國(guó)網(wǎng)山東省電力公司檢修公司 宋香濤 綦浩楠
目前階段,我國(guó)的電力結(jié)構(gòu)在科技的不斷創(chuàng)新與推動(dòng)之下,逐漸形成了更加成熟的供電調(diào)度體系,為人們?nèi)粘5纳a(chǎn)生活帶來(lái)了極大的便利條件,創(chuàng)造成更加貼合新時(shí)代發(fā)展的電力環(huán)境[1]。雖然電力結(jié)構(gòu)的整合與匯總?cè)〉昧讼鄬?duì)較好的效果,但是在實(shí)際應(yīng)用的過(guò)程中,由于外部因素的影響,再加上其他突發(fā)情況的發(fā)生,還是容易存在不同程度缺陷,導(dǎo)致電力設(shè)備的產(chǎn)生運(yùn)行故障,嚴(yán)重的甚至?xí)?dǎo)致大面積的關(guān)聯(lián)電路損壞問(wèn)題的產(chǎn)生,一定程度上增加電力設(shè)備應(yīng)用的實(shí)際成本[2]。
另外,近年我國(guó)傳統(tǒng)的電力系統(tǒng)逐漸向著現(xiàn)代化電力系統(tǒng)轉(zhuǎn)變升級(jí),雖然可以完成預(yù)期的供電目標(biāo),但是內(nèi)部的結(jié)構(gòu)以及供電機(jī)制仍然是十分龐大且復(fù)雜的。不僅如此,對(duì)應(yīng)的執(zhí)行系統(tǒng)通常也處于動(dòng)態(tài)且繁瑣的現(xiàn)狀,所以在日常運(yùn)行執(zhí)行的過(guò)程中,常常電力設(shè)備也會(huì)出現(xiàn)高維、強(qiáng)非線性和時(shí)變等特征,在這樣的環(huán)境之下,通常難以快速、準(zhǔn)確地對(duì)出現(xiàn)故障的位置作出對(duì)應(yīng)的識(shí)別與定位,這也就導(dǎo)致延誤了輸電線路的維修與快速處理[3]。在這樣的背景之下,人們開始嘗試將人工智能技術(shù)逐漸應(yīng)用在對(duì)電力設(shè)備故障的識(shí)別與定位工作中去,逐漸對(duì)現(xiàn)狀作出了對(duì)應(yīng)的改善。
人工智能技術(shù)是一種具有靈活應(yīng)變能力的數(shù)據(jù)分析處理技術(shù),它對(duì)于設(shè)備的控制能力是相對(duì)較強(qiáng)的,并且具有大范圍的定位程序,根據(jù)設(shè)備日常的運(yùn)行信息,結(jié)合互聯(lián)網(wǎng)以及大數(shù)據(jù)等技術(shù)對(duì)故障源進(jìn)行識(shí)別,通過(guò)平臺(tái)將故障信息轉(zhuǎn)化傳輸至對(duì)應(yīng)的控制區(qū)域,完成對(duì)設(shè)備故障的定位與識(shí)別,以此來(lái)進(jìn)一步提升整體的故障修復(fù)效果,確保電力設(shè)備的使用壽命。
我國(guó)的電力設(shè)備應(yīng)用范圍在最近幾年得到了廣泛地?cái)U(kuò)展,為人們的生產(chǎn)生活提供了極大的便利。但是在對(duì)設(shè)備的故障識(shí)別方面,智能化水平仍然較低。因此,對(duì)基于人工智能技術(shù)的電力設(shè)備故障識(shí)別的方法進(jìn)行設(shè)計(jì)與探究,確定模糊邏輯故障識(shí)別節(jié)點(diǎn)、關(guān)聯(lián)節(jié)點(diǎn)的同時(shí)建立故障識(shí)別樹,并創(chuàng)建人工智能SVM分類故障的識(shí)別模型,利用Seq2Seq技術(shù)實(shí)現(xiàn)人工智能下電力設(shè)備故障的識(shí)別。最終的測(cè)試結(jié)果表明:在不同的測(cè)試訓(xùn)練集范圍之內(nèi),對(duì)比于傳統(tǒng)的重疊特征故障識(shí)別方法,本文所設(shè)計(jì)的方法具有更強(qiáng)的穩(wěn)定性和系統(tǒng)性,最終得出的故障識(shí)別訓(xùn)練誤差也相對(duì)較低,表明對(duì)電力設(shè)備的實(shí)際故障識(shí)別效果更佳,具有實(shí)際應(yīng)用意義。
在進(jìn)行人工智能技術(shù)下電力設(shè)備故障識(shí)別方法設(shè)計(jì)前,需要先確定模糊邏輯故障識(shí)別相對(duì)應(yīng)的節(jié)點(diǎn)。一般情況下,電力設(shè)備在日常的運(yùn)行或者供電過(guò)程中,都具有特定的程序以及特征,同樣的在發(fā)生故障之前,設(shè)備也會(huì)產(chǎn)生不同程度的征兆,不同的征兆呈現(xiàn)出的電力設(shè)備故障區(qū)域也是存在差異的,內(nèi)部設(shè)備結(jié)構(gòu)上的建立一定程度上存在對(duì)關(guān)聯(lián)性,可以形成一一對(duì)應(yīng)的故障關(guān)系,這部分如果不進(jìn)行嚴(yán)格地控制,便很容易形成大面積的關(guān)聯(lián)性設(shè)備損壞問(wèn)題,造成一定的經(jīng)濟(jì)損失[4]。所以,在設(shè)計(jì)故障識(shí)別方法前,需要確定模糊邏輯故障識(shí)別的相對(duì)應(yīng)節(jié)點(diǎn)。
由于實(shí)際因素的變化性以及復(fù)雜性,需要先確定其模糊邏輯識(shí)別的實(shí)際范圍,但是這部分需要注意的是,由于初始的識(shí)別區(qū)域相對(duì)較為限制,而出現(xiàn)的故障設(shè)備極有可能發(fā)生關(guān)聯(lián)性的損壞,這樣的狀況極有可能會(huì)造成電力設(shè)備大規(guī)模爆電或混電的情況,所以通常在進(jìn)行模糊邏輯識(shí)別的過(guò)程中會(huì)劃定大于初始范圍的區(qū)域,提升整體的識(shí)別精度。將其作為基礎(chǔ),計(jì)算其具體的識(shí)別系數(shù),具體如下:H=(2k-1)+0.3lt,式中:H表示識(shí)別系數(shù),k表示模糊聚類范圍,t表示故障識(shí)別范圍。通過(guò)上述計(jì)算,最終可以得出實(shí)際的識(shí)別系數(shù)。依據(jù)得出的識(shí)別系數(shù),設(shè)定對(duì)應(yīng)的模糊故障識(shí)別聚類轉(zhuǎn)換比值,具體如表1所示。
表1 模糊故障識(shí)別聚類轉(zhuǎn)換比值設(shè)定表
根據(jù)表1中的數(shù)據(jù)信息,最終可以完成實(shí)際模糊故障識(shí)別聚類轉(zhuǎn)換比值的設(shè)定。依據(jù)轉(zhuǎn)換的比值以及對(duì)應(yīng)的范圍,預(yù)設(shè)模糊邏輯故障識(shí)別節(jié)點(diǎn)并將其相關(guān)聯(lián),每一個(gè)故障識(shí)別節(jié)點(diǎn)均是相互獨(dú)立的,此時(shí)為確保電力設(shè)備的穩(wěn)定運(yùn)行,可在基礎(chǔ)電路中接入一個(gè)小型的集成控制電路,以此來(lái)加強(qiáng)對(duì)于內(nèi)部識(shí)別程序的控制,確保不同的電力設(shè)備在應(yīng)用的過(guò)程中仍存在對(duì)應(yīng)的關(guān)聯(lián),為后續(xù)的設(shè)計(jì)奠定基礎(chǔ)[5]。
在完成模糊邏輯故障識(shí)別節(jié)點(diǎn)的確定之后,接下來(lái)需要?jiǎng)?chuàng)建故障識(shí)別樹。故障識(shí)別樹是一種關(guān)聯(lián)性的由總體向局部擴(kuò)散識(shí)別的層級(jí)細(xì)化定位識(shí)別程序,與傳統(tǒng)故障識(shí)別程序不同的是,模糊邏輯故障識(shí)別程序更加細(xì)致化、精確化、全面化,對(duì)于部分細(xì)節(jié)化的故障及隱藏故障可更加快速、準(zhǔn)確地識(shí)別,通常會(huì)根據(jù)某一個(gè)特定的電力設(shè)備提取對(duì)應(yīng)的故障特征,同時(shí)在預(yù)設(shè)的故障識(shí)別范圍之內(nèi)進(jìn)行實(shí)效位置的分析以及推理。所以,一般的電力設(shè)備在故障的初期都會(huì)具有細(xì)化識(shí)別的條件,但這一條件通常是固定的,屬于故障特征,并不會(huì)隨著設(shè)備的變化發(fā)生改變,所以可根據(jù)這一因素識(shí)別相對(duì)應(yīng)的故障目標(biāo),并根據(jù)層級(jí)的特性結(jié)構(gòu)建立故障識(shí)別樹的執(zhí)行指令,將其與所設(shè)定的和核心識(shí)別節(jié)點(diǎn)相關(guān)聯(lián),經(jīng)過(guò)層層驗(yàn)證形成三級(jí)根節(jié)點(diǎn),在結(jié)構(gòu)上實(shí)現(xiàn)了故障的初始識(shí)別,具體的結(jié)構(gòu)如圖1所示。
根據(jù)圖1中的數(shù)據(jù)信息,最終可以完成對(duì)故障識(shí)別樹的創(chuàng)建。但這部分需要注意的是,故障時(shí)識(shí)別樹對(duì)于不同的故障所劃定的層級(jí)也是不同的,對(duì)于初始的基礎(chǔ)原件故障并不會(huì)全面啟用、僅是部分處理,但對(duì)于中、重型的故障,相關(guān)員工會(huì)選擇性地適用故障樹進(jìn)行維護(hù)和處理,以確保其他電力設(shè)備的穩(wěn)定運(yùn)行。另外,在數(shù)據(jù)樹中設(shè)立對(duì)應(yīng)的數(shù)據(jù)識(shí)別源,依據(jù)所提取的特征進(jìn)行定性故障診斷,最終完成故障識(shí)別樹的進(jìn)一步完善[6]。
圖1 故障識(shí)別樹結(jié)構(gòu)
在完成故障識(shí)別樹的建立之后,接下來(lái)需要構(gòu)建人工智能SVM分類故障識(shí)別模型。利用控制平臺(tái)獲取到多維原始振動(dòng)信號(hào),將其設(shè)定在對(duì)應(yīng)的人工智能控制區(qū)域之中,利用深度卷積技術(shù)并結(jié)合人工智能的定位處理技術(shù),構(gòu)建多層級(jí)的SVM分類故障識(shí)別模型。結(jié)合依據(jù)故障樹分析的故障類型,將獲取的數(shù)據(jù)劃定在對(duì)應(yīng)的模糊邏輯識(shí)別層級(jí)之中,根據(jù)獨(dú)立故障層級(jí)提取的特征,進(jìn)行故障識(shí)別冗余擴(kuò)散值的計(jì)算:M=l-e/3+2β。式中:M表示故障識(shí)別冗余擴(kuò)散值,l表示深度處理定位范圍,e表示獨(dú)立識(shí)別點(diǎn),β表示智能識(shí)別范圍。通過(guò)上述的計(jì)算,最終可以得出實(shí)際的故障識(shí)別冗余擴(kuò)散值。將此數(shù)值添加在人工智能SVM分類故障識(shí)別模型之中,識(shí)別層級(jí)需要?jiǎng)澐譃槿?jí),并且對(duì)逐層減小卷積核進(jìn)行更加有效地壓縮,以此來(lái)優(yōu)化模型的整體故障識(shí)別效果。
在完成人工智能SVM分類故障識(shí)別模型的創(chuàng)建之后,接下來(lái)利用Seq2Seq技術(shù)來(lái)最終實(shí)現(xiàn)人工智能下電力設(shè)備故障的識(shí)別。Seq2Seq技術(shù)實(shí)際上需要根據(jù)單相識(shí)別序列來(lái)關(guān)聯(lián)多項(xiàng)輸出序列,并且在故障識(shí)別模型的輔助作用下組成識(shí)別序列的轉(zhuǎn)化結(jié)構(gòu)。將上述設(shè)定的故障識(shí)別模型與現(xiàn)如今常用的Encoder模型作出反向轉(zhuǎn)化,同時(shí)結(jié)合Seq2Seq技術(shù)、再加上智能識(shí)別模式,進(jìn)一步依據(jù)固定長(zhǎng)度以及實(shí)際向量對(duì)故障識(shí)別結(jié)果進(jìn)行轉(zhuǎn)化。在人工智能技術(shù)的輔助之下,建立更加靈活穩(wěn)定的識(shí)別機(jī)制,最終完成對(duì)電力設(shè)備故障的處理與維護(hù)。
本次測(cè)試主要是對(duì)基于人工智能技術(shù)的電力設(shè)備故障定位識(shí)別效果的分析與研究。測(cè)試共分為兩個(gè)小組:一組為傳統(tǒng)的重疊特征故障識(shí)別法,將其設(shè)定為傳統(tǒng)重疊特征故障識(shí)別測(cè)試組;另一組為本文所設(shè)計(jì)的方法,將其設(shè)定為人工智能故障識(shí)別測(cè)試組。兩種方法在相同的測(cè)試環(huán)境之下同時(shí)進(jìn)行測(cè)試,將得出的數(shù)據(jù)信息對(duì)比分析,完成結(jié)果的論述與驗(yàn)證。
依據(jù)實(shí)際的測(cè)試情況,進(jìn)行相關(guān)的測(cè)試準(zhǔn)備。搭建測(cè)試的環(huán)境。選取A電力站作為本次測(cè)試的目標(biāo)對(duì)象。依據(jù)實(shí)際的要求,創(chuàng)建Seq2Seq的人工智能故障識(shí)別模型,并依據(jù)模型的內(nèi)部結(jié)構(gòu),建立電力設(shè)備故障的訓(xùn)練集。利用Keras平臺(tái)進(jìn)行輸電線路故障樣本以及特征數(shù)據(jù)的提取,關(guān)聯(lián)i5-7500處理器,并對(duì)相關(guān)電力設(shè)備指標(biāo)參數(shù)作出預(yù)設(shè),具體如表2所示。
表2 電力設(shè)備指標(biāo)參數(shù)預(yù)設(shè)表
根據(jù)表2中的數(shù)據(jù)信息,最終可以完成對(duì)電力設(shè)備指標(biāo)參數(shù)的相關(guān)預(yù)設(shè)。完成之后在上述所搭建的環(huán)境之中,利用MATLAB/Simulink軟件搭建EE18的故障處理節(jié)點(diǎn),每一個(gè)節(jié)點(diǎn)均為一個(gè)獨(dú)立的運(yùn)行定位裝置,雖然在應(yīng)用的過(guò)程中每一個(gè)節(jié)點(diǎn)都是獨(dú)立的,但是仍然存在一定的聯(lián)系,需要建立輸電網(wǎng)架來(lái)控制設(shè)備的單相電壓瞬時(shí)值以及執(zhí)行有效值,確保在對(duì)故障進(jìn)行識(shí)別的過(guò)程中各個(gè)功率因數(shù)角處于合理的范圍之內(nèi)。完成上述測(cè)試準(zhǔn)備之后,核查測(cè)試的設(shè)備以及系統(tǒng)是否處于穩(wěn)定的運(yùn)行狀態(tài),同時(shí)確保不存在影響最終測(cè)試結(jié)果的外部因素,核查無(wú)誤后,開始測(cè)試。
在上述所搭建的測(cè)試環(huán)境之中開始測(cè)試。將測(cè)試集劃分為以下6組,并且關(guān)聯(lián)每一個(gè)故障識(shí)別節(jié)點(diǎn),同時(shí)啟動(dòng)電力設(shè)備,設(shè)定故障點(diǎn),進(jìn)行定位識(shí)別,隨后將得出的數(shù)據(jù)信息匯總整合,得出最終的測(cè)試結(jié)果,進(jìn)行對(duì)比分析,具體如表3所示。
表3 測(cè)試結(jié)果對(duì)比分析表
根據(jù)表3中的數(shù)據(jù)信息,最終可以得出實(shí)際的測(cè)試結(jié)果:在不同的測(cè)試訓(xùn)練集范圍之內(nèi),對(duì)比于傳統(tǒng)的重疊特征故障識(shí)別方法,本文所設(shè)計(jì)的方法具有更強(qiáng)的穩(wěn)定性和系統(tǒng)性。另外,最終得出的故障識(shí)別訓(xùn)練誤差也相對(duì)較低,表明對(duì)電力設(shè)備的實(shí)際故障識(shí)別效果更佳,具有一定的實(shí)際應(yīng)用價(jià)值。
綜上,便是對(duì)基于人工智能技術(shù)的電力設(shè)備故障識(shí)別方法的設(shè)計(jì)與分析。對(duì)比于傳統(tǒng)的故障識(shí)別方法,本文所設(shè)計(jì)的方法在實(shí)際應(yīng)用的過(guò)程中,具有更強(qiáng)的靈活應(yīng)變性以及信息的實(shí)時(shí)傳輸性,隨著智能化技術(shù)的不斷完善與發(fā)展,在設(shè)備綜合情況監(jiān)測(cè)、特征提取、故障識(shí)別以及辨別定位等均得到了更加充分地完善與優(yōu)化,且故障的綜合識(shí)別定位準(zhǔn)確率均可以達(dá)到98%左右,獲得更加穩(wěn)定全面的識(shí)別效果。