本文摘要:摘要:電力系統(tǒng)因其故障問題對電力系統(tǒng)的平穩(wěn)運行有重要影響,被人們所關(guān)注。信息時代的發(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)一步推動了電力行業(yè)的發(fā)展;诖,本文對人
摘要:電力系統(tǒng)因其故障問題對電力系統(tǒng)的平穩(wěn)運行有重要影響,被人們所關(guān)注。信息時代的發(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)一步推動了電力行業(yè)的發(fā)展;诖,本文對人工智能技術(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,社會的進(jìn)步,人們對于用電需求逐漸擴(kuò)大,對電力系統(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)時代的發(fā)展需求,通過電力系統(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,對我國電力系統(tǒng)的發(fā)展具有重要意義。
電力工程師評職知識: 河南省電力系統(tǒng)職稱論文發(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
電力系統(tǒng)故障診斷的自動化與智能化水平提高,對電力行業(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)備種類的不同,將其分成分類中心站以達(dá)到收集同類設(shè)備數(shù)據(jù)的目的,并同時向總中心站進(jìn)行匯總,傳輸?shù)焦收项愋驮\斷子系統(tǒng)中的過程,以此將數(shù)據(jù)及參數(shù)進(jìn)行調(diào)整,通過深度置信網(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,通過其輸入層與隱含層之間的關(guān)系對系統(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來體現(xiàn),通過將相關(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)和若干個限制波爾茲曼機(jī)疊加的方式來構(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)練中最主要的兩個階段。因預(yù)訓(xùn)練是無監(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)的時間,提高效率,深度置信網(wǎng)絡(luò)在訓(xùn)練時一般都先進(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)不足對深度置信網(wǎng)絡(luò)的影響。首先,進(jìn)行預(yù)訓(xùn)練操作時,因其無監(jiān)督的特性一般采用貪心算法,對相應(yīng)的參數(shù)初次進(jìn)行賦值,經(jīng)過反復(fù)訓(xùn)練,最底層的初始特征會消失,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來表示,沒有標(biāo)注的樣本數(shù)量以U來表示,在訓(xùn)練時,模型內(nèi)的樣本數(shù)據(jù)若都被標(biāo)注,此時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)和測試樣本數(shù)據(jù),劃分后對產(chǎn)生干擾的數(shù)據(jù)進(jìn)行處理。其次,先采用預(yù)訓(xùn)練無監(jiān)督的方式進(jìn)行訓(xùn)練,構(gòu)件參數(shù)空間。最后,對產(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,但受故障的影響對電力系統(tǒng)網(wǎng)絡(luò)有一定的局限,為保證其更滿足電力網(wǎng)絡(luò)的特性,必須對其進(jìn)行約束。網(wǎng)絡(luò)稀疏約束通過對權(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)點輸入矩陣的權(quán)重差大約為0,滿足學(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)重數(shù)值具有聯(lián)系性為約束條件,通過相鄰節(jié)點的訓(xùn)練保證其適應(yīng)電力系統(tǒng)的運行[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實際驗證
為保證上述方案的可行性,必須進(jìn)行實際驗證,通過使用傳統(tǒng)的ANN1模型和本文提出的系統(tǒng)對樣本進(jìn)行測試,可以看出傳統(tǒng)的模型對參數(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)通過預(yù)訓(xùn)練的無監(jiān)督方式與微調(diào)的有監(jiān)督方式結(jié)合,對電力系統(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自適應(yīng)模糊系統(tǒng)構(gòu)成,可以及時發(fā)現(xiàn)潛在的故障,及時進(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)故障診斷為實現(xiàn)電力系統(tǒng)的全局優(yōu)化,必須仿照生物進(jìn)化,運用遺傳算法。在電力系統(tǒng)產(chǎn)生故障時,遺傳算法可以依據(jù)元件故障與保護(hù)動作間的關(guān)聯(lián)性將診斷轉(zhuǎn)換為整數(shù),進(jìn)行全局優(yōu)化的過程。當(dāng)運用遺傳算法時,保護(hù)元件及斷路器出現(xiàn)拒動時,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),運用其實用性的特點,對電網(wǎng)故障診斷進(jìn)行信息融合的過程。通過應(yīng)用該系統(tǒng)診斷可對故障產(chǎn)生的原因及相應(yīng)保護(hù)裝置的原理進(jìn)行了解,運用該方式不但簡單快捷,而且效果顯著,對電力系統(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、信號處理等工作,對保護(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),對電力系統(tǒng)故障進(jìn)行科學(xué)處理。其主要原理是通過控制人工神經(jīng)網(wǎng)絡(luò)閾值獲取相應(yīng)的知識點,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)用的過程中會產(chǎn)生記憶,進(jìn)一步可以獲得充足的隱形知識點,以此達(dá)到快速糾正電力系統(tǒng)存在的問題,并將所獲得的知識點、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,運用人工神經(jīng)網(wǎng)絡(luò)技術(shù)因其會產(chǎn)生記憶,會相應(yīng)的在數(shù)據(jù)庫內(nèi)存入數(shù)據(jù),為后續(xù)工作提供了參考價值,減少了人力、物力等浪費資源情況,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)故障診斷中的運用,對電力系統(tǒng)的安全平穩(wěn)運行具有重要的作用。經(jīng)濟(jì)的發(fā)展,對電力行業(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,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]錢世超.人工智能技術(shù)在電力系統(tǒng)故障診斷中的運用分析[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]閆國珍.對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)載請注明來自發(fā)表學(xué)術(shù)論文網(wǎng):http:///dzlw/28433.html