刘继伟
(重庆长征重工有限责任公司,重庆 400083)
电力产业是我国重要的经济支撑,不仅关系着我国的发展,更关系着我国的民生。但随着我国电力产业的不断发展,其结构也变得日益复杂,基于此应对电网的稳定运行提出更高的要求,以现代化技术解决各类现存问题,以此促进电力产业的可持续发展。在复杂的电网结构中,电气设备发生故障的原因也各不相同,常见的原因为设备潮湿或设备老化、设备超负荷运载、电气设备场所不符合规定等,且任何一种情况引发的电气设备故障都会出现接连反应,最终导致电网无法有效运行,如情况严重将会使电网造成不可挽回的损伤,因此应合理利用机器计算发现电气设备中的故障问题,以此保障电网的可靠运行。
智能电网在运行中有着不确定性和局部可观测性,因此导致建模分析法难以全面反映电力系统的当前特征。因此,为提高智能电网运行的准确性,需要合理应用机器算法,将其引入到智能电网检测中,以此为电网运行提供安全保障,现如今该方法已经受到了我国相关人员的高度重视。目前,机器算法应用于电气设备故障预警的方法是通过监测电气量
得出相关电网数据,随后传输到数据处理平台,最后得到因变量的结果,因变量的结果即是预警数据,并以此判定电气设备当前是否存在故障,准确预判故障的发生点。同时,机器算法应用在电气设备的故障诊断中需要结合智能算法,且在应用过程中需要建立数学模型,以此进行数据处理,最后得出特征值,以此对电气设备故障进行分类。经过我国的调查研究显示,机器学习算法在电气设备故障预警及诊断中的准确率高达92.4%,因此该方法应被广泛应用,促进智能电网的可持续发展。
机器学习M.L 的发展是基于人工智能所展开的,在1995年,V.P 与C.T 首次提出了支持向量机,仅过了两年的时间,在1997 年,H.R.T 与C.T 便提出了长短时间记忆网络,直到2009 年,深度学习网络已经基本完善,且可以应用在基础语言识别上,到2012 年深度学习网络应用在了图像识别,直到2015 年,深度学习网络才算基本完善,已经可以在图像识别的基础上分析问题成因,2018 年深度学习网络已经被广泛应用在各个领域中,且取得了不错的效果。
2.2.1 机器的基本学习
机器学习需要从历史相关数据中挖掘相关数据,并在数据挖掘结束后找出各类信息之间存在的特定联系,以此使机器学习发挥出其实际作用,且此类规律算法可以称之为机器学习。机器学习需要对已经获得的样本数据进行整理和归类,通过训练构造出预测或分类函数,具体学习训练过程如下:
(1)甄别待选择模型并训练数据集;(2)确定机器学习的最优模型;(3)确定机器学习的最优参数;(4)检测机器学习的函数精度;(5)测试机器学习的数据集。
2.2.2 机器学习的能力
预测函数和分类函数的适应性较强,且泛化能力可适用于多种数据处理,以此提高样本信息的适应性,该种能力可以称之为泛化能力,具体的学习可分为以下三步。
(1)根据当前存在的实际问题选择合适的模型,常用模型为支持向量机,而回归问题常用模型为滤波预测模型,此类模型可表示一组函数的集合。
(2)在应用中需要拟定衡量标准,且需要判断模型的精确程度,以此提高损失函数的应用效果。不同的损失函数的表现有所不同,且分别适用于不同分类问题的评价,为了使分类达到最优化,应灵活选取损失函数。
(3)参数的选择为模型建立的必要条件,且需要在最短时间内找出最优函数,通常情况下会选用优化算法,并将最优参数进行测试,如符合预期效果即模型建立完成。
2.2.3 机器学习的类别
机器学习有着多种类别,可以具体划分为以下几种,在实际应用中需要对此加强关注力度。
任务类型:机器学习的任务类型可以划分为分类模型、回归模型和结构概率模型,三者之间由于任务类型不同,需要在实际应用中格外注意。
模型结构:机器学习的模型结构可以划分为线性结构和非线性结构,其中线性结构主要体现在主观表现上,如机器学习的主观要求,而非线性结构则表现在客观需求上,如实际应用过程中的需求,且两者之间存在差异。
学习方式:机器学习的学习方式可以分为监督学习、半监督学习和无监督学习,监督学习及机器学习时需要人工持续帮助,而半监督学习则需要人工进行辅助学习,无监督学习则是无需人工提供任何帮助。同时,学习方式也可以分为迁移学习和强化监督学习,这两种学习方式在当前时代中更为常用,其中迁移学习则是可以使学习完整迁移到其他区域,强化监督学习则是提高机器学习质量,使学习符合实际需求。
3.1.1 BP 神经网络及改进
BP 神经网络以逆向传播算法为主,其主要应用于机器学习的训练过程,以提高训练精确度,当前电气设备故障预警及诊断最为常用的方法之一。将遗传算法与BP 神经网络相融合,在减少训练时间的基础上提高网络的精确度,此类方法在很大程度上解决了当前BP 神经网络中存在的训练问题。
除训练过程优化外,还可以进行函数改造。如将小波神经嵌入BP 神经网系统中提高容错率,实现电机故障的精确诊断,且可以利用粒子化对神经网络进行优化,以此提高故障诊断速率。BP 神经网络还可以与其他网络达到互补的效果,如利用模糊推理系统,则可以将实验采集的故障信号提取,最后完成故障诊断模型的搭建。也可以将记忆单元加入模糊层节点内,以此提高电气设备寿命预测的准确性。
3.1.2 支持向量机
支持向量机的实质是二次规划的求解问题,实际应用需要重新构造分类器。支持向量机的核心思想是分割间隔最大化为原则,将SVM 进行优化改造,实现对故障的提前预警。为了对SVM 预测模型参数进行优化,可以应用改进粒子群算法,以此解决后期易循环在局部极值的问题。或者可以采用人工蜂群,以人工蜂群提高诊断预测精度,完成电气设备的故障预警。
深度学习以人脑的工作原理为基准,其可以对数据进行有效分析、预测,常用的深度学习模型可以生成递归神经网络。
3.2.1 神经网络
RNN 存在数据的循环传递连接,在下一时刻的信息处理中会由单层变为多层,以此进行深度循环。RNN 引入了上一时刻的信息,对数据处理有着很大的优势,但网络权值更新不稳定,因此可以利用LSTM。LSTM 引入了门的概念,解决了RNN 的缺陷,且实际应用效果显著。
3.2.2 卷积神经网络
卷积神经网络由若干卷积层组成,其可以将输入数据旋转及缩放,以此实现对图像的识别。卷积神经网络在语音识别和图像处理方面的优势较为明显,其可以使网络结构优化,避免原始数据处理提取时的分类操作。构建卷积神经网络需要对变压器、高压断路器进行诊断,并与SVM 算法相结合,最后得到数据的基本概率分配,以此实现复合故障诊断。卷积神经网络在对电力系统的测量数据处理时,需要重视参数调节,并以此作为卷积神经网络的优化目标。
3.2.3 深度信念网络
深度信念网络原始数据需要进行训练,将底层RBM 进行顶层网络的训练,并用反向传播算法优化参数。深度信念网络不需要提取数据的特征,而是在实际的电气设备检修中自动提取数据信息,以此进行深度优化学习。网络训练如影响特征提取能力,需要对此进行拓展与改进,如利用小波变换提取故障信号,通过仿真结果表明,该方法的数据十分正确,且结构能够适应数据变化要求。
机器算法可以在很大程度上提高电气设备故障预防及检测的准确性,且实际应用中有很大的提升空间。因此,应推动机器算法的实际应用,使其发挥出故障预警及诊断的作用,确保电网的准确运行。