机器学习在电力系统故障中的运用探析

张云啸，刘奕麟，杜昊阳，黄迪，温馨

（东北电力大学，吉林 吉林 132000）

随着用电负荷的大幅增加，人们对电力系统的重视程度逐渐提高，而系统故障则是关注的重点。现阶段，大数据技术呈现出较快的发展趋势，机器学习已经在很多领域中得到应用，效果也较为理想。电力行业前行的脚步逐渐加快，产生的数据也非常多，为了使电力系统故障能够切实消除，必须要构建起机器学习算法模型，进而使异常数据检测顺利展开，寻找到具体的故障位置，如此就可保证电力系统故障诊断能够切实达成。

1 电力系统故障

1.1 城市轨道交通的电力系统故障

随着城市规模的扩大，大量人员选择在此工作、生活，这就为轨道交通的发展奠定了基础。如果轨道交通系统发生故障的话，造成的后果将是十分严重的，而导致故障发生的主要原因是电力系统出现问题。电缆在使用一段时间后，线路就会出现老化的情况，尤其是固定点会发生松动，如果冲击电流过强的话，电流短路的发生几率就会大幅提升，线路跳闸就难以避免。从轨道交通电力系统的运行现状来看，调度、通信、控制等系统如果发生故障的话，地铁列车发生失控的几率就会大幅增加，甚至会引发交通事故。

1.2 偏远地区的输电线路故障

从输电线路架设的现状来看，有些地区的地理环境较为特殊，而且气候环境造成的影响较大，这就使得输电线路难以保持稳定运行，发生大面积停电的几率较高。输电线路故障的类型较多，常见的如风偏故障、雷击跳闸、线路污闪等。

1.3 电力系统继电保护不稳定产生的故障

家用电器的数量增加后，用电负荷有明显的提升，因而要将电力维护切实做到位。从电力维护的现状来看，继电保护是需要重点关注的环节。然而从电力系统运行的现状来看，软件一旦出现问题的话，继电器就会发生误动、拒动。另外来说，二次回路的线路发生老化，这对电力系统产生的影响也非常大。

1.4 电网新能源故障

科学技术发展的速度较快，新能源的应用也成为大家关注的重点。从当下的实际情况来看，新能源已经在很多领域中得到应用，而这对电网运行安全产生的影响非常大。将新能源接入到电力系统的过程中，电流、电压难以保持稳定，电网运行受到扰动的几率较大，情况较为严重的话，电力事故也会频繁出现。

2 机器学习算法

2.1 决策树算法

对决策树算法进行分析可知，其就是由根节点起来处理数据样本，重点是要做好分析工作，依据所得的结果来划分数据样本，进而获得数据样本子集，通过归纳算法就可将可读规则、决策树予以明确，将决策树的作用充分发挥出来就可保证新数据分析能够顺利达成。决策树学习方法中得到广泛应用的是分类与回归树算法，其组成部分包括特征选择、树的组成、剪枝，对于分类、回归来说就是适合的。在对二分类问题予以解决时，CART算法是确实可行的，从其内部特征来说，可以分为是、否，也就是在内部特点左侧、右侧。在对此种算法予以实际应用时，决策树生成、剪枝这两个步骤是关键的，简单来说，将训练数据集作为基础就可获得决策树，进而展开适当剪枝，确保决策树能够更加的简洁，决策结构是最为合理的，修剪的过程中要将标准予以明确，也就是损失函数最小。

2.2 人工神经网络

人工神经网络已经出现好长时间，并得到了普遍应用。对其进行分析可知，其是将大量神经元连接起来，而且可对连接权重予以调整，如此就可切实完成好处理工作，实现信息的分布式存储，其在自组织、自学习方面是具有明显优势的。从BP算法来看，其呈现出明显的监督特征，从理论层面来说，此种算法的基本结构为非线性变化单元，其非线性映射能力是较强的。除此以外，可以依据实际条件来对学习系数之类的参数予以设置，灵活性是较为明显的。此种算法的应用范围是较广的，进行故障诊断、模型优化，或者是展开智能控制时，均是较为适合的。

2.3 朴素贝叶斯

从朴素贝叶斯算法来看，其是以概率统计为基础的，通过其可以实现分类的目标。从当下的应用现状来看，朴素贝叶斯算法、决策树算法的应用是较为普遍的，在不同场景中均能够发挥出效用。大型数据库通常选用的是朴素贝叶斯书暗访，其应用是较为简单的，速度相对较快，而且稳定性会有大幅提升。

3 机器学习在电力系统故障中的运用

3.1 人工智能技术

在对计算机软件、硬件进行研究的过程中，人工智能是重要的基础，也就是通过计算机语言、计算机算法来对人类的一些行为进行模拟。人工智能技术的主要作用是确保计算机能够认同人一样来对特定事情进行处理。现阶段，很多的行业已经开始对人工智能技术加以应用，并发挥出关键的作用。对此种技术予以分析可知，其在学习性、灵活性方面具有的优势是明显的，在电力系统当中对其予以充分利用的话，可以使得诊断操作变得更为便捷。从电力系统故障来说，在对其进行诊断的过程中，可对遗传算法、机器学习、专家系统等加以运用，这样就能够建立起完善的数学模型，进而保证诊断结果是更为准确的。

3.2 人工智能给电力系统带来的挑战

在电力系统中对人工智能加以应用时所要面对的挑战是较大的，常见的表现是信息量是非常大的，而且种类也是较多的，这就使得信息处理的实效性较为低下。为了使得人工智能可以得到充分应用，必须要对网络连接等予以重点关注，同时要对其具有的安全性、可靠性等进行考虑。

3.3 机器学习算法及其在电力系统中的应用

机器学习涉及到的学科较多，统计学、概率论、逼近论等均在其中，而且呈现出交叉特征。在整个人工智能中，机器学习是重要的分支，其是针对计算机模拟展开深入研究，进而能够掌握更多的知识，拥有一定的技能，将现有知识结构予以重新组织，如此就可使得自身性能有明显的改善。机器学习就是要通过计算机来总结相关的数据，如此就可获得可靠的模型，通过其就可对特定事情予以判断，保证预测更加的准确。众所周知，机器学习是按照既定步骤展开的，具体来说共包括以下3步：第一步就是对相关的数据进行采集，在此基础上完成模型的构造，这里需要提醒的话，模型必须要最为适合，能够保证问题研究能够顺利进行。第二步是要从问题出发，将系统衡量标准予以明确，进而对函数模型展开判断。第三步是要将与系统衡量标准相适宜的函数寻找出来，将其带入到系统当中就可以展开测试工作。在现阶段，科技发展速度持续加快，创新研究工作正在深入展开，这就为机器学习奠定了坚实的基础，进行电力系统检测时，其适用性较强。从电力系统故障的检测来看，对机器学习必须要予以重视，通过直接方式、间接方式来获取所需的数据，并要切实完成好判断、预测工作。首先，数据的采集必须要做到位。整个电力系统是较为庞杂的，其中涵盖的数据信息有不同的种类，覆盖范围也是较广的，所以要将故障本质点切实寻找出来。比方说，直流汇集系统的常见故障为直流双极短路，此时应该要针对换流器、变流器展开有效的监控；当IIREG故障发生后，则要针对母线短路点展开检测，并对故障数据进行梳理；保护继电器出现拒动、误动的话，最为关键的就是要将继电器的相关数据予以归纳。长时间获取的相关数据必须要将预处理做到位。为了保证数据的全面性和可靠性，可以对不同系统在不同电力负荷、不同故障以及发电机不同出力情况下进行样本采集。其次，通过机器学习算法将数据进行总结，构建数学模型。电力系统中发生的故障不同，其故障模式也大不相同，可以收集相对应故障模式下的故障数据组，将大量的数据组通过传感器输入到机器学习算法模型中，并反复训练和学习。当模型学习了大量数据信息后，就可以在电力系统中投入使用，可以对产生的故障点进行判断，从而准确找出发生故障的位置，同时还可以对故障进行预测，防范于未然。

4 结语

电力负荷的增加给电力系统带来了严峻的问题和巨大的挑战。但在大数据的背景下，人工智能不断发展、进步，电力系统将会与时俱进。因此，要切合实际更好地将机器学习算法运用于电网行业，以便更加积极地应对电力系统中发生的故障。