人工智能技術(shù)在電力系統(tǒng)故障診斷中的應(yīng)用研究

　　摘要：電力系統(tǒng)因其故障問(wèn)題對(duì)電力系統(tǒng)的平穩(wěn)運(yùn)行有重要影響，被人們所關(guān)注。信息時(shí)代的發(fā)展，人工智能技術(shù)逐漸應(yīng)用在各行各業(yè)，在電力系統(tǒng)故障診斷中發(fā)揮著重要的作用，不僅可以提高電力系統(tǒng)的安全平穩(wěn)性，還進(jìn)一步推動(dòng)了電力行業(yè)的發(fā)展。基于此，本文對(duì)人工智能技術(shù)在電力系統(tǒng)故障中的診斷系統(tǒng)進(jìn)行探討，對(duì)在電力系統(tǒng)故障診斷中的應(yīng)用進(jìn)行闡述，希望給相關(guān)人士帶來(lái)借鑒意義。

　　關(guān)鍵詞：人工智能技術(shù);電力系統(tǒng)故障;診斷

　　經(jīng)濟(jì)的發(fā)展，社會(huì)的進(jìn)步，人們對(duì)于用電需求逐漸擴(kuò)大，對(duì)電力系統(tǒng)的平穩(wěn)性也提出了更高標(biāo)準(zhǔn)。但由于外在因素的影響，電力系統(tǒng)經(jīng)常出現(xiàn)故障，對(duì)人們的生活產(chǎn)生了巨大的影響。人工智能技術(shù)的出現(xiàn)順應(yīng)時(shí)代的發(fā)展需求，通過(guò)電力系統(tǒng)故障診斷系統(tǒng)有力的改變這一情況，達(dá)到科學(xué)預(yù)防及處理電力故障的顯著效果，對(duì)我國(guó)電力系統(tǒng)的發(fā)展具有重要意義。

　　電力工程師評(píng)職知識(shí)： 河南省電力系統(tǒng)職稱(chēng)論文發(fā)表的刊物

　　1電力系統(tǒng)故障診斷系統(tǒng)

　　1.1系統(tǒng)設(shè)計(jì)

　　電力系統(tǒng)故障診斷的自動(dòng)化與智能化水平提高，對(duì)電力行業(yè)發(fā)展具有重要的意義。電力系統(tǒng)故障診斷系統(tǒng)主要是以人工智能中的深度置信網(wǎng)絡(luò)為基礎(chǔ)，將其分為故障信息采集和故障類(lèi)型診斷兩種子系統(tǒng)。主要原理是故障信息采集子系 統(tǒng)根據(jù)設(shè)備種類(lèi)的不同，將其分成分類(lèi)中心站以達(dá)到收集同類(lèi)設(shè)備數(shù)據(jù)的目的，并同時(shí)向總中心站進(jìn)行匯總，傳輸?shù)焦收项?lèi)型診斷子系統(tǒng)中的過(guò)程，以此將數(shù)據(jù)及參數(shù)進(jìn)行調(diào)整，通過(guò)深度置信網(wǎng)絡(luò)結(jié)構(gòu)，建立系統(tǒng)約束的DBN模型，做好銜接工作，以達(dá)到診斷故障目的。

　　1.2模型構(gòu)建

　　1.2.1深度置信網(wǎng)絡(luò)的結(jié)構(gòu)

　　深度置信網(wǎng)絡(luò)結(jié)構(gòu)是一種表達(dá)學(xué)習(xí)的模型，因模型簡(jiǎn)單，易于查看，提取能力強(qiáng)，收斂速度快等特征一般被應(yīng)用在復(fù)雜函數(shù)表達(dá)學(xué)習(xí)中。電力系統(tǒng)因自身特性符合深度置信網(wǎng)絡(luò)的使用需求，在電力系統(tǒng)故障診斷過(guò)程中被廣泛應(yīng)用。限制波爾茲曼機(jī)是其基本單元，主要由輸入層神經(jīng)元和隱含層神經(jīng)元構(gòu)成，與傳統(tǒng)的判別模型相比，限制波爾茲曼機(jī)是一種概率生成模型，可以有效的建立觀察數(shù)據(jù)和標(biāo)簽，通過(guò)其輸入層與隱含層之間的關(guān)系對(duì)系統(tǒng)能量進(jìn)行描述。

　　E(x,h|θ)=-aTx-bTh-hTWx從式子中可以看出限制波爾茲曼機(jī)的主要參數(shù)是θ={ai，bj，Wij}，其輸入層神經(jīng)元的偏置數(shù)據(jù)和隱含層神經(jīng)員的偏置數(shù)據(jù)以ai和bj來(lái)表示,輸入層神經(jīng)元i與隱含層神經(jīng)員j之間的關(guān)系以Wij來(lái)體現(xiàn)，通過(guò)將相關(guān)數(shù)據(jù)輸入，得到模型的最大似然概率，便可以對(duì)限制波爾茲曼機(jī)的參數(shù)進(jìn)行分析，如以下的式子。maxP(x|h,θ)=∑e-E(x,h|θ)在本系統(tǒng)中深度置信網(wǎng)絡(luò)主要以一層BP神經(jīng)網(wǎng)絡(luò)和若干個(gè)限制波爾茲曼機(jī)疊加的方式來(lái)構(gòu)建。將網(wǎng)絡(luò)中的限制波爾茲曼機(jī)兩兩分為一組，設(shè)置成限制波爾茲曼機(jī)層，由下向上將規(guī)定的機(jī)層結(jié)果輸出，并且以數(shù)據(jù)的形式輸?shù)缴弦粚訖C(jī)層中，通過(guò)這種循環(huán)，輸出最后的標(biāo)簽[1]。

　　1.2.2深度置信網(wǎng)絡(luò)的訓(xùn)練方法

　　預(yù)訓(xùn)練和微調(diào)是深度置信網(wǎng)絡(luò)訓(xùn)練中最主要的兩個(gè)階段。因預(yù)訓(xùn)練是無(wú)監(jiān)督的模式，而微調(diào)是有監(jiān)督的模式，為有監(jiān)督訓(xùn)練提供依據(jù)，減少微調(diào)的時(shí)間，提高效率，深度置信網(wǎng)絡(luò)在訓(xùn)練時(shí)一般都先進(jìn)性預(yù)訓(xùn)練后進(jìn)行微調(diào)，而且這種方式可以減少數(shù)據(jù)不足對(duì)深度置信網(wǎng)絡(luò)的影響。首先，進(jìn)行預(yù)訓(xùn)練操作時(shí)，因其無(wú)監(jiān)督的特性一般采用貪心算法，對(duì)相應(yīng)的參數(shù)初次進(jìn)行賦值，經(jīng)過(guò)反復(fù)訓(xùn)練，最底層的初始特征會(huì)消失，變成具有關(guān)聯(lián)度、緊密型特征的高層次數(shù)據(jù)。

　　其次，進(jìn)入微調(diào)階段，因預(yù)訓(xùn)練采用的算法具有一定局限性，無(wú)法保證結(jié)果的準(zhǔn)確性，必須采用全局學(xué)習(xí)算法，將預(yù)訓(xùn)練計(jì)算出的結(jié)果標(biāo)注，進(jìn)行調(diào)整和優(yōu)化，保證空間進(jìn)入有監(jiān)督的訓(xùn)練，在調(diào)整模型時(shí)主要以從最上面向最下方調(diào)整的方式。公式可列為：X=[x1，...，xL，...，xL+U]=x11...xL1...xL+U1=x12...xL2，...xL+U2=...............=x1n...xLn...xL+Un在上式中故障診斷樣本數(shù)據(jù)的數(shù)量以L(fǎng)來(lái)表示，沒(méi)有標(biāo)注的樣本數(shù)量以U來(lái)表示，在訓(xùn)練時(shí)，模型內(nèi)的樣本數(shù)據(jù)若都被標(biāo)注，此時(shí)U=0，在此基礎(chǔ)上，再進(jìn)行訓(xùn)練，以全局算法為主，可以得出只要有n個(gè)特征的樣本數(shù)據(jù)都可以作為Rn中的向量。

　　基于此，深度置信網(wǎng)絡(luò)技術(shù)的電力系統(tǒng)故障診斷流程主要是：首先，對(duì)采集到的數(shù)據(jù)以9:1的比例劃分，分別為訓(xùn)練樣本數(shù)據(jù)和測(cè)試樣本數(shù)據(jù)，劃分后對(duì)產(chǎn)生干擾的數(shù)據(jù)進(jìn)行處理。其次，先采用預(yù)訓(xùn)練無(wú)監(jiān)督的方式進(jìn)行訓(xùn)練，構(gòu)件參數(shù)空間。最后，對(duì)產(chǎn)生的樣本數(shù)據(jù)人工標(biāo)注，采用微調(diào)有監(jiān)督方式調(diào)整參數(shù)，輸出結(jié)果。

　　1.3系統(tǒng)約束的DBN模型

　　1.3.1網(wǎng)絡(luò)稀疏約束的構(gòu)建

　　雖然深度置信網(wǎng)絡(luò)將輸入層與隱藏層進(jìn)行緊密連接，保證限制波爾茲曼機(jī)適應(yīng)電力系統(tǒng)的診斷環(huán)境，但受故障的影響對(duì)電力系統(tǒng)網(wǎng)絡(luò)有一定的局限，為保證其更滿(mǎn)足電力網(wǎng)絡(luò)的特性，必須對(duì)其進(jìn)行約束。網(wǎng)絡(luò)稀疏約束通過(guò)對(duì)權(quán)重進(jìn)行賦值、約束，保證矩陣中的重要連接，有效的將影響小的設(shè)備狀態(tài)數(shù)據(jù)刪除，保證限制波爾茲曼機(jī)暫態(tài)故障的特征，以此更適應(yīng)電力系統(tǒng)環(huán)境。該約束的構(gòu)建可以以如下表達(dá)式表示：Ω1(θ)=∑i，j|Wij|=||W1||1。

　　1.3.2網(wǎng)絡(luò)平滑約束的構(gòu)建構(gòu)建網(wǎng)絡(luò)平滑約束是為保證臨近的節(jié)點(diǎn)輸入矩陣的權(quán)重差大約為0，滿(mǎn)足學(xué)習(xí)的特征相似，主要方法是在連接矩陣之間添加約束的方法。這種約束方法以權(quán)重?cái)?shù)值具有聯(lián)系性為約束條件，通過(guò)相鄰節(jié)點(diǎn)的訓(xùn)練保證其適應(yīng)電力系統(tǒng)的運(yùn)行[2]。

　　表達(dá)式可表示為：Ω2(θ)=∑ijρij∑k(Wik-Wjk)2在上述公式中，將ρ取值范圍固定為(0,1)，以此表示電氣距離，電氣距離越近，設(shè)備的相關(guān)性與數(shù)值也就相應(yīng)的越大;模型結(jié)構(gòu)越復(fù)雜，數(shù)值的誤差也就越少，但值得注意的是，為保證誤差，模型的復(fù)雜度要保持在可控范圍內(nèi)。

　　1.4實(shí)際驗(yàn)證

　　為保證上述方案的可行性，必須進(jìn)行實(shí)際驗(yàn)證，通過(guò)使用傳統(tǒng)的ANN1模型和本文提出的系統(tǒng)對(duì)樣本進(jìn)行測(cè)試，可以看出傳統(tǒng)的模型對(duì)參數(shù)的優(yōu)化難度大，準(zhǔn)確值低，本文提出的深度置信網(wǎng)絡(luò)系統(tǒng)通過(guò)預(yù)訓(xùn)練的無(wú)監(jiān)督方式與微調(diào)的有監(jiān)督方式結(jié)合，對(duì)電力系統(tǒng)故障診斷誤差小與傳統(tǒng)模型。

　　2人工智能技術(shù)在電力系統(tǒng)故障診斷中的應(yīng)用

　　2.1模糊理論的電力系統(tǒng)故障診斷在傳統(tǒng)的電力系統(tǒng)故障診斷中，因潛在的故障和故障清除之間的聯(lián)系，使相關(guān)工作人員很難區(qū)分，影響診斷結(jié)果的準(zhǔn)確度。而隨著模糊理論的應(yīng)用，保證模糊控制器進(jìn)一步完善，進(jìn)一步提高解決電力系統(tǒng)故障的能力。模糊控制器因由兩個(gè)自適應(yīng)模糊系統(tǒng)構(gòu)成，可以及時(shí)發(fā)現(xiàn)潛在的故障，及時(shí)進(jìn)行處理，相比于傳統(tǒng)的自適應(yīng)控制更為先進(jìn)。該理論的應(yīng)用在傳統(tǒng)的電力系統(tǒng)故障診斷的基礎(chǔ)上進(jìn)行更新，依靠模糊理論獨(dú)有的特性進(jìn)行處理，保證電力系統(tǒng)故障診斷結(jié)果的精準(zhǔn)度。在電力系統(tǒng)工作中，若出現(xiàn)診斷結(jié)果不精準(zhǔn)的時(shí)候，可以采取本方法與傳統(tǒng)電力系統(tǒng)故障診斷相結(jié)合的方式進(jìn)行處理，以保證診斷的結(jié)果。

　　2.2遺傳算法的電力系統(tǒng)故障診斷為實(shí)現(xiàn)電力系統(tǒng)的全局優(yōu)化，必須仿照生物進(jìn)化，運(yùn)用遺傳算法。在電力系統(tǒng)產(chǎn)生故障時(shí)，遺傳算法可以依據(jù)元件故障與保護(hù)動(dòng)作間的關(guān)聯(lián)性將診斷轉(zhuǎn)換為整數(shù)，進(jìn)行全局優(yōu)化的過(guò)程。當(dāng)運(yùn)用遺傳算法時(shí)，保護(hù)元件及斷路器出現(xiàn)拒動(dòng)時(shí)，代表電力系統(tǒng)故障已將診斷完成。遺傳算法的電力系統(tǒng)故障診斷的優(yōu)勢(shì)是可以站在全局的角度去優(yōu)化電力系統(tǒng)故障，發(fā)現(xiàn)故障原因，但診斷數(shù)字模型、明確差異性等問(wèn)題還必須進(jìn)行深入研究。

　　2.3信息理論的電力系統(tǒng)故障診斷信息理論的電力系統(tǒng)故障診斷主要是以信息理論為基礎(chǔ)，運(yùn)用其實(shí)用性的特點(diǎn)，對(duì)電網(wǎng)故障診斷進(jìn)行信息融合的過(guò)程。通過(guò)應(yīng)用該系統(tǒng)診斷可對(duì)故障產(chǎn)生的原因及相應(yīng)保護(hù)裝置的原理進(jìn)行了解，運(yùn)用該方式不但簡(jiǎn)單快捷，而且效果顯著，對(duì)電力系統(tǒng)的故障診斷具有重要的作用。在電力系統(tǒng)故障診斷中，為明確掌握電力系統(tǒng)的不穩(wěn)定特性，對(duì)其有關(guān)聯(lián)性的系統(tǒng)進(jìn)行保護(hù)，必須優(yōu)化信息結(jié)合、信號(hào)處理等工作，對(duì)保護(hù)設(shè)備、錄波信息合理使用，保證故障診斷結(jié)果的準(zhǔn)確性[3]。

　　2.4人工神經(jīng)網(wǎng)絡(luò)電力系統(tǒng)故障診斷

　　人工神經(jīng)網(wǎng)絡(luò)技術(shù)的應(yīng)用可以有效去除電力系統(tǒng)中的噪音數(shù)據(jù)，對(duì)電力系統(tǒng)故障進(jìn)行科學(xué)處理。其主要原理是通過(guò)控制人工神經(jīng)網(wǎng)絡(luò)閾值獲取相應(yīng)的知識(shí)點(diǎn)，將其分布在人工神經(jīng)網(wǎng)絡(luò)中，具有一定的隱秘性，進(jìn)而有效改善電力系統(tǒng)中存在的故障。因人工神經(jīng)網(wǎng)絡(luò)在應(yīng)用的過(guò)程中會(huì)產(chǎn)生記憶，進(jìn)一步可以獲得充足的隱形知識(shí)點(diǎn)，以此達(dá)到快速糾正電力系統(tǒng)存在的問(wèn)題，并將所獲得的知識(shí)點(diǎn)、數(shù)據(jù)傳送到相應(yīng)的系統(tǒng)中，快速準(zhǔn)確的清理掉系統(tǒng)中的故障。另外，運(yùn)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)因其會(huì)產(chǎn)生記憶，會(huì)相應(yīng)的在數(shù)據(jù)庫(kù)內(nèi)存入數(shù)據(jù)，為后續(xù)工作提供了參考價(jià)值，減少了人力、物力等浪費(fèi)資源情況，在電力系統(tǒng)中被廣泛應(yīng)用。

　　3結(jié)論

　　總而言之，人工智能技術(shù)在電力系統(tǒng)故障診斷中的運(yùn)用，對(duì)電力系統(tǒng)的安全平穩(wěn)運(yùn)行具有重要的作用。經(jīng)濟(jì)的發(fā)展，對(duì)電力行業(yè)既是機(jī)遇也是挑戰(zhàn)，必須充分利用人工智能技術(shù)，對(duì)電力系統(tǒng)存在的故障進(jìn)行診斷并處理，不斷總結(jié)經(jīng)驗(yàn)，進(jìn)行創(chuàng)新，進(jìn)一步促進(jìn)電力行業(yè)的快速發(fā)展。

　　參考文獻(xiàn)

　　[1]錢(qián)世超.人工智能技術(shù)在電力系統(tǒng)故障診斷中的運(yùn)用分析[J].通信電源技術(shù),2020,37(06):72-73.

　　[2]潘春蘭.人工智能技術(shù)在船舶電力系統(tǒng)故障診斷中的應(yīng)用[J].新型工業(yè)化,2020,10(04):78-81.

　　[3]閆國(guó)珍.對(duì)目前人工智能在電力系統(tǒng)故障診斷中的應(yīng)用探討[J].中國(guó)新通信,2019,21(08):98.

　　作者：楊子騰1王立志1張亮1崔瀅2

轉(zhuǎn)載請(qǐng)注明來(lái)自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///dzlw/28433.html