融合LSTM和DBM的電力電纜故障診斷方法研究

摘 要：

在電力系統(tǒng)正常安全運(yùn)行中，電力電纜易受到自然氣象以及人為因素造成的電纜損壞等故障，嚴(yán)重破壞了電力線路的正常運(yùn)行，降低了電力信號(hào)的正常傳輸，影響電力系統(tǒng)的穩(wěn)定性和可靠性?；诖耍O(shè)計(jì)了一種基于長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)和深度玻爾茲曼算法相融合改進(jìn)長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)電力電纜故障診斷方法，將電力電纜上的電力信號(hào)作為長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)輸入層的數(shù)據(jù)源進(jìn)行實(shí)時(shí)采集和監(jiān)控，利用神經(jīng)網(wǎng)絡(luò)的隱藏層對(duì)各類電力信號(hào)進(jìn)行處理與識(shí)別，將發(fā)生故障時(shí)的異常數(shù)據(jù)進(jìn)行精確提取，并作用于輸出層進(jìn)行表達(dá)，提升了對(duì)電力電纜故障識(shí)別的準(zhǔn)確率。進(jìn)一步引入深度玻爾茲曼算法，對(duì)隱藏層的故障數(shù)據(jù)識(shí)別因子進(jìn)行調(diào)節(jié)，提升了長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)的收斂速度，改善了算法的收斂特性。最后，將該電力電纜故障診斷方法應(yīng)用于電力信號(hào)監(jiān)控平臺(tái)中，并與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)以及其他方法進(jìn)行對(duì)比，改進(jìn)長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)下的電力電纜故障信號(hào)識(shí)別率可達(dá)97.3%，故障信號(hào)診斷準(zhǔn)確率可達(dá)96.61%，改善了傳統(tǒng)方法的故障識(shí)別能力，為電力系統(tǒng)的安全運(yùn)行提供重要保障。

關(guān)鍵詞：

長(zhǎng)短期神經(jīng)網(wǎng)絡(luò); 電力電纜; 深度玻爾茲曼算法; 故障診斷

中圖分類號(hào)： TU852

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 1674-8417（2024）12-0006-06

DOI：

10.16618/j.cnki.1674-8417.2024.12.002

0 引 言

電力系統(tǒng)作為現(xiàn)代社會(huì)不可或缺的基礎(chǔ)設(shè)施之一，其穩(wěn)定運(yùn)行對(duì)于保障國(guó)家經(jīng)濟(jì)發(fā)展和社會(huì)生活秩序具有至關(guān)重要的作用。然而，電力電纜作為電力系統(tǒng)中連接和傳輸能量的重要組成部分，經(jīng)常受到自然氣象和人為因素的影響，導(dǎo)致電纜故障的發(fā)生。這些故障不僅嚴(yán)重干擾電力線路的正常運(yùn)行，還影響電力信號(hào)的傳輸質(zhì)量，直接威脅到電力系統(tǒng)的穩(wěn)定性和可靠性。因此，為保障電力系統(tǒng)的穩(wěn)定性和可靠性，需設(shè)計(jì)合適的電力電纜故障診斷方法對(duì)故障進(jìn)行及時(shí)診斷。傳統(tǒng)的人工檢查方法存在診斷效率不足、故障識(shí)別準(zhǔn)確率低等問(wèn)題［1-3］。

基于傳統(tǒng)方法的不足，文獻(xiàn)［4］提出了基于BP神經(jīng)網(wǎng)絡(luò)的電力電纜故障診斷方法，但BP神經(jīng)網(wǎng)絡(luò)在處理長(zhǎng)期依賴和時(shí)間序列數(shù)據(jù)方面表現(xiàn)不佳，容易陷入局部無(wú)解等問(wèn)題;文獻(xiàn)［5］引入了專家規(guī)則，雖提升了故障識(shí)別率，但專家規(guī)則依賴于專家經(jīng)驗(yàn)和預(yù)定義的規(guī)則集合來(lái)識(shí)別電力電纜故障，缺乏對(duì)復(fù)雜故障模式的泛化能力;文獻(xiàn)［6］在電力故障識(shí)別系統(tǒng)中引入了支持向量機(jī)等機(jī)器學(xué)習(xí)算法，但對(duì)于復(fù)雜的電力信號(hào)數(shù)據(jù)，手動(dòng)設(shè)計(jì)的特征提取器無(wú)法充分捕獲故障的多樣性和變化性;文獻(xiàn)［7］利用自回歸模型和移動(dòng)平均模型，提高了故障預(yù)測(cè)能力，但對(duì)非線性和復(fù)雜的電力信號(hào)特征提取能力有限;文獻(xiàn)［8］提出基于大數(shù)據(jù)的智能電纜故障定位方法，雖提升了故障定位誤差，但對(duì)于放電的電力信號(hào)沒(méi)有進(jìn)一步研究，缺乏故障定位方法的泛化能力。

基于上述電力電纜故障識(shí)別方法存在的不足，本文引入了長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)（LSTM）和深度玻爾茲曼模型（DBM）相結(jié)合的改進(jìn)LSTM算法，利用LSTM對(duì)電力電纜的故障信號(hào)進(jìn)行精確提取，利用DBM對(duì)LSTM中各層的故障識(shí)別因子進(jìn)行調(diào)節(jié)，在提升LSTM收斂速度的基礎(chǔ)上，提高了對(duì)電力電纜故障的診斷效率和識(shí)別準(zhǔn)確率，為保障電力系統(tǒng)的穩(wěn)定性和可靠性奠定了重要基礎(chǔ)。

1 改進(jìn)LSTM算法設(shè)計(jì)

電力電纜在自然氣象以及人為不正當(dāng)操作等因素的影響下容易出現(xiàn)電力電纜故障，從而嚴(yán)重影響電力信號(hào)的傳輸和電力系統(tǒng)的穩(wěn)定性，因此為保障電力系統(tǒng)的穩(wěn)定性，在電力信號(hào)監(jiān)控平臺(tái)中引入合適的算法，提升對(duì)電纜故障的識(shí)別能力。電力信號(hào)監(jiān)控平臺(tái)的架構(gòu)圖如圖1所示。

為提升對(duì)電力電纜故障的識(shí)別能力，在圖1所示的信號(hào)處理環(huán)節(jié)中引入LSTM算法。與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)相比，LSTM具有更好的長(zhǎng)期依賴性建模能力，能有效捕捉時(shí)間序列數(shù)據(jù)中的長(zhǎng)期關(guān)系。LSTM存在3種門控單元，分別為遺忘門，輸入門和輸出門，三種門控相互作用，對(duì)數(shù)據(jù)進(jìn)行有效處理。在電力電纜故障診斷中，LSTM能夠有效地處理復(fù)雜的電力信號(hào)數(shù)據(jù)，捕捉信號(hào)中的時(shí)間序列特征和隱含模式，從而提高故障診斷的準(zhǔn)確性和泛化能力。LSTM的架構(gòu)圖如圖2所示。

在圖2中，將電力電纜故障時(shí)的數(shù)據(jù)信號(hào)進(jìn)行采集，并利用隱藏層的神經(jīng)元對(duì)各項(xiàng)數(shù)據(jù)進(jìn)行處理，神經(jīng)元的輸出為

2 實(shí)驗(yàn)對(duì)比

為驗(yàn)證所設(shè)計(jì)的電力電纜故障診斷算法的正確性和優(yōu)異性，對(duì)不同的診斷算法進(jìn)行對(duì)比。實(shí)驗(yàn)參數(shù)如表2所示。

不同電力電纜故障診斷方法的故障識(shí)別準(zhǔn)確率對(duì)比如表3所示。

由表3可知，在10～140 min中，文獻(xiàn)［4］和文獻(xiàn)［5］所提出的故障診斷方法對(duì)于電力電纜

故障的識(shí)別準(zhǔn)確率較低;在140 min時(shí)，故障識(shí)別準(zhǔn)確率達(dá)到最大，分別為84.5%和75.6%，但仍小于本文所設(shè)計(jì)的電力電纜故障診斷方法。本文提出的故障診斷方法融合了LSTM和DBM，對(duì)故障信號(hào)進(jìn)行精確鎖定，從而提升了故障信號(hào)識(shí)別準(zhǔn)確率，為及時(shí)發(fā)現(xiàn)并有效處理電力電纜故障奠定了重要基礎(chǔ)，也為電力系統(tǒng)的正常安全運(yùn)行提供了重要保障。

除電力電纜故障識(shí)別準(zhǔn)確率外，故障信號(hào)診斷準(zhǔn)確率也是判斷故障信號(hào)的重要指標(biāo)，及時(shí)診斷故障對(duì)電力系統(tǒng)的安全運(yùn)行具有重要意義。故障信號(hào)診斷準(zhǔn)確率對(duì)比如圖8所示。

由圖8可知，在迭代次數(shù)不斷增加的過(guò)程中，除本文所提出的電力電纜故障診斷方法的故障信號(hào)診斷準(zhǔn)確率不斷上升外，其余3類方法均在某次迭代次數(shù)時(shí)存在上下起伏的狀態(tài)，因此與其他3類方法相比，本文所提出的故障診斷方法

具有更好的故障診斷能力，及時(shí)獲取故障信號(hào)，并對(duì)故障信號(hào)進(jìn)行診斷，為電力電纜的信號(hào)傳輸提供重要基礎(chǔ)［14］。

3 結(jié) 語(yǔ)

針對(duì)傳統(tǒng)方法在識(shí)別電力電纜故障信號(hào)方面存在的故障識(shí)別準(zhǔn)確率低和故障診斷準(zhǔn)確率低等問(wèn)題，設(shè)計(jì)了一種結(jié)合LSTM和DBM的改進(jìn)LSTM故障診斷方法，與其他方法相比，改進(jìn)LSTM具有更高的故障識(shí)別準(zhǔn)確率和故障診斷準(zhǔn)確率。利用改進(jìn)LSTM的特性及時(shí)鎖定故障，并及時(shí)處理故障，節(jié)約了經(jīng)濟(jì)成本，不僅為電力電纜的信號(hào)傳輸提供了重要保障，而且為電力系統(tǒng)的正常安全奠定了重要基礎(chǔ)，對(duì)電力系統(tǒng)未來(lái)的發(fā)展具有重要意義。

［1］ 曾鳴，楊雍琦，李源非，等.能源互聯(lián)網(wǎng)背景下新能源電力系統(tǒng)運(yùn)營(yíng)模式及關(guān)鍵技術(shù)初探［J］.中國(guó)電機(jī)工程學(xué)報(bào)，2016，36（3）：681-691.

［2］ 常鞏，鄧友均，楊洪明，等.充換電站模式下電動(dòng)汽車參與物流配送的電能補(bǔ)給方式規(guī)劃［J］.電力建設(shè)，2018，39（6）：7-14.

［3］ 薛禹勝，賴業(yè)寧.大能源思維與大數(shù)據(jù)思維的融合（一）大數(shù)據(jù)與電力大數(shù)據(jù)［J］.電力系統(tǒng)自動(dòng)化，2016，40（1）：1-8.

［4］ 王保義，王冬陽(yáng)，張少敏.基于Spark和IPPSO_ LSSVM的短期分布式電力負(fù)荷預(yù)測(cè)算法［J］.電力自動(dòng)化設(shè)備，2016，36（1）：117-122.

［5］ 陳亮，王震，王剛.深度學(xué)習(xí)框架下LSTM網(wǎng)絡(luò)在短期電力負(fù)荷預(yù)測(cè)中的應(yīng)用［J］.電力信息與通信技術(shù)，2017，15（5）：8-11.

［6］ 簡(jiǎn)獻(xiàn)忠，顧祎婷.一種基于全過(guò)程優(yōu)化支持向量機(jī)的短期電力負(fù)荷預(yù)測(cè)方法［J］.電力科學(xué)與工程，2018，34（11）：45-51.

［7］ 李若晨，朱帆，朱永利，等.結(jié)合受限玻爾茲曼機(jī)的遞歸神經(jīng)網(wǎng)絡(luò)電力系統(tǒng)短期負(fù)荷預(yù)測(cè)［J］.電力系統(tǒng)保護(hù)與控制，2018，46（17）：83-88.

［8］ 席佳偉，胡靜，蔣浩，等.基于大數(shù)據(jù)的智能電纜故障點(diǎn)三維仿真定位方法［J］.微型電腦應(yīng)用，2023，39（10）：221-225.

［9］ 張淑清，任爽，陳榮飛，等.基于大數(shù)據(jù)簡(jiǎn)約及PCA改進(jìn)RBF網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)［J］.計(jì)量學(xué)報(bào)，2018，39（3）：392-396.

［10］ 李琛，郭文利，吳進(jìn)，等.基于BP神經(jīng)網(wǎng)絡(luò)的北京夏季日最大電力負(fù)荷預(yù)測(cè)方法［J］.氣候與環(huán)境研究，2019，24（1）：135-142.

［11］ 邰曉紅，王麗娜.基于模糊控制修正Elman神經(jīng)網(wǎng)絡(luò)的電力負(fù)荷短期動(dòng)態(tài)預(yù)測(cè)［J］.世界科技研究與發(fā)展，2016，38（2）：264-269.

［12］ 趙曉紅，李海玉.籃球戰(zhàn)術(shù)在采摘機(jī)器人避障模糊控制系統(tǒng)中的應(yīng)用［J］.農(nóng)機(jī)化研究，2020，42（4）：240-244，249.

［13］ 李研博.基于永磁同步電機(jī)的液壓注射機(jī)驅(qū)動(dòng)系統(tǒng)設(shè)計(jì)［J］.塑料科技，2019，47（7）：103-106.

［14］ 張雷，李航，宋曉娜.無(wú)刷直流電機(jī)直接轉(zhuǎn)矩控制系統(tǒng)的優(yōu)化設(shè)計(jì)［J］.電機(jī)與控制學(xué)報(bào)，2019，23（10）：110-119.

收稿日期： 2024-07-23

Research on Power Cable Fault Diagnosis

Method Integrating LSTM and DBM

LI Nan1， WEN Wen2

（1.State Grid Hebei Electric Power Co.， Ltd.， Handan Power Supply Branch， Handan 056004， China;

2.State Grid Hebei Electric Power Co.， Ltd.， Daming Power Supply Branch， Handan 056900， China）

Abstract：

In the normal and safe operation of the power system，power cables are prone to faults caused by natural weather and human factors，which seriously disrupt the normal operation of power lines，reduce the normal transmission of power signals，and affect the stability and reliability of the power system.Based on this，an improved method for power cable fault diagnosis based on the fusion of long short-term neural networks and deep Boltzmann algorithm was designed.The power signal on the power cable was used as the data source for the input layer of the long short-term neural network for real-time collection and monitoring.The hidden layer of the neural network was used to process and identify various types of power signals，accurately extracting abnormal data when a fault occurred，and acting on the output layer for expression，improving the accuracy of power cable fault recognition.Furthermore，the deep Boltzmann algorithm was introduced to adjust the fault data recognition factor of the hidden layer，which improved the convergence speed of the long short-term neural network and the convergence characteristics of the algorithm.Finally，the power cable fault diagnosis method was applied to the power signal monitoring platform and compared with traditional BP neural networks and other methods.The improved long short-term neural network achieved a fault signal recognition rate of 97.3% and a fault signal diagnosis accuracy of 96.61%，which improved the fault recognition ability of traditional methods and provided important guarantees for the safe operation of the power system.

Key words：

long short-term neural networks; power cables; deep boltzmann algorithm; fault diagnosis