基于人工智能技術(shù)的電力系統(tǒng)設(shè)備遠(yuǎn)程實(shí)時(shí)監(jiān)控異常識(shí)別研究

葉 華，趙 川，路學(xué)剛，孫華利，董詩(shī)燾

(云南電力調(diào)度控制中心, 云南 昆明 650217)

隨著電力系統(tǒng)設(shè)備越來越集成化和復(fù)雜化，電力系統(tǒng)設(shè)備出現(xiàn)異常狀態(tài)的次數(shù)也在不斷增加[1-3]。由于電力系統(tǒng)設(shè)備異常會(huì)導(dǎo)致電力網(wǎng)絡(luò)運(yùn)行故障，因此準(zhǔn)確檢測(cè)電力系統(tǒng)設(shè)備異?？梢蕴嵘O(shè)備運(yùn)行壽命，保證整個(gè)電力系統(tǒng)運(yùn)行的穩(wěn)定性[4]。電力系統(tǒng)設(shè)備遠(yuǎn)程實(shí)時(shí)監(jiān)控異常識(shí)別是指通過遠(yuǎn)程采集電力系統(tǒng)設(shè)備數(shù)字信號(hào)并傳輸至監(jiān)控中心，監(jiān)控中心利用所采集的設(shè)備圖像實(shí)時(shí)識(shí)別設(shè)備異常狀態(tài)。

支持向量機(jī)方法是一種重要的機(jī)器學(xué)習(xí)方法，可解決訓(xùn)練時(shí)間過長(zhǎng)以及局部最優(yōu)情況，對(duì)于提升識(shí)別可靠性具有重要的意義[5-6]?，F(xiàn)有的實(shí)時(shí)監(jiān)控方法受霧霾、雪天等惡劣天氣影響，對(duì)電力系統(tǒng)設(shè)備遠(yuǎn)程實(shí)時(shí)監(jiān)控異常狀態(tài)的識(shí)別效果不夠理想。為了提高電力系統(tǒng)設(shè)備異常識(shí)別效果，本文在設(shè)備異常識(shí)別中引入支持向量機(jī)方法，提出基于人工智能技術(shù)的電力系統(tǒng)設(shè)備遠(yuǎn)程實(shí)時(shí)監(jiān)控異常識(shí)別方法。

1 基于人工智能的電力系統(tǒng)設(shè)備遠(yuǎn)程實(shí)時(shí)監(jiān)控異常識(shí)別

1.1 電力系統(tǒng)設(shè)備遠(yuǎn)程實(shí)時(shí)監(jiān)控異常識(shí)別

基于人工智能技術(shù)的電力系統(tǒng)設(shè)備遠(yuǎn)程實(shí)時(shí)監(jiān)控異常識(shí)別的運(yùn)作原理如下：電力系統(tǒng)利用云臺(tái)攝像頭采集設(shè)備的數(shù)字圖像，數(shù)字圖像的信息采用R(紅)、G(綠)、B(藍(lán))3基色8位亮度值(0～255)表示。通過網(wǎng)絡(luò)將采集的圖像傳輸至遠(yuǎn)程監(jiān)控中心的計(jì)算機(jī)內(nèi)；計(jì)算機(jī)實(shí)時(shí)截取視頻流中的設(shè)備圖像并進(jìn)行預(yù)處理，包括圖像轉(zhuǎn)換、圖像增強(qiáng)以及圖像濾波三部分，以去除圖像中所包含的噪聲、干擾以及差異；采用變分模態(tài)分解方法提取設(shè)備異常狀態(tài)特征[7-8]，通過支持向量機(jī)方法實(shí)現(xiàn)電力系統(tǒng)設(shè)備異常識(shí)別；計(jì)算機(jī)界面顯示識(shí)別結(jié)果，實(shí)現(xiàn)人機(jī)交互。

首先，選取傅里葉變換方法將數(shù)字識(shí)別圖像轉(zhuǎn)換至空域以及頻域中，以提升圖像特征提取的處理速度，并改善圖像質(zhì)量[9-10]；其次，通過圖像灰度修正、銳化以及邊緣增強(qiáng)方法實(shí)現(xiàn)圖像增強(qiáng)，提升圖像中電力系統(tǒng)設(shè)備異常狀態(tài)特征清晰度，突出包含設(shè)備異常狀態(tài)的特征部分，清除背景等無用信息；最后，通過小波閾值去噪方法對(duì)圖像實(shí)施濾波。預(yù)處理后的圖像通過變分模態(tài)分解方法提取圖像中設(shè)備的異常狀態(tài)特征，并利用支持向量機(jī)方法識(shí)別電力系統(tǒng)設(shè)備異常[11]。

1.2 變分模態(tài)分解

變分模態(tài)分解方法是指利用拉格朗日懲罰算子γ(t)和二次懲罰因子α，采用無約束變分方法代替約束變分方法，通過交替方向乘子迭代獲取變分模型最優(yōu)解，令不同模式分量的頻率以及帶寬實(shí)時(shí)更新，實(shí)現(xiàn)自適應(yīng)信號(hào)高效分解[12]，從而獲得所需電力系統(tǒng)設(shè)備的異常狀態(tài)特征。

通過變分模態(tài)分解方法獲取調(diào)頻-調(diào)幅信號(hào)本征模式分量的公式如下：

vk(t)=Bk(t)cos[φk(t)]

(1)

(2)

式中：Bk(t)與μk(t)分別為諧波信號(hào)vk(t)的瞬時(shí)幅值以及瞬時(shí)頻率；φk(t)為非負(fù)函數(shù)相位，且Bk(t)≥0，φk(t)≥0，其中t為圖像數(shù)字信號(hào)。

(3)

(4)

獲取解調(diào)信號(hào)梯度的范數(shù)平方L2為：

(5)

式中：da為經(jīng)驗(yàn)?zāi)B(tài)分量a的導(dǎo)數(shù)。

通過以上過程建立變分約束模型如下：

(6)

式中：{vk}為不同模態(tài)函數(shù)集，{vk}={v1,v2,…,vk}；{μk}為中心頻率集，{μk}={μ1,μ2,…,μk}；s.t.表示約束條件；x(t)為輸入信號(hào)的變分約束函數(shù)。

利用拉格朗日懲罰算子γ(t)以及二次懲罰因子α，將公式(6)轉(zhuǎn)化為非約束模型問題：

(7)

式中：M(·)為拉格朗日函數(shù)；γ(·)為拉格朗日懲罰函數(shù)。通過式(7)能夠獲取拉格朗日函數(shù)的極小值點(diǎn)[13]。

通過以上過程將圖像信號(hào)分解為數(shù)量為K的模態(tài)函數(shù)vk(t)，即可實(shí)現(xiàn)電力系統(tǒng)設(shè)備異常狀態(tài)特征提取。

1.3 支持向量機(jī)

將本文所獲取的電力系統(tǒng)設(shè)備異常狀態(tài)特征設(shè)置為支持向量機(jī)訓(xùn)練樣本，用D={(m1,m1),…,(ml,nl)}表示，其中m∈Rn，n∈{-1,1},l為訓(xùn)練樣本的特征維度。設(shè)以上訓(xùn)練樣本存在于原始輸入空間Rn內(nèi)，通過非線性函數(shù)J(·)將其映射至高維特征空間：

J(m)=(h1(m),h2(m),…,hJ(m))

(8)

式中：J(m)為訓(xùn)練樣本高維特征映射的非線性函數(shù)；hJ(m)為訓(xùn)練樣本映射后的第J維特征。

在高維特征空間中建立超平面獲取的分類器如下：

n(m)=sgn(f·J(m)+g)

(9)

式中：n(m)為訓(xùn)練樣本的高維特征分類器函數(shù)；f為高維特征的超平面類別；g為指示函數(shù)。

通過最小化‖f‖的約束條件，可令結(jié)構(gòu)風(fēng)險(xiǎn)最小化：

n(h(m)·f+g)≥1-ζi

(10)

式中：h(m)為訓(xùn)練樣本映射后的高維特征；ζi為松弛變量，該變量為非負(fù)變量。

通過以上過程將最優(yōu)問題轉(zhuǎn)化為高維特征分類最少：

(11)

式中：J(f,ζi)為高維特征超平面類別和特征松弛變量的非線性函數(shù)；C為松弛因子。

求解公式(11)可得：

(12)

式中：minJ(ζi)為訓(xùn)練樣本高維映射超平面結(jié)構(gòu)最優(yōu)解；n(h(mi),h(mj))為訓(xùn)練樣本mi和mj映射后的高維特征分類結(jié)果，其中h(mi),h(mj)分別為訓(xùn)練樣本mi和mj映射后的高維特征。

將高斯徑向基核函數(shù)K(mi,mj)=(h(mi),h(mj))引入公式(12)中可得：

(13)

獲取最優(yōu)分離超平面的公式如下：

(14)

式中：SV為支持向量。

如此獲得的最優(yōu)非線性支持向量機(jī)分類器y如下：

(15)

通過式(15)即可實(shí)現(xiàn)電力系統(tǒng)設(shè)備異常識(shí)別。

2 仿真實(shí)驗(yàn)

本文選取北京市海淀區(qū)某電力公司內(nèi)電力系統(tǒng)15種設(shè)備共125臺(tái)作為實(shí)驗(yàn)對(duì)象，采用變分模態(tài)分解方法識(shí)別設(shè)備于2019年6月1日—12月31日出現(xiàn)的局部放電、低能放電、高能放電、低溫過熱、中溫過熱、高溫過熱6種設(shè)備異常狀態(tài)特征數(shù)量共1 986個(gè)作為支持向量機(jī)方法的訓(xùn)練樣本集，樣本集中不同設(shè)備異常狀態(tài)所占比例如圖1所示。

圖1 樣本集異常狀態(tài)比例

在不同天氣條件下，采用本文方法識(shí)別出的電力系統(tǒng)設(shè)備運(yùn)行異常結(jié)果見表1。

表1 不同天氣的電力系統(tǒng)設(shè)備識(shí)別結(jié)果 單位：次

將表1數(shù)據(jù)與實(shí)際情況進(jìn)行比對(duì)，統(tǒng)計(jì)本文方法遠(yuǎn)程實(shí)時(shí)監(jiān)控設(shè)備異常識(shí)別結(jié)果的誤識(shí)別率以及漏識(shí)別率，結(jié)果如圖2所示。從圖2識(shí)別結(jié)果可以看出，本文方法在正常天氣的漏識(shí)別率以及誤識(shí)別率明顯低于霧霾天氣以及雪天、雨天，且不同情況下本文方法的漏識(shí)別率以及誤識(shí)別率均低于0.6%，說明了本文方法具有較高的識(shí)別精度，且可滿足惡劣環(huán)境下對(duì)高識(shí)別精度的要求。

圖2 不同情況下識(shí)別性能對(duì)比

3 結(jié)束語(yǔ)

本文將人工智能技術(shù)應(yīng)用于電力系統(tǒng)狀態(tài)異常識(shí)別中，有效提升了惡劣天氣下電力系統(tǒng)設(shè)備狀態(tài)遠(yuǎn)程實(shí)時(shí)監(jiān)控異常識(shí)別的準(zhǔn)確性，該方法在電力系統(tǒng)設(shè)備遠(yuǎn)程實(shí)時(shí)監(jiān)控中具有較高的實(shí)用價(jià)值和現(xiàn)實(shí)意義。但由于條件有限，本文研究更傾向于提高識(shí)別準(zhǔn)確性，識(shí)別效率未能明顯提高，未來的研究將在保證識(shí)別準(zhǔn)確性的前提下進(jìn)一步提高識(shí)別效率。