(chǔ)的高斯核函數(shù)是網(wǎng)路中故障類型識(shí)別的核心部分，用高斯核函數(shù)法計(jì)算輸入樣本到訓(xùn)練樣本之間的距離，通過向基的非線性映射，可以獲得深度遷移網(wǎng)絡(luò)中非線性的輸出矢量，是取得高準(zhǔn)確度特征的關(guān)鍵一步，可通過關(guān)系式將其表示為：

式中，LR表示混合神經(jīng)網(wǎng)絡(luò)判別故障的平滑因子；LG表示網(wǎng)絡(luò)中輸入層與模式定位部位之間的連接權(quán)值。

根據(jù)樣本在深度遷移網(wǎng)絡(luò)中的映射位置，判斷其是否為異常狀態(tài)。通常情況下，較少或沒有樣本映射到某個(gè)神經(jīng)元的區(qū)域被認(rèn)為是異常狀態(tài)。假設(shè)故障類型為n個(gè)，此時(shí)對各故障類別進(jìn)行匯總，由此得到電力變電站電力設(shè)備異常狀態(tài)檢測結(jié)果，公式為：

式中，Rr表示求和模式對故障數(shù)據(jù)的概率匯總；Ee表示故障模式的網(wǎng)絡(luò)訓(xùn)練向量；Uu表示網(wǎng)絡(luò)中神經(jīng)元的輸入向量；最終深度遷移學(xué)習(xí)算法模型的輸出層將異常狀態(tài)的后驗(yàn)概率輸出，得出在當(dāng)前電力變電站電力設(shè)備運(yùn)維中發(fā)生概率最高的故障，判斷出對應(yīng)的電力變電站設(shè)備異常狀態(tài)。

2 實(shí)驗(yàn)

2.1 實(shí)驗(yàn)準(zhǔn)備

文中將某變電站內(nèi)的某一個(gè)電力變壓器作為實(shí)驗(yàn)對象，示意圖如圖1所示。

圖1 電力變壓器的示意圖

該實(shí)驗(yàn)對象的電壓等級(jí)為220kV，其詳細(xì)參數(shù)如表1所示。

表1 電力變壓器詳細(xì)參數(shù)

將5個(gè)超聲傳感器部署在該電力變壓器的箱內(nèi)，超聲傳感器的安裝空間坐標(biāo)位置詳情如表2所示。

表2 超聲傳感器的安裝空間坐標(biāo)

2.2 實(shí)驗(yàn)結(jié)果分析

以檢測時(shí)間作為指標(biāo)，對比三種方法的檢測效率。具體對比結(jié)果如表3所示。

表3 三種方法的檢測效率的對比結(jié)果

分析表3可知，本文方法用于電力設(shè)備狀態(tài)檢測的時(shí)間最高只需40ms，而其他兩種方法所需的時(shí)間最低分別為310ms和325ms。這表明本文方法在提高電力設(shè)備狀態(tài)檢測效率方面具有顯著優(yōu)勢。通過減少檢測時(shí)間，可以更快地發(fā)現(xiàn)和應(yīng)對潛在的故障，從而降低繼電保護(hù)裝置的安全風(fēng)險(xiǎn)。

為驗(yàn)證本文方法的可靠性，本研究對繼電保護(hù)信息智能進(jìn)行驗(yàn)收，并與文獻(xiàn)［1］和文獻(xiàn)［2］的方法進(jìn)行對比。以誤報(bào)率作為指標(biāo)來比較三種方法的驗(yàn)收準(zhǔn)確率。驗(yàn)收誤報(bào)率越低，說明檢測準(zhǔn)確率越高。具體比較結(jié)果見圖2。

圖2 三種方法的電力設(shè)備狀態(tài)檢測誤報(bào)率對比結(jié)果

通過對圖2的分析，觀察到本文方法的檢測誤報(bào)率始終保持在20%以下，而其他兩種方法的誤報(bào)率則超過了40%。這表明本文方法相較于其他兩種方法，在減少誤報(bào)方面取得了顯著的改進(jìn)。

3 結(jié)束語

綜合而言，本文方法在提高設(shè)備狀態(tài)檢測精度和效率方面取得了重要進(jìn)展。通過利用預(yù)訓(xùn)練模型和遷移學(xué)習(xí)，該方法充分利用大規(guī)模數(shù)據(jù)集，使得模型能夠用學(xué)習(xí)到的通用特征表示，從而減少針對目標(biāo)任務(wù)的訓(xùn)練時(shí)間和樣本數(shù)量，并有效提升模型的泛化能力和預(yù)測準(zhǔn)確性。與傳統(tǒng)的方法相比，本文方法能夠更精準(zhǔn)地進(jìn)行電力設(shè)備部件狀態(tài)的檢測，為智能變電站的設(shè)備維護(hù)和故障診斷提供更可靠的支持。