电力物联网背景下基于HHT-CNN的智能变电站故障诊断

张天忠，穆 弘，贾健雄，张 倩

(1.国网安徽省电力有限公司 建设部，安徽 合肥230022；2.国网安徽省电力有限公司 经济技术研究院，安徽 合肥230022；3.安徽大学 电气工程与自动化学院，安徽 合肥 230601)

随着经济快速发展及能源需求的不断增加，能源供应压力越来越大[1].物联网技术的出现，使物联网与电力网相融合，形成了电力物联网[2-4].智能变电站是电力物联网中的重要组成部分，有必要利用物联网技术、通信技术和人工智能技术对智能变电站进行升级改造，使之与三型两网契合[5-7].对智能变电站升级改造的同时，智能变电站内部故障不可忽视.在电力物联网背景下，应该利用先进的智能技术，提高智能变电站故障诊断的智能化水平.与智能变电站中的智能电子设备(intelligent electronic device，简称IED)有关的报文信息有：开关状态量、电气采集量、二次设备跳闸命令等[8-9].

科研人员已将人工智能技术应用于变电站的故障诊断.文献[10]利用基于粗糙集的遗传算法，对变电站中的大量故障信息进行筛选，提取有用的故障信息实现故障诊断.文献[11]使用遗传算法和BPNN(back propagation neuron network)，实现了箱式变电站的故障诊断.上述方法在处理高维数据时均易陷入维数灾难，平面感知能力也较差.除了上述方法，还有专家系统[12]、解析优化模型[13]等方法.专家系统存在知识库建立和维护难，推理速度慢等不足.解析优化模型有严密的理论基础，但建立目标函数的难度大，同时在运算过程中，会出现最优解漏选，影响诊断的时效性.相比传统的人工智能技术，深度学习算法优势明显.深度学习[14]中的卷积神经网络(convolutional neural network,简称CNN)[15-16]有较强的高维数据处理能力和平面感知能力，已应用于各类故障诊断.

该文针对基于传统人工智能技术的故障诊断方法存在的不足，提出电力物联网的背景下基于希尔伯特-黄变换(Hilbert-Huang transform, 简称HHT)[17-18]和卷积神经网络的智能变电站故障诊断方法.将智能变电站中的故障录波数据作为故障诊断数据，利用希尔伯特-黄变换提取故障特征信息，用训练好的卷积神经网络进行故障诊断，实现故障定位.

1 电力物联网的结构

电力物联网的结构如图1所示.感知层通过物联网设备对电力系统的设备及元件的状态信息进行感知；网络层灵活运用物联网及通信技术，实现数据高效传输；平台层具有数据管理和分析功能；应用层为用户提供智能化、人性化的电力服务.

图1 电力物联网的结构

2 电力物联网背景下的智能变电站

利用先进的感知技术、物联网技术、通信技术和人工智能技术，全方位对变电站运行进行智能监测.将所有变电站纳入网络框架，实现变电站间的信息交换、数据共享，使变电站控制更加灵活智能.智能变电站的数据交互框架如图2所示.

图2 智能变电站的数据交互框架

变电站智能识别的网络结构如图3所示.站内系统与设备间通过站内局域网进行互联，站端服务器对信息进行处理，能实现故障诊断、故障监测、能量管理、电力预测、状态监测、电力巡维等方面的智能应用.

图3 变电站的智能识别的网络结构

3 基于HHT-CNN的智能变电站故障诊断方法

该文提出一种电力物联网背景下基于希尔伯特-黄变换和卷积神经网络(HHT-CNN)的智能变电站故障诊断方法.利用人工智能技术中的卷积神经网络对智能变电站故障进行诊断，定位故障位置.

3.1 卷积神经网络

卷积神经网络是一个有监督的前馈神经网络.训练成功的卷积神经网络中的多层滤波器能识别不同复杂度的特征.典型的卷积神经网络结构如图4所示，其由输入层、输出层以及隐藏层组成.

图4 典型的卷积神经网络结构

卷积层是CNN的核心部分.第l层第j个卷积区域的第i个卷积核的输出为

(1)

池化层能降低卷积层输出的特征空间大小，减少计算时间.池化层的输出为

(2)

全连接层是一个传统的多层感知器，能实现训练数据集的分类.使用Softmax函数作为全连接层的激活函数，其表达式为

(3)

其中：zj为第j个神经元的输出，k为总类别数.

3.2 故障特征

在故障特征提取的方法中，传统的小波变换受Heisenberg测不准原理的影响，处理突变信号时，效果不佳[19].然而，HHT能克服小波变换存在的不足，因此该文利用HHT提取智能变电站IED报文信息中的电气量故障特征.所有故障均存在正序电流，而负序电流和零序电流在某些故障中不存在[20]，因此假定综合电流仅包含正序电流.设Ia，Ib，Ic分别为IED报文信息中的三相电流.IP为综合电流，其表达式为

(4)

设t时刻第m个IED报文信息的综合电流为IPm(t)，则通过HHT得到的重构信号为

(5)

其中：a(t)为幅值，φ(t)为相角.瞬时频率为

(6)

将综合电流的频率特征作为故障特征，据此对故障进行诊断.

3.3 故障诊断流程

该文提出的电力物联网背景下基于HHT-CNN的智能变电站故障诊断流程如图5所示.具体步骤如下：

(1) 获取故障录波的原始数据，将故障区域IED报文信息中的电流信号作为样本信号.

(2) 通过式(4)计算IED报文信息的综合电流IP.

(3) 对得到的综合电流IP进行HHT分析，通过式(4)～(6)得到频率特征ω={ω1,ω2,…,ωm}.

(4) 从故障特征集中随机选择一部分作为训练样本集和测试样本集，用于训练CNN模型和故障诊断测试.

(5) 将训练样本集作为CNN的输入，调整CNN模型的参数，直到诊断正确率满足要求.

(6) 计算故障诊断正确率，其数学表达式为

(7)

其中：N总为故障样本总数，n为诊断错误的样本数.

图5 故障诊断流程图

4 仿真测试

4.1 故障特征提取

该文对110 kV智能变电站进行仿真测试.图6为110 kV智能变电站IED分布图.假设图6中的变压器T1的A，B处和变压器T2的C，D处可能发生故障.

图6 110 kV智能变电站IED分布图

以在A处发生故障为例，记录故障区域IED报文信息，计算综合电流.IED8的综合电流幅值与采样时间的关系曲线如图7所示.使用式(5)～(6)对IED8的综合电流进行分析，可提取故障的频率特征.图8为IED8的综合电流频率与采样时间的关系曲线.

图7 IED8的综合电流幅值与采样时间的关系曲线 图8 IED8的综合电流频率与采样时间的关系曲线

4.2 诊断结果

考虑到提高模型的泛化能力，该文在CNN模型训练过程中添加数据增强[21]模块对CNN模型进行改进.采用监督式学习[22]的方式对CNN模型进行训练.在相同的600个训练样本和80个测试样本下，普通CNN模型和添加数据增强模块后的改进CNN模型的故障诊断正确率如图9所示.从图9(a)可看出，普通CNN模型有较高的故障诊断正确率，但是曲线拟合效果差；从图9(b)可看出，改进CNN模型不仅诊断正确率高，而且曲线拟合效果好，因此其泛化能力比普通CNN模型强.

图9 普通CNN和改进CNN模型的故障诊断正确率

CNN模型的参数配置影响故障诊断正确率和训练时间，所以该文选择5种不同参数的CNN模型进行故障诊断测试对比.5种CNN模型的参数及其训练时间如表1所示，其中模型1为单层结构，模型2～4均为双层结构，模型5为三层结构.

表1 5种CNN模型的参数及其训练时间

图10为5种CNN模型的诊断正确率.从表1和图10可看出：单层结构的模型1的训练时间只要82.822 s，训练时间最短，但其故障诊断正确率却只有81.25%，故障诊断正确率最低；三层结构的模型5的故障诊断正确率为98%，但训练时间达367.392 s，训练耗时最长；双层结构模型的模型2～4的故障诊断正确率分别为 98%，98.6%，99.6%，模型4的训练时间比模型2～3号短.综合考虑，选取模型4进行仿真测试.

为了验证该文HHT-CNN方法的良好性能，将HHT-CNN与BPNN和CNN的故障诊断结果进行对比.为了避免偶然误差的影响，不同方法在相同训练样本和测试样本下均进行20次仿真测试，表2为不同方法的相关测试参数及诊断结果.由表2可知，HHT-CNN方法的平均诊断正确率达99.85%，比BPNN和CNN的平均故障诊断正确率高很多.

5 结束语

该文提出了电力物联网背景下基于HHT-CNN的智能变电站故障诊断方法.仿真测试结果表明：增加数据增强模块能有效提高CNN模型的泛化能力；选择合适的CNN模型参数能有效提高故障诊断正确率和降低训练时间；相对于CNN，BPNN方法，HHT-CNN方法有较高的故障诊断正确率.