基于電力物聯(lián)網(wǎng)的高壓開關(guān)柜狀態(tài)監(jiān)測系統(tǒng)設(shè)計(jì)

張 鑫， 牟龍華， 徐志宇

（同濟(jì)大學(xué)電子與信息工程學(xué)院，上海201804）

0 引 言

高壓開關(guān)柜擔(dān)負(fù)著配電系統(tǒng)保護(hù)與控制的任務(wù)，其能否正常運(yùn)行直接關(guān)系到電力系統(tǒng)供電的可靠性。對高壓開關(guān)柜運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測，可以識別潛在的故障，有目的地進(jìn)行檢修和排查，降低因設(shè)備故障而造成事故的可能。同時(shí)，電氣設(shè)備狀態(tài)監(jiān)測與故障診斷是高校電氣工程專業(yè)的重要專業(yè)課程，旨在培養(yǎng)學(xué)生掌握電氣設(shè)備設(shè)計(jì)、運(yùn)行與維護(hù)中的關(guān)鍵技術(shù)，而高壓開關(guān)柜的狀態(tài)監(jiān)測是其中的重要組成部分。

隨著物聯(lián)網(wǎng)與人工智能技術(shù)的發(fā)展，為電氣設(shè)備狀態(tài)監(jiān)測提供了新的思路與技術(shù)可行性［1-4］。對于高壓開關(guān)柜狀態(tài)監(jiān)測與故障診斷，研究人員主要從物聯(lián)通信系統(tǒng)與機(jī)器學(xué)習(xí)模型來兩個(gè)維度進(jìn)行研究。

物聯(lián)通信系統(tǒng)方面，文獻(xiàn)［5-6］中設(shè)計(jì)了具有物聯(lián)感知特點(diǎn)的高壓開關(guān)柜綜合在線監(jiān)測裝置；文獻(xiàn)［7］中對物聯(lián)型開關(guān)柜狀態(tài)監(jiān)測系統(tǒng)中ZigBee路由優(yōu)化問題進(jìn)行改進(jìn)。物聯(lián)通信系統(tǒng)研究的關(guān)注點(diǎn)主要在物聯(lián)感知與通信傳輸方面，并未對物聯(lián)網(wǎng)應(yīng)用層的數(shù)據(jù)分析模型進(jìn)行深入探討。同時(shí)，多數(shù)系統(tǒng)仍舊采取“主機(jī)＋監(jiān)測單元”的傳統(tǒng)兩層式主從式通信架構(gòu)，監(jiān)測單元采用CAN、RS-485及ZigBee等通信方式傳輸信息，無法滿足物聯(lián)網(wǎng)通信節(jié)點(diǎn)多、傳輸距離長、自組網(wǎng)便捷等要求。

機(jī)器學(xué)習(xí)模型方面，文獻(xiàn)［8］中構(gòu)建了包含多個(gè)時(shí)間尺度的開關(guān)柜多變量、多尺度云樣本熵故障特征向量，采用改進(jìn)的模糊支持向量機(jī)實(shí)現(xiàn)開關(guān)柜故障監(jiān)測；文獻(xiàn)［9］中提出了基于T-S模糊神經(jīng)網(wǎng)絡(luò)的開關(guān)柜狀態(tài)評估模型。對于高壓開關(guān)柜狀態(tài)監(jiān)測問題，其核心在于如何利用機(jī)器學(xué)習(xí)模型對故障特征與各種故障工況在一個(gè)高維空間進(jìn)行分類，以挖掘各種故障特征在不同故障工況下的分布規(guī)律。高壓開關(guān)柜故障特征與故障工況間呈現(xiàn)不明顯且非線性的關(guān)系。近年來應(yīng)用在電氣設(shè)備故障診斷中的傳統(tǒng)人工智能技術(shù)，如支持向量機(jī)、模糊神經(jīng)網(wǎng)絡(luò)等，均難以完整描述輸入信息的真實(shí)情況，無法解釋復(fù)雜輸入的內(nèi)在規(guī)律。因此，高壓開關(guān)柜故障診斷需要具有深層隱含特征挖掘能力、分類更為精確的非線性機(jī)器學(xué)習(xí)模型，基于深度學(xué)習(xí)的故障分析模型應(yīng)運(yùn)而生。文獻(xiàn)［10］中提出一種基于卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的開關(guān)柜設(shè)備故障率計(jì)算方法；文獻(xiàn)［11］中利用卷積神經(jīng)網(wǎng)絡(luò)對開關(guān)柜局部放電進(jìn)行故障識別。目前，基于深度學(xué)習(xí)的開關(guān)柜狀態(tài)監(jiān)測研究仍處于起步階段，主要聚焦在訓(xùn)練框架及理論算法方面，并未結(jié)合開關(guān)柜狀態(tài)監(jiān)測應(yīng)用場景，對深度學(xué)習(xí)模型優(yōu)化求解、模型超參數(shù)訓(xùn)練等核心環(huán)節(jié)形成具體、有效的方法，難以構(gòu)成完整的基于物聯(lián)交互＋人工智能開關(guān)柜狀態(tài)監(jiān)測系統(tǒng)方案。

本文立足于新工科背景下電氣工程專業(yè)學(xué)科特點(diǎn)［12］，結(jié)合物聯(lián)網(wǎng)和深度學(xué)習(xí)技術(shù)設(shè)計(jì)了基于電力物聯(lián)網(wǎng)的開關(guān)柜狀態(tài)監(jiān)測系統(tǒng)。該系統(tǒng)基于電力物聯(lián)網(wǎng)技術(shù)，監(jiān)測開關(guān)柜的實(shí)時(shí)運(yùn)行數(shù)據(jù)，建立本地存儲與云存儲相結(jié)合的運(yùn)行數(shù)據(jù)庫；進(jìn)而基于含多感知機(jī)的前饋深度學(xué)習(xí)模型，對開關(guān)柜進(jìn)行故障診斷。

1 系統(tǒng)架構(gòu)分析

國網(wǎng)公司《配電物聯(lián)網(wǎng)建設(shè)方案》《智慧物聯(lián)體系應(yīng)用場景典型設(shè)計(jì)》導(dǎo)則約定，電力物聯(lián)網(wǎng)應(yīng)該具備各類感知終端、無線傳感網(wǎng)、廣域傳輸網(wǎng)絡(luò)及人工智能應(yīng)用四大業(yè)務(wù)需求。

根據(jù)對電力物聯(lián)網(wǎng)關(guān)鍵技術(shù)的理解［13-14］，本文認(rèn)為一個(gè)完整的物聯(lián)網(wǎng)系統(tǒng)應(yīng)該具備以下特點(diǎn)：

（1）感知層具備配置有無線通信接口的智能檢測裝置，能夠針對檢測對象實(shí)現(xiàn)信息采集與傳輸。

（2）數(shù)據(jù)傳輸層具備自組織的無線局域網(wǎng)絡(luò)，在任何時(shí)間、任何地點(diǎn)，不依賴公用基礎(chǔ)網(wǎng)絡(luò)實(shí)現(xiàn)感知層裝置的監(jiān)測信息匯聚。同時(shí)，將監(jiān)測數(shù)據(jù)存儲在本地服務(wù)器中，并利用4G等無線廣域網(wǎng)絡(luò)將信息上傳至云服務(wù)器。

（3）信息聚合與應(yīng)用層具備數(shù)據(jù)存儲與分析功能，采用云存儲方式存儲數(shù)據(jù)信息，便于任何具有權(quán)限的PC、移動終端在任何時(shí)間、任何地點(diǎn)通過互聯(lián)網(wǎng)訪問數(shù)據(jù)，并根據(jù)需求在后臺PC或移動終端進(jìn)行數(shù)據(jù)分析。

基于此，本文提出的基于電力物聯(lián)網(wǎng)的開關(guān)柜狀態(tài)監(jiān)測系統(tǒng)由感知層、數(shù)據(jù)傳輸層及信息聚合與應(yīng)用層四部分組成，如圖1所示。

圖1 系統(tǒng)體系結(jié)構(gòu)

（1）感知層。通過安裝在開關(guān)柜中的智能電力儀表實(shí)現(xiàn)多源數(shù)據(jù)的可靠實(shí)時(shí)獲取，并可通過LoRa將數(shù)據(jù)傳至數(shù)據(jù)合并單元。

（2）數(shù)據(jù)傳輸層。數(shù)據(jù)合并單元與智能電力儀表通過LoRa擴(kuò)頻調(diào)制技術(shù)形成自組織的無線局域網(wǎng)絡(luò)，該網(wǎng)絡(luò)不依賴基礎(chǔ)通信網(wǎng)絡(luò)，采取自組織網(wǎng)絡(luò)架構(gòu)將各智能電力儀表采集的數(shù)據(jù)傳輸至數(shù)據(jù)合并單元；進(jìn)而，數(shù)據(jù)合并單元通過局域網(wǎng)將監(jiān)測數(shù)據(jù)存放到現(xiàn)場數(shù)據(jù)庫中，在網(wǎng)絡(luò)中斷時(shí)將本地?cái)?shù)據(jù)庫緩存的歷史數(shù)據(jù)傳輸?shù)焦I(yè)云的非實(shí)時(shí)數(shù)據(jù)收集集群，從而避免網(wǎng)絡(luò)中斷帶來的數(shù)據(jù)丟失問題。同時(shí)，數(shù)據(jù)合并單元利用4G、WiFi等廣域通信網(wǎng)絡(luò)將數(shù)據(jù)上傳至云服務(wù)器，建立高效、高可靠的數(shù)據(jù)傳輸系統(tǒng)。

（3）信息聚合與應(yīng)用層。在工業(yè)云計(jì)算中心部署實(shí)時(shí)數(shù)據(jù)收集集群，實(shí)時(shí)接收監(jiān)測數(shù)據(jù)并存入云端數(shù)據(jù)庫中；進(jìn)而，采用深度學(xué)習(xí)技術(shù)對監(jiān)測數(shù)據(jù)進(jìn)行分析，提供實(shí)時(shí)狀態(tài)監(jiān)測服務(wù)、運(yùn)行分析服務(wù)、故障/異常工況服務(wù)等，以提高開關(guān)柜的運(yùn)維水平。

2 電力物聯(lián)網(wǎng)的開關(guān)柜狀態(tài)監(jiān)測系統(tǒng)設(shè)計(jì)

2.1 感知層設(shè)計(jì)

根據(jù)開關(guān)柜在線監(jiān)測系統(tǒng)的功能需求，智能電力儀表的硬件結(jié)構(gòu)設(shè)計(jì)如圖2所示，以STM32F103VCARM處理器為核心，采用ATT7022電能質(zhì)量芯片測量三相電壓/電流，并檢測開關(guān)量信號。同時(shí)，電力儀表具備LoRa無線接口，用于與數(shù)據(jù)合并單元組成無線局域網(wǎng)絡(luò)，傳輸監(jiān)測數(shù)據(jù)。

圖2 數(shù)據(jù)采集層硬件功能模塊圖

2.2 數(shù)據(jù)傳輸層設(shè)計(jì)

系統(tǒng)數(shù)據(jù)傳輸結(jié)構(gòu)示意圖如圖3所示。其中，數(shù)據(jù)傳輸層主要由數(shù)據(jù)合并單元與本地服務(wù)器組成。數(shù)據(jù)合并單元硬件結(jié)構(gòu)設(shè)計(jì)如圖4所示。數(shù)據(jù)合并單元的STM32F103VCARM處理器通過LoRa無線模塊，將大量具有無線收發(fā)功能的智能電力儀表通過動態(tài)組網(wǎng)構(gòu)成多跳自組織網(wǎng)絡(luò)，調(diào)取監(jiān)測數(shù)據(jù)，并經(jīng)4G網(wǎng)絡(luò)以網(wǎng)絡(luò)透傳模式上傳至云服務(wù)器進(jìn)行云存儲。

圖3 數(shù)據(jù)傳輸結(jié)構(gòu)示意圖

圖4 數(shù)據(jù)合并單元結(jié)構(gòu)圖

LoRa是一種基于擴(kuò)頻調(diào)制與解調(diào)的超遠(yuǎn)距離無線傳輸技術(shù)，采用包括433、868、915 MHz等全球免費(fèi)頻段，實(shí)現(xiàn)了超低功耗、超遠(yuǎn)距離無線通信。LoRa將頻譜擴(kuò)展通信技術(shù)與GFSK調(diào)制技術(shù)融合，這使得網(wǎng)絡(luò)中的不同終端只要使用不同的擴(kuò)頻序列，即可保證用一樣的頻率同時(shí)發(fā)送數(shù)據(jù)也不會相互干擾。本設(shè)計(jì)中選用ZM470SX-M型LoRa無線通信模塊構(gòu)成無線局域網(wǎng)絡(luò)，實(shí)現(xiàn)數(shù)據(jù)合并單元與智能電力儀表間的數(shù)據(jù)傳輸。

4G模塊選用USR-LTE-7S4工業(yè)級4G模塊，實(shí)現(xiàn)專用路由器與云服務(wù)器間的廣域數(shù)據(jù)傳輸。

2.3 深度學(xué)習(xí)的信息聚合與應(yīng)用層設(shè)計(jì)

（1）數(shù)據(jù)云存儲設(shè)計(jì)。由于現(xiàn)場開關(guān)柜需要監(jiān)測的數(shù)據(jù)項(xiàng)非常龐大，數(shù)據(jù)合并單元會采集大量監(jiān)測數(shù)據(jù)，傳輸時(shí)占用大量的網(wǎng)絡(luò)帶寬，需通過在云服務(wù)器部署數(shù)據(jù)收集集群實(shí)現(xiàn)數(shù)據(jù)的高效傳輸。由圖3可見，云服務(wù)器采用Kafka集群和RabbitMQ集群分別收集實(shí)時(shí)數(shù)據(jù)和非實(shí)時(shí)數(shù)據(jù)，即將現(xiàn)場實(shí)時(shí)數(shù)據(jù)通過4G或WiFi通信傳輸?shù)焦I(yè)云計(jì)算中心的Kafka實(shí)時(shí)數(shù)據(jù)收集集群，在網(wǎng)絡(luò)中斷時(shí)將現(xiàn)場本地?cái)?shù)據(jù)庫緩存的歷史數(shù)據(jù)傳輸?shù)焦I(yè)云計(jì)算中心的RabbitMQ非實(shí)時(shí)數(shù)據(jù)收集集群，從而避免網(wǎng)絡(luò)中斷帶來的數(shù)據(jù)不完整問題；同時(shí)安裝支持分布式系統(tǒng)數(shù)據(jù)同步服務(wù)，集群服務(wù)器之間形成高可用服務(wù)，防止因服務(wù)器出現(xiàn)故障而影響數(shù)據(jù)傳輸。

（2）開關(guān)柜狀態(tài)監(jiān)測模型。深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域一個(gè)新的研究方向，其理論動機(jī)是：如果一個(gè)函數(shù)可用k層結(jié)構(gòu)以簡潔的形式表達(dá)，那么用k－1層的結(jié)構(gòu)表達(dá)則可能需要指數(shù)級數(shù)量的參數(shù)，且泛化能力不足［15］。

本設(shè)計(jì)以開關(guān)柜最為常見的熱故障為目標(biāo)，采用含多層感知機(jī)的前饋深度模型進(jìn)行開關(guān)柜狀態(tài)研判，并對模型訓(xùn)練算法進(jìn)行優(yōu)化改進(jìn)，從而加快了訓(xùn)練的收斂速度，減少局部最優(yōu)與過擬合現(xiàn)象的出現(xiàn)。

（3）特征狀態(tài)量的選取。高壓開關(guān)柜主要有三大部位易出現(xiàn)熱故障［16］：隔離開關(guān)接頭、母線和電纜接頭。電流通過兩金屬材料接觸面時(shí)，接觸點(diǎn)周圍的溫度可由下式計(jì)算：

式中：θ為接觸點(diǎn)周圍的溫度；Rj為接觸面間的電阻；I為電流值；λ為導(dǎo)體的熱導(dǎo)率；ρλ為相互接觸的金屬材料的熱導(dǎo)率和電阻率乘積的均值。故可以選取接觸電阻和負(fù)荷電流作為開關(guān)柜的特征狀態(tài)量。另外當(dāng)環(huán)境溫度上升時(shí)，會使接觸面氧化，破壞了安裝時(shí)金屬接觸面的直接接觸，進(jìn)而導(dǎo)致了接觸電阻的增加，故將環(huán)境溫度也選為熱故障的特征狀態(tài)量。

在以上3個(gè)特征狀態(tài)量中，負(fù)荷電流和各隔室的溫度可以直接測量，接觸電阻無法直接測量，本文引入虛擬接觸電阻，用來表征單位時(shí)間因接觸點(diǎn)電阻增大而引起的溫度變化的特征量。定義虛擬接觸電阻，

式中：R代表虛擬接觸電阻；T為隔室的溫度；T0為環(huán)境溫度；I為電流的有效值。

在計(jì)算虛擬接觸電阻時(shí)為防止因異常電流流經(jīng)導(dǎo)電回路時(shí)所產(chǎn)生的熱量引起的溫度變化，需要判斷電流在這段時(shí)間內(nèi)是否滿足穩(wěn)定的條件，以排除由于電流突變引起溫度上升的干擾。

（4）狀態(tài)監(jiān)測模型超參數(shù)的優(yōu)化。在訓(xùn)練狀態(tài)監(jiān)測模型之前，需要對超參數(shù)進(jìn)行優(yōu)化，以提高學(xué)習(xí)的性能和效果。對于本文建立的狀態(tài)監(jiān)測模型，其超參數(shù)有神經(jīng)網(wǎng)絡(luò)層數(shù)L、每一層網(wǎng)絡(luò)神經(jīng)元的個(gè)數(shù)m、批尺寸s、學(xué)習(xí)率η。

超參數(shù)的優(yōu)化策略為：先根據(jù)寬泛策略確定模型的層數(shù)和每一層網(wǎng)絡(luò)的神經(jīng)元個(gè)數(shù)，然后對剩下的超參數(shù)先隨機(jī)給一個(gè)可能的值；在代價(jià)函數(shù)中先不考慮正則項(xiàng)的存在，調(diào)整學(xué)習(xí)率得到一個(gè)較為合適的學(xué)習(xí)率的閾值；然后通過實(shí)驗(yàn)確定批尺寸的大小，使模型的精度與收斂速度符合要求。

（5）狀態(tài)監(jiān)測模型訓(xùn)練。對于每一組超參數(shù)確定的狀態(tài)監(jiān)測模型，需要對每個(gè)神經(jīng)元的權(quán)值進(jìn)行訓(xùn)練，訓(xùn)練算法流程圖如圖5所示。

圖5 模型訓(xùn)練流程圖

具體步驟如下：

Step 1訓(xùn)練樣本預(yù)處理。對訓(xùn)練數(shù)據(jù)進(jìn)行高斯歸一化，以去量綱化：

式中：μ為訓(xùn)練樣本的均值；σ為訓(xùn)練樣本的方差。

Step 2神經(jīng)元權(quán)值訓(xùn)練。由于訓(xùn)練數(shù)據(jù)集很大，網(wǎng)絡(luò)每更新一次參數(shù)所需要的計(jì)算量極大，網(wǎng)絡(luò)的收斂速度隨之減慢。為了克服這個(gè)問題，本文采用Mini-Batch梯度下降法［17］計(jì)算每次迭代的前向傳播過程：

式中：z表示神經(jīng)元的輸出矩陣；ω表示權(quán)重系數(shù)矩陣；a表示輸入向量；b表示偏倚向量；｛n｝表示第n個(gè)mini-batch；［k］表示第k層神經(jīng)元。

為了減少梯度爆炸或梯度消失現(xiàn)象的出現(xiàn)，本文采用批量歸一化優(yōu)化算法（BN算法）［18］進(jìn)行梯度計(jì)算。

根據(jù)BN算法對z｛n｝［k］進(jìn)行批量歸一化處理：

式中：m表示第k層神經(jīng)元的個(gè)數(shù)；參數(shù)ε是使數(shù)值穩(wěn)定。為了防止歸一化影響網(wǎng)絡(luò)所學(xué)習(xí)的特征，可以使用變換重構(gòu)，引入可學(xué)習(xí)重構(gòu)參數(shù)γ、β，使經(jīng)過批量歸一化后的網(wǎng)絡(luò)恢復(fù)出原始網(wǎng)絡(luò)所要學(xué)習(xí)的特征分布

則經(jīng)過該層神經(jīng)元的輸出為

為避免局部最優(yōu)解，本文選擇凸函數(shù)作為代價(jià)函數(shù)。對于全部訓(xùn)練數(shù)據(jù)集的代價(jià)函數(shù)可以表示為：

為了減小過擬合現(xiàn)象，可為代價(jià)函數(shù)添加正則化項(xiàng)，懲罰模型的復(fù)雜度：

根據(jù)鏈?zhǔn)角髮?dǎo)法則計(jì)算各個(gè)參數(shù)的梯度：

對于第k層神經(jīng)元的偏倚參數(shù)b［k］，BN算法將z［k］歸一化為均值為0、標(biāo)準(zhǔn)差為1的分布，故無論偏倚參數(shù)b［k］的值為多少，在運(yùn)算過程中都被消去，其數(shù)值由重構(gòu)參數(shù)γ進(jìn)行重新分布縮放。參數(shù)更新時(shí)忽略各隱藏層的偏倚參數(shù)可以加速訓(xùn)練過程，則每次迭代的參數(shù)更新為：

Step 3輸出訓(xùn)練結(jié)果。上述訓(xùn)練過程每次迭代的代價(jià)函數(shù)都要小于上次代價(jià)函數(shù)，如此往復(fù)直到代價(jià)函數(shù)不再發(fā)生變化或足夠小為止。這樣就確定了該組超參數(shù)下的狀態(tài)監(jiān)測模型，通過比較不同超參數(shù)模型，選擇預(yù)測精度高、收斂速度快的模型作為開關(guān)柜的狀態(tài)監(jiān)測模型。

3 系統(tǒng)功能與驗(yàn)證

3.1 開關(guān)柜狀態(tài)監(jiān)測系統(tǒng)功能

基于電力物聯(lián)網(wǎng)與深度學(xué)的開關(guān)柜狀態(tài)監(jiān)測系統(tǒng)功能如圖6所示。

圖6 開關(guān)柜狀態(tài)監(jiān)測系統(tǒng)功能圖

系統(tǒng)的主要功能包括：

（1）設(shè)備狀態(tài)采集。運(yùn)行狀態(tài)界面可視化顯示開關(guān)柜的運(yùn)行和報(bào)警狀態(tài)，實(shí)時(shí)狀態(tài)監(jiān)測顯示溫度、各電氣量等實(shí)時(shí)參數(shù)曲線。

（2）報(bào)警信息記錄。當(dāng)運(yùn)行狀態(tài)數(shù)據(jù)發(fā)生異常時(shí)，根據(jù)狀態(tài)數(shù)據(jù)值判斷其報(bào)警等級，同時(shí)可對歷史報(bào)警記錄進(jìn)行查詢，亦可進(jìn)行相應(yīng)的報(bào)警統(tǒng)計(jì)。

（3）歷史數(shù)據(jù)查詢?？梢圆樵円粋€(gè)時(shí)間段內(nèi)開關(guān)柜的歷史運(yùn)行數(shù)據(jù)，使管理人員方便的回顧設(shè)備歷史健康狀況并做出相應(yīng)的管理動作。

（4）故障診斷。采用深度學(xué)習(xí)技術(shù)，建立含多層感知機(jī)的前饋深度學(xué)習(xí)模型，對開關(guān)柜潛在故障進(jìn)行診斷，為狀態(tài)維修提供依據(jù)。

3.2 實(shí)例驗(yàn)證

本文所建立的含多層感知器的前饋深度學(xué)習(xí)模型的原始輸入有三相電流、母線室溫度、開關(guān)室溫度、電纜室溫度及環(huán)境溫度，模型的輸出單元為H1和H2，對于開關(guān)柜的不同運(yùn)行狀態(tài)，各輸出單元的輸出如表1所示。

表1 不同神經(jīng)元輸出

為了驗(yàn)證模型的準(zhǔn)確性和有效性，以某變電站6 kV開關(guān)柜在線狀態(tài)監(jiān)測數(shù)據(jù)為例，建立熱故障狀態(tài)監(jiān)測模型。本設(shè)計(jì)通過大量的樣本訓(xùn)練，綜合考慮模型精度和訓(xùn)練速度需求，確定模型超參數(shù)為：網(wǎng)絡(luò)層數(shù)L＝10，學(xué)習(xí)率η＝0.02，批尺度s＝8。限于篇幅，超參數(shù)選擇過程恕不贅述。以此參數(shù)訓(xùn)練現(xiàn)場數(shù)據(jù)，其中部分輸入監(jiān)測數(shù)據(jù)如表2所示，模型的輸出及診斷結(jié)果如表3所示，可見3種狀態(tài)的測試數(shù)據(jù)都得到準(zhǔn)確的診斷。

表2 部分狀態(tài)監(jiān)測數(shù)據(jù)

表3 測試數(shù)據(jù)訓(xùn)練結(jié)果

同時(shí)，為了驗(yàn)證深度學(xué)習(xí)模型從少量訓(xùn)練樣本中提取特征及故障辨識的能力，分別使用樣本總量為100、300、500、800、1 200、2 000、4 000、8 000和15 000的訓(xùn)練樣本訓(xùn)練深度學(xué)習(xí)模型。由于各神經(jīng)元的權(quán)值初值是隨機(jī)生成的，為了驗(yàn)證模型的穩(wěn)定性，每個(gè)試驗(yàn)重復(fù)進(jìn)行20次，試驗(yàn)結(jié)果如圖7所示。

圖7 不同訓(xùn)練樣本量的診斷性能

由圖7可以看出，當(dāng)訓(xùn)練樣本增加時(shí)，識別率逐漸上升，20次試驗(yàn)標(biāo)準(zhǔn)差逐漸下降，即深度學(xué)習(xí)模型的穩(wěn)定性越來越高。當(dāng)訓(xùn)練樣本數(shù)上升到15 000時(shí)，識別率為99.94%，標(biāo)準(zhǔn)差為0.2%；而當(dāng)訓(xùn)練樣本數(shù)為100時(shí)，識別率僅為88.5%。這說明了訓(xùn)練樣本個(gè)數(shù)對深度學(xué)習(xí)模型性能有巨大影響。此外，當(dāng)訓(xùn)練樣本個(gè)數(shù)為800時(shí)，識別率就可以達(dá)到99.16%，證明了深度學(xué)習(xí)模型在使用較少訓(xùn)練樣本的情況下，也能達(dá)到很高的識別率，模型的抑制過擬合的能力較強(qiáng)。圖7右側(cè)為每種深度學(xué)習(xí)模型分析一組監(jiān)測數(shù)據(jù)所用時(shí)間。由圖可知，深度學(xué)習(xí)模型分析一組監(jiān)測數(shù)據(jù)的時(shí)間約為0.7 ms，可以很好滿足實(shí)時(shí)性要求。

為了進(jìn)一步評估深度學(xué)習(xí)模型的優(yōu)勢，將深度學(xué)習(xí)模型與傳統(tǒng)淺層神經(jīng)網(wǎng)絡(luò)行比較。圖8給出了對1 000個(gè)訓(xùn)練樣本訓(xùn)練后兩種模型20次重復(fù)試驗(yàn)的平均診斷結(jié)果。

圖8 中的誤差棒代表20次試驗(yàn)計(jì)算的標(biāo)準(zhǔn)差?？梢姡啾扔跍\層神經(jīng)網(wǎng)絡(luò)模型，本文提出的深度學(xué)習(xí)模型具有更高的分類精度，減少了過擬合現(xiàn)象的出現(xiàn)，同時(shí)較低的標(biāo)準(zhǔn)差說明深度學(xué)習(xí)模型的穩(wěn)定性更高。

images/BZ_86_278_817_1119_1313.png

由上述測試結(jié)果可知，本文提出的含多層感知器的前饋深度學(xué)習(xí)模型不僅可以實(shí)時(shí)、準(zhǔn)確地研判開關(guān)柜運(yùn)行狀態(tài)，還可以實(shí)現(xiàn)較少訓(xùn)練樣本情況下的高識別率。同時(shí)，相比于淺層神經(jīng)網(wǎng)絡(luò)模型，該模型識別準(zhǔn)確率有明顯提升。將該模型應(yīng)用到開關(guān)柜熱故障狀態(tài)監(jiān)測中，可以提高開關(guān)柜的運(yùn)行維護(hù)水平，為開關(guān)柜后續(xù)維修保障決策的編制提供科學(xué)依據(jù)。

4 結(jié) 語

本文針對目前傳統(tǒng)開關(guān)柜狀態(tài)監(jiān)測系統(tǒng)存在的問題與不足，設(shè)計(jì)并實(shí)現(xiàn)了基于電力物聯(lián)網(wǎng)和深度學(xué)習(xí)的開關(guān)柜狀態(tài)監(jiān)測系統(tǒng)。該系統(tǒng)利用物聯(lián)網(wǎng)技術(shù)實(shí)現(xiàn)了開關(guān)柜實(shí)時(shí)運(yùn)行數(shù)據(jù)感知，并基于深度學(xué)習(xí)算法建立開關(guān)柜狀態(tài)研判模型，形成集實(shí)時(shí)狀態(tài)監(jiān)測服務(wù)、運(yùn)行統(tǒng)計(jì)分析服務(wù)、故障/異常工況報(bào)警服務(wù)、在線故障診斷服務(wù)于一體的開關(guān)柜狀態(tài)監(jiān)測診斷平臺。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)能夠快速、準(zhǔn)確、高效地對開關(guān)柜運(yùn)行狀態(tài)進(jìn)行診斷，具備很好的工程應(yīng)用價(jià)值。