人工智能技術(shù)在電力系統(tǒng)故障診斷中的應用研究

　　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，還進一步推動了電力行業(yè)的發(fā)展�；�于此，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)進行探討，對在電力系統(tǒng)故障診斷中的應用進行闡述，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)濟的發(fā)展，社會的進步，人們對于用電需求逐漸擴大，對電力系統(tǒng)的平穩(wěn)性也提出了更高標準。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，達到科學預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到收集同類設(shè)備數(shù)據(jù)的目的，并同時向總中心站進行匯總，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)進行調(diào)整，通過深度置信網(wǎng)絡結(jié)構(gòu)，建立系統(tǒng)約束的DBN模型，做好銜接工作，以達到診斷故障目的。

　　1.2模型構(gòu)建

　　1.2.1深度置信網(wǎng)絡的結(jié)構(gòu)

　　深度置信網(wǎng)絡結(jié)構(gòu)是一種表達學習的模型，因模型簡單，易于查看，提取能力強，收斂速度快等特征一般被應用在復雜函數(shù)表達學習中。電力系統(tǒng)因自身特性符合深度置信網(wǎng)絡的使用需求，在電力系統(tǒng)故障診斷過程中被廣泛應用。限制波爾茲曼機是其基本單元，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，限制波爾茲曼機是一種概率生成模型，可以有效的建立觀察數(shù)據(jù)和標簽，通過其輸入層與隱含層之間的關(guān)系對系統(tǒng)能量進行描述。

　　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的參數(shù)進行分析，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)絡主要以一層BP神經(jīng)網(wǎng)絡和若干個限制波爾茲曼機疊加的方式來構(gòu)建。將網(wǎng)絡中的限制波爾茲曼機兩兩分為一組，設(shè)置成限制波爾茲曼機層，由下向上將規(guī)定的機層結(jié)果輸出，并且以數(shù)據(jù)的形式輸?shù)缴弦粚訖C層中，通過這種循環(huán)，輸出最后的標簽[1]。

　　1.2.2深度置信網(wǎng)絡的訓練方法

　　預訓練和微調(diào)是深度置信網(wǎng)絡訓練中最主要的兩個階段。因預訓練是無監(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)絡在訓練時一般都先進性預訓練后進行微調(diào)，而且這種方式可以減少數(shù)據(jù)不足對深度置信網(wǎng)絡的影響。首先，進行預訓練操作時，因其無監(jiān)督的特性一般采用貪心算法，對相應的參數(shù)初次進行賦值，經(jīng)過反復訓練，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，進入微調(diào)階段，因預訓練采用的算法具有一定局限性，無法保證結(jié)果的準確性，必須采用全局學習算法，將預訓練計算出的結(jié)果標注，進行調(diào)整和優(yōu)化，保證空間進入有監(jiān)督的訓練，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，沒有標注的樣本數(shù)量以U來表示，在訓練時，模型內(nèi)的樣本數(shù)據(jù)若都被標注，此時U=0，在此基礎(chǔ)上，再進行訓練，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)進行處理。其次，先采用預訓練無監(jiān)督的方式進行訓練，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)絡稀疏約束的構(gòu)建

　　雖然深度置信網(wǎng)絡將輸入層與隱藏層進行緊密連接，保證限制波爾茲曼機適應電力系統(tǒng)的診斷環(huán)境，但受故障的影響對電力系統(tǒng)網(wǎng)絡有一定的局限，為保證其更滿足電力網(wǎng)絡的特性，必須對其進行約束。網(wǎng)絡稀疏約束通過對權(quán)重進行賦值、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暫態(tài)故障的特征，以此更適應電力系統(tǒng)環(huán)境。該約束的構(gòu)建可以以如下表達式表示：Ω1(θ)=∑i，j|Wij|=||W1||1。

　　1.3.2網(wǎng)絡平滑約束的構(gòu)建構(gòu)建網(wǎng)絡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，滿足學習的特征相似，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)點的訓練保證其適應電力系統(tǒng)的運行[2]。

　　表達式可表示為：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)值也就相應的越大;模型結(jié)構(gòu)越復雜，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，準確值低，本文提出的深度置信網(wǎng)絡系統(tǒng)通過預訓練的無監(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)果的準確度。而隨著模糊理論的應用，保證模糊控制器進一步完善，進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模糊系統(tǒng)構(gòu)成，可以及時發(fā)現(xiàn)潛在的故障，及時進行處理，相比于傳統(tǒng)的自適應控制更為先進。該理論的應用在傳統(tǒng)的電力系統(tǒng)故障診斷的基礎(chǔ)上進行更新，依靠模糊理論獨有的特性進行處理，保證電力系統(tǒng)故障診斷結(jié)果的精準度。在電力系統(tǒng)工作中，若出現(xiàn)診斷結(jié)果不精準的時候，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)元件故障與保護動作間的關(guān)聯(lián)性將診斷轉(zhuǎn)換為整數(shù)，進行全局優(yōu)化的過程。當運用遺傳算法時，保護元件及斷路器出現(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)故障診斷進行信息融合的過程。通過應用該系統(tǒng)診斷可對故障產(chǎn)生的原因及相應保護裝置的原理進行了解，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)進行保護，必須優(yōu)化信息結(jié)合、信號處理等工作，對保護設(shè)備、錄波信息合理使用，保證故障診斷結(jié)果的準確性[3]。

　　2.4人工神經(jīng)網(wǎng)絡電力系統(tǒng)故障診斷

　　人工神經(jīng)網(wǎng)絡技術(shù)的應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)故障進行科學處理。其主要原理是通過控制人工神經(jīng)網(wǎng)絡閾值獲取相應的知識點，將其分布在人工神經(jīng)網(wǎng)絡中，具有一定的隱秘性，進而有效改善電力系統(tǒng)中存在的故障。因人工神經(jīng)網(wǎng)絡在應用的過程中會產(chǎn)生記憶，進一步可以獲得充足的隱形知識點，以此達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)傳送到相應的系統(tǒng)中，快速準確的清理掉系統(tǒng)中的故障。另外，運用人工神經(jīng)網(wǎng)絡技術(shù)因其會產(chǎn)生記憶，會相應的在數(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)濟的發(fā)展，對電力行業(yè)既是機遇也是挑戰(zhàn)，必須充分利用人工智能技術(shù)，對電力系統(tǒng)存在的故障進行診斷并處理，不斷總結(jié)經(jīng)驗，進行創(chuàng)新，進一步促進電力行業(yè)的快速發(fā)展。

　　參考文獻

　　[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)表學術(shù)論文網(wǎng)：http:///dzlw/28433.html