李若冰

（國網(wǎng)江蘇省電力有限公司鎮(zhèn)江供電分公司，江蘇 鎮(zhèn)江 212000）

電力系統(tǒng)故障診斷的意義在于了解該系統(tǒng)當(dāng)前或?qū)戆l(fā)生問題的位置，并對這些問題提出合理的應(yīng)對措施[1]。評估過程比較復(fù)雜，大致可分為三部分[2]。一是電力系統(tǒng)故障診斷指標(biāo)的確定；二是電力系統(tǒng)故障診斷體系的構(gòu)造；三是電力系統(tǒng)故障診斷方法的確定。除此之外，作為交叉學(xué)科理論的神經(jīng)網(wǎng)絡(luò)也是電力系統(tǒng)故障診斷的重要應(yīng)用理論。本文將以模糊c 均值聚類（FCM）為基礎(chǔ)，診斷低壓配電網(wǎng)的故障。

1 傳統(tǒng)低壓配電網(wǎng)故障診斷方法

有幾種方法可以用來提高低壓配電網(wǎng)的檢驗質(zhì)量，這些方法包括檢測設(shè)備的技術(shù)以及檢驗方法[3]。由于對低壓配電網(wǎng)的預(yù)防性維護和狀態(tài)監(jiān)測的需求越來越受到重視和關(guān)注，因此需要一種可靠和快速的分析工具來進行故障診斷。以下方法以提高低壓配電網(wǎng)設(shè)備檢查和狀態(tài)監(jiān)測的質(zhì)量，特別是在評估低壓配電網(wǎng)可靠性時。

1.1 高分辨率紅外相機的先進技術(shù)

影響檢驗質(zhì)量的主要因素是紅外熱成像設(shè)備本身[4]。紅外熱像儀以其高精度、高靈敏度的成像特性，越來越受到人們的重視，成為電網(wǎng)預(yù)防性維修的一種重要手段。紅外探測器制造工藝的進步極大地提高了產(chǎn)量和質(zhì)量，同時降低了生產(chǎn)成本。然而，檢測的質(zhì)量與圖像的分辨率有關(guān)。分辨率差會導(dǎo)致檢測圖像的判讀不好。因此，為了更準(zhǔn)確、更實時地解釋數(shù)據(jù)，建議在紅外攝像機上使用最新技術(shù)。除了分辨率外，現(xiàn)代紅外熱像儀還具有很高的熱靈敏度，在某些產(chǎn)品中，紅外熱像儀還可以調(diào)整屏幕上的數(shù)據(jù)測量值，如物體發(fā)射率、溫度等。

1.2 高分辨率連續(xù)監(jiān)測

采用連續(xù)熱成像技術(shù)，可提供額外的能量進行周期性熱檢，尤其關(guān)系到電網(wǎng)設(shè)備的耐久性[5]。由于故障隨時可能發(fā)生，因此連續(xù)熱監(jiān)測有其優(yōu)勢。此外，它不依賴于操作員，也不依賴于定期檢查，特別是在嚴(yán)重過載期間。另外，實時監(jiān)控可以在異常發(fā)生時對信號或警報發(fā)出警報，因此可以同時采取適當(dāng)?shù)拇胧?。除此之外，與現(xiàn)有的監(jiān)控和數(shù)據(jù)采集系統(tǒng)的集成將實現(xiàn)實時遠程監(jiān)控，而無需單獨的系統(tǒng)或報告，這實際上是定期熱工檢查無法實現(xiàn)的。

1.3 準(zhǔn)確的故障診斷方法

有多種技術(shù)可用于通過定性檢測圖像分析來確定電網(wǎng)設(shè)備的熱嚴(yán)重性[6]。其中一項技術(shù)是通過確定每個電網(wǎng)設(shè)備的實際最高溫度并根據(jù)標(biāo)準(zhǔn)評估其狀況來進行直接解釋。最高溫度由指定選定區(qū)域內(nèi)的最高像素值。然而，這種技術(shù)有時會產(chǎn)生誤導(dǎo)，這是因為電網(wǎng)設(shè)備的溫度會受到環(huán)境溫度不同程度的影響。因此，還必須考慮與環(huán)境溫度不同的相對溫度。計算直方圖或直方圖距離是另一種可用于兩個物體之間的相似性。在這種情況下，計算每個區(qū)域的直方圖并與其他區(qū)域進行比較。另一種推薦的方法是分析分割區(qū)域的梯度。利用梯度分析技術(shù)的一個優(yōu)點是可以識別電網(wǎng)設(shè)備中熱點的來源，所有這些參數(shù)都可以作為輸入特征的決策過程。電網(wǎng)設(shè)備檢測通常可用于比較相似設(shè)備之間的故障，但可能需要顯示故障的嚴(yán)重程度。系統(tǒng)的故障診斷往往依賴于對滿載發(fā)熱點的預(yù)測和設(shè)備在該溫度下的耐久性。由于需要預(yù)測系統(tǒng)滿負(fù)荷運行時的最高溫度，因此必須探索預(yù)測設(shè)備可靠性和使用壽命的新方法。

2 智能算法的低壓配電網(wǎng)絡(luò)故障診斷方法

2.1 智能算法

無論是對低壓配電網(wǎng)設(shè)備故障檢測圖像的定性分析還是定量分析，大部分可用的分類方法都是對檢測圖像進行定量分析，可以較好地應(yīng)用于低壓配電網(wǎng)設(shè)備狀態(tài)的分類。模糊c 均值聚類（FCM）學(xué)習(xí)數(shù)據(jù)的復(fù)雜輸入輸出關(guān)系，用于低壓配電網(wǎng)設(shè)備故障的學(xué)習(xí)和分類。在眾多智能算法中，模糊c 均值聚類（FCM）的多層感知器模型由于靈活性強，計算速度快，魯棒性強的獨特優(yōu)點得到了廣泛的應(yīng)用。

由于模糊c 均值聚類（FCM）是一種廣泛應(yīng)用的數(shù)據(jù)分類工具，因而還可以用來確定電網(wǎng)設(shè)備的狀態(tài)。它還是一種學(xué)習(xí)系統(tǒng)，它利用高維特征空間中線性函數(shù)的假設(shè)空間來直接估計決策面（不是建模訓(xùn)練數(shù)據(jù)的概率分布），并將模糊決策方法應(yīng)用于電網(wǎng)設(shè)備狀態(tài)分類。

采用模糊c 均值聚類（FCM）對低壓配電網(wǎng)故障進行檢測和分類，能夠?qū)崿F(xiàn)90%的故障分類，并帶有760 多個測量的測試數(shù)據(jù)集，其圖像配準(zhǔn)方法和用于監(jiān)測低壓配電網(wǎng)設(shè)備熱異常的圖像匹配調(diào)整算法。圖像配準(zhǔn)方法分為三個步驟：首先，基于（區(qū)域）灰度相似性的方法，通過一個相似性度量來選擇這類方法，用時間作為兩幅圖像相似性的度量。其次，基于傅里葉變換算法的相位相關(guān)圖像變換。最后，對圖像進行匹配。在檢測到目標(biāo)設(shè)備的圖像后，將該圖像與相似模板進行比較，從而進行去噪并檢查儀器狀況。

模糊c 均值聚類（FCM）算法是在c 均值聚類算法模型的基礎(chǔ)上發(fā)展起來的。最大的區(qū)別是為成員資格uij指定一個權(quán)重值m。FCM 的數(shù)學(xué)推理過程和聚類過程如下：

FCM 聚類初始函數(shù)如公式（1）所示：

關(guān)系如下公式（2）所示：

在初始函數(shù)中，一般權(quán)重因子M＞1。為了找到目標(biāo)函數(shù)的最優(yōu)解，推理過程如下：

為了獲得最優(yōu)解，可以利用極值的約束條件，在拉格朗日函數(shù)的條件下可以構(gòu)造求解最小值的函數(shù)。設(shè)拉格朗日函數(shù)為公式（3）所示：

其中k 表示第k 次迭代。

計算第k 個聚類中心的數(shù)學(xué)公式如（5）所示：

求解目標(biāo)函數(shù)的最優(yōu)解是一個重復(fù)的過程。每次獲得隸屬度矩陣和聚類中心矩陣時，需要比較兩個聚類中心之間的距離，如公式（6）所示。

只有當(dāng)兩個聚類中心之間的距離小于預(yù)先設(shè)置的終止標(biāo)準(zhǔn)值時，迭代才會結(jié)束，否則迭代解將繼續(xù)。

初始化聚類類別C 的數(shù)量，其中2 ≤C ≤n，C 的值一般根據(jù)經(jīng)驗值確定。設(shè)置初始模糊分類矩陣R（0）并按照以下步驟依次迭代，其中I=0,1,2…n 是迭代次數(shù)，N 是數(shù)據(jù)集中劃分的數(shù)據(jù)數(shù)。

對于R（1），計算聚類中心矩陣，其中，根據(jù)公式（7）：

調(diào)整模糊分類矩陣R（1）以獲得（8）：

聚類結(jié)果：借助聚類中心矩陣V，模糊分類矩陣R*如公式（9）所示。

模糊聚類算法不同于傳統(tǒng)的推薦算法。建立用戶組數(shù)據(jù)庫，查找指定用戶，分析指定用戶感興趣的內(nèi)容，然后提出建議。根據(jù)類似客戶的綜合比較信息對某一內(nèi)容進行評價，形成新的體系，分析指定用戶對某一信息的理解和興趣，判斷是否推送。由于低壓配電網(wǎng)絡(luò)故障診斷有很多推薦內(nèi)容，因此模型框架的設(shè)計需要同時結(jié)合多種推薦技術(shù)。

首先將數(shù)據(jù)集轉(zhuǎn)換為矩陣形式，接著用算法對矩陣進行分類，然后用模糊聚類算法填充數(shù)據(jù)，最后找到目標(biāo)用戶的最近鄰，并用協(xié)同過濾算法生成最近鄰集。上述基于聚類的實時策略為聚類，并在矩陣上進行最近鄰搜索。除了用戶評分矩陣外，還可以使用項目屬性。使用這些信息可以有效地提高系統(tǒng)的準(zhǔn)確性。分層聚類算法模擬樹結(jié)構(gòu)，通過多次迭代，所有采樣點形成樹結(jié)構(gòu)。選擇樹的節(jié)點作為聚類結(jié)果非常方便。目前，有兩種層次聚類算法，即分裂聚類算法和聚合聚類算法。

算法能夠很好地處理和計算典型背景下的低壓配電網(wǎng)絡(luò)故障點圖像，具有通用性和較強的魯棒性。然而，低壓配電網(wǎng)絡(luò)圖像的SIFT 特征選擇和提取是一個難點。此外，使用圖像的高級特征獲取故障點速度慢，處理時間長。通過對低壓配電網(wǎng)絡(luò)結(jié)構(gòu)特征的深入觀察和分析，提出了提取低壓配電網(wǎng)絡(luò)故障點外輪廓并計算外輪廓幾何中心線的方法。通過計算幾何中心線沿直線和垂直于直線的傾角，并結(jié)合三角形法計算的實際傾角，計算結(jié)果準(zhǔn)確，處理速度快，處理時間短。該算法的目的是準(zhǔn)確識別和檢測圖像中的異常，以滿足故障診斷的需要。

2.2 智能診斷系統(tǒng)

由于低壓配電網(wǎng)設(shè)備對預(yù)防性維護的需求過大，迫切需要一個更可靠、更健全的智能系統(tǒng)。到目前為止，由于設(shè)備的不同特點，已開發(fā)的智能系統(tǒng)只能用于特殊用途的低壓配電網(wǎng)設(shè)備。因此，必須設(shè)計和開發(fā)一個智能系統(tǒng)模型，以適應(yīng)故障點成像質(zhì)量問題?；谀：壿嫷膶＜蚁到y(tǒng)屬于智能診斷系統(tǒng)，該系統(tǒng)可以提取電網(wǎng)設(shè)備檢測圖像中的主要特征，并建議適當(dāng)?shù)木S護措施。對于在室外進行的檢查，拍攝的圖像通常會受到噪聲的影響。因此，選取的算法需要能夠解決這些問題，所開發(fā)的模型應(yīng)能適應(yīng)各種因素（包括風(fēng)速、電氣負(fù)荷變化、環(huán)境空氣溫度、電阻等的影響）的復(fù)雜相互作用，并能為未來的擴展提供支持。

基于自頂向下方法的目標(biāo)識別方法是最佳選擇之一。通過假設(shè)低壓配電網(wǎng)設(shè)備紅外圖像中的所有物體都是重復(fù)結(jié)構(gòu)，識別出感應(yīng)區(qū)域。通過檢測每個目標(biāo)的局部特征，并對每個目標(biāo)相似的特征進行分組來進行分類。采用尺度不變特征變換算法進行圖像分割，通過識別重復(fù)結(jié)構(gòu)的區(qū)別特征，描述特征并匹配每個特征，以檢測圖像中的相似對象。這里，尺度不變特征變換算法是在一幅圖像中而不是在兩幅圖像之間匹配和配對顯著的相似特征。最后，在具有一組匹配特征之后，這些特征集合被分組并且可以提取重復(fù)結(jié)構(gòu)的區(qū)域。該分割技術(shù)具有良好的識別效果和重復(fù)目標(biāo)檢測。目前，這種技術(shù)只適用于外形非常相似的低壓配電網(wǎng)設(shè)備。

3 結(jié)語

本文將智能算法應(yīng)用到低壓配電網(wǎng)故障診斷問題中，從數(shù)據(jù)的角度客觀地反映了診斷情況。與其他低壓配電網(wǎng)故障診斷方案相比，該評估模型適用范圍更廣，操作更方便。