人工智能技术在电力系统故障诊断中的应用研究

杨子腾 王立志 张 亮 崔 滢

（1、国网宁夏电力有限公司检修公司，宁夏 银川750011 2、宁夏中科恒瑞智能科技有限公司，宁夏 银川 750000）

经济的发展，社会的进步，人们对于用电需求逐渐扩大，对电力系统的平稳性也提出了更高标准。但由于外在因素的影响，电力系统经常出现故障，对人们的生活产生了巨大的影响。人工智能技术的出现顺应时代的发展需求，通过电力系统故障诊断系统有力的改变这一情况，达到科学预防及处理电力故障的显著效果，对我国电力系统的发展具有重要意义。

1 电力系统故障诊断系统

1.1 系统设计

电力系统故障诊断的自动化与智能化水平提高，对电力行业发展具有重要的意义。电力系统故障诊断系统主要是以人工智能中的深度置信网络为基础，将其分为故障信息采集和故障类型诊断两种子系统（如图1）。主要原理是故障信息采集子系统根据设备种类的不同，将其分成分类中心站以达到收集同类设备数据的目的，并同时向总中心站进行汇总，传输到故障类型诊断子系统中的过程，以此将数据及参数进行调整，通过深度置信网络结构，建立系统约束的DBN 模型，做好衔接工作，以达到诊断故障目的。

图1 故障信息采集子系统图

1.2 模型构建

1.2.1 深度置信网络的结构

深度置信网络结构是一种表达学习的模型，因模型简单，易于查看，提取能力强，收敛速度快等特征一般被应用在复杂函数表达学习中。电力系统因自身特性符合深度置信网络的使用需求，在电力系统故障诊断过程中被广泛应用。限制波尔兹曼机是其基本单元，主要由输入层神经元和隐含层神经元构成，（如图2）与传统的判别模型相比，限制波尔兹曼机是一种概率生成模型，可以有效的建立观察数据和标签，通过其输入层与隐含层之间的关系对系统能量进行描述。

图2 限制波尔兹曼机结构示意图

从式子中可以看出限制波尔兹曼机的主要参数是θ={ai，bj，Wij}，其输入层神经元的偏置数据和隐含层神经员的偏置数据以ai和bj来表示,输入层神经元i与隐含层神经员j 之间的关系以Wij来体现，通过将相关数据输入，得到模型的最大似然概率，便可以对限制波尔兹曼机的参数进行分析，如以下的式子。

maxP(x|h,θ)=∑e-E(x,h|θ)

在本系统中深度置信网络主要以一层BP 神经网络和若干个限制波尔兹曼机叠加的方式来构建。将网络中的限制波尔兹曼机两两分为一组，设置成限制波尔兹曼机层，由下向上将规定的机层结果输出，并且以数据的形式输到上一层机层中，通过这种循环，输出最后的标签[1]。（如图3）

图3 DBN 模型结构图

1.2.2 深度置信网络的训练方法

预训练和微调是深度置信网络训练中最主要的两个阶段。因预训练是无监督的模式，而微调是有监督的模式，为有监督训练提供依据，减少微调的时间，提高效率，深度置信网络在训练时一般都先进性预训练后进行微调，而且这种方式可以减少数据不足对深度置信网络的影响。首先，进行预训练操作时，因其无监督的特性一般采用贪心算法，对相应的参数初次进行赋值，经过反复训练，最底层的初始特征会消失，变成具有关联度、紧密型特征的高层次数据。其次，进入微调阶段，因预训练采用的算法具有一定局限性，无法保证结果的准确性，必须采用全局学习算法，将预训练计算出的结果标注，进行调整和优化，保证空间进入有监督的训练，在调整模型时主要以从最上面向最下方调整的方式。公式可列为：

在上式中故障诊断样本数据的数量以L 来表示，没有标注的样本数量以U 来表示，在训练时，模型内的样本数据若都被标注，此时U=0，在此基础上，再进行训练，以全局算法为主，可以得出只要有n 个特征的样本数据都可以作为Rn 中的向量。基于此，深度置信网络技术的电力系统故障诊断流程主要是：首先，对采集到的数据以9:1的比例划分，分别为训练样本数据和测试样本数据，划分后对产生干扰的数据进行处理。其次，先采用预训练无监督的方式进行训练，构件参数空间。最后，对产生的样本数据人工标注，采用微调有监督方式调整参数，输出结果。

1.3 系统约束的DBN 模型

1.3.1 网络稀疏约束的构建

虽然深度置信网络将输入层与隐藏层进行紧密连接，保证限制波尔兹曼机适应电力系统的诊断环境，但受故障的影响对电力系统网络有一定的局限，为保证其更满足电力网络的特性，必须对其进行约束。网络稀疏约束通过对权重进行赋值、约束，保证矩阵中的重要连接，有效的将影响小的设备状态数据删除，保证限制波尔兹曼机暂态故障的特征，以此更适应电力系统环境。该约束的构建可以以如下表达式表示：

1.3.2 网络平滑约束的构建

构建网络平滑约束是为保证临近的节点输入矩阵的权重差大约为0，满足学习的特征相似，主要方法是在连接矩阵之间添加约束的方法。这种约束方法以权重数值具有联系性为约束条件，通过相邻节点的训练保证其适应电力系统的运行[2]。表达式可表示为：

在上述公式中，将ρ 取值范围固定为（0,1），以此表示电气距离，电气距离越近，设备的相关性与数值也就相应的越大；模型结构越复杂，数值的误差也就越少，但值得注意的是，为保证误差，模型的复杂度要保持在可控范围内。

1.4 实际验证

为保证上述方案的可行性，必须进行实际验证，通过使用传统的ANN1模型和本文提出的系统对样本进行测试（如图4），可以看出传统的模型对参数的优化难度大，准确值低，本文提出的深度置信网络系统通过预训练的无监督方式与微调的有监督方式结合，对电力系统故障诊断误差小与传统模型。

图4 对比结果图示

2 人工智能技术在电力系统故障诊断中的应用

2.1 模糊理论的电力系统故障诊断

在传统的电力系统故障诊断中，因潜在的故障和故障清除之间的联系，使相关工作人员很难区分，影响诊断结果的准确度。而随着模糊理论的应用，保证模糊控制器进一步完善，进一步提高解决电力系统故障的能力。模糊控制器因由两个自适应模糊系统构成，可以及时发现潜在的故障，及时进行处理，相比于传统的自适应控制更为先进。该理论的应用在传统的电力系统故障诊断的基础上进行更新，依靠模糊理论独有的特性进行处理，保证电力系统故障诊断结果的精准度。在电力系统工作中，若出现诊断结果不精准的时候，可以采取本方法与传统电力系统故障诊断相结合的方式进行处理，以保证诊断的结果。

2.2 遗传算法的电力系统故障诊断

为实现电力系统的全局优化，必须仿照生物进化，运用遗传算法。在电力系统产生故障时，遗传算法可以依据元件故障与保护动作间的关联性将诊断转换为整数，进行全局优化的过程。当运用遗传算法时，保护元件及断路器出现拒动时，代表电力系统故障已将诊断完成。遗传算法的电力系统故障诊断的优势是可以站在全局的角度去优化电力系统故障，发现故障原因，但诊断数字模型、明确差异性等问题还必须进行深入研究。

2.3 信息理论的电力系统故障诊断

信息理论的电力系统故障诊断主要是以信息理论为基础，运用其实用性的特点，对电网故障诊断进行信息融合的过程。通过应用该系统诊断可对故障产生的原因及相应保护装置的原理进行了解，运用该方式不但简单快捷，而且效果显著，对电力系统的故障诊断具有重要的作用。在电力系统故障诊断中，为明确掌握电力系统的不稳定特性，对其有关联性的系统进行保护，必须优化信息结合、信号处理等工作，对保护设备、录波信息合理使用，保证故障诊断结果的准确性[3]。

2.4 人工神经网络电力系统故障诊断

人工神经网络技术的应用可以有效去除电力系统中的噪音数据，对电力系统故障进行科学处理。其主要原理是通过控制人工神经网络阈值获取相应的知识点，将其分布在人工神经网络中，具有一定的隐秘性，进而有效改善电力系统中存在的故障（如图5）。因人工神经网络在应用的过程中会产生记忆，进一步可以获得充足的隐形知识点，以此达到快速纠正电力系统存在的问题，并将所获得的知识点、数据传送到相应的系统中，快速准确的清理掉系统中的故障。另外，运用人工神经网络技术因其会产生记忆，会相应的在数据库内存入数据，为后续工作提供了参考价值，减少了人力、物力等浪费资源情况，在电力系统中被广泛应用。

图5 网络稀疏约束结构图

3 结论

总而言之，人工智能技术在电力系统故障诊断中的运用，对电力系统的安全平稳运行具有重要的作用。经济的发展，对电力行业既是机遇也是挑战，必须充分利用人工智能技术，对电力系统存在的故障进行诊断并处理，不断总结经验，进行创新，进一步促进电力行业的快速发展。