基于MA-DBN算法的GIS故障預(yù)測(cè)

王 寧,黃新波,朱永燦,吳明松,馬玉濤

(西安工程大學(xué) 電子信息學(xué)院,陜西 西安 710048)

0 引 言

GIS對(duì)保護(hù)電力設(shè)備和調(diào)控設(shè)備入網(wǎng)運(yùn)行有重要作用，又因SF6氣體具有優(yōu)良的絕緣性能和滅弧性能,從而可以大大減少開(kāi)關(guān)類設(shè)備的故障率,使得GIS在電網(wǎng)中大量使用。據(jù)國(guó)家電網(wǎng)調(diào)查顯示,GIS常見(jiàn)故障中,機(jī)械故障占比39.3%,氣體絕緣故障占比38.1%,氣體泄漏故障占比9.5%,其他類型故障占比13.1%[1],因此對(duì)SF6氣體進(jìn)行監(jiān)測(cè)與故障預(yù)測(cè)可以有效檢測(cè)出GIS的大多數(shù)故障信息,具有重要現(xiàn)實(shí)意義。

目前,對(duì)GIS的檢修一般是定期檢修,定期檢修雖然能減少設(shè)備故障的發(fā)生,但也存在費(fèi)時(shí)費(fèi)力、盲目檢修的缺點(diǎn)。近年來(lái)人們嘗試通過(guò)在線監(jiān)測(cè)技術(shù)對(duì)其維護(hù)與檢修,許淵等研究了GIS內(nèi)亞毫米級(jí)金屬顆粒的運(yùn)動(dòng)機(jī)制和局部放電機(jī)制,討論了特高頻在線監(jiān)測(cè)方法的實(shí)效問(wèn)題[1]。郭偉等通過(guò)對(duì)SF6氣體分解產(chǎn)物中的SO2、SOF2、H2S、CO等成分含量的在線監(jiān)測(cè),快速查找到故障點(diǎn)所在的氣室位置,但對(duì)于導(dǎo)致氣體成分變化的故障類型未做研究[2]。張迎亞等提出采用主觀賦權(quán)法和客觀賦權(quán)法結(jié)合的GIS狀態(tài)評(píng)估方法,判斷GIS設(shè)備運(yùn)行狀態(tài),這種方法可以系統(tǒng)全面的評(píng)估GIS健康狀態(tài),卻不能為更細(xì)致的故障檢修提供參考[3]。

目前,如何根據(jù)運(yùn)行參數(shù)對(duì)GIS故障進(jìn)行準(zhǔn)確診斷,成為需要重點(diǎn)攻克的關(guān)鍵技術(shù),在此基礎(chǔ)上,國(guó)網(wǎng)提出了智能狀態(tài)檢修的新概念。它主要是通過(guò)對(duì)設(shè)備的運(yùn)行狀況進(jìn)行實(shí)時(shí)監(jiān)測(cè),然后利用計(jì)算機(jī)將監(jiān)測(cè)到的數(shù)據(jù)快速地分析,同時(shí)結(jié)合智能算法分析得出檢修結(jié)論,最終根據(jù)結(jié)論來(lái)安排必要的檢修。張利等研究了局部放電現(xiàn)象致使GIS電磁感應(yīng)振動(dòng)的發(fā)生機(jī)理,通過(guò)構(gòu)建粒子群算法優(yōu)化支持向量機(jī)的模型實(shí)現(xiàn)了對(duì)不同放電程度的模式識(shí)別,在一定程度上促進(jìn)了GIS局放方面的研究[4]。

隨著對(duì)SF6氣體分解機(jī)理的深入了解與檢測(cè)技術(shù)的發(fā)展,利用SF6氣體在電弧、放電和過(guò)熱作用下存在分解現(xiàn)象的特點(diǎn),通過(guò)檢測(cè)SF6分解產(chǎn)物體積分?jǐn)?shù)診斷設(shè)備內(nèi)部是否存在故障,已經(jīng)成為SF6電氣設(shè)備故障診斷的一種有效方法,許多國(guó)家的供電部門已把SF6氣體分解產(chǎn)物檢測(cè)應(yīng)用于GIS的運(yùn)行維護(hù)中。

在此基礎(chǔ)上,本文提出一種針對(duì)SF6分解氣體含量的故障預(yù)測(cè)方法,故障預(yù)測(cè)作為狀態(tài)檢修的有效手段之一,相較于故障診斷,是一種更高級(jí)的維修保障技術(shù),涉及了機(jī)械、材料、電子、控制、通信以及計(jì)算機(jī)技術(shù)和人工智能等學(xué)科,屬于綜合的新興邊緣學(xué)科。通過(guò)采用時(shí)間序列分析中的移動(dòng)平均模型,對(duì)SO2、SO2F22種氣體進(jìn)行預(yù)測(cè),預(yù)測(cè)結(jié)果融合GIS的氣室條件(如密度、溫度、壓力)歷史數(shù)據(jù),通過(guò)DBN對(duì)未來(lái)GIS氣室內(nèi)氣體的含量進(jìn)行預(yù)測(cè),并對(duì)預(yù)測(cè)的結(jié)果采用GIS故障診斷的方法進(jìn)行分析,最終得到GIS未來(lái)的故障發(fā)生情況及類型。

1 基于MA的GIS故障預(yù)測(cè)模型

SF6電氣設(shè)備的故障主要有放電和過(guò)熱,放電主要包含3類:電弧放電、火花放電和電暈放電。放電和過(guò)熱時(shí)均會(huì)產(chǎn)生能量,促使SF6氣體發(fā)生分解,在放電作用下分解的主要成分是SF4和電極或容器的金屬氧化物[5],在有水汽、氧存在時(shí),SF4與其發(fā)生反應(yīng)而最終生成SOF2、SO2F2、SO2、HF等化合物。如圖1所示。

圖 1 SF6氣體分解圖Fig.1 Diagram of SF6 gas decomposition

在放電狀態(tài)下,不同的放電類型產(chǎn)生的能量不同,促使SF6氣體在不同的能量條件下分解為不同的穩(wěn)定物[6],研究發(fā)現(xiàn)SO2F2/SO2比值存在一定的規(guī)律性,電暈放電時(shí),其比值常在4.0～6.0甚至更高的范圍內(nèi),火花放電多集中于2.0～3.5,電弧放電時(shí)其比值最小,多為0.1～0.3,隨放電的劇烈程度增加而減小。SO2與SO2F2是放電故障時(shí)大量產(chǎn)生的物質(zhì),考慮其同時(shí)具有較好的穩(wěn)定性,監(jiān)測(cè)會(huì)更加方便準(zhǔn)確,因此將SO2、SO2F2、SO2F2∶SO2值作為研究對(duì)象。文章數(shù)據(jù)來(lái)源于某變電站220 kV電壓等級(jí)GIS的觀測(cè)數(shù)據(jù),部分?jǐn)?shù)據(jù)見(jiàn)表1。

表 1 SF6分解氣體特征數(shù)據(jù)Tab.1 Characteristic data of SF6 decomposition gas

對(duì)GIS未來(lái)的故障狀況進(jìn)行預(yù)測(cè)時(shí),需要對(duì)GIS未來(lái)的氣室氣體情況進(jìn)行分析。本文依據(jù)GIS氣室分解氣體含量歷史數(shù)據(jù),采用時(shí)間序列分析的方式,對(duì)未來(lái)GIS氣室分解氣體SO2、SO2F2含量分別進(jìn)行單變量預(yù)估。MA適用于未來(lái)較短時(shí)間的預(yù)測(cè),是時(shí)間序列分析中應(yīng)用較為廣泛的模型[7]。

設(shè)觀測(cè)序列為y1,y2,…,yt，即模型輸入,取移動(dòng)平均的項(xiàng)數(shù)N

(1)

(2)

因此:

(3)

式中:t=N,N+1,…,T。其預(yù)測(cè)誤差為

(4)

當(dāng)歷史數(shù)據(jù)發(fā)展較為平穩(wěn),但隨機(jī)變動(dòng)較多時(shí),應(yīng)該擴(kuò)展歷史數(shù)據(jù)總量,即N值增大,通過(guò)擴(kuò)大樣本的方法,彌補(bǔ)抖動(dòng)造成的隨機(jī)誤差。

MA模型可以分別對(duì)SO2、SO2F2含量進(jìn)行單變量預(yù)估,考慮到在GIS內(nèi)部分解氣體演化中,各成分分解氣體含量的發(fā)展過(guò)程往往存在一定關(guān)聯(lián),因此對(duì)預(yù)測(cè)出的SO2、SO2F2氣體進(jìn)行關(guān)聯(lián)度分析即通過(guò)DBN模型進(jìn)行預(yù)測(cè)誤差修正,會(huì)大大提升預(yù)測(cè)準(zhǔn)確率。

2 MA-DBN故障預(yù)測(cè)模型構(gòu)建

2.1 DBN模型

DBN作為神經(jīng)網(wǎng)絡(luò)的一種,基本單元由神經(jīng)元組成，其在特征識(shí)別、數(shù)據(jù)降維、分類預(yù)測(cè)等方面性能突出,目前開(kāi)始逐步應(yīng)用于電力設(shè)備故障診斷領(lǐng)域,可有效提升算法準(zhǔn)確率[8]。DBN網(wǎng)絡(luò)通常由受限玻爾茲曼機(jī)(restricted Boltzman machine,RBM)單元組成。RBM是一種層內(nèi)神經(jīng)元無(wú)連接,層間互連的無(wú)向圖模型,結(jié)構(gòu)如圖2所示。

圖 2 RBM無(wú)向圖模型Fig.2 RBM undirected graph model

RBM網(wǎng)絡(luò)分為2層:隱含層h和可見(jiàn)層v。隱含層由n個(gè)隱含的隨機(jī)變量構(gòu)成:h=(h1,h2,h3,…,hn);可見(jiàn)層由m個(gè)隨機(jī)變量構(gòu)成v=(v1,v2,v3,…,vm),用于表示觀測(cè)的數(shù)據(jù)。RBM可視為基于能量的模型,其能量函數(shù)定義為

(5)

式中:vi為可見(jiàn)層單元i的取值;hj為隱含層單元j的取值,取值為0和1時(shí)表示該單元處于未激活態(tài)和激活態(tài);wij為可見(jiàn)單元vi與隱單元hj之間的連接權(quán)重；ai為可見(jiàn)單元vi的偏置；bj為隱單元hj的偏置；n為隱層節(jié)點(diǎn)數(shù)量；m為顯層節(jié)點(diǎn)數(shù)量；ai、bj、wij均為實(shí)數(shù)；θ=(a,b,w)構(gòu)成RBM的模型參數(shù)[9]。

對(duì)于RBM所包含的m個(gè)可見(jiàn)單元和n個(gè)隱單元,給定隱單元h,可以計(jì)算可見(jiàn)單元v的條件概率,相反,給定可見(jiàn)單元v,可以計(jì)算隱單元的條件概率。由此,可以推導(dǎo)出隱層節(jié)點(diǎn)的激活概率為

(6)

類似,顯層節(jié)點(diǎn)的第i個(gè)節(jié)點(diǎn)激活概率為

(7)

式中:σ()表示激活函數(shù)。

2.2 基于MA-DBN的故障預(yù)測(cè)模型

首先通過(guò)3層RBM自動(dòng)提取輸入變量之間的相關(guān)特性,并采用梯度下降法進(jìn)行模型調(diào)優(yōu),然后利用3層BP網(wǎng)絡(luò)進(jìn)行故障分類預(yù)測(cè),模型結(jié)構(gòu)如圖3所示。模型輸入為SO2、SO2F2、SOF2、密度、氣室壓力、氣室溫度,模型輸出為局部放電故障類型,有電弧放電、火花放電、電暈放電、正常4種,為了方便計(jì)算將其分別編碼為0001、0010、0100、1000。

圖 3 DBN故障預(yù)測(cè)模型Fig.3 Model of DBN fault prediction

模型輸入按規(guī)則整條輸入至可見(jiàn)層v1,采用逐層無(wú)監(jiān)督貪婪學(xué)習(xí)(contrastive divergence,CD)算法對(duì)3層RBM逐層訓(xùn)練,以訓(xùn)練RBM模型對(duì)該層特征向量映射達(dá)到最優(yōu)[10]。

1) 初始化網(wǎng)絡(luò),確定可見(jiàn)層,隱含層單元數(shù)m、n,設(shè)定學(xué)習(xí)率,隨機(jī)選取連接權(quán)重和偏置向量值,確定模型學(xué)習(xí)率和訓(xùn)練最大周期T。

2) 輸入無(wú)標(biāo)簽樣本,映射可見(jiàn)層到隱藏層。對(duì)隱含層所有隱單元計(jì)算,從條件分布P(h1j|v1)抽取h1j∈{0,1}。

3) 對(duì)可見(jiàn)層根據(jù)式(7),從P(v1i|v1)中抽取v2i∈{0,1}。

4) 根據(jù)式(6),對(duì)隱含層所有隱單元進(jìn)行計(jì)算。

5) 更新權(quán)重及其各偏置值:

重復(fù)步驟2)～5),達(dá)到迭代次數(shù)最大值或符合要求的重構(gòu)誤差時(shí),停止該層RBM的訓(xùn)練[11]。

單層RBM訓(xùn)練結(jié)束后,將前一層RBM單元的隱藏層作為一下個(gè)RBM的可見(jiàn)層,輸入特征數(shù)據(jù),自下而上對(duì)每層RBM進(jìn)行預(yù)訓(xùn)練,保證單層RBM映射關(guān)系最佳[12-13]。為了保證整個(gè)DBN網(wǎng)絡(luò)模型映射達(dá)到最優(yōu),采用梯度下降法對(duì)整個(gè)DBN網(wǎng)絡(luò)進(jìn)行監(jiān)督學(xué)習(xí)[14-16],反向微調(diào)網(wǎng)絡(luò)權(quán)重。

整個(gè)訓(xùn)練過(guò)程分為以下幾步:

1) 采集GIS氣體特征數(shù)據(jù),選取特征量為SO2、SO2F2、SOF2、密度、氣室壓力、氣室溫度,劃分為訓(xùn)練樣本和測(cè)試樣本。

2) 樣本數(shù)據(jù)歸一化,將SO2、SO2F2特征數(shù)據(jù)輸入至MA算法模型分別進(jìn)行預(yù)測(cè)。

3) 將預(yù)測(cè)結(jié)果和SOF2、密度、氣室壓力、氣室溫度作為一組特征量輸入至DBN算法模型,訓(xùn)練網(wǎng)絡(luò)保存權(quán)重參數(shù)。

4) 利用步驟3)中訓(xùn)練好的MA-DBN網(wǎng)絡(luò)對(duì)測(cè)試樣本逐一進(jìn)行預(yù)測(cè),評(píng)估模型性能[17]。

通過(guò)實(shí)驗(yàn)發(fā)現(xiàn),網(wǎng)絡(luò)的結(jié)構(gòu)決定了算法預(yù)測(cè)的準(zhǔn)確度,當(dāng)RBM層數(shù)由1提升為3時(shí),準(zhǔn)確率快速上升,3層以后準(zhǔn)確率基本穩(wěn)定,提升效果甚微,所以本文確定RBM為3層,訓(xùn)練周期為200,模型輸入設(shè)定為18,輸出設(shè)定為6,中間層為70,即網(wǎng)絡(luò)結(jié)構(gòu)為18-50-50-50-20-6,模型的整體網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

3 算例分析

以西北某城區(qū)配電網(wǎng)中GIS的SF6在線監(jiān)測(cè)裝置采集的數(shù)據(jù)為例,選取2016年3月1日到12月5日共400組數(shù)據(jù)為訓(xùn)練集,挑選故障類型數(shù)據(jù)共50組樣本作為測(cè)試集。評(píng)價(jià)結(jié)果采用平均絕對(duì)百分誤差(mean absolute percentage error,MAPE):

(8)

圖 4 誤差修正后預(yù)測(cè)誤差Fig.4 Prediction error after error correction

對(duì)預(yù)測(cè)SO2、SO2F2結(jié)果進(jìn)行分析,計(jì)算SO2F2/SO2的比值得出局放故障類型,其中電弧放電故障類型樣本個(gè)數(shù)為14,分類錯(cuò)誤為2次,模型預(yù)測(cè)準(zhǔn)確率為85.7%?；鸹ǚ烹姽收项愋蜆颖?0個(gè),分類錯(cuò)誤1個(gè),預(yù)測(cè)準(zhǔn)確率90.0%。正常樣本18個(gè),預(yù)測(cè)錯(cuò)誤1個(gè),預(yù)測(cè)準(zhǔn)確率94.4%。模型的整體準(zhǔn)確率達(dá)到了92.0%。MA-DBN算法故障預(yù)測(cè)結(jié)果如圖5所示。

圖 5 MA-DBN模型的故障類型預(yù)測(cè)結(jié)果Fig.5 Fault type prediction results of MA- DBN algorithm model

將本文所提的方法與支持向量機(jī)(support vector machines, SVM),BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)進(jìn)行對(duì)比[20-21],其準(zhǔn)確率計(jì)算結(jié)果如表2所示。通過(guò)對(duì)比可以看到MA-DBM預(yù)測(cè)模型對(duì)不同放電類型的預(yù)測(cè)準(zhǔn)確率相對(duì)更高,其模型整體更可靠。

表 2 不同算法預(yù)測(cè)結(jié)果對(duì)比Tab.2 Comparison of prediction results of different algorithms

為分析訓(xùn)練樣本對(duì)預(yù)測(cè)效果的影響,分別測(cè)試了100、200、400、600、800組訓(xùn)練數(shù)據(jù)的預(yù)測(cè)情況。結(jié)果顯示,在200組訓(xùn)練數(shù)據(jù)內(nèi),MA-DBN、SVM、BP的預(yù)測(cè)效果基本一致,在訓(xùn)練樣本增加至800時(shí),MA-DBN模型的預(yù)測(cè)效果要遠(yuǎn)優(yōu)于其他2種算法。由此可見(jiàn)深度信念網(wǎng)絡(luò)在面對(duì)大數(shù)據(jù)類型時(shí)具有更好的數(shù)據(jù)挖掘能力，也驗(yàn)證了MA-DBN模型用于GIS故障預(yù)測(cè)的有效性。

將以上算法模型融入至軟件平臺(tái)中,實(shí)時(shí)采集SF6分解氣體數(shù)據(jù)輸入軟件平臺(tái)進(jìn)行分析處理,判斷設(shè)備運(yùn)行狀況,為檢修人員提供檢修依據(jù)和指導(dǎo)。通過(guò)算法模型的試運(yùn)行結(jié)果過(guò)來(lái)看,文中方法使GIS故障預(yù)測(cè)更加高效,可以更早的發(fā)現(xiàn)故障隱患,做好防控工作。

4 結(jié) 論

1) 采用深度信念網(wǎng)絡(luò),可以有效提取特征數(shù)據(jù),適用于多數(shù)據(jù)融合的高效處理,避免了人為主觀調(diào)參引入的誤差,不易陷入局部最優(yōu)。

2) 改進(jìn)了傳統(tǒng)單一變量預(yù)測(cè)的缺點(diǎn),模型融入溫度、密度等信息,有利于挖掘變量之間的關(guān)聯(lián)信息,提升算法預(yù)測(cè)精度。

3) 深度學(xué)習(xí)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中樣本數(shù)據(jù)量越大,預(yù)測(cè)準(zhǔn)確率也越高。由于實(shí)驗(yàn)條件限制,本文選取的數(shù)據(jù)量有限,致使模型在設(shè)備型號(hào)不同時(shí)會(huì)出現(xiàn)失效的情況,因此,下一階段將主要研究樣本的擴(kuò)充和模型遷移性問(wèn)題。