基于改进迁移学习的智能变电站设备巡检平台

程 祥

（国网武汉供电公司变电运维分公司）

0 引言

智能变电站设备巡检平台的研究背景源自于电力行业的安全需求。作为国家基础设施的重要组成部分，变电站的设备巡检是确保电网正常运行的关键环节。传统的巡检方式往往耗时费力、效率低下，并且难以全面准确地获取设备状态信息［1］。而随着信息技术的迅速应用，智能变电站设备巡检平台应运而生。该平台主要基于先进的物联网、云计算和大数据等技术，在各级变电站设备上布置各类传感器和监控装置。智能变电站设备巡检平台的研究背景还包括了对电力安全和节能环保的迫切需求［2-3］。

黄国等人［4］利用AR智能眼镜，设计了一种变电站可视化巡检平台，首先对变电站的数据进行更新并检修，通过AR实现变电站中巡检路径的识别与规划，构建出新型变电站可视化巡检平台。陈志明等人［5］研究出一种变电站智能巡检系统。将C／S架构作为系统的基础支架，并在系统中接入机载环境传感器以及巡检指令平台，以此实现实时电量数据处理，构建数据库，完成变电站巡检系统设计。

但是，以上平台在多支路故障设备的巡检中应用效果不够理想，为此，设计基于改进迁移学习的智能变电站设备巡检平台。

1 基于迁移学习融合卷积神经网络的故障设备定位

在卷积神经网络［6］（Convolutional Neural Network，CNN）中引入迁移学习［7］，迁移学习共包含两个部分，具体操作如下：

（1）基础网络的预训练：首先，选择一个在大规模数据集上训练过的已有的基础网络模型作为起点，即在Image Net上预训练Res Net。模型保持其参数不变或仅令部分参数固定，作为初始模型的特征提取器。通过这种方式，CNN能够从原始图像中学习到一些通用的视觉特征。

（2）迁移学习的微调：在基础网络的预训练之后，需要将特定任务的数据集与学习到的特征相结合进行微调，以优化损失函数，使得网络能够更好地适应特定任务的分类要求，以避免大幅度修改预训练模型学到的通用特征。

通过以上操作步骤，迁移学习可以将在大规模数据集上训练的通用特征与特定任务的数据集相结合，从而在较小规模的特定任务数据集上获得较好的性能。这种迁移学习的方式有助于解决特定任务中数据不足、计算资源有限的问题，加速模型的收敛速度，并提高模型的泛化能力和分类准确率。

迁移学习的流程图如图1所示。

图1 迁移学习的流程图

在传统的卷积神经网络中，每个层的输入都通过多个非线性变换（如ReLU、卷积等）传递到下一层。这种前向传播方式会引起信息传递的衰减和损失，尤其在网络层数较深时。为了解决这个问题，Res Net提出了残差学习的概念。残差学习允许网络直接拟合残差（即原始输入与目标输出之间的差异），而不是学习整个映射函数。

Res Net通过引入残差块（residualblock）来实现残差学习。残差映射则通过堆叠一系列的卷积层和非线性激活函数来学习输入和输出之间的残差。通过残差连接将恒等映射和残差映射相加，实现信息的跨层传递。在正向传播过程中，残差连接使得梯度可以更容易地通过网络的各个层传播。

Res Net具有很多层（例如50、101或152层），这使得其能够学习到非常复杂的特征和表示。此外，通过使用批量归一化（Batch Normalization）和逐层预训练（Layer-wise Pre-training），Res Net还进一步提升了网络性能。Res Net（Residual Neural Network，残差网络）为深度CNN框架，通过Softmax分类器输出分类结果。

基于故障分类结果，设计基于迁移学习融合卷积神经网络的故障设备定位步骤如下：

（1）数据预处理：收集和准备用于故障设备定位的训练数据集。

（2）基础网络的预训练：选择一个在大规模数据集上训练过的基础网络模型，例如VGG、Res Net等，并将其加载到故障设备定位模型中。

（3）迁移学习微调：在加载基础网络之后，根据故障设备定位的具体任务，将模型的最后一层或几个最后层的全连接层进行修改，并将其随机初始化。

（4）融合多个网络的特征：使用融合方法将不同层次和分辨率的特征图像进行融合，以提高定位性能。融合可以通过简单的相加或者更复杂的加权融合方式实现。

（5）故障设备定位：利用训练好的模型，输入待定位的图像，通过前向传播算法，获取模型的输出结果。输出结果可以是一个概率图或热力图，用于表示图像中各个区域的故障可能性。

（6）故障设备标定：根据输出结果，可以通过设置阈值或某种规则，将故障可能性高于一定阈值的区域标定为故障设备。也可以根据需要进行后续处理，例如对概率图进行滤波、边缘检测等操作来获取更准确的故障设备标定。

（7）模型评估和优化：通过与真实的故障设备进行比对，评估模型的定位性能。如果需要进一步优化，可以调整网络结构、超参数等，重新进行训练和微调。

2 智能变电站设备巡检平台

智能变电站设备巡检平台是基于信息技术和物联网技术的一种集成化管理平台，用于实时监测、管理和维护变电站设备。

（1）表现层：表现层是智能变电站设备巡检平台的用户界面，用于与用户进行交互，并展示数据和信息。

（2）应用层：应用层是智能变电站设备巡检平台的核心部分，包括各种专业软件应用和功能模块。这些应用和功能模块主要用于数据采集、实时监测、设备状态分析、故障诊断等。常见的应用有数据采集系统、实时监测系统、智能分析系统等。应用层的软件可以根据不同需求进行定制和集成，以满足变电站设备巡检的具体要求。

（3）服务层：服务层是智能变电站设备巡检平台的后台服务支持系统，包括数据传输、存储、计算、安全等功能。该层通过各类服务器、数据库、网络设备等实现数据的集中存储和管理，并通过网络传输和处理数据。

本文设计的巡检平台如图2所示。

图2 平台总体架构

为了满足全面覆盖的巡检要求，设计智能变电站的数据采集终端。

（1）数据采集模块用于获取各种设备和传感器的数据。该模块包括多个接口和通信方式，以支持对变电设备的数据采集。使用模拟输入和数字输入接口来连接各类传感器，如温度、湿度、电流传感器，以获取设备的实时数据。

（2）通讯模块用于与中央服务器或监控中心进行数据传输和通信。通讯模块集成有线通信接口ENC28J60和无线通信接口（ESP8266Wi-Fi、SIM800系列蜂窝网络）。

（3）处理器和内存模块用于执行数据处理、算法运算和决策逻辑等操作。处理器是ARM Cortex-M系列微控制器的高性能的嵌入式处理器，具有足够的计算能力来处理复杂的任务和算法。内存模块则用于存储中间数据、程序代码和其他临时数据，采用SDRAM实现。

数据采集终端硬件结构如图3所示。

图3 硬件组成结构

硬件组件的集成使得信息采集终端能够实现全面覆盖的巡检要求，同时，信息采集终端还应具备稳定可靠、安全可控的特性，以适应变电站环境的需求。

3 平台测试

以一个智慧变电站作为试验对象，使用ATPDraw（电子线路仿真软件）为其建立了一个接地网络模型。为了检验所设计平台的有效性，在此基础上，对此智能变电网装置进行了一种模拟的试验，并建立了一个30个节点、49条支路的电网模型，以30个节点作为参照，将此智能变电网装置中的每一个节点和其支路的标号表示在图4中。

图4 实验变电网拓扑图

认为设置支路2、4、5、7、9、19、26、37、45、46为故障支路，即每条支路上均存在10个故障设备，因此，每条支路的故障发生次数为10次。向变电网输入的恒定电流源激励大小是20A，利用本文平台与文献［4］提出的基于AR智能眼镜的变电站巡检平台、文献［5］提出的基于实时数据的变电站巡检平台对故障支路完成监测。

三种平台监控智能变电网设备故障支路结果如表1、表2与表3所示。

表1 文献［4］平台巡检误差结果

表2 文献［5］平台巡检误差结果

表3 本文平台巡检误差结果

根据表1、表2、表3可知，本文平台的监测结果与实际情况一致，本文平台能够有效监测设备故障，巡检精度更高。

4 结束语

本研究基于改进迁移学习的智能变电站设备巡检平台的设计和实现，有效地利用卷积神经网络进行故障设备定位，并通过残差学习提高模型的准确性和稳定性。同时，通过表现层、应用层和服务层的设计，搭建一个完整的智能变电站设备巡检平台，满足精准获取巡检数据和全面覆盖的巡检要求。最终，设计出智能变电站的数据采集终端，实现自动化、高效的巡检流程，提高设备巡检的质量和效率。