蘇 寧，李亞錦，張婉瑩，張國新，于大洋，劉英男

（1.海南電網(wǎng)有限責任公司瓊海供電局，海南 瓊海 571400；2.山東大學電氣工程學院，山東 濟南 250061）

0 引言

人工智能的紅外圖像識別技術［1］能夠識別紅外測溫圖像中的發(fā)熱點并計算溫差指標，在機器人巡檢中能夠代替人工發(fā)現(xiàn)缺陷［2］。但針對變電設備發(fā)熱的診斷是在缺陷發(fā)生后，單純依靠溫差閾值［3］僅能判斷設備的當前狀態(tài)，無法對其發(fā)熱趨勢進行跟蹤預測。環(huán)境溫度和負載升高，有可能導致設備絕對溫度的進一步升高，缺陷由一般發(fā)展為嚴重缺陷，但在迎峰度夏、度冬封網(wǎng)期間，設備不易停電處理。因此需要新的手段對變電設備熱點溫度、相對溫差進行預測，在迎峰度夏之前進行預見性檢修。

設備狀態(tài)并不能單純依據(jù)紅外測溫指標來評判，還要結(jié)合設備的電壓等級、廠家型號、運行年限、環(huán)境天氣等運行因素做出綜合評價和判斷［4-8］。這種分析需要依賴運維檢修人員的經(jīng)驗和專業(yè)水平，需要長期積累，并且因人而異，難以實現(xiàn)標準化，難以保證延續(xù)性。而且在運維實際中，這些多維度、多來源的數(shù)據(jù)往往不完整，存在大量錯誤信息，給缺陷的綜合評判帶來困難。

當前人工智能的關鍵技術已應用到設備運維檢修中［9-10］，并取得了一定的診斷效果。針對設備狀態(tài)預測方法包括基于時間序列的回歸分析模型［11］、支持向量機［12］、多維度評價［13-14］和深度學習［15-17］等算法。但基于時間序列的回歸模型是以線性模型為基礎，難以滿足變電設備運行狀態(tài)多維非線性特性。支持向量機雖然具有一定的泛化能力，但隨著變電設備運行狀態(tài)特征因素的增多，將影響模型預測精度。而基于深度學習的預測方法使模型具有非線性表達能力，其中長短期記憶網(wǎng)絡（Long Short Term Memory，LSTM）［18］可以更好地實現(xiàn)長時間序列的分析與趨勢預測。文獻［19］利用LSTM 的方法對變壓器的運行狀態(tài)做出了預測，文獻［20］驗證了LSTM 預測模型在故障時間序列中具有很強的適用性。上述研究為大數(shù)據(jù)背景下的變電設備運行狀態(tài)評估提供了思路。

在上述背景下，以變電設備歷史運行功率、熱點溫度、環(huán)境溫度等檢測數(shù)據(jù)為基礎，利用LSTM 算法預測多源因素影響下設備熱點溫度，實現(xiàn)設備熱點溫度發(fā)展趨勢和缺陷嚴重程度的動態(tài)預測，對變電設備運維檢修方案的制訂提供參考。

1 LSTM算法

采用LSTM 模型建立輸入映射到輸出的內(nèi)在關聯(lián)。LSTM 是一種遞歸型神經(jīng)網(wǎng)絡，精確控制LSTM記憶單元上一個時間步長到下一個時間步長的步距，解決了梯度消失或者爆炸的問題。LSTM單元結(jié)構(gòu)如圖1所示。

圖1 LSTM的拓撲結(jié)構(gòu)

圖1中，Yt和Qt是輸入向量和隱藏層向量，Bt是記憶單元的狀態(tài)向量，Bt通過Yt和Qt判斷是否從上一時間段更新到下一時間段，jt表示輸入門，gt表示遺忘門，ut表示輸出門。

遺忘門gt的值可以表示為

式中：Wg和cg分別為遺忘門gt的系數(shù)和偏移；α是激活函數(shù)。式（1）計算出遺忘門gt能夠沿著圖中的信息流逐點將gt和Bt相乘來控制記憶單元中包含的信息量。

輸入門jt的值可以表示為

式中：Wj和cj分別為輸入門jt的系數(shù)和偏移，由神經(jīng)網(wǎng)絡訓練得到。式（2）計算出輸入門jt能夠沿著圖中的信息流逐點將jt和相乘來控制記憶單元中暫時包含的信息量。的計算公式為

式中：Wb和cb分別為～Bt的系數(shù)和偏移，由神經(jīng)網(wǎng)絡訓練得到。

最終記憶單元在此時刻的狀態(tài)由式（4）決定。

更新后的新值通過輸出門決定當前神經(jīng)網(wǎng)絡的隱藏層，同樣，輸出門ut的表達式為

式中：Wu和cu分別為輸出門ut的系數(shù)和偏移，由神經(jīng)網(wǎng)絡訓練得到。

隱藏層Qt由輸出門ut和Bt逐點相乘得到，即為

綜上可知，LSTM 網(wǎng)絡可以動態(tài)更新網(wǎng)絡蘊含值信息，并從當前時刻傳遞到下一時刻。

2 基于LSTM的熱點溫度預測流程

算法模型具體應用流程為：

1）模型輸入輸出變量的選取。根據(jù)熱點溫度影響因素，選取正常相溫度、環(huán)境溫度、季節(jié)、運行電流/功率，作為預測模型的輸入變量，輸出變量為熱點溫度。基于歷史數(shù)據(jù)構(gòu)建數(shù)據(jù)樣本集。將數(shù)據(jù)集數(shù)據(jù)進行歸一化，并按照一定比例劃分成訓練集和測試集。

2）將訓練數(shù)據(jù)輸入LSTM 預測模型中，通過LSTM 對訓練集中的數(shù)據(jù)進行建模，確定LSTM 網(wǎng)絡輸入的節(jié)點數(shù)和隱含層神經(jīng)元個數(shù)以及輸出結(jié)果，由tanh 和sigmoid 函數(shù)的輸出相乘得到網(wǎng)絡的輸出熱點溫度。tanh 和sigmoid 激活函數(shù)用于將數(shù)值控制在-1至1之間，可表示為：

在每個層級，LSTM 模型訓練采用隨時間反向傳播（Back Propagation Through Time，BPTT）算法提升其對時間序列的學習能力，選取對數(shù)似然函數(shù)作為損失函數(shù)。輸入層的神經(jīng)元個數(shù)選取為4 個，輸入的時序變量為｛x1，x2，…，xT｝，其中在采樣時刻t神經(jīng)元的輸入時間序列為xt［It（1），It（2），It（3），It（4）］。輸出變量為熱點溫度。神經(jīng)網(wǎng)絡選擇2 層LSTM，最后連接一個全連接層后通過一個激活函數(shù)作為最終的輸出。

訓練過程中為評估預測值和實際值之間的偏差大小，選取平均絕對誤差作為損失函數(shù)評價訓練效果。以損失函數(shù)值最小為目標不斷訓練優(yōu)化神經(jīng)網(wǎng)絡參數(shù)，直到達到較好效果并保存訓練模型。平均絕對誤差計算方法為

式中：m為樣本數(shù)；yt和?t為t時刻熱點溫度的實際值和預測值。

3）將t 時刻的正常相溫度、環(huán)境溫度、季節(jié)、運行電流狀態(tài)參數(shù)輸入步驟2）中的訓練模型，得到t+1 時刻熱點溫度的預測值。

4）根據(jù)熱點溫度和相對溫差判斷缺陷性質(zhì)。相對溫差計算公式為

式中：T1為預測的熱點溫度；T2正常相溫度；T0為環(huán)境溫度。T2和T0選取歷史同期時的檢測數(shù)據(jù)。

搜集2015年至2020年的多組設備同一部位發(fā)熱數(shù)據(jù)進行分析，數(shù)據(jù)間隔為1 個月。根據(jù)檢測時間將春夏秋冬四個季節(jié)因素分別轉(zhuǎn)換成1、2、3、4 量化的變量。輸入的樣本數(shù)據(jù)如表1所示。

表1 數(shù)據(jù)樣本

基于LSTM 算法的預測模型建立在Python3.6 環(huán)境以及Keras、Scikit?learn、Tensorflow 等函數(shù)庫。將訓練樣本集中的狀態(tài)監(jiān)測信息作為網(wǎng)絡的輸入，對網(wǎng)絡模型進行離線訓練，首先對參數(shù)進行初始化，設置學習步長為0.01，輸入維度為4，輸出層節(jié)點個數(shù)為1，權(quán)重參數(shù)矩陣所有元素初始化為（-1，1），將誤差限值設置為1×10-2，設置迭代次數(shù)為500次，對樣本進行離線訓練，從而得到熱點溫度預測模型。熱點溫度預測模型流程如圖2所示。

圖2 熱點溫度預測模型流程

以某800 kV 換流站A、B、C 三相歷史數(shù)據(jù)為例，采用監(jiān)測和運維數(shù)據(jù)共計1 745條數(shù)據(jù)，前1 545項數(shù)據(jù)作為訓練集，后200 項數(shù)據(jù)作為測試集輸入預測模型。選取繞組正常相溫度、環(huán)境溫度、整流側(cè)有功功率為狀態(tài)變量，預測每一相的繞組溫度。

以預測A相繞組溫度變化為例，訓練數(shù)據(jù)集的損失值收斂速度很快，如圖3 所示，迭代20 次之后損失值便接近預期水平，迭代40 次之后損失值穩(wěn)定在最低水平0.008 4，滿足最低誤差要求，所有訓練樣本誤差小于閾值。

圖3 A相繞組溫度預測損失值

如圖4 所示為A 相繞組溫度真實值和預測值的情況，可以看出真實值和預測值的波形和走勢基本一致，重合程度高，預測值的振幅略小于真實值，尤其當真實值的振動幅度較大時，預測值難以達到真實值的變化速度，當真實值波動較為穩(wěn)定時，曲線貼合程度較高?？傮w來看，預測具有較高的準確性。

圖4 A相繞組溫度真實值和預測值

3 實例分析

將訓練模型應用到變電站設備熱點溫度趨勢預測中。2019 年8 月對某220 kV 變電站1 號變壓器進行紅外測溫，圖5為紅外檢測圖譜。發(fā)現(xiàn)110 kV側(cè)套管B 相柱頭存在發(fā)熱，最高溫度為71 ℃，相對溫差為69.5%，判斷為一般缺陷。10 月進行復測，最高溫度為73.6 ℃，相對溫差為71.5%，溫度雖然有所上升，但仍未達到嚴重缺陷。隨后按照檢測周期繼續(xù)跟蹤檢測，不同時間的檢測數(shù)據(jù)如表2所示。

圖5 檢測圖譜

分析表2 的檢測數(shù)據(jù)可知，環(huán)境溫度和負載的降低，導致設備的絕對溫度降低，但發(fā)熱缺陷仍未消失。且隨著環(huán)境溫度和負載的升高，相對溫差已達到79.59%，接近嚴重缺陷指標80%。利用上述訓練好的LSTM熱點溫度預測模型，根據(jù)歷史同期正常相溫度、環(huán)境溫度、季節(jié)、運行電流數(shù)據(jù)輸入模型，兩組輸入數(shù)據(jù)如表3 所示。根據(jù)預測模型最終得到相應的熱點溫度，分別為82.3 ℃和94.3 ℃。計算相對溫差分別為81.5%、58.6%。根據(jù)缺陷嚴重程度判斷標準，90 ℃≤熱點溫度≤130 ℃或δ≥80%但熱點溫度未達緊急缺陷溫度值，判斷1 號主變壓器110 kV 側(cè)套管B 相柱頭發(fā)熱屬于嚴重缺陷。

表2 1號主變壓器110 kV側(cè)套管B相柱頭數(shù)據(jù)樣本

表3 歷史同期檢測數(shù)據(jù)

根據(jù)LSTM 熱點溫度預測可知，隨著環(huán)境溫度和負載的升高，缺陷由一般發(fā)展為嚴重缺陷。而在迎峰度夏期間，不易停電處理。通過對變電設備熱點溫度、相對溫差進行預測，在迎峰度夏之前可進行預見性檢修。根據(jù)運維知識庫可知，該部位發(fā)熱的原因可能是柱頭老化、松動，按照檢修工藝對柱頭連接處進行打磨，涂抹導電膏，更換并緊固螺栓，消除缺陷。

將上述方法應用到其他設備發(fā)熱預警上，檢測和預測數(shù)據(jù)如表4 所示。110 kV 變電站1 號主變壓器35 kV 側(cè)B 相套管接線柱隨著季節(jié)下降，熱點溫度未下降，該缺陷已為嚴重缺陷，需在秋檢期間盡快消除，否則在迎峰度冬期間產(chǎn)生安全隱患。

表4 110 kV變電站1號主變壓器35 kV側(cè)B相套管接線柱數(shù)據(jù)

圖6 110 kV變電站1號主變壓器35 kV側(cè)B相套管接線柱數(shù)據(jù)

4 結(jié)語

在充分考慮變電設備發(fā)熱受運行工況影響的基礎上，利用LSTM 構(gòu)建變電設備熱點溫度預測模型，解決無法跟蹤預測發(fā)熱趨勢的運維現(xiàn)狀。通過熱點溫度預測模型，可獲取在環(huán)境溫度和負載升高的工況下熱點溫度狀態(tài)值，根據(jù)缺陷判斷導則判定缺陷性質(zhì)，從而提前消缺。仿真結(jié)果表明，建立的溫度預測模型可有效的預測熱點溫度發(fā)展趨勢，輔助現(xiàn)場人員在迎峰度夏之前進行預見性檢修。