人工智能技术在电力系统故障诊断中的应用

史雪涛 孙浩南 肖文飚 王德全 张冬

（国网江苏省电力有限公司淮安供电分公司 江苏省淮安市 223002）

众所周知，科技的飞速发展和不断的创新，让人工智能技术得到了广泛的推广，并已经普遍运用到了各行各业当中。尤其是在现如今信息化的大背景下，先进的人工智能技术，依靠大数据的带动，已迈入进了独立学习阶段，并且随着进一步的发展，当前的人工智能技术可全程无需人工操控，这充分证明了此项技术已经正式进入到了另一个全新的发展阶段，而这一点在电力系统故障诊断工作上体现的尤为明显。电力系统人工智能技术的应用可有效提升社会生产效率，而在之前常规电力系统运行中，运行结构复杂，系统内部环节极为繁琐，还要全面适应内外环境。若电力系统在运行时候出现故障问题，采用传统的人为排查方式会显得非常困难且易出错，而随着人工智能技术的普及和完善，可将大量的智能算法合理的运用到电力系统当中，进而得以快速高效准确诊断并智能处理大部分电力系统故障问题，大力提升工作效率，保障电网安全可靠运行。

1 电力系统故障诊断中人工智能技术的应用

1.1 基于模糊理论的电力系统故障诊断

自从电力系统采用模糊控制器之后，明显提升了解决电力系统故障的能力。在过去电力系统产生故障之后，技术工作者难以区分潜在故障和故障清除之间所存在的联系。所以，始终难以获得精准的诊断结果。不过这些年以来，伴随模糊理论的广泛应用，相关工作者可将故障处理、控制经验结合到控制器里，进而研发出完善的模糊控制器。电子系统模糊控制主要是使用自适应模糊控制器，其和以往的自适应控制进行比较发现，模糊控制器是两个以上的自适应模糊系统所构建。自适应模糊控制器主要是在电力系统出现问题的情况下，能够马上对不易发现的潜在故障及时实施处理。一是其能够对传统的推理工作进行完善，之后完成近似推理工作，最终依靠强化推理的容错性来达到理想的处理效果，进而使电力系统的故障能够得到精准的检测。所以，在相关工作人员诊断电力系统故障的时候，若对一些故障没有把握，那么就可通过模拟理论诊断法进行解决。而且还要根据传统工作经验，将以往的一些诊断方式合理的与模糊理论诊断法融入到一起，进而进一步加强诊断的效果。

1.2 基于信息理论的电力系统故障诊断

其实在上个世纪的时候，就已经有相关专业人士开始研究基于信息理论的电力系统故障诊断。站在信息理论层面进行分析，信息理论方式具有明显的实用性，对电网故障诊断其实属于一项信息融合的工作。在对电力系统做故障诊断的时候，利用信息理论诊断法，能够了解故障是怎样产生的，并还能够掌握保护装置的工作原理。和这种故障诊断方式有关的诊断信息，不但能够掌握电力系统不稳定性特征，还能确保与其具有关联性的系统得到保护。此方式不仅处理速度快，并且还能够达到良好的处理效果。所以在诊断电力系统故障的过程中，一定要合理的使用系统中的保护装备、录波信息。而随着科技水平的进一步发展，还需要优化信息结合、信号处理等方面的工作，以到达最为理想的诊断效果。

1.3 基于遗传算法的电力系统故障诊断

遗传算法遵循了人类遗产机理，通过仿照生物进化，实现全局优化的一种算法。此诊断方式的优势在于，具有加强的优化效果，并且能够对全局进行全面优化。通过遗传算法来诊断电力系统所产生的故障时，首先要根据元件故障与保护动作间的关联性，把系统诊断转换为整数。之后创建遗传算法，使用差异性遗传算法，对所出现的故障进行处理。若保护元件、断路器产生拒动的话，那么就代表诊断达到了最理想的效果。由此能够看出，基于遗传算法的电力系统故障诊断方法，能够站在全局优化的角度来研究故障问题，从而可准确的进行诊断。不过应如何有效创建电力系统故障诊断数字模型，明确差异性问题等，还需要相关工作人员在今后进行更加深入的研究。

1.4 基于人工神经网络诊断的电力系统故障诊断

相关研究工作者通过研究电力系统故障所产生的数据后，了解到了以下情况：通过使用人工神经网络技术，能够对电力系统故障进行有效的解决，主要是以控制人工神经网络阀值的方式来获取知识点，然后隐秘的分布到人工神经网络里，进而就可获取充足的隐形知识点，对人工神经网络方式产生记忆。人工神经网络除了能够清除掉噪音数据以外，还可以获得所需要的知识点，进而有效改善专家系统里所存在的问题。采用人工神经网络诊断法来处理电力系统故障，主要是纠正系统问题，然后立刻将数据传送到系统当中，此时系统状态就会产生明显的转变，从而可准确的清理掉系统里的故障，而所要使用的信息，能够通过人工神经网络的知识库来进行提调。在故障诊断完成后，所形成的最新故障信息会立刻传送进数据库里，这样一来不但能够在第一时间更新数据，还可给故障诊断工作带来足够的资源。

2 系统设计

下面我们对通过人工智能技术所研发的电力系统故障诊断系统进行一下充分的研究。此系统主要是结合了人工智能技术中的深度置信网络，并利用样本数据预训练以及调整参数的形式所创建的电力系统故障诊断模型。搭配网络系数约束和网络平滑约束，以充分展现衔接矩阵里关键性的衔接，进而帮助辅助限制波尔兹曼机抓住暂态故障的局部特点，以此加强故障诊断水平。

2.1 模型构建

深度置信网络，即DBN。属于深度表达学习模型，基本单元属于RBM，在繁琐函数的表达学习当中得到了普遍的使用。RBM结构主要是输入层以及隐秘层两种神经元所构建。RBM 属于概率生成模型，其和判别模型具有明显的差别，具体表现在生成模型能够构建观测模型和标签间的分布。通过RBM 输入层和隐蔽层间所存在的关联性，来展现系统能量。

在上面的公式当中，θ={ai，bj，Wij}代表RBM 的参数，ai 与bi 依次代表的是输入层神经元以及隐蔽层神经元的偏置数据，Wij代表的是输入层神经元i 和隐蔽层神经元j 间所具有的关联性。使用所传送的数据，运算RBM 模型的最大似然概率，就能够完成RBM 的参数预估，公式为：

本文主要是利用BP 神经网络与大量的RBM 栈式叠加模式创建DBN 模型。在网络里以两层为单位，对层进行分组，并设置RBM 层。通过从低往高的形式，把每个RBM 层的输出结果当做传送数据加载进此前一层的RBM 层里。通过多层RBM 层的训练，最后对标签进行传送。在模型结构当中，最上端的是输入层，输入单元包括n 个，代表的是n 个输入特点；最底层是输出成，输入单元包括m 个，代表的是m 个识别种类。隐蔽层的数量与各层的单数，要通过经验来做出针对性的布设。

2.2 深度置信网络训练方法

DBN 的学习训练分成预训练和调整。预训练主要采用的是无监督训练方式，而后者则采用的是监督训练的方式。先无监督训练然后再后监督的好处在于：无监督训练在减小搜索最佳求解空间上效率极高，其输出结果当做成有监督训练数据，能够节省很多的时间；能够改进训练数据的相关问题，进而提升DBN 模型的监督学习效果。

（1）开展预训练操控。预训练主要以贪心无监督学习算法、无监督训练为主，对以上DBN 模型各层里的全部参数做初始化赋值。通过对各层的RBM 层训练，底层初期的特征会训练成具有更加紧密关系的高端数据。因为在无标注时也能做使用贪心算法，造成输出结果难以符合实际情况。所以，要相应的调整参数。

（2）预训练结束后，标出输出结果，然后以全局学习算法的方式来对DBN 模型网络空间开展监督训练，进而不断完善DBN 模型网络参数。

全局学习算法以从上往下的形式调整DBN 模型。公式为：

其中L 代表的是故障故障诊断样本数据量，U 代表的是无标准的样布数据量，D 代表的是每个样本数据的特点个数。在模型训练期间，如果全部的样本数据都做人工标注，那么U=0。这种情况下，就要采用深层结构的全局算法来训练。每个具备n 个特点的样本数据都能够被当做是求解空前当中的某个向量。

2.3 电力系统约束的DBN模型

2.3.1 网络稀疏约束的构建

由于电力系统里的暂停故障只是暂时会给有关设备造成影响，为此可把没有受到干扰的设备状态数据清理掉，以充分体现出局部特点。网络稀疏约束是依靠把衔接矩阵的权重进行赋值，把没有遭受太大干扰的暂态故障的权重做好相应的约束，尽量将它的值控制在0 左右，以此充分展现出矩阵关键处的衔接，以协助RBM 获取到暂态故障的局部特点。网络稀疏化约束，主要是利用罚函数进行约束，罚函数可以用下面的公式反映出来：

2.3.2 网络平滑约束的构建

在电力系统当中的相同的电力里，和电气接近的设备在故障没有产生前和产生后的状态存在密切的关联性。所以，在RBM 网络里有关的权重数值也会保持紧密的关系。网络平滑约束，主要是往衔接矩阵间增添一定的约束，让网络里邻近的节点的传送矩阵的权重值尽量控制在0 左右，从而就能够使邻近节点在进行完训练后，掌握相应特征。通常主要是采用下面的公式来反映RBM 网络平滑约束函数：

在上面的公式当中，p 的取值范围是（0,1），代表的是归一化的输入特性间的电气距离。电气间如果靠的很近，那么设备间的关联性越明显，这样数值就会越大。按照机器学习的有关理论，网络稀疏约束和L1间能够产生等效，同时网络平滑约束和L2的正规化间可产生等效。若所建模型非常繁琐或所获取到的数据不够时，机器学习的训练便要产生拟合现象。若模型结构越繁琐，那么训练样本集中就不会形成太过明显的误差，不过模型太过繁琐会导致测试样本集的时候，误差进一步严重。所以，为能够减少模型的测试误差，就要简化模型。主要是以减少模型偏差的方式得到小的模型方差。

2.3.3 实际验证

为证明以上方案的实际效果，相关专家从发电站中收集了29个节点系统，一共使用8 台发电机，34 条母线以及42 条线路的运行状态数据。从4532 个样本数据中随意挑选其中的3000 个，而剩下的部门当做测试样本来测试。

在进行测试的时候，采用以往的ANN 模型以及DBN 模型来做监督训练。其中ANN 模型是把模型初始化参数进行任意搭配，之后再做监督训练。对其参数优化非常困难，很难做出精准的评测。而DBN 模型的曲线，和ANN 模型曲线比较起来，起始点会低一些。这充分证明，预训练的无监督训练法能够给随后的调整参数的监督训练带来完善的数据，进而可让DBN 模型的故障评估错误率保持在3%左右。

由此能够了解到，在没有标注的样本数量变多的情况下，DBN模型的故障评估精准率会明显加强，之后会以微弱的涨幅继续增长。当没有标注的样本数达到1000 个的情况下，涨幅就会出现显著变化，有关的评估精准率会大于95.3%。在样本训练数量多于1000的情况下，评测精准率的上涨率便会逐渐降低，不过总体上来讲依然处于上涨的状态。

3 结束语

我国的电网建设在这些年取得了长足的进步，使电网工程逐步壮大，不过伴随经济的发展，民众以及各大行业的用电量逐渐增多。尽管我国电网行业在这样的背景下承受着巨大的压力，不过也迎来了一次发展机遇。为此一定要充分的利用人工智能技术，来对电力系统运用当中所存在的故障问题进行及时的诊断，这样一来就能够及时的解决所存在的问题，确保电力系统得到安全平稳的运行。从而可在使电网行业获得稳定经济收益的同时，让电网行业得到良好的发展。