基于深度學習融合網(wǎng)絡的交直流電網(wǎng)故障診斷方法研究

金 何

(六安職業(yè)技術學院 汽車與機電工程學院,安徽 六安 237011)

用電保障是關系到人民生活質量的關鍵問題,是社會各界關注的重點領域,電力系統(tǒng)故障診斷的準確性與時效性問題一直困擾著電力檢修部門[1-2]。傳統(tǒng)電力系統(tǒng)故障診斷方法大多基于斷路器信息與維修人員的經(jīng)驗進行判斷,該檢修模式電力檢修效率十分低,無法滿足居民用電保障需求[3-4]。隨著電力系統(tǒng)的不斷完善,智慧電力大力發(fā)展,電力故障診斷開始進入智能時代[5]。深度學習網(wǎng)絡故障診斷模型大大提升了故障診斷效率,在效率提升的同時,也對電網(wǎng)故障診斷效率提出了新的要求[6]。隨著電網(wǎng)規(guī)模升級,交直流混聯(lián)電網(wǎng)成為主流,更高效、更精確成為新時代電網(wǎng)故障診斷的基本要求[7]。為提升電力檢修部門應對復雜電網(wǎng)故障診斷的工作效率,研究期望通過深挖融合學習網(wǎng)絡的潛力,增強電網(wǎng)故障信息的分析研判,為電力檢修部門提供輔助決策依據(jù),提升混聯(lián)電網(wǎng)故障診斷的工作效率。

1 基于SSAE與CNN的交直流電網(wǎng)故障診斷方法分析

1.1 基于自編碼器的高維度數(shù)據(jù)降維處理方法

隨著電網(wǎng)升級,交直流混聯(lián)電網(wǎng)變得越發(fā)復雜,其數(shù)據(jù)信息維度也不斷提升[8]。提升電網(wǎng)故障診斷效率,首先需要提升數(shù)據(jù)信息處理效率。自動編碼器(Automatic Encoder,AE)擁有較強的數(shù)據(jù)降維能力,常被應用于各類復雜信號降維處理中[9]。對電網(wǎng)中的高緯度數(shù)據(jù)信息進行降維,可以采用該方法實現(xiàn)[10]。自動編碼器存在三層結構,分別是輸入層、隱含層與輸出層,輸入層與隱含層構成編碼器,隱含層與輸出層構成解碼器,其模型結構如圖1所示。自動編碼器會對輸入信息不斷地進行編碼與解碼,以此來重構誤差函數(shù),讓輸出數(shù)據(jù)與輸入數(shù)據(jù)的誤差不斷縮小,最終完成對高維數(shù)據(jù)信息的數(shù)據(jù)降維處理[11]。

圖1 自編碼器模型結構

設獲取的樣本集為T={t1,t2,…,tn},且t∈RD,n表示樣本集中存在n組樣本;D表示樣本的維度矢量。數(shù)據(jù)信息進入模型后,首先進行編碼工作,樣本集T被編碼函數(shù)編碼后,以隱含層矢量進入輸出層中,如式(1)所示。

γw,b(T)=fθ(Tn) ,

(1)

式(1)中,γw,b(T)表示矢量表達式;f表示編碼函數(shù),其表達式如式(2)所示。

fθ(T)=Sf(wx+b) ,

(2)

式(2)中,θ表示權值矩陣;w為權重;b為偏置;Sf表示激活函數(shù)。編碼完成后,進入解碼階段。在解碼過程中,隱含層矢量會完成重構,得出輸入樣本的D維數(shù)據(jù),如式(3)所示。

(3)

式(3)中,θ′={w′,b′}表示經(jīng)過解碼后的權值矩陣。權值參數(shù)在AE中不斷更新優(yōu)化,讓輸出數(shù)據(jù)樣本集不斷向原數(shù)據(jù)樣本集靠近。為了更清楚誤差狀況,該過程需要加入一個評價變量,即誤差損失Losew,b,如式(4)所示。

(4)

式(4)中,α表示權值的衰減系數(shù);xl表示第l層的神經(jīng)元個數(shù)。誤差損失函數(shù)會隨著迭代次數(shù)的增加而減少,此時輸出y不斷接近極限T,且矢量信息與高維數(shù)據(jù)擁有相同的特征信息。AE在處理大量信息后,隱含層節(jié)點會隨之增多,可能會出現(xiàn)恒等式學習,從而導致輸出復制,失去對高維信息的降維能力。為了解決該問題,需要在隱含層增加稀疏性約束。以Sigmoid函數(shù)為例,隱含層輸出值接近1時為激活態(tài),接近0時為抑制態(tài)[12]。設平均激活量為c,其計算方法如式(5)所示。

(5)

式(5)中,yi表示第i個神經(jīng)元在隱含層內的輸出值。當平均激活量趨近于常數(shù)p,神經(jīng)元的激活狀態(tài)良好,利用KL散度作為懲罰項,則懲罰因子PF如式(6)所示。

(6)

式(6)中,e表示隱含層神經(jīng)元數(shù)量;KL(p‖ci)表示懲罰項;其計算方法見式(7)。

(7)

式(7)中,p表示稀疏參數(shù);ci表示隱含層中i單元的平均激活量。將多個稀疏自動編碼器連接,構成SSAE,其訓練流程如圖2所示。

圖2 SSAE訓練流程

如圖2所示,多個SAE首尾連接,上層SAE的隱含層輸出進入下層SAE成為輸入。SSAE利用貪婪訓練實現(xiàn)逐層降維,其訓練過程包含預訓練與微調,通過梯度下降法不斷迭代更新權值矩陣,得出最優(yōu)解。

1.2 基于融合神經(jīng)網(wǎng)絡的電網(wǎng)故障診斷分析

卷積神經(jīng)網(wǎng)絡作為一種模仿生物視覺與知覺的神經(jīng)網(wǎng)絡,對文字與音像等內容有良好的特征提取分類能力[13]。電網(wǎng)中高維數(shù)據(jù)經(jīng)過SSAE降維處理后,再運用卷積神經(jīng)網(wǎng)絡對其進行特征分類處理,其結構如圖3所示。

圖3 卷積神經(jīng)網(wǎng)絡結構

卷積神經(jīng)網(wǎng)絡主要由輸入層、隱含層與輸出層構成,隱含層中又包含卷積層、池化層與全連接層[14]。處理后的數(shù)據(jù)經(jīng)過SSAE降維后進入CNN的輸入層,再由輸入層傳遞至卷積層。在卷積層中,利用激活函數(shù)運算不斷提取數(shù)據(jù)信息中的有效特征。卷積核是一種三維空間,由大小、步長與像素填充構成,其中卷積深度表示卷積核個數(shù)[15]。將輸入信息矩陣中的某個點設為ex,y,z,在卷積核上的映射位置為hx,y,z,則該點的輸出β如式(8)所示。

(8)

式(8)中,m、n、o分別表示卷積核的長、寬與數(shù)量。卷積運算本質上是一種線性運算,為了增強網(wǎng)絡運算能力,還需引入非線性計算,該部分由激活函數(shù)完成。常用的激活函數(shù)有Sigmoid、Tanh與ReLU函數(shù)。由于Sigmoid函數(shù)存在非零均值問題,Tanh函數(shù)存在冪函數(shù)項增多影響傳播速度問題,故研究選用ReLU函數(shù)作為激活函數(shù)。經(jīng)過卷積層處理后的數(shù)據(jù)仍然擁有較高的維度,對其繼續(xù)進行處理會增加運算時間,因此,需要池化層通過下采樣處理,繼續(xù)降低信息數(shù)據(jù)的維度,降低運算難度。處理區(qū)域的特征值原則不同,池化方式也有所不同,一般分為最大池化、均值池化與隨機池化三種方式。全連接層位于隱含層的最后位置,接通前一池化層,將二維輸出矩陣轉變?yōu)橐痪S向量,并與原始數(shù)據(jù)的特征信息進行整合,最后將整合分類信息傳遞至輸出層完成分類情況輸出,輸出層采用Softmax分類運算器完成特征分類?；赟SAE與CNN構建的融合網(wǎng)絡電網(wǎng)故障診斷模型如圖4所示。

圖4 基于融合網(wǎng)絡的電網(wǎng)故障診斷模型

首先將電網(wǎng)信息數(shù)據(jù)進行歸一化預處理,隨后將數(shù)據(jù)拷貝,分別送入故障線路判斷模塊與故障類型判斷模塊。兩個判斷模塊結構一致,數(shù)據(jù)首先經(jīng)過SSAE降維后進入CNN進行特征分類。最后將兩個判斷模塊的信息整合,并輸出故障信息。通過SSAE與CNN的緊密結合,互相補足,實現(xiàn)融合網(wǎng)絡對電網(wǎng)故障進行精確診斷。

2 仿真實驗與結果分析

為了驗證基于SSAE與CNN融合網(wǎng)絡的電網(wǎng)故障診斷模型的有效性和可行性,利用MATLAB平臺進行仿真實驗,對模型參數(shù)和模型性能進行檢驗。首先對CNN的網(wǎng)絡參數(shù)進行調試,選取故障診斷精度更高的參數(shù)模型。不同網(wǎng)絡層數(shù)與不同池化方式的故障診斷準確率比較結果如圖5所示。

網(wǎng)絡層數(shù)/層

由圖5(a)可知,當CNN模型擁有兩層卷積池化層時,針對電網(wǎng)故障診斷類型診斷的準確率達到最高,為99.13%。當CNN模型擁有三層卷積池化層時,針對電網(wǎng)故障線路的診斷準確率達到最高,為98.82%。在網(wǎng)絡結構為三層時,電網(wǎng)故障線路診斷準確率達到最高,但僅比兩層網(wǎng)絡結構時高出0.04%,提升不大。而二層網(wǎng)絡結構相較于三層網(wǎng)絡結構的故障線路診斷準確率提升明顯,且更少的網(wǎng)絡層數(shù)有助于收斂速度的提升。因此,選擇兩層網(wǎng)絡結構的CNN應用于混合網(wǎng)絡故障診斷模型。從圖5(b)可以看出,使用最大池化的池化方式,能夠得到電網(wǎng)故障線路和類型診斷的最高準確率。最大池化的池化方式更有利于數(shù)據(jù)樣本的重要紋理提取,因此研究模型采用最大池化方式。繼續(xù)對故障診斷模型的訓練周期進行實驗,得到的結果如圖6所示。

訓練周期/次

由圖6可知,在訓練初期,融合網(wǎng)絡學習樣本較少,診斷性能較差,隨著訓練樣本與訓練周期的增加,提升明顯。當訓練次數(shù)為40次時,模型故障線路的診斷準確率為99.69%,模型故障類型的診斷準確率為99.78%。隨后,故障準確率增長曲線趨于平緩,幾乎不再增加。為避免網(wǎng)絡訓練周期過長,選取40作為診斷模型的最大訓練周期,有助于提升模型的效率與精度。將模型配置完畢后,選取不同故障工況的電網(wǎng)故障診斷樣本,對模型進行實例實驗,樣本規(guī)模為4 000例。針對不同線路與不同故障類型的故障診斷結果如圖7所示。

訓練周期/次

由圖7(a)與圖7(b)可知,故障線路的分類準確率隨著訓練周期的增加而提升,在訓練周期為7時,提升速度逐漸放緩。在訓練周期為23時,故障線路的分類準確率接近100%并趨于穩(wěn)定。故障線路的損失函數(shù)隨著訓練次數(shù)增加不斷減少,在訓練至第7周期附近時,其減少幅度放緩;在訓練周期23附近,訓練損失趨近于0,模型參數(shù)達到最優(yōu)。由圖7(c)與圖7(d)可知,故障類型的分類準確率隨著訓練周期的增加而提升,在訓練周期為9時,提升速度逐漸放緩。在訓練周期為25時,故障類型的分類準確率接近100%并趨于穩(wěn)定。故障類型的損失函數(shù)隨著訓練次數(shù)增加,不斷減少,在訓練至第9周期附近時,其減少幅度放緩;在訓練周期25附近,訓練損失函數(shù)收斂,模型參數(shù)訓練達到最優(yōu)。為了驗證融合網(wǎng)絡電網(wǎng)故障診斷模型的精度優(yōu)勢,將其與單獨的SSAE、BPNN、CNN故障診斷模型、組合的SSAE-BP故障診斷模型進行對比測試,實驗結果如表1所示。

表1 不同故障診斷模型的電網(wǎng)故障診斷結果

從表1可以看出,單一神經(jīng)網(wǎng)絡診斷模型的精度整體不如融合網(wǎng)絡模型。SSAE模型的收斂速度最快,但其特征分類能力較差,無論故障線路還是故障類型的診斷精度都在所有模型中表現(xiàn)最差。單一模型中,CNN模型比SSAE與BPNN模型的分類準確率更高,說明CNN比他們擁有更強的特征分類能力。BPNN與CNN兩個融合診斷模型的收斂速度都優(yōu)于未融合SSAE模型前,說明SSAE模型具有良好的數(shù)據(jù)降維能力,能夠降低數(shù)據(jù)的處理周期,提升數(shù)據(jù)處理精度。研究提出的SSAE-CNN融合模型在故障線路診斷與故障類型診斷中,表現(xiàn)均為最優(yōu)。其準確率分別達到99.86%與99.93%,比SSAE-BP融合模型分別高出0.62%與0.66%,比普通故障診斷模型高出1至4個百分點。該實驗結果符合預期,證明提出的電網(wǎng)故障診斷模型具有良好的故障診斷能力。

3 結 論

利用堆疊稀疏自動編碼器與卷積神經(jīng)網(wǎng)絡構建交直流電網(wǎng)故障診斷模型,通過SSAE的數(shù)據(jù)降維能力,對電網(wǎng)復雜數(shù)據(jù)信息進行降維處理,再利用CNN進行電網(wǎng)故障特征分類診斷。實驗結果表明,利用SSAE-CNN融合網(wǎng)絡故障診斷模型對4 000例不同線路與不同故障類型的實例電網(wǎng)信息數(shù)據(jù)進行故障診斷,其故障線路診斷準確率為99.86%,高出SSAE-BP融合模型0.62%,高出一般故障診斷模型約2個百分點。故障類型診斷準確率為99.93%,高出SSAE-BP融合模型0.66%,高出一般故障診斷模型約1.5個百分點。研究結果表明,提出的融合模型無論在診斷精度還是速度上均優(yōu)于一般模型,能對各類電網(wǎng)故障進行準確診斷分類,優(yōu)化電力部門的故障分析體系,為電力檢修部門進行電力故障診斷提供數(shù)據(jù)參考,輔助電網(wǎng)故障診斷工作。