基于人工智能技術(shù)的電力設(shè)備故障識別策略與方法

國網(wǎng)山東省電力公司檢修公司 宋香濤 綦浩楠

目前階段，我國的電力結(jié)構(gòu)在科技的不斷創(chuàng)新與推動之下，逐漸形成了更加成熟的供電調(diào)度體系，為人們?nèi)粘５纳a(chǎn)生活帶來了極大的便利條件，創(chuàng)造成更加貼合新時代發(fā)展的電力環(huán)境[1]。雖然電力結(jié)構(gòu)的整合與匯總?cè)〉昧讼鄬^好的效果，但是在實(shí)際應(yīng)用的過程中，由于外部因素的影響，再加上其他突發(fā)情況的發(fā)生，還是容易存在不同程度缺陷，導(dǎo)致電力設(shè)備的產(chǎn)生運(yùn)行故障，嚴(yán)重的甚至?xí)?dǎo)致大面積的關(guān)聯(lián)電路損壞問題的產(chǎn)生，一定程度上增加電力設(shè)備應(yīng)用的實(shí)際成本[2]。

另外，近年我國傳統(tǒng)的電力系統(tǒng)逐漸向著現(xiàn)代化電力系統(tǒng)轉(zhuǎn)變升級，雖然可以完成預(yù)期的供電目標(biāo)，但是內(nèi)部的結(jié)構(gòu)以及供電機(jī)制仍然是十分龐大且復(fù)雜的。不僅如此，對應(yīng)的執(zhí)行系統(tǒng)通常也處于動態(tài)且繁瑣的現(xiàn)狀，所以在日常運(yùn)行執(zhí)行的過程中，常常電力設(shè)備也會出現(xiàn)高維、強(qiáng)非線性和時變等特征，在這樣的環(huán)境之下，通常難以快速、準(zhǔn)確地對出現(xiàn)故障的位置作出對應(yīng)的識別與定位，這也就導(dǎo)致延誤了輸電線路的維修與快速處理[3]。在這樣的背景之下，人們開始嘗試將人工智能技術(shù)逐漸應(yīng)用在對電力設(shè)備故障的識別與定位工作中去，逐漸對現(xiàn)狀作出了對應(yīng)的改善。

人工智能技術(shù)是一種具有靈活應(yīng)變能力的數(shù)據(jù)分析處理技術(shù)，它對于設(shè)備的控制能力是相對較強(qiáng)的，并且具有大范圍的定位程序，根據(jù)設(shè)備日常的運(yùn)行信息，結(jié)合互聯(lián)網(wǎng)以及大數(shù)據(jù)等技術(shù)對故障源進(jìn)行識別，通過平臺將故障信息轉(zhuǎn)化傳輸至對應(yīng)的控制區(qū)域，完成對設(shè)備故障的定位與識別，以此來進(jìn)一步提升整體的故障修復(fù)效果，確保電力設(shè)備的使用壽命。

我國的電力設(shè)備應(yīng)用范圍在最近幾年得到了廣泛地擴(kuò)展，為人們的生產(chǎn)生活提供了極大的便利。但是在對設(shè)備的故障識別方面，智能化水平仍然較低。因此，對基于人工智能技術(shù)的電力設(shè)備故障識別的方法進(jìn)行設(shè)計(jì)與探究,確定模糊邏輯故障識別節(jié)點(diǎn)、關(guān)聯(lián)節(jié)點(diǎn)的同時建立故障識別樹，并創(chuàng)建人工智能SVM分類故障的識別模型，利用Seq2Seq技術(shù)實(shí)現(xiàn)人工智能下電力設(shè)備故障的識別。最終的測試結(jié)果表明：在不同的測試訓(xùn)練集范圍之內(nèi)，對比于傳統(tǒng)的重疊特征故障識別方法，本文所設(shè)計(jì)的方法具有更強(qiáng)的穩(wěn)定性和系統(tǒng)性，最終得出的故障識別訓(xùn)練誤差也相對較低，表明對電力設(shè)備的實(shí)際故障識別效果更佳，具有實(shí)際應(yīng)用意義。

1 人工智能技術(shù)下電力設(shè)備故障識別方法設(shè)計(jì)

1.1 模糊邏輯故障識別節(jié)點(diǎn)確定

在進(jìn)行人工智能技術(shù)下電力設(shè)備故障識別方法設(shè)計(jì)前，需要先確定模糊邏輯故障識別相對應(yīng)的節(jié)點(diǎn)。一般情況下，電力設(shè)備在日常的運(yùn)行或者供電過程中，都具有特定的程序以及特征，同樣的在發(fā)生故障之前，設(shè)備也會產(chǎn)生不同程度的征兆，不同的征兆呈現(xiàn)出的電力設(shè)備故障區(qū)域也是存在差異的，內(nèi)部設(shè)備結(jié)構(gòu)上的建立一定程度上存在對關(guān)聯(lián)性，可以形成一一對應(yīng)的故障關(guān)系，這部分如果不進(jìn)行嚴(yán)格地控制，便很容易形成大面積的關(guān)聯(lián)性設(shè)備損壞問題，造成一定的經(jīng)濟(jì)損失[4]。所以，在設(shè)計(jì)故障識別方法前，需要確定模糊邏輯故障識別的相對應(yīng)節(jié)點(diǎn)。

由于實(shí)際因素的變化性以及復(fù)雜性，需要先確定其模糊邏輯識別的實(shí)際范圍，但是這部分需要注意的是，由于初始的識別區(qū)域相對較為限制，而出現(xiàn)的故障設(shè)備極有可能發(fā)生關(guān)聯(lián)性的損壞，這樣的狀況極有可能會造成電力設(shè)備大規(guī)模爆電或混電的情況，所以通常在進(jìn)行模糊邏輯識別的過程中會劃定大于初始范圍的區(qū)域，提升整體的識別精度。將其作為基礎(chǔ)，計(jì)算其具體的識別系數(shù)，具體如下：H=(2k-1)+0.3lt，式中：H表示識別系數(shù)，k表示模糊聚類范圍，t表示故障識別范圍。通過上述計(jì)算，最終可以得出實(shí)際的識別系數(shù)。依據(jù)得出的識別系數(shù)，設(shè)定對應(yīng)的模糊故障識別聚類轉(zhuǎn)換比值，具體如表1所示。

表1 模糊故障識別聚類轉(zhuǎn)換比值設(shè)定表

根據(jù)表1中的數(shù)據(jù)信息，最終可以完成實(shí)際模糊故障識別聚類轉(zhuǎn)換比值的設(shè)定。依據(jù)轉(zhuǎn)換的比值以及對應(yīng)的范圍，預(yù)設(shè)模糊邏輯故障識別節(jié)點(diǎn)并將其相關(guān)聯(lián)，每一個故障識別節(jié)點(diǎn)均是相互獨(dú)立的，此時為確保電力設(shè)備的穩(wěn)定運(yùn)行，可在基礎(chǔ)電路中接入一個小型的集成控制電路，以此來加強(qiáng)對于內(nèi)部識別程序的控制，確保不同的電力設(shè)備在應(yīng)用的過程中仍存在對應(yīng)的關(guān)聯(lián)，為后續(xù)的設(shè)計(jì)奠定基礎(chǔ)[5]。

1.2 故障識別樹的建立

在完成模糊邏輯故障識別節(jié)點(diǎn)的確定之后，接下來需要創(chuàng)建故障識別樹。故障識別樹是一種關(guān)聯(lián)性的由總體向局部擴(kuò)散識別的層級細(xì)化定位識別程序，與傳統(tǒng)故障識別程序不同的是，模糊邏輯故障識別程序更加細(xì)致化、精確化、全面化，對于部分細(xì)節(jié)化的故障及隱藏故障可更加快速、準(zhǔn)確地識別，通常會根據(jù)某一個特定的電力設(shè)備提取對應(yīng)的故障特征，同時在預(yù)設(shè)的故障識別范圍之內(nèi)進(jìn)行實(shí)效位置的分析以及推理。所以，一般的電力設(shè)備在故障的初期都會具有細(xì)化識別的條件，但這一條件通常是固定的，屬于故障特征，并不會隨著設(shè)備的變化發(fā)生改變，所以可根據(jù)這一因素識別相對應(yīng)的故障目標(biāo)，并根據(jù)層級的特性結(jié)構(gòu)建立故障識別樹的執(zhí)行指令，將其與所設(shè)定的和核心識別節(jié)點(diǎn)相關(guān)聯(lián)，經(jīng)過層層驗(yàn)證形成三級根節(jié)點(diǎn)，在結(jié)構(gòu)上實(shí)現(xiàn)了故障的初始識別，具體的結(jié)構(gòu)如圖1所示。

根據(jù)圖1中的數(shù)據(jù)信息，最終可以完成對故障識別樹的創(chuàng)建。但這部分需要注意的是，故障時識別樹對于不同的故障所劃定的層級也是不同的，對于初始的基礎(chǔ)原件故障并不會全面啟用、僅是部分處理，但對于中、重型的故障，相關(guān)員工會選擇性地適用故障樹進(jìn)行維護(hù)和處理，以確保其他電力設(shè)備的穩(wěn)定運(yùn)行。另外，在數(shù)據(jù)樹中設(shè)立對應(yīng)的數(shù)據(jù)識別源，依據(jù)所提取的特征進(jìn)行定性故障診斷，最終完成故障識別樹的進(jìn)一步完善[6]。

圖1 故障識別樹結(jié)構(gòu)

1.3 構(gòu)建人工智能SVM分類故障識別模型

在完成故障識別樹的建立之后，接下來需要構(gòu)建人工智能SVM分類故障識別模型。利用控制平臺獲取到多維原始振動信號，將其設(shè)定在對應(yīng)的人工智能控制區(qū)域之中，利用深度卷積技術(shù)并結(jié)合人工智能的定位處理技術(shù)，構(gòu)建多層級的SVM分類故障識別模型。結(jié)合依據(jù)故障樹分析的故障類型，將獲取的數(shù)據(jù)劃定在對應(yīng)的模糊邏輯識別層級之中，根據(jù)獨(dú)立故障層級提取的特征，進(jìn)行故障識別冗余擴(kuò)散值的計(jì)算：M=l-e/3+2β。式中：M表示故障識別冗余擴(kuò)散值，l表示深度處理定位范圍，e表示獨(dú)立識別點(diǎn)，β表示智能識別范圍。通過上述的計(jì)算，最終可以得出實(shí)際的故障識別冗余擴(kuò)散值。將此數(shù)值添加在人工智能SVM分類故障識別模型之中，識別層級需要劃分為三級，并且對逐層減小卷積核進(jìn)行更加有效地壓縮，以此來優(yōu)化模型的整體故障識別效果。

1.4 Seq2Seq技術(shù)實(shí)現(xiàn)人工智能下電力設(shè)備故障的識別

在完成人工智能SVM分類故障識別模型的創(chuàng)建之后，接下來利用Seq2Seq技術(shù)來最終實(shí)現(xiàn)人工智能下電力設(shè)備故障的識別。Seq2Seq技術(shù)實(shí)際上需要根據(jù)單相識別序列來關(guān)聯(lián)多項(xiàng)輸出序列，并且在故障識別模型的輔助作用下組成識別序列的轉(zhuǎn)化結(jié)構(gòu)。將上述設(shè)定的故障識別模型與現(xiàn)如今常用的Encoder模型作出反向轉(zhuǎn)化，同時結(jié)合Seq2Seq技術(shù)、再加上智能識別模式，進(jìn)一步依據(jù)固定長度以及實(shí)際向量對故障識別結(jié)果進(jìn)行轉(zhuǎn)化。在人工智能技術(shù)的輔助之下，建立更加靈活穩(wěn)定的識別機(jī)制，最終完成對電力設(shè)備故障的處理與維護(hù)。

2 測試方法

本次測試主要是對基于人工智能技術(shù)的電力設(shè)備故障定位識別效果的分析與研究。測試共分為兩個小組：一組為傳統(tǒng)的重疊特征故障識別法，將其設(shè)定為傳統(tǒng)重疊特征故障識別測試組；另一組為本文所設(shè)計(jì)的方法，將其設(shè)定為人工智能故障識別測試組。兩種方法在相同的測試環(huán)境之下同時進(jìn)行測試，將得出的數(shù)據(jù)信息對比分析，完成結(jié)果的論述與驗(yàn)證。

2.1 測試準(zhǔn)備

依據(jù)實(shí)際的測試情況，進(jìn)行相關(guān)的測試準(zhǔn)備。搭建測試的環(huán)境。選取A電力站作為本次測試的目標(biāo)對象。依據(jù)實(shí)際的要求，創(chuàng)建Seq2Seq的人工智能故障識別模型，并依據(jù)模型的內(nèi)部結(jié)構(gòu)，建立電力設(shè)備故障的訓(xùn)練集。利用Keras平臺進(jìn)行輸電線路故障樣本以及特征數(shù)據(jù)的提取，關(guān)聯(lián)i5-7500處理器，并對相關(guān)電力設(shè)備指標(biāo)參數(shù)作出預(yù)設(shè)，具體如表2所示。

表2 電力設(shè)備指標(biāo)參數(shù)預(yù)設(shè)表

根據(jù)表2中的數(shù)據(jù)信息，最終可以完成對電力設(shè)備指標(biāo)參數(shù)的相關(guān)預(yù)設(shè)。完成之后在上述所搭建的環(huán)境之中，利用MATLAB/Simulink軟件搭建EE18的故障處理節(jié)點(diǎn)，每一個節(jié)點(diǎn)均為一個獨(dú)立的運(yùn)行定位裝置，雖然在應(yīng)用的過程中每一個節(jié)點(diǎn)都是獨(dú)立的，但是仍然存在一定的聯(lián)系，需要建立輸電網(wǎng)架來控制設(shè)備的單相電壓瞬時值以及執(zhí)行有效值，確保在對故障進(jìn)行識別的過程中各個功率因數(shù)角處于合理的范圍之內(nèi)。完成上述測試準(zhǔn)備之后，核查測試的設(shè)備以及系統(tǒng)是否處于穩(wěn)定的運(yùn)行狀態(tài)，同時確保不存在影響最終測試結(jié)果的外部因素，核查無誤后，開始測試。

2.2 測試過程及結(jié)果分析

在上述所搭建的測試環(huán)境之中開始測試。將測試集劃分為以下6組，并且關(guān)聯(lián)每一個故障識別節(jié)點(diǎn)，同時啟動電力設(shè)備，設(shè)定故障點(diǎn)，進(jìn)行定位識別，隨后將得出的數(shù)據(jù)信息匯總整合，得出最終的測試結(jié)果，進(jìn)行對比分析，具體如表3所示。

表3 測試結(jié)果對比分析表

根據(jù)表3中的數(shù)據(jù)信息，最終可以得出實(shí)際的測試結(jié)果：在不同的測試訓(xùn)練集范圍之內(nèi)，對比于傳統(tǒng)的重疊特征故障識別方法，本文所設(shè)計(jì)的方法具有更強(qiáng)的穩(wěn)定性和系統(tǒng)性。另外，最終得出的故障識別訓(xùn)練誤差也相對較低，表明對電力設(shè)備的實(shí)際故障識別效果更佳，具有一定的實(shí)際應(yīng)用價值。

綜上，便是對基于人工智能技術(shù)的電力設(shè)備故障識別方法的設(shè)計(jì)與分析。對比于傳統(tǒng)的故障識別方法，本文所設(shè)計(jì)的方法在實(shí)際應(yīng)用的過程中，具有更強(qiáng)的靈活應(yīng)變性以及信息的實(shí)時傳輸性，隨著智能化技術(shù)的不斷完善與發(fā)展，在設(shè)備綜合情況監(jiān)測、特征提取、故障識別以及辨別定位等均得到了更加充分地完善與優(yōu)化，且故障的綜合識別定位準(zhǔn)確率均可以達(dá)到98%左右，獲得更加穩(wěn)定全面的識別效果。