基于深度學(xué)習(xí)的電力設(shè)備智能運(yùn)行方式的研究

虞 躍

（國(guó)網(wǎng)冀北電力有限公司秦皇島供電公司，秦皇島066000）

在電力市場(chǎng)下，隨著電網(wǎng)技術(shù)日益迅速地發(fā)展和應(yīng)用，其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)變得愈加錯(cuò)綜復(fù)雜、交織多變，設(shè)置在智能電網(wǎng)中的電力設(shè)備在運(yùn)行過(guò)程中往往受到電網(wǎng)運(yùn)行環(huán)境的各種影響，比如電網(wǎng)中諧波、磁場(chǎng)、溫度、濕度、紋波、雜波信息干擾等因素，導(dǎo)致電力設(shè)備偏離工作標(biāo)準(zhǔn)，嚴(yán)重時(shí)，甚至發(fā)生意外事故。電網(wǎng)維護(hù)工作人員往往在觀察到設(shè)備無(wú)法正常運(yùn)行，或者出現(xiàn)故障后才獲得電力設(shè)備的情況。在電力設(shè)備正常運(yùn)行過(guò)程中，很難通過(guò)運(yùn)行數(shù)據(jù)、宏觀的數(shù)據(jù)特征獲取更為本質(zhì)的信息。這就使隱藏在宏觀數(shù)據(jù)的信息特征無(wú)法被挖掘出來(lái)，電力設(shè)備在工作過(guò)程中將存在諸多隱患，影響電力市場(chǎng)的健康、穩(wěn)定、安全發(fā)展[1]。故在此以深度學(xué)習(xí)為基礎(chǔ)，融入新發(fā)展的人工智能技術(shù)，將電力設(shè)備的運(yùn)行、監(jiān)控、維護(hù)等緊密結(jié)合在一起，通過(guò)日常運(yùn)行數(shù)據(jù)，挖掘、訓(xùn)練、學(xué)習(xí)各個(gè)數(shù)據(jù)之間的關(guān)系，及時(shí)排除運(yùn)行風(fēng)險(xiǎn)，并實(shí)現(xiàn)故障的快速發(fā)現(xiàn)和處理[2]。

1 智能運(yùn)行方式體系架構(gòu)設(shè)計(jì)

研究中所構(gòu)建的新型智能運(yùn)行方式體系架構(gòu)如圖1 所示，包括設(shè)備層、數(shù)據(jù)采集層、深度學(xué)習(xí)層、計(jì)算機(jī)管理層和應(yīng)用層。

圖1 智能運(yùn)行方式體系架構(gòu)Fig.1 Architecture of intelligent operation mode

智能電網(wǎng)以及設(shè)置在其內(nèi)的電力設(shè)備、傳感器均屬于設(shè)備層。數(shù)據(jù)采集層采集電力設(shè)備運(yùn)行的各種數(shù)據(jù)，這些數(shù)據(jù)信息包括電力電路網(wǎng)絡(luò)故障、變壓器故障、電源供電故障、母線故障等信息。電力信息多樣，還存在導(dǎo)致電力設(shè)備故障或者無(wú)法正常運(yùn)行的電網(wǎng)數(shù)據(jù)集合，如：電網(wǎng)中出現(xiàn)的同頻、異頻信號(hào)，電力設(shè)備運(yùn)行中出現(xiàn)的電流無(wú)功功率、電壓無(wú)功功率、雜散波諧波信息、異常電壓、諧波電流、電壓不平衡值、電流不平衡值、電壓/電流閃變/瞬變、電網(wǎng)雜波干擾、振動(dòng)、溫濕度、諧波干擾、異常事件等多項(xiàng)指標(biāo)。這些數(shù)據(jù)大都比較分散，數(shù)據(jù)之間的規(guī)律難以掌控[3]。

在深度學(xué)習(xí)層，已有多種方式的深度學(xué)習(xí)算法，較常見的深度學(xué)習(xí)模型與架構(gòu)包括CNN，DBN，RNN，RNTN，GAN，以及自動(dòng)編碼器、大數(shù)據(jù)挖掘算法模型，比如K-Means 算法模型、支持向量機(jī)模型、Apriori 算法模型、最大期望（EM）算法模型、Adaboost 迭代算法模型、關(guān)聯(lián)算法模型、故障診斷模型、隨機(jī)矩陣算法模型等多種計(jì)算模型。這些算法的一個(gè)共同特點(diǎn)，就是能夠?qū)⒉杉降暮暧^數(shù)據(jù)轉(zhuǎn)換為直觀識(shí)別的信息數(shù)據(jù)，用戶通過(guò)將宏觀數(shù)據(jù)輸入至相關(guān)的大數(shù)據(jù)分析模型，能夠得出相應(yīng)的數(shù)據(jù)管理，從而有利于用戶管理、監(jiān)控或維護(hù)電力設(shè)備。在此，僅闡述有代表性的深度學(xué)習(xí)算法，由此體現(xiàn)研究的技術(shù)特征[4]。

2 深度學(xué)習(xí)算法模型

2.1 故障診斷模型

對(duì)電力設(shè)備運(yùn)行情況的監(jiān)督往往采用故障診斷模型，傳統(tǒng)人工方法的診斷能力就顯得非常有限。在此采用了BP 神經(jīng)網(wǎng)絡(luò)算法模型（back-propagation network），能夠?qū)Σ杉降碾娏υO(shè)備故障信號(hào)進(jìn)一步地進(jìn)行映射、處理，有效地處理電力設(shè)備較為復(fù)雜的故障信息非線性關(guān)系，并通過(guò)數(shù)學(xué)模型表現(xiàn)出來(lái)[5]。該模型如圖2 所示。

圖2 BP 神經(jīng)網(wǎng)絡(luò)算法模型Fig.2 BP neural network algorithm model

由圖可見，該算法模型包含了輸入層（可以作為電網(wǎng)信息輸入層）、蘊(yùn)含層（可以作為故障信息定位層）、輸出層（可以作為故障信息訓(xùn)練、學(xué)習(xí)層）。通過(guò)信息輸入層輸入上述影響電力設(shè)備的多種類型故障數(shù)據(jù)信息。為達(dá)到一定的調(diào)節(jié)效果，通常設(shè)置不同的權(quán)值或者閾值，能夠逐步逼近BP 神經(jīng)網(wǎng)絡(luò)算法模型輸出的結(jié)果，從而提高訓(xùn)練精度，減少計(jì)算誤差。

在此介紹應(yīng)用上述計(jì)算模型所引入的公式。要使BP 神經(jīng)網(wǎng)絡(luò)算法模型能夠正常運(yùn)行，需要調(diào)整其輸出層權(quán)系數(shù)，即

式中：Δωki為BP 神經(jīng)網(wǎng)絡(luò)算法模型的輸出層權(quán)系數(shù)；為BP 神經(jīng)網(wǎng)絡(luò)算法模型的的信息期望輸出值；為BP 神經(jīng)網(wǎng)絡(luò)算法模型進(jìn)行計(jì)算的輸出；η為常數(shù)。

同時(shí)，也需要對(duì)BP 神經(jīng)網(wǎng)絡(luò)算法模型的隱含層權(quán)系數(shù)進(jìn)行調(diào)整，即

在采集到的大量電力設(shè)備故障數(shù)據(jù)信息庫(kù)中，由于數(shù)據(jù)信息形式不一，如圖片、文本、聲音、音頻等，信息特征是非線性較強(qiáng)。如果每種數(shù)據(jù)形式采用一種方式，就會(huì)出現(xiàn)多種計(jì)算模型，計(jì)算起來(lái)極為不便[6]。故在此采用二次型準(zhǔn)確函數(shù)模型，即

對(duì)于N 個(gè)電力網(wǎng)絡(luò)中的故障設(shè)備信息樣本，總準(zhǔn)確函數(shù)為

在評(píng)價(jià)電網(wǎng)信號(hào)中電力設(shè)備故障類型信息時(shí)，為進(jìn)一步提高學(xué)習(xí)精度，需要對(duì)接收到的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。比如，在輸入層輸入電力設(shè)備故障信息時(shí)，假設(shè)有m 種不同的故障類型（如變壓器故障、電源供電故障、母線故障等），這些數(shù)據(jù)共有N 種，對(duì)輸入的故障數(shù)據(jù)xij實(shí)施標(biāo)準(zhǔn)化處理的公式[7]為

其中

為適應(yīng)多種情況下的計(jì)算，對(duì)Zij進(jìn)行標(biāo)準(zhǔn)化計(jì)算，即

式中：yi為輸出電力設(shè)備運(yùn)行故障數(shù)據(jù)樣本；yi′為標(biāo)準(zhǔn)化后的電力設(shè)備運(yùn)行故障數(shù)據(jù)樣本信息；ymax為輸出電力設(shè)備運(yùn)行故障信息數(shù)據(jù)樣本中的極大值；ymin為輸出電力設(shè)備運(yùn)行故障信息數(shù)據(jù)樣本中的極小值。

在式（1）～式（8）的應(yīng)用過(guò)程中，數(shù)據(jù)輸出的精度情況取決于網(wǎng)絡(luò)的層數(shù)、 隱層神經(jīng)元的個(gè)數(shù)、初始權(quán)值（一般選擇（-2，2））的選取，以及學(xué)習(xí)速率（一般選擇0.02～0.7）和期望誤差的選取。利用上述參數(shù)則可以構(gòu)建BP 神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型[8]，進(jìn)而實(shí)現(xiàn)多種運(yùn)算。

2.2 數(shù)據(jù)關(guān)聯(lián)模型

隨機(jī)矩陣?yán)碚摂?shù)學(xué)模型在處理復(fù)雜配電網(wǎng)系統(tǒng)輸出的能譜和本征態(tài)具有突出的優(yōu)勢(shì)，通過(guò)構(gòu)建出的數(shù)學(xué)模型揭示宏觀數(shù)據(jù)中整體關(guān)聯(lián)的行為微觀特征，有利于把握更為本質(zhì)的數(shù)據(jù)信息。

矩陣模型為

其中

式（9）表示D1與D2在（M+N）×T 下的關(guān)聯(lián)性。式中：T 為獲取數(shù)據(jù)樣本的測(cè)量次數(shù)；M 為假設(shè)待研究的電力設(shè)備運(yùn)行的數(shù)據(jù)類型數(shù)，該M 種數(shù)據(jù)用數(shù)據(jù)集合記為｛P1，P2，P3，…，PM｝；D2為電力設(shè)備在運(yùn)行過(guò)程中產(chǎn)生的數(shù)據(jù)類型，如電流、電壓、功率、負(fù)荷等，此類數(shù)據(jù)以集合的形式記為｛Q1，Q2，Q3，…，QN｝；N 為電力設(shè)備在運(yùn)行過(guò)程中產(chǎn)生的數(shù)據(jù)種類。

假設(shè)，n 個(gè)電能數(shù)據(jù)變量構(gòu)成的向量集合為

數(shù)據(jù)變量的量測(cè)數(shù)據(jù)可以構(gòu)成一個(gè)列向量，按時(shí)間順序?qū)λ鶞y(cè)的電力設(shè)備數(shù)據(jù)進(jìn)行排序，可得矩陣為

式中：Ω 為電力設(shè)備產(chǎn)生數(shù)據(jù)的數(shù)據(jù)庫(kù)；ω1，ω2，…，ωM+N分別為矩陣D1和D2中單個(gè)元素的集合[9]；Dstd的值表示數(shù)據(jù)集合D1與數(shù)據(jù)集合D2間的關(guān)聯(lián)性。

2.3 數(shù)據(jù)分類算法

在一種深度學(xué)習(xí)算法中，采用決策樹算法，再以ID3（iterative dichotomiser 3）算法作為示例加以說(shuō)明。對(duì)數(shù)據(jù)分類時(shí)，要先設(shè)計(jì)出分類器，分類器在數(shù)據(jù)樣本中經(jīng)過(guò)學(xué)習(xí)、訓(xùn)練可以自動(dòng)生成。其模型如圖3 所示。

圖3 分類器訓(xùn)練Fig.3 Classifier training

利用強(qiáng)分類器能夠提高數(shù)據(jù)輸出的精確度，在屬性分類上顯得更加強(qiáng)悍。確定了分類器以后，就要確定分類器的節(jié)點(diǎn)情況。節(jié)點(diǎn)分為算法模型的總節(jié)點(diǎn)和分支節(jié)點(diǎn)，先確定總節(jié)點(diǎn)再構(gòu)建分支節(jié)點(diǎn)，這樣就可以構(gòu)建決策樹模型[10]。所需的一個(gè)數(shù)據(jù)參數(shù)——經(jīng)驗(yàn)熵H（D）為

經(jīng)驗(yàn)條件熵H（D/A）為選擇的數(shù)據(jù)樣本的特征A 在數(shù)據(jù)集D 中的信息增益，有

由式（13）（14），可以計(jì)算出分類數(shù)學(xué)模型中決策樹的根節(jié)點(diǎn)。然后，將信息增益度值較大的屬性（作為根節(jié)點(diǎn)設(shè)置）設(shè)置在決策樹的頂層，次之的信息增益度值放置在根節(jié)點(diǎn)的下端，最后將最小的信息增益度值的屬性作為決策樹算法模型中的分支節(jié)點(diǎn)。在確定好根節(jié)點(diǎn)和分支節(jié)點(diǎn)的屬性以后，就建立起分類模型。

3 試驗(yàn)結(jié)果及分析

對(duì)以上深度學(xué)習(xí)的效果驗(yàn)證，由于篇幅所限，在此僅對(duì)BP 神經(jīng)網(wǎng)絡(luò)算法模型、 隨機(jī)矩陣?yán)碚摂?shù)學(xué)模型和決策樹算法進(jìn)行驗(yàn)證，通過(guò)代表性示例說(shuō)明深度學(xué)習(xí)算法在電力設(shè)備智能運(yùn)行方式中的效果。

3.1 試驗(yàn)環(huán)境

硬件——計(jì)算機(jī)系統(tǒng)；

軟件的操作系統(tǒng)——Windows 2015；

應(yīng)用軟件——C#，Tensorflow，Python，NumPy，SciPy，iPython，等。

3.2 試驗(yàn)方法

驗(yàn)證試驗(yàn)在合肥學(xué)院人工智能與大數(shù)據(jù)學(xué)院實(shí)驗(yàn)室計(jì)算機(jī)機(jī)房?jī)?nèi)進(jìn)行，選用1 臺(tái)計(jì)算機(jī)，調(diào)取數(shù)據(jù)庫(kù)信息，對(duì)收集到的數(shù)據(jù)信息清洗、過(guò)濾，其組件如圖4 所示。采用不同的數(shù)學(xué)模型進(jìn)行試驗(yàn)，通過(guò)計(jì)算機(jī)進(jìn)行仿真、計(jì)算。

圖4 試驗(yàn)架構(gòu)模型Fig.4 Experimental architecture model

3.3 試驗(yàn)分析

3.3.1 BP 神經(jīng)網(wǎng)絡(luò)模型仿真驗(yàn)證

對(duì)BP 神經(jīng)網(wǎng)絡(luò)算法模型仿真驗(yàn)證時(shí)，啟動(dòng)MatLab軟件環(huán)境，隨機(jī)從數(shù)據(jù)庫(kù)中調(diào)取電力設(shè)備運(yùn)行效率，然后進(jìn)行智能仿真。仿真過(guò)程中采用以下公式：

準(zhǔn)確率計(jì)算公式為

召回率計(jì)算公式為

最終得出FI 值：

在進(jìn)行數(shù)據(jù)驗(yàn)證時(shí)，分別選擇電壓、電流、紋波、負(fù)荷、諧波等數(shù)據(jù)信息5×104個(gè)，得出的數(shù)據(jù)樣本見表1。得到的仿真曲線如圖5 所示。

表1 BP 神經(jīng)網(wǎng)絡(luò)模型試驗(yàn)數(shù)據(jù)Tab.1 Test data of BP neural network model

圖5 BP 神經(jīng)網(wǎng)絡(luò)模型仿真試驗(yàn)Fig.5 Simulation test of BP neural network model

由表可知，在測(cè)量時(shí)間20 s 內(nèi)，利用BP 神經(jīng)網(wǎng)絡(luò)模型計(jì)算后的結(jié)果，反應(yīng)時(shí)間為6.5，7.2，6.3，7.1，7.5 s，獲得相應(yīng)的召回率和正確率，誤差比較小。

3.3.2 隨機(jī)矩陣算法驗(yàn)證

試驗(yàn)時(shí)假設(shè)矩陣D1為80×150，D2為400×500，然后根據(jù)式（12）求值。隨機(jī)矩陣算法驗(yàn)證試驗(yàn)數(shù)據(jù)見表2。

表2 隨機(jī)矩陣算法試驗(yàn)數(shù)據(jù)Tab.2 Test data of random matrix algorithm

將表2 數(shù)據(jù)代入式（9），可得

最后可得表2 中的Dstd計(jì)算值?？梢杂们€圖來(lái)表示不同參數(shù)之間的相關(guān)性，如圖6 所示。

圖6 隨機(jī)矩陣算法仿真試驗(yàn)Fig.6 Simulation test of random matrix algorithm

圖中，Dstd值表明電力設(shè)備輸出的電流、電壓、功率等參數(shù)與電網(wǎng)中存在的干擾信息（磁場(chǎng)、諧波和負(fù)荷）有著密切的關(guān)系：Dstd值越大，磁場(chǎng)、諧波和負(fù)荷等干擾因素影響程度就越大。由圖可見在電力設(shè)備運(yùn)行過(guò)程中磁場(chǎng)、諧波和負(fù)荷與電力設(shè)備運(yùn)行數(shù)據(jù)之間所存在的關(guān)系。

3.3.3 分類算法驗(yàn)證

假設(shè)該算法模型輸出數(shù)據(jù)特征A1，A2，A3，A4，A5對(duì)數(shù)據(jù)集合D 的信息增益，樣本庫(kù)見表3。

表3 數(shù)據(jù)庫(kù)樣本庫(kù)Tab.3 Database sample library

根據(jù)式（13）（14）求值，可得

結(jié)果可得出，A5的信息增益為最大。然后選擇A5為根節(jié)點(diǎn)，針對(duì)A5再進(jìn)一步劃分，可得

將這些數(shù)據(jù)集合劃分為子節(jié)點(diǎn)，直至輸出用戶滿意的數(shù)據(jù)為止，一種示例性劃分如圖7 所示。

圖7 決策樹示意圖Fig.7 Diagrammatic sketch of decision tree

通過(guò)這種數(shù)據(jù)模型，能夠使用戶快速?gòu)碾娏υO(shè)備數(shù)據(jù)庫(kù)中查到諧波干擾數(shù)據(jù)，大大提高了數(shù)據(jù)檢索的效率，增強(qiáng)了大數(shù)據(jù)的分類能力。

4 結(jié)語(yǔ)

通過(guò)研究將各種深度學(xué)習(xí)算法應(yīng)用到電力市場(chǎng)中，提高了數(shù)據(jù)的運(yùn)算能力，可以使用戶快速獲取、計(jì)算、分析電力網(wǎng)數(shù)據(jù)，解決了目前手工安排運(yùn)行方式工作量大、效率低的問(wèn)題。然而仍存在一系列問(wèn)題，如：數(shù)學(xué)計(jì)算的精度有待考究，且需要充足的數(shù)學(xué)理論來(lái)支撐，雖然在一些理論上可行，但是在具體應(yīng)用過(guò)程中，可能存在計(jì)算模型滯后等現(xiàn)象；深度學(xué)習(xí)在建模時(shí)，需對(duì)大量的數(shù)據(jù)反復(fù)計(jì)算以總結(jié)出算法模型的經(jīng)驗(yàn)值，如果數(shù)據(jù)量不夠大則可能影響精度；多種深度算法配合使用時(shí)，容易出現(xiàn)數(shù)據(jù)交叉感染現(xiàn)象，數(shù)據(jù)存在串出的情況，為此尚需要反復(fù)訓(xùn)練，以總結(jié)運(yùn)行經(jīng)驗(yàn)。