基于改進遷移學習的智能變電站設(shè)備巡檢平臺

程 祥

（國網(wǎng)武漢供電公司變電運維分公司）

0 引言

智能變電站設(shè)備巡檢平臺的研究背景源自于電力行業(yè)的安全需求。作為國家基礎(chǔ)設(shè)施的重要組成部分，變電站的設(shè)備巡檢是確保電網(wǎng)正常運行的關(guān)鍵環(huán)節(jié)。傳統(tǒng)的巡檢方式往往耗時費力、效率低下，并且難以全面準確地獲取設(shè)備狀態(tài)信息［1］。而隨著信息技術(shù)的迅速應(yīng)用，智能變電站設(shè)備巡檢平臺應(yīng)運而生。該平臺主要基于先進的物聯(lián)網(wǎng)、云計算和大數(shù)據(jù)等技術(shù)，在各級變電站設(shè)備上布置各類傳感器和監(jiān)控裝置。智能變電站設(shè)備巡檢平臺的研究背景還包括了對電力安全和節(jié)能環(huán)保的迫切需求［2-3］。

黃國等人［4］利用AR智能眼鏡，設(shè)計了一種變電站可視化巡檢平臺，首先對變電站的數(shù)據(jù)進行更新并檢修，通過AR實現(xiàn)變電站中巡檢路徑的識別與規(guī)劃，構(gòu)建出新型變電站可視化巡檢平臺。陳志明等人［5］研究出一種變電站智能巡檢系統(tǒng)。將C／S架構(gòu)作為系統(tǒng)的基礎(chǔ)支架，并在系統(tǒng)中接入機載環(huán)境傳感器以及巡檢指令平臺，以此實現(xiàn)實時電量數(shù)據(jù)處理，構(gòu)建數(shù)據(jù)庫，完成變電站巡檢系統(tǒng)設(shè)計。

但是，以上平臺在多支路故障設(shè)備的巡檢中應(yīng)用效果不夠理想，為此，設(shè)計基于改進遷移學習的智能變電站設(shè)備巡檢平臺。

1 基于遷移學習融合卷積神經(jīng)網(wǎng)絡(luò)的故障設(shè)備定位

在卷積神經(jīng)網(wǎng)絡(luò)［6］（Convolutional Neural Network，CNN）中引入遷移學習［7］，遷移學習共包含兩個部分，具體操作如下：

（1）基礎(chǔ)網(wǎng)絡(luò)的預訓練：首先，選擇一個在大規(guī)模數(shù)據(jù)集上訓練過的已有的基礎(chǔ)網(wǎng)絡(luò)模型作為起點，即在Image Net上預訓練Res Net。模型保持其參數(shù)不變或僅令部分參數(shù)固定，作為初始模型的特征提取器。通過這種方式，CNN能夠從原始圖像中學習到一些通用的視覺特征。

（2）遷移學習的微調(diào)：在基礎(chǔ)網(wǎng)絡(luò)的預訓練之后，需要將特定任務(wù)的數(shù)據(jù)集與學習到的特征相結(jié)合進行微調(diào)，以優(yōu)化損失函數(shù)，使得網(wǎng)絡(luò)能夠更好地適應(yīng)特定任務(wù)的分類要求，以避免大幅度修改預訓練模型學到的通用特征。

通過以上操作步驟，遷移學習可以將在大規(guī)模數(shù)據(jù)集上訓練的通用特征與特定任務(wù)的數(shù)據(jù)集相結(jié)合，從而在較小規(guī)模的特定任務(wù)數(shù)據(jù)集上獲得較好的性能。這種遷移學習的方式有助于解決特定任務(wù)中數(shù)據(jù)不足、計算資源有限的問題，加速模型的收斂速度，并提高模型的泛化能力和分類準確率。

遷移學習的流程圖如圖1所示。

圖1 遷移學習的流程圖

在傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)中，每個層的輸入都通過多個非線性變換（如ReLU、卷積等）傳遞到下一層。這種前向傳播方式會引起信息傳遞的衰減和損失，尤其在網(wǎng)絡(luò)層數(shù)較深時。為了解決這個問題，Res Net提出了殘差學習的概念。殘差學習允許網(wǎng)絡(luò)直接擬合殘差（即原始輸入與目標輸出之間的差異），而不是學習整個映射函數(shù)。

Res Net通過引入殘差塊（residualblock）來實現(xiàn)殘差學習。殘差映射則通過堆疊一系列的卷積層和非線性激活函數(shù)來學習輸入和輸出之間的殘差。通過殘差連接將恒等映射和殘差映射相加，實現(xiàn)信息的跨層傳遞。在正向傳播過程中，殘差連接使得梯度可以更容易地通過網(wǎng)絡(luò)的各個層傳播。

Res Net具有很多層（例如50、101或152層），這使得其能夠?qū)W習到非常復雜的特征和表示。此外，通過使用批量歸一化（Batch Normalization）和逐層預訓練（Layer-wise Pre-training），Res Net還進一步提升了網(wǎng)絡(luò)性能。Res Net（Residual Neural Network，殘差網(wǎng)絡(luò)）為深度CNN框架，通過Softmax分類器輸出分類結(jié)果。

基于故障分類結(jié)果，設(shè)計基于遷移學習融合卷積神經(jīng)網(wǎng)絡(luò)的故障設(shè)備定位步驟如下：

（1）數(shù)據(jù)預處理：收集和準備用于故障設(shè)備定位的訓練數(shù)據(jù)集。

（2）基礎(chǔ)網(wǎng)絡(luò)的預訓練：選擇一個在大規(guī)模數(shù)據(jù)集上訓練過的基礎(chǔ)網(wǎng)絡(luò)模型，例如VGG、Res Net等，并將其加載到故障設(shè)備定位模型中。

（3）遷移學習微調(diào)：在加載基礎(chǔ)網(wǎng)絡(luò)之后，根據(jù)故障設(shè)備定位的具體任務(wù)，將模型的最后一層或幾個最后層的全連接層進行修改，并將其隨機初始化。

（4）融合多個網(wǎng)絡(luò)的特征：使用融合方法將不同層次和分辨率的特征圖像進行融合，以提高定位性能。融合可以通過簡單的相加或者更復雜的加權(quán)融合方式實現(xiàn)。

（5）故障設(shè)備定位：利用訓練好的模型，輸入待定位的圖像，通過前向傳播算法，獲取模型的輸出結(jié)果。輸出結(jié)果可以是一個概率圖或熱力圖，用于表示圖像中各個區(qū)域的故障可能性。

（6）故障設(shè)備標定：根據(jù)輸出結(jié)果，可以通過設(shè)置閾值或某種規(guī)則，將故障可能性高于一定閾值的區(qū)域標定為故障設(shè)備。也可以根據(jù)需要進行后續(xù)處理，例如對概率圖進行濾波、邊緣檢測等操作來獲取更準確的故障設(shè)備標定。

（7）模型評估和優(yōu)化：通過與真實的故障設(shè)備進行比對，評估模型的定位性能。如果需要進一步優(yōu)化，可以調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)、超參數(shù)等，重新進行訓練和微調(diào)。

2 智能變電站設(shè)備巡檢平臺

智能變電站設(shè)備巡檢平臺是基于信息技術(shù)和物聯(lián)網(wǎng)技術(shù)的一種集成化管理平臺，用于實時監(jiān)測、管理和維護變電站設(shè)備。

（1）表現(xiàn)層：表現(xiàn)層是智能變電站設(shè)備巡檢平臺的用戶界面，用于與用戶進行交互，并展示數(shù)據(jù)和信息。

（2）應(yīng)用層：應(yīng)用層是智能變電站設(shè)備巡檢平臺的核心部分，包括各種專業(yè)軟件應(yīng)用和功能模塊。這些應(yīng)用和功能模塊主要用于數(shù)據(jù)采集、實時監(jiān)測、設(shè)備狀態(tài)分析、故障診斷等。常見的應(yīng)用有數(shù)據(jù)采集系統(tǒng)、實時監(jiān)測系統(tǒng)、智能分析系統(tǒng)等。應(yīng)用層的軟件可以根據(jù)不同需求進行定制和集成，以滿足變電站設(shè)備巡檢的具體要求。

（3）服務(wù)層：服務(wù)層是智能變電站設(shè)備巡檢平臺的后臺服務(wù)支持系統(tǒng)，包括數(shù)據(jù)傳輸、存儲、計算、安全等功能。該層通過各類服務(wù)器、數(shù)據(jù)庫、網(wǎng)絡(luò)設(shè)備等實現(xiàn)數(shù)據(jù)的集中存儲和管理，并通過網(wǎng)絡(luò)傳輸和處理數(shù)據(jù)。

本文設(shè)計的巡檢平臺如圖2所示。

圖2 平臺總體架構(gòu)

為了滿足全面覆蓋的巡檢要求，設(shè)計智能變電站的數(shù)據(jù)采集終端。

（1）數(shù)據(jù)采集模塊用于獲取各種設(shè)備和傳感器的數(shù)據(jù)。該模塊包括多個接口和通信方式，以支持對變電設(shè)備的數(shù)據(jù)采集。使用模擬輸入和數(shù)字輸入接口來連接各類傳感器，如溫度、濕度、電流傳感器，以獲取設(shè)備的實時數(shù)據(jù)。

（2）通訊模塊用于與中央服務(wù)器或監(jiān)控中心進行數(shù)據(jù)傳輸和通信。通訊模塊集成有線通信接口ENC28J60和無線通信接口（ESP8266Wi-Fi、SIM800系列蜂窩網(wǎng)絡(luò)）。

（3）處理器和內(nèi)存模塊用于執(zhí)行數(shù)據(jù)處理、算法運算和決策邏輯等操作。處理器是ARM Cortex-M系列微控制器的高性能的嵌入式處理器，具有足夠的計算能力來處理復雜的任務(wù)和算法。內(nèi)存模塊則用于存儲中間數(shù)據(jù)、程序代碼和其他臨時數(shù)據(jù)，采用SDRAM實現(xiàn)。

數(shù)據(jù)采集終端硬件結(jié)構(gòu)如圖3所示。

圖3 硬件組成結(jié)構(gòu)

硬件組件的集成使得信息采集終端能夠?qū)崿F(xiàn)全面覆蓋的巡檢要求，同時，信息采集終端還應(yīng)具備穩(wěn)定可靠、安全可控的特性，以適應(yīng)變電站環(huán)境的需求。

3 平臺測試

以一個智慧變電站作為試驗對象，使用ATPDraw（電子線路仿真軟件）為其建立了一個接地網(wǎng)絡(luò)模型。為了檢驗所設(shè)計平臺的有效性，在此基礎(chǔ)上，對此智能變電網(wǎng)裝置進行了一種模擬的試驗，并建立了一個30個節(jié)點、49條支路的電網(wǎng)模型，以30個節(jié)點作為參照，將此智能變電網(wǎng)裝置中的每一個節(jié)點和其支路的標號表示在圖4中。

圖4 實驗變電網(wǎng)拓撲圖

認為設(shè)置支路2、4、5、7、9、19、26、37、45、46為故障支路，即每條支路上均存在10個故障設(shè)備，因此，每條支路的故障發(fā)生次數(shù)為10次。向變電網(wǎng)輸入的恒定電流源激勵大小是20A，利用本文平臺與文獻［4］提出的基于AR智能眼鏡的變電站巡檢平臺、文獻［5］提出的基于實時數(shù)據(jù)的變電站巡檢平臺對故障支路完成監(jiān)測。

三種平臺監(jiān)控智能變電網(wǎng)設(shè)備故障支路結(jié)果如表1、表2與表3所示。

表1 文獻［4］平臺巡檢誤差結(jié)果

表2 文獻［5］平臺巡檢誤差結(jié)果

表3 本文平臺巡檢誤差結(jié)果

根據(jù)表1、表2、表3可知，本文平臺的監(jiān)測結(jié)果與實際情況一致，本文平臺能夠有效監(jiān)測設(shè)備故障，巡檢精度更高。

4 結(jié)束語

本研究基于改進遷移學習的智能變電站設(shè)備巡檢平臺的設(shè)計和實現(xiàn)，有效地利用卷積神經(jīng)網(wǎng)絡(luò)進行故障設(shè)備定位，并通過殘差學習提高模型的準確性和穩(wěn)定性。同時，通過表現(xiàn)層、應(yīng)用層和服務(wù)層的設(shè)計，搭建一個完整的智能變電站設(shè)備巡檢平臺，滿足精準獲取巡檢數(shù)據(jù)和全面覆蓋的巡檢要求。最終，設(shè)計出智能變電站的數(shù)據(jù)采集終端，實現(xiàn)自動化、高效的巡檢流程，提高設(shè)備巡檢的質(zhì)量和效率。