基于ELM和遷移學(xué)習(xí)的電網(wǎng)設(shè)備多因素綜合故障率分析方法

陳麗惠，李 哲，周鍵宇，馬立熠，楊梓萌

(云南電網(wǎng)有限責(zé)任公司保山供電局，云南 保山 678000)

0 引言

電力設(shè)備作為電力系統(tǒng)的基本單元，通過電網(wǎng)設(shè)備故障率的可靠評(píng)估實(shí)現(xiàn)電力系統(tǒng)各種越限可能進(jìn)行評(píng)估，可以有效預(yù)防對(duì)系統(tǒng)運(yùn)行風(fēng)險(xiǎn)，是電力系統(tǒng)可靠運(yùn)行評(píng)估的關(guān)鍵所在。隨著電網(wǎng)的日益發(fā)展，電網(wǎng)設(shè)備的數(shù)目和關(guān)聯(lián)程度呈指數(shù)級(jí)快速增長，由此帶來的設(shè)備檢修任務(wù)及其重要性也逐漸增長[1-3]。同時(shí)引起電網(wǎng)設(shè)備發(fā)生故障的因素很多，例如大風(fēng)、雷雨、冰雹、過載、超期服役、小動(dòng)物等，各種內(nèi)部和外部的故障因素之間也相互影響，這種關(guān)聯(lián)性顯然是非線性的，缺乏統(tǒng)一的描述方式，而且這些故障因素與設(shè)備綜合故障率的關(guān)聯(lián)性也會(huì)因地域、季節(jié)等條件的變化而變化；針對(duì)數(shù)量龐大、關(guān)系繁雜的電網(wǎng)相關(guān)主要電網(wǎng)設(shè)備，完全依靠人工經(jīng)驗(yàn)去分析是無法實(shí)現(xiàn)的，因而采用智能處理方法對(duì)其歷史運(yùn)行數(shù)據(jù)進(jìn)行分析是提高電網(wǎng)檢修效率，進(jìn)而提高電網(wǎng)整體運(yùn)行安全水平的有效途徑；另一方面，電網(wǎng)故障信息及其故障信息診斷結(jié)果是電網(wǎng)運(yùn)行的重要經(jīng)驗(yàn)，也是廣大運(yùn)行人員運(yùn)行經(jīng)驗(yàn)的寶貴總結(jié)，利用故障相關(guān)歷史數(shù)據(jù)的進(jìn)一步提升設(shè)備故障率的計(jì)算分析準(zhǔn)確度，是利用電網(wǎng)運(yùn)行經(jīng)驗(yàn)總結(jié)加強(qiáng)電網(wǎng)運(yùn)行穩(wěn)定水平的必要之舉，也是電網(wǎng)運(yùn)行人員可靠及時(shí)掌握電網(wǎng)運(yùn)行狀態(tài)的高效途徑[5-8]。

當(dāng)前設(shè)備故障的相關(guān)研究集中在故障診斷領(lǐng)域，文獻(xiàn)[9-10]通過關(guān)聯(lián)算法對(duì)故障進(jìn)行了診斷及分類；文獻(xiàn)[11]對(duì)故障診斷的算法進(jìn)行了研究；文獻(xiàn)[12]對(duì)故障文本進(jìn)行分析和分類，對(duì)故障信息進(jìn)行抽取和分析；而在設(shè)備故障率分析計(jì)算方面以基于歷史數(shù)據(jù)的平均值計(jì)算實(shí)現(xiàn)；文獻(xiàn)[13]通過分故障因素的概率分布方式計(jì)算綜合故障率；文獻(xiàn)[14]基于故障歷史信息對(duì)實(shí)時(shí)故障率計(jì)算進(jìn)行了改進(jìn)；綜上，當(dāng)前對(duì)故障智能診斷的研究一定程度上解決了復(fù)雜電網(wǎng)設(shè)備風(fēng)險(xiǎn)評(píng)估與有限人力之間的矛盾，但對(duì)于歷史故障信息的集成分析利用對(duì)設(shè)備故障率分析的相關(guān)研究仍較少，充分利用電網(wǎng)設(shè)備的歷史故障信息數(shù)據(jù)，建立故障因素與綜合故障率的準(zhǔn)確模型，提高故障率的計(jì)算分析準(zhǔn)確度，對(duì)設(shè)備的運(yùn)行狀態(tài)評(píng)估及檢修有著積極的指導(dǎo)意義和實(shí)用價(jià)值，同時(shí)也是供電區(qū)域運(yùn)行狀態(tài)的評(píng)估的關(guān)鍵依據(jù)。在故障因素與綜合故障率關(guān)聯(lián)關(guān)系分析方面，當(dāng)前主要是通過統(tǒng)計(jì)概率模型及其優(yōu)化的方式實(shí)現(xiàn)，這種分析方式對(duì)多樣故障因素與綜合故障率關(guān)系的準(zhǔn)確程度仍有待加強(qiáng)，同時(shí)由于相互關(guān)系也會(huì)因地區(qū)、運(yùn)行條件等而有所不同[15-17]，基于故障概率的方式也會(huì)因樣本的稀少而進(jìn)一步降低故障率的評(píng)估準(zhǔn)確度。隨著人工智能學(xué)習(xí)技術(shù)的發(fā)展，其在非線性關(guān)系分析方面的應(yīng)用也越來越多，與電網(wǎng)設(shè)備多因素綜合故障率分析的需求比較契合，但設(shè)備故障率分析的相關(guān)樣本的顯著特點(diǎn)是統(tǒng)計(jì)周期長且數(shù)量少，極限學(xué)習(xí)機(jī)(ELM)作為一種人工智能學(xué)習(xí)算法[18-22]，具有泛化能力強(qiáng)，計(jì)算速度快，對(duì)小樣本的適應(yīng)性較好的特點(diǎn)，與電網(wǎng)設(shè)備故障率分析的特點(diǎn)相適應(yīng)。

本文針對(duì)多因素的綜合故障率分析計(jì)算存在的因素協(xié)同的高度非線性問題，提出一種基于ELM和遷移學(xué)習(xí)的電網(wǎng)設(shè)備多因素綜合故障率分析方法。對(duì)ELM和遷移學(xué)習(xí)算法與電網(wǎng)設(shè)備多因素綜合故障率機(jī)器學(xué)習(xí)的適應(yīng)性進(jìn)行分析，進(jìn)而設(shè)計(jì)了歷史故障信息統(tǒng)計(jì)體系，按照構(gòu)建故障信息分析樣本所需信息對(duì)不同來源的故障信息進(jìn)行統(tǒng)；將設(shè)備自身、過載、惡劣天氣3個(gè)方面作為故障的主要因素，采用不同運(yùn)行時(shí)間的歷史故障率數(shù)據(jù)作為訓(xùn)練樣本，通過極限學(xué)習(xí)機(jī)(ELM)對(duì)綜合故障率與各個(gè)單故障因素故障率的關(guān)系進(jìn)行擬合，為進(jìn)一步豐富樣本數(shù)量提高擬合關(guān)系的準(zhǔn)確性，對(duì)多個(gè)訓(xùn)練樣本集進(jìn)行遷移組合，最后通過應(yīng)用實(shí)例對(duì)提出的分析方法進(jìn)行了驗(yàn)證。

1 ELM及遷移學(xué)習(xí)算法

電網(wǎng)設(shè)備故障與多因素相關(guān)聯(lián)，各個(gè)故障因素之間也存在一定的相關(guān)性，顯然這之間的關(guān)聯(lián)呈現(xiàn)很強(qiáng)的非線性，與設(shè)備本身、所處的運(yùn)行環(huán)境都密切相關(guān)，作為人工智能學(xué)習(xí)的樣本，故障數(shù)據(jù)樣本相對(duì)較少，對(duì)設(shè)備綜合故障率的機(jī)器學(xué)習(xí)屬于小樣本的神經(jīng)網(wǎng)絡(luò)計(jì)算；另一方面對(duì)于日益復(fù)雜的電力系統(tǒng)，對(duì)設(shè)備綜合故障率的計(jì)算要求兼顧可靠性和快速性，以及時(shí)有效地對(duì)電網(wǎng)運(yùn)行提供參考信息。針對(duì)故障樣本的特點(diǎn)和故障結(jié)果分析的需求，ELM是較為合適的一種機(jī)器學(xué)習(xí)算法，實(shí)現(xiàn)對(duì)影響電網(wǎng)設(shè)備故障的主要因素的關(guān)聯(lián)性質(zhì)的分析和計(jì)算，ELM具有結(jié)構(gòu)簡單、訓(xùn)練快速、泛化能力強(qiáng)的特點(diǎn)，非常適合于小樣本的神經(jīng)網(wǎng)絡(luò)訓(xùn)練，ELM也是機(jī)器學(xué)習(xí)的一個(gè)重要研究領(lǐng)域。ELM的結(jié)構(gòu)是單隱層前饋神經(jīng)網(wǎng)絡(luò)，由輸入層、隱層和輸出層組成，與傳統(tǒng)BP算法相比，輸入層到隱層的權(quán)值、隱層的閾值隨機(jī)設(shè)定，設(shè)定無需進(jìn)行基于梯度的誤差算法，隱層到輸出層的權(quán)值通過解方程組方式進(jìn)行確定，隱層的輸出矩陣按照輸出的誤差最小為原則進(jìn)行求解，當(dāng)輸入層和輸出層各個(gè)節(jié)點(diǎn)的權(quán)值和偏差得到后即完成了對(duì)輸入與輸出關(guān)系的非線性擬合。按照機(jī)器學(xué)習(xí)所得的非線性關(guān)系，以計(jì)算樣本作為輸入層的輸入，進(jìn)而得到所需的輸出。

對(duì)于D個(gè)不相同的樣本(xi，yi)，其中xi為輸入，yi為輸出，極限學(xué)習(xí)機(jī)的一般模型如式(1)所示：

(1)

其中：wi為輸入層節(jié)點(diǎn)到隱層第i節(jié)點(diǎn)權(quán)值；bi為隱層第i神經(jīng)元的偏置值；h為激勵(lì)函數(shù)；βi為隱層到輸出層的權(quán)值。

ELM的學(xué)習(xí)過程等價(jià)于求解式(1)中的隱層到輸出層的權(quán)值矩陣最小二乘解，如式(2)所示：

β*=H′Y

(2)

其中：β*為所求的隱層到輸出層的輸出權(quán)值最優(yōu)解矩陣，H′為Moore-penrose廣義逆矩陣，Y為輸出矩陣。

遷移學(xué)習(xí)可視為對(duì)人工智能算法的一種準(zhǔn)確度提升方法[23]，將對(duì)一組樣本數(shù)據(jù)機(jī)器學(xué)習(xí)時(shí)獲得的模型相關(guān)知識(shí)應(yīng)用到另一個(gè)機(jī)器學(xué)習(xí)中，以實(shí)現(xiàn)在目標(biāo)機(jī)器學(xué)習(xí)中獲得更準(zhǔn)確的模型，在統(tǒng)計(jì)學(xué)習(xí)領(lǐng)域遷移學(xué)習(xí)已被證明能夠改善人工智能學(xué)習(xí)模型的泛化性能。遷移學(xué)習(xí)的基本框架如圖1所示，其中源域?yàn)樘崛￡P(guān)聯(lián)知識(shí)的學(xué)習(xí)，要學(xué)習(xí)的新知識(shí)稱為目標(biāo)域，源任務(wù)和目標(biāo)任務(wù)可以不相同但需要相關(guān)。遷移學(xué)習(xí)主要針對(duì)樣本獲取不足的問題，充分利用歷史源域數(shù)據(jù)，為目標(biāo)任務(wù)提供有價(jià)值的信息。將遷移學(xué)習(xí)與人工智能算法相結(jié)合，可以實(shí)現(xiàn)對(duì)大數(shù)據(jù)的充分利用，提高人工智能算法的泛化能力，還可進(jìn)一步提高提高機(jī)器學(xué)習(xí)的訓(xùn)練效率，是舉一反三的發(fā)散思維的數(shù)學(xué)體現(xiàn)，與電網(wǎng)設(shè)備多因素綜合故障率分析的機(jī)器學(xué)習(xí)需求相適應(yīng)，通過找尋有內(nèi)在關(guān)聯(lián)性的數(shù)據(jù)樣本進(jìn)一步提高機(jī)器學(xué)習(xí)的可靠性。在遷移學(xué)習(xí)中有效地使用源域數(shù)據(jù)實(shí)現(xiàn)數(shù)據(jù)價(jià)值最大化，防止負(fù)遷移，增強(qiáng)機(jī)器學(xué)習(xí)可靠性，是建立迀移學(xué)習(xí)的關(guān)鍵問題。

圖1 遷移學(xué)習(xí)框架

2 多源電網(wǎng)設(shè)備故障信息統(tǒng)計(jì)體系

當(dāng)前的電網(wǎng)的運(yùn)行監(jiān)測(cè)系統(tǒng)中，狀態(tài)信息已被分類，廣泛存在于生產(chǎn)調(diào)度系統(tǒng)(EMS)、設(shè)備資產(chǎn)管理系統(tǒng)(PMS)、電力故障搶修管理系統(tǒng)(TCM)中，具有跨專業(yè)、跨部門、數(shù)據(jù)格式多變、設(shè)備門類眾多、數(shù)量龐大的特點(diǎn)[24-25]，各統(tǒng)計(jì)系統(tǒng)既相互獨(dú)立，也有信息的重疊，為確保故障信息樣本的可靠確實(shí)，需要從各個(gè)統(tǒng)計(jì)數(shù)據(jù)庫對(duì)故障信息進(jìn)行收集統(tǒng)計(jì)的系統(tǒng)，本文的故障信息統(tǒng)計(jì)系統(tǒng)架構(gòu)如圖2所示，信息的來源主要選取SCADA和TCM中的故障信息，將SCADA系統(tǒng)中事故分閘、通信變位、輔助信息等作為觸發(fā)信號(hào)，針對(duì)事故分閘信息進(jìn)行分析，提取所需的故障數(shù)據(jù)，將TCM系統(tǒng)中故障上報(bào)、輔助信息等作為觸發(fā)信號(hào)，針對(duì)故障上報(bào)信息進(jìn)行分析，提取所需的故障數(shù)據(jù)。同時(shí)由于電網(wǎng)中存在對(duì)日、周和月級(jí)別的統(tǒng)計(jì)信息，通過設(shè)備編號(hào)和故障信息時(shí)間標(biāo)簽避免統(tǒng)計(jì)的故障信息中存在大量重復(fù)信息。

圖2 多源故障信息統(tǒng)計(jì)架構(gòu)

電力設(shè)備的故障信息特點(diǎn)是專業(yè)性強(qiáng)，需要進(jìn)行互通交流，而且故障信息以富文本的方式存在[26-27]，為實(shí)現(xiàn)對(duì)故障信息的抽取和管理，首先需要制定統(tǒng)一的詞典，對(duì)其中專業(yè)性詞匯進(jìn)行識(shí)別，便于大規(guī)模電網(wǎng)設(shè)備數(shù)據(jù)的使用。詞典建立的依據(jù)主要是電網(wǎng)公司發(fā)布的設(shè)備故障案例文本、相關(guān)的導(dǎo)則和標(biāo)準(zhǔn)，統(tǒng)計(jì)故障信息主要組成如圖3所示，包括設(shè)備信息、氣候信息、故障信息、標(biāo)簽信息及其細(xì)分內(nèi)容。通過預(yù)設(shè)詞典的詞語抽取案例文本中的關(guān)鍵描述，獲得確定結(jié)構(gòu)化的故障信息數(shù)據(jù)，形成故障信息統(tǒng)一知識(shí)庫。涉及的電網(wǎng)設(shè)備主要包括變壓器、電力電纜、斷路器、隔離開關(guān)、負(fù)荷開關(guān)等對(duì)供電有較大影響的設(shè)備。故障信息統(tǒng)一知識(shí)庫采用MySQL數(shù)據(jù)庫對(duì)故障時(shí)間進(jìn)行存儲(chǔ)和管理。知識(shí)庫可以實(shí)現(xiàn)結(jié)構(gòu)化故障信息的導(dǎo)入、查閱、修改、導(dǎo)出、統(tǒng)計(jì)等功能。

圖3 統(tǒng)計(jì)故障信息組成

依據(jù)已有的統(tǒng)計(jì)結(jié)果，設(shè)備自身服役期限長導(dǎo)致的老化、自然災(zāi)害、過載保護(hù)動(dòng)作、樹木施工等外界破壞為故障因素。其中設(shè)備老化、過載和自然災(zāi)害的故障因素占比最大，另一方面電網(wǎng)設(shè)備發(fā)生故障往往是多種因素綜合的結(jié)果，即各種故障因素之間存在一定的關(guān)聯(lián)因素，設(shè)備狀態(tài)的內(nèi)因與外因?qū)υO(shè)備的故障結(jié)果均有一定的影響；設(shè)備自身導(dǎo)致的故障率基本由于使用年限較長后因設(shè)備老化、質(zhì)量下降、輔助機(jī)構(gòu)可靠性下降造成，一般認(rèn)為其故障概率在到達(dá)一定年限后與使用時(shí)間呈指數(shù)上升的關(guān)系；設(shè)備過載不一定是設(shè)備出現(xiàn)了損壞，當(dāng)設(shè)備過負(fù)荷后繼電保護(hù)動(dòng)作也會(huì)造成供電時(shí)間的損失，設(shè)備過載造成的故障概率因此也與繼電保護(hù)動(dòng)作的誤差和準(zhǔn)確性相關(guān)，老化的設(shè)備可能造成保護(hù)測(cè)量裝置的誤差變大；惡劣天氣主要是雷擊和大風(fēng)大雨對(duì)電網(wǎng)設(shè)備造成的影響，在設(shè)備服役期長及過載期間的影響也會(huì)較大；另一方面樹木施工等偶然性因素較大，因此本文將設(shè)備自身、過載和惡劣天氣作為主要的故障因素分析對(duì)象。

3 基于ELM的綜合故障率分析

3.1 歷史設(shè)備故障率統(tǒng)計(jì)計(jì)算

人工智能學(xué)習(xí)算法需要以一定量的樣本數(shù)據(jù)為基礎(chǔ)，基于ELM的綜合故障率的分析樣本即為設(shè)備的歷史故障率，依據(jù)歷史故障率數(shù)據(jù)中對(duì)綜合故障率和各個(gè)故障因素之間的關(guān)系進(jìn)行挖掘。本文的電網(wǎng)設(shè)備主要考慮變壓器、電力電纜、斷路器、隔離開關(guān)、負(fù)荷開關(guān)等，依據(jù)上節(jié)所述的設(shè)備故障信息統(tǒng)計(jì)體系，從統(tǒng)計(jì)的故障信息知識(shí)庫中統(tǒng)計(jì)設(shè)備相關(guān)的故障信息，從故障信息中按照設(shè)備自身、過載和惡劣天氣的故障因素進(jìn)行分類，可得綜合故障率及各種故障因素占總故障的權(quán)重，計(jì)算公式如式(3)所示，從公式中可以看出，依據(jù)ELM分析所需的不同時(shí)間尺度的樣本數(shù)據(jù)，通過對(duì)應(yīng)時(shí)間尺度的統(tǒng)計(jì)數(shù)據(jù)，可以對(duì)應(yīng)計(jì)算出不同統(tǒng)計(jì)時(shí)間長度對(duì)應(yīng)的合故障率及各種故障因素占總故障的權(quán)重。

(3)

其中：λm為第m類設(shè)備的綜合故障率；n為對(duì)應(yīng)的故障因素類別；Nmn為第m類設(shè)備發(fā)生第n類故障的天數(shù)；Nm為第m類設(shè)備的運(yùn)行天數(shù)；ωmn為第m類設(shè)備第n類故障因素所占的權(quán)重。

3.2 基于ELM算法的單測(cè)試樣本集計(jì)算

由于設(shè)備故障是小概率事件，過載因素和天氣因素造成的故障偶然性較強(qiáng)，在短時(shí)間內(nèi)的分布并不均勻，因此相對(duì)較長的統(tǒng)計(jì)時(shí)間的準(zhǔn)確度大于較短的統(tǒng)計(jì)時(shí)間，比如以月平均統(tǒng)計(jì)數(shù)據(jù)相較于星期平均數(shù)據(jù)分析的規(guī)律更可靠，另一方面設(shè)備自身原因發(fā)生故障的概率隨著設(shè)備服役年限的增長而增大，為使得樣本能夠包含時(shí)間的因素，假設(shè)樣本選取年份數(shù)為Y，以月數(shù)遞增的方式根據(jù)式(3)進(jìn)行故障率計(jì)算來構(gòu)建樣本，即以1個(gè)月、2個(gè)月、…、12個(gè)月的故障率作為訓(xùn)練樣本。

如前所述，綜合故障率的ELM神經(jīng)網(wǎng)絡(luò)包括輸入層、隱層和輸出層，其中輸入信號(hào)為依據(jù)統(tǒng)計(jì)數(shù)據(jù)計(jì)算出的權(quán)重與綜合故障率的乘積，輸入信號(hào)分別對(duì)應(yīng)的是本文所主要依據(jù)的設(shè)備自身、過載和惡劣天氣3個(gè)故障因素，ELM網(wǎng)絡(luò)的輸出層為擬合后的綜合故障率，隱層的神經(jīng)元個(gè)數(shù)對(duì)提高擬合模型準(zhǔn)確度有很大影響，隱層節(jié)數(shù)目過少會(huì)影響ELM訓(xùn)練的精度，過多則會(huì)加長訓(xùn)練時(shí)間增長，也可能導(dǎo)致過擬合，在本文對(duì)綜合故障因素的分析中所注重的主要因素?cái)?shù)目并不大，因此隱層神經(jīng)元個(gè)數(shù)通過測(cè)試結(jié)果比較來確定，本文選取隱層神經(jīng)元個(gè)數(shù)為2A+1，其中A為ELM輸入個(gè)數(shù)，綜上，電網(wǎng)設(shè)備多因素綜合故障率ELM算法模型如圖4所示。

圖4 ELM算法框圖

ELM的輸入層和隱層之間的權(quán)值、隱層的偏置值通過隨機(jī)設(shè)定，其取值可參考文獻(xiàn)[9]。本文選擇Sigmoid函數(shù)作為激勵(lì)函數(shù)，隱層的輸出通過式(4)進(jìn)行計(jì)算：

(4)

其中：hi為隱層第i個(gè)節(jié)點(diǎn)的輸出，σ為激勵(lì)函數(shù)，wk，i為輸入層節(jié)點(diǎn)到隱層第i節(jié)點(diǎn)權(quán)值，bi為隱層第i神經(jīng)元的偏置值，xk為輸入層輸入值，即表2中所示數(shù)值，D為輸入層個(gè)數(shù)。

輸出層輸出與其輸入，即隱層的輸出，之間的關(guān)系如式(5)所示：

(5)

其中：βj為隱層到輸出層的權(quán)值，y為輸出層的輸出。

在ELM算法中，僅需對(duì)隱層到輸出層的權(quán)值進(jìn)行計(jì)算，即可完成整個(gè)學(xué)習(xí)過程。對(duì)β的計(jì)算通過基于目標(biāo)的優(yōu)化方程求解得出。將樣本與計(jì)算結(jié)果的近似平方差為最小的原則對(duì)方程進(jìn)行求解。目標(biāo)函數(shù)如式(6)所示：

(6)

其中：β為隱層到輸出層的輸出權(quán)值矩陣，H為隱層輸出矩陣，S為樣本中的實(shí)際綜合故障率。

通過調(diào)整權(quán)值使得輸出結(jié)果與樣本間的誤差為最小，盡可能對(duì)綜合故障率與單個(gè)故障因素之間的的非線性特性進(jìn)行擬合。隱層到輸出層的權(quán)值最優(yōu)解可按式(2)進(jìn)行計(jì)算。

綜上，基于ELM的單樣本集的綜合故障率模型計(jì)算主要步驟為：

1)初始化階段：輸入訓(xùn)練樣本，確定輸入數(shù)據(jù)和樣本輸出值，設(shè)定初始輸入層到隱層權(quán)值w和偏置值b。

2)完成所有樣本的計(jì)算，根據(jù)式(2)、(6)計(jì)算出隱層到輸出層的輸出權(quán)值最優(yōu)解矩陣，完成對(duì)所有樣本數(shù)據(jù)的學(xué)習(xí)，計(jì)算出如式(7)所示的綜合故障率計(jì)算模型：

(7)

其中：λmc待計(jì)算樣本的綜合故障率；ωmnc為待計(jì)算樣本中的第m類設(shè)備第n類故障因素所占的權(quán)重；λmc為待計(jì)算樣本的如式(3)計(jì)算的綜合故障率。

3.3 多學(xué)習(xí)樣本集的遷移計(jì)算

單區(qū)域的設(shè)備故障事件屬于小概率隨機(jī)事件，訓(xùn)練樣本數(shù)量有助于提高分析相互協(xié)同關(guān)系的精度，在遷移學(xué)習(xí)的應(yīng)用方面需要考慮樣本數(shù)據(jù)集之間的關(guān)聯(lián)性，對(duì)于同型號(hào)的產(chǎn)品，其受設(shè)備自身老化、過載和惡劣天氣的影響可認(rèn)為基本相同，因此不同區(qū)域但是相同型號(hào)產(chǎn)品的故障信息數(shù)據(jù)存在內(nèi)在的本質(zhì)相關(guān)性，相同型號(hào)產(chǎn)品的故障信息可以作為當(dāng)前區(qū)域設(shè)備故障率的強(qiáng)相關(guān)補(bǔ)充學(xué)習(xí)樣本，另一方面，綜合多學(xué)習(xí)樣本集的故障率計(jì)算模型也擴(kuò)大了使用范圍，可靠地?cái)U(kuò)展至同型號(hào)產(chǎn)品的故障率計(jì)算。

盡管同型號(hào)產(chǎn)品存在內(nèi)在的本質(zhì)關(guān)聯(lián)性，但設(shè)備本身以及所處的環(huán)境都存在一定的差距，即目標(biāo)域和源域的規(guī)律分布必然存在一定的差距，因此需要評(píng)估兩者的差別并在此基礎(chǔ)上進(jìn)行適當(dāng)?shù)娜诤?。?duì)于ELM算法，隱層到輸出層的權(quán)值β為主要的學(xué)習(xí)計(jì)算數(shù)值，也是綜合故障率的最終計(jì)算依據(jù)，本文的遷移算法將隱層到輸出層的權(quán)值作為目標(biāo)域和源域差異評(píng)估的主要依據(jù)。按照ELM學(xué)習(xí)所得的綜合故障率計(jì)算模型，對(duì)于同型號(hào)產(chǎn)品，可以用各個(gè)樣本集對(duì)應(yīng)的隱層到輸出層的輸出權(quán)值β對(duì)樣本集之間的相關(guān)性進(jìn)行判斷。本文提出的多學(xué)習(xí)樣本集遷移計(jì)算方法步驟如下：

1)依據(jù)多源電網(wǎng)設(shè)備故障信息統(tǒng)計(jì)的數(shù)據(jù)庫，對(duì)主區(qū)域和設(shè)定的遷移學(xué)習(xí)相關(guān)的其他區(qū)域的電網(wǎng)設(shè)備的故障信息進(jìn)行提取，并按設(shè)備自身、過載和天氣因素進(jìn)行分類，以月為統(tǒng)計(jì)時(shí)間尺度，對(duì)設(shè)備歷史綜合故障率和設(shè)備故障因素權(quán)重進(jìn)行計(jì)算，組成主區(qū)域和遷移學(xué)習(xí)相關(guān)的其他區(qū)域的ELM計(jì)算樣本；

2)針對(duì)主區(qū)域形成的樣本集，根據(jù)當(dāng)前設(shè)備的單故障樣本集如3.2節(jié)所述進(jìn)行ELM機(jī)器學(xué)習(xí)，擬合綜合故障率與各個(gè)故障因素之間的關(guān)聯(lián)關(guān)系，得到單樣本集的隱層到輸出層的輸出權(quán)值βs；

3)針對(duì)遷移學(xué)習(xí)相關(guān)的其他區(qū)域形成的樣本集，根據(jù)與當(dāng)前待計(jì)算設(shè)備的同型號(hào)其他設(shè)備相關(guān)的單故障樣本集如3.2節(jié)所述進(jìn)行ELM機(jī)器學(xué)習(xí)，得到其他樣本集相關(guān)隱層到輸出層的輸出權(quán)值(βr1，βr2，… ，βrt)，其中t為其他測(cè)試樣本集數(shù)目；

5)選取評(píng)估序列PS中前60%～70%計(jì)算數(shù)據(jù)對(duì)應(yīng)的隱層到輸出層的輸出權(quán)值，將其作為可靠遷移的樣本數(shù)據(jù)，進(jìn)一步與當(dāng)前設(shè)備對(duì)應(yīng)主區(qū)域故障集得到的隱層到輸出層的輸出權(quán)值進(jìn)行平均值計(jì)算，作為最終的ELM隱層到輸出層的輸出權(quán)值。

綜上，基于ELM和遷移學(xué)習(xí)的綜合故障概率計(jì)算流程如圖5所示。

圖5 基于ELM和遷移學(xué)習(xí)的綜合故障概率計(jì)算流程

4 實(shí)例驗(yàn)證

為對(duì)本文所提方法進(jìn)行測(cè)試和分析，統(tǒng)計(jì)南方電網(wǎng)保山地區(qū)100個(gè)故障點(diǎn)2014-2019年主要電網(wǎng)設(shè)備變壓器、電力電纜、斷路器、隔離開關(guān)、負(fù)荷開關(guān)發(fā)生故障的文本信息，并對(duì)其中的次數(shù)及原因通過文本分析進(jìn)行統(tǒng)計(jì)，將其作為多測(cè)試樣本集，錄入故障信息統(tǒng)一知識(shí)庫，之后進(jìn)一步對(duì)其中相同品牌的電網(wǎng)設(shè)備的故障次數(shù)及原因進(jìn)行篩選。每單個(gè)學(xué)習(xí)樣本集由1-60個(gè)月累計(jì)的綜合故障率及各個(gè)因素的權(quán)重組成。按照以上數(shù)據(jù)得到的機(jī)器學(xué)習(xí)模型計(jì)算出的設(shè)備故障率的云平臺(tái)故障信息統(tǒng)計(jì)結(jié)果如圖6所示。

圖6 故障信息統(tǒng)計(jì)

本文的故障信息挖掘系統(tǒng)涉及到大量設(shè)備的故障信息統(tǒng)計(jì)和分析，對(duì)設(shè)備信息的需求往往涉及到多個(gè)區(qū)域，在電網(wǎng)現(xiàn)有采用的本地集中服務(wù)器方式下，多區(qū)域間信息的傳遞需要多個(gè)調(diào)度層級(jí)的周轉(zhuǎn)和網(wǎng)絡(luò)區(qū)域的轉(zhuǎn)換，非常不利于信息的及時(shí)采集和反饋，因此本系統(tǒng)采用云平臺(tái)的方式實(shí)現(xiàn)對(duì)信息的采集、分析，在云服務(wù)器中通過文中的極限學(xué)習(xí)機(jī)方法完成機(jī)器學(xué)習(xí)的模型計(jì)算，并將更新的模型數(shù)據(jù)參數(shù)下發(fā)至各本地服務(wù)器，本文采用的實(shí)驗(yàn)平臺(tái)架構(gòu)如圖7所示，其中ECS服務(wù)器采用16核CPU，內(nèi)存64 G，服務(wù)器調(diào)度采用彈性擴(kuò)展管理，對(duì)系統(tǒng)資源的調(diào)度由接入的服務(wù)區(qū)域、設(shè)備分析數(shù)量以及待分析的文本數(shù)量決定。

圖7 實(shí)驗(yàn)平臺(tái)架構(gòu)

為分析本文所提方法的可靠性，將歷史月故障率平均值(算法1)、單樣本集ELM算法(算法2)、激勵(lì)函數(shù)為正弦函數(shù)多樣本集ELM算法(算法3)與本文激勵(lì)函數(shù)為Sigmoid函數(shù)多樣本集ELM算法(算法4)的分析準(zhǔn)確性進(jìn)行比較，采用4種算法對(duì)上述100個(gè)故障點(diǎn)根據(jù)2019-2020的單故障因素的故障率計(jì)算其綜合故障率，準(zhǔn)確性評(píng)價(jià)標(biāo)準(zhǔn)以2019-2020年故障率統(tǒng)計(jì)的偏差不超過15%，多學(xué)習(xí)樣本集ELM算法中選取與其最接近的70%作為綜合權(quán)值計(jì)算目標(biāo)。表1、表2分別為各種算法下準(zhǔn)確度和計(jì)算時(shí)間對(duì)比結(jié)果。從對(duì)比結(jié)果可以看出，采用月平均故障率與實(shí)際值的偏差較大，反映在準(zhǔn)確率較低，采用不同的激活函數(shù)的多學(xué)習(xí)樣本集數(shù)據(jù)遷移ELM算法比單樣本集ELM準(zhǔn)確率要高。算法1因其算法簡單而計(jì)算速度較快，算法2因樣本數(shù)目較少計(jì)算速度也較快，由于采用ELM的輸出層較少，在運(yùn)算過程中考察運(yùn)算速度仍然是較快的，同時(shí)考慮幾種算法計(jì)算時(shí)間的差距以及對(duì)應(yīng)的準(zhǔn)確率，本文所提算法適合電力故障數(shù)據(jù)大規(guī)模數(shù)據(jù)的智能快速處理所需的準(zhǔn)確性和快速性。

表1 不同算法的準(zhǔn)確度比較

表2 不同算法的運(yùn)算時(shí)間比較

綜合實(shí)例運(yùn)行的結(jié)果，所設(shè)計(jì)的歷史故障信息統(tǒng)計(jì)體系及云平臺(tái)的使用實(shí)現(xiàn)了對(duì)不同監(jiān)控系統(tǒng)、不同區(qū)域間的歷史故障信息數(shù)據(jù)進(jìn)行有效統(tǒng)計(jì)，在此基礎(chǔ)上構(gòu)建了機(jī)器學(xué)習(xí)所需的故障信息樣本，通過對(duì)電網(wǎng)設(shè)備典型設(shè)備，變壓器、電力電纜、斷路器等的綜合故障率分析，將本文所提算法與傳統(tǒng)的月平均故障率和單樣本集機(jī)器學(xué)習(xí)的方法在準(zhǔn)確度和計(jì)算時(shí)間方面進(jìn)行了比較，并進(jìn)一步將不同計(jì)算參數(shù)下的本文算法也進(jìn)行了比較，可以看出本文所提算法在準(zhǔn)確度和計(jì)算時(shí)間方面均有明顯優(yōu)勢(shì)，遷移學(xué)習(xí)提高了機(jī)器學(xué)習(xí)的準(zhǔn)確性，ELM本身的計(jì)算特點(diǎn)使得綜合故障率計(jì)算具有快速性，因此本文所提基于ELM和遷移學(xué)習(xí)算法兼顧了計(jì)算可靠性和計(jì)算時(shí)效性，滿足了多因素下設(shè)備綜合故障率計(jì)算的可靠性和快速性需求，可以及時(shí)有效地為電網(wǎng)運(yùn)行評(píng)估提供依據(jù)。

5 結(jié)束語

為實(shí)現(xiàn)對(duì)多故障因素下電網(wǎng)設(shè)備故障率的高準(zhǔn)確度分析以及設(shè)備歷史故障信息的進(jìn)一步挖掘利用，更好地指導(dǎo)運(yùn)行人員對(duì)設(shè)備的檢修及電網(wǎng)運(yùn)行風(fēng)險(xiǎn)評(píng)估，本文提出基于ELM和遷移學(xué)習(xí)的多因素綜合故障率分析方法。設(shè)計(jì)了多源歷史故障信息統(tǒng)計(jì)體系對(duì)故障信息機(jī)器學(xué)習(xí)樣本進(jìn)行構(gòu)建和管理，對(duì)其中的主要故障因素：設(shè)備自身、過載和惡劣天氣，通過機(jī)器學(xué)習(xí)ELM算法根據(jù)歷史數(shù)據(jù)分析故障因素之間以及故障因素與綜合故障率之間的關(guān)系，為進(jìn)一步提高機(jī)器學(xué)習(xí)的準(zhǔn)確性，通過多學(xué)習(xí)樣本集的遷移，對(duì)ELM擬合的輸出權(quán)值矩陣進(jìn)行修正。最后通過應(yīng)用實(shí)例顯示本文所提的基于ELM和遷移學(xué)習(xí)的電網(wǎng)設(shè)備多因素綜合故障率分析方法有較高的可靠性，根據(jù)綜合故障率提示可以有效地為運(yùn)行人員提供檢修計(jì)劃和風(fēng)險(xiǎn)評(píng)估的數(shù)據(jù)支撐。