張?zhí)熘遥?弘，賈健雄，張 倩

(1.國網(wǎng)安徽省電力有限公司 建設(shè)部，安徽 合肥230022；2.國網(wǎng)安徽省電力有限公司 經(jīng)濟(jì)技術(shù)研究院，安徽 合肥230022；3.安徽大學(xué) 電氣工程與自動化學(xué)院，安徽 合肥 230601)

隨著經(jīng)濟(jì)快速發(fā)展及能源需求的不斷增加，能源供應(yīng)壓力越來越大[1].物聯(lián)網(wǎng)技術(shù)的出現(xiàn)，使物聯(lián)網(wǎng)與電力網(wǎng)相融合，形成了電力物聯(lián)網(wǎng)[2-4].智能變電站是電力物聯(lián)網(wǎng)中的重要組成部分，有必要利用物聯(lián)網(wǎng)技術(shù)、通信技術(shù)和人工智能技術(shù)對智能變電站進(jìn)行升級改造，使之與三型兩網(wǎng)契合[5-7].對智能變電站升級改造的同時(shí)，智能變電站內(nèi)部故障不可忽視.在電力物聯(lián)網(wǎng)背景下，應(yīng)該利用先進(jìn)的智能技術(shù)，提高智能變電站故障診斷的智能化水平.與智能變電站中的智能電子設(shè)備(intelligent electronic device，簡稱IED)有關(guān)的報(bào)文信息有：開關(guān)狀態(tài)量、電氣采集量、二次設(shè)備跳閘命令等[8-9].

科研人員已將人工智能技術(shù)應(yīng)用于變電站的故障診斷.文獻(xiàn)[10]利用基于粗糙集的遺傳算法，對變電站中的大量故障信息進(jìn)行篩選，提取有用的故障信息實(shí)現(xiàn)故障診斷.文獻(xiàn)[11]使用遺傳算法和BPNN(back propagation neuron network)，實(shí)現(xiàn)了箱式變電站的故障診斷.上述方法在處理高維數(shù)據(jù)時(shí)均易陷入維數(shù)災(zāi)難，平面感知能力也較差.除了上述方法，還有專家系統(tǒng)[12]、解析優(yōu)化模型[13]等方法.專家系統(tǒng)存在知識庫建立和維護(hù)難，推理速度慢等不足.解析優(yōu)化模型有嚴(yán)密的理論基礎(chǔ)，但建立目標(biāo)函數(shù)的難度大，同時(shí)在運(yùn)算過程中，會出現(xiàn)最優(yōu)解漏選，影響診斷的時(shí)效性.相比傳統(tǒng)的人工智能技術(shù)，深度學(xué)習(xí)算法優(yōu)勢明顯.深度學(xué)習(xí)[14]中的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,簡稱CNN)[15-16]有較強(qiáng)的高維數(shù)據(jù)處理能力和平面感知能力，已應(yīng)用于各類故障診斷.

該文針對基于傳統(tǒng)人工智能技術(shù)的故障診斷方法存在的不足，提出電力物聯(lián)網(wǎng)的背景下基于希爾伯特-黃變換(Hilbert-Huang transform, 簡稱HHT)[17-18]和卷積神經(jīng)網(wǎng)絡(luò)的智能變電站故障診斷方法.將智能變電站中的故障錄波數(shù)據(jù)作為故障診斷數(shù)據(jù)，利用希爾伯特-黃變換提取故障特征信息，用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，實(shí)現(xiàn)故障定位.

1 電力物聯(lián)網(wǎng)的結(jié)構(gòu)

電力物聯(lián)網(wǎng)的結(jié)構(gòu)如圖1所示.感知層通過物聯(lián)網(wǎng)設(shè)備對電力系統(tǒng)的設(shè)備及元件的狀態(tài)信息進(jìn)行感知；網(wǎng)絡(luò)層靈活運(yùn)用物聯(lián)網(wǎng)及通信技術(shù)，實(shí)現(xiàn)數(shù)據(jù)高效傳輸；平臺層具有數(shù)據(jù)管理和分析功能；應(yīng)用層為用戶提供智能化、人性化的電力服務(wù).

圖1 電力物聯(lián)網(wǎng)的結(jié)構(gòu)

2 電力物聯(lián)網(wǎng)背景下的智能變電站

利用先進(jìn)的感知技術(shù)、物聯(lián)網(wǎng)技術(shù)、通信技術(shù)和人工智能技術(shù)，全方位對變電站運(yùn)行進(jìn)行智能監(jiān)測.將所有變電站納入網(wǎng)絡(luò)框架，實(shí)現(xiàn)變電站間的信息交換、數(shù)據(jù)共享，使變電站控制更加靈活智能.智能變電站的數(shù)據(jù)交互框架如圖2所示.

圖2 智能變電站的數(shù)據(jù)交互框架

變電站智能識別的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示.站內(nèi)系統(tǒng)與設(shè)備間通過站內(nèi)局域網(wǎng)進(jìn)行互聯(lián)，站端服務(wù)器對信息進(jìn)行處理，能實(shí)現(xiàn)故障診斷、故障監(jiān)測、能量管理、電力預(yù)測、狀態(tài)監(jiān)測、電力巡維等方面的智能應(yīng)用.

圖3 變電站的智能識別的網(wǎng)絡(luò)結(jié)構(gòu)

3 基于HHT-CNN的智能變電站故障診斷方法

該文提出一種電力物聯(lián)網(wǎng)背景下基于希爾伯特-黃變換和卷積神經(jīng)網(wǎng)絡(luò)(HHT-CNN)的智能變電站故障診斷方法.利用人工智能技術(shù)中的卷積神經(jīng)網(wǎng)絡(luò)對智能變電站故障進(jìn)行診斷，定位故障位置.

3.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是一個(gè)有監(jiān)督的前饋神經(jīng)網(wǎng)絡(luò).訓(xùn)練成功的卷積神經(jīng)網(wǎng)絡(luò)中的多層濾波器能識別不同復(fù)雜度的特征.典型的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示，其由輸入層、輸出層以及隱藏層組成.

圖4 典型的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

卷積層是CNN的核心部分.第l層第j個(gè)卷積區(qū)域的第i個(gè)卷積核的輸出為

(1)

池化層能降低卷積層輸出的特征空間大小，減少計(jì)算時(shí)間.池化層的輸出為

(2)

全連接層是一個(gè)傳統(tǒng)的多層感知器，能實(shí)現(xiàn)訓(xùn)練數(shù)據(jù)集的分類.使用Softmax函數(shù)作為全連接層的激活函數(shù)，其表達(dá)式為

(3)

其中：zj為第j個(gè)神經(jīng)元的輸出，k為總類別數(shù).

3.2 故障特征

在故障特征提取的方法中，傳統(tǒng)的小波變換受Heisenberg測不準(zhǔn)原理的影響，處理突變信號時(shí)，效果不佳[19].然而，HHT能克服小波變換存在的不足，因此該文利用HHT提取智能變電站IED報(bào)文信息中的電氣量故障特征.所有故障均存在正序電流，而負(fù)序電流和零序電流在某些故障中不存在[20]，因此假定綜合電流僅包含正序電流.設(shè)Ia，Ib，Ic分別為IED報(bào)文信息中的三相電流.IP為綜合電流，其表達(dá)式為

(4)

設(shè)t時(shí)刻第m個(gè)IED報(bào)文信息的綜合電流為IPm(t)，則通過HHT得到的重構(gòu)信號為

(5)

其中：a(t)為幅值，φ(t)為相角.瞬時(shí)頻率為

(6)

將綜合電流的頻率特征作為故障特征，據(jù)此對故障進(jìn)行診斷.

3.3 故障診斷流程

該文提出的電力物聯(lián)網(wǎng)背景下基于HHT-CNN的智能變電站故障診斷流程如圖5所示.具體步驟如下：

(1) 獲取故障錄波的原始數(shù)據(jù)，將故障區(qū)域IED報(bào)文信息中的電流信號作為樣本信號.

(2) 通過式(4)計(jì)算IED報(bào)文信息的綜合電流IP.

(3) 對得到的綜合電流IP進(jìn)行HHT分析，通過式(4)～(6)得到頻率特征ω={ω1,ω2,…,ωm}.

(4) 從故障特征集中隨機(jī)選擇一部分作為訓(xùn)練樣本集和測試樣本集，用于訓(xùn)練CNN模型和故障診斷測試.

(5) 將訓(xùn)練樣本集作為CNN的輸入，調(diào)整CNN模型的參數(shù)，直到診斷正確率滿足要求.

(6) 計(jì)算故障診斷正確率，其數(shù)學(xué)表達(dá)式為

(7)

其中：N總為故障樣本總數(shù)，n為診斷錯(cuò)誤的樣本數(shù).

圖5 故障診斷流程圖

4 仿真測試

4.1 故障特征提取

該文對110 kV智能變電站進(jìn)行仿真測試.圖6為110 kV智能變電站IED分布圖.假設(shè)圖6中的變壓器T1的A，B處和變壓器T2的C，D處可能發(fā)生故障.

圖6 110 kV智能變電站IED分布圖

以在A處發(fā)生故障為例，記錄故障區(qū)域IED報(bào)文信息，計(jì)算綜合電流.IED8的綜合電流幅值與采樣時(shí)間的關(guān)系曲線如圖7所示.使用式(5)～(6)對IED8的綜合電流進(jìn)行分析，可提取故障的頻率特征.圖8為IED8的綜合電流頻率與采樣時(shí)間的關(guān)系曲線.

圖7 IED8的綜合電流幅值與采樣時(shí)間的關(guān)系曲線 圖8 IED8的綜合電流頻率與采樣時(shí)間的關(guān)系曲線

4.2 診斷結(jié)果

考慮到提高模型的泛化能力，該文在CNN模型訓(xùn)練過程中添加數(shù)據(jù)增強(qiáng)[21]模塊對CNN模型進(jìn)行改進(jìn).采用監(jiān)督式學(xué)習(xí)[22]的方式對CNN模型進(jìn)行訓(xùn)練.在相同的600個(gè)訓(xùn)練樣本和80個(gè)測試樣本下，普通CNN模型和添加數(shù)據(jù)增強(qiáng)模塊后的改進(jìn)CNN模型的故障診斷正確率如圖9所示.從圖9(a)可看出，普通CNN模型有較高的故障診斷正確率，但是曲線擬合效果差；從圖9(b)可看出，改進(jìn)CNN模型不僅診斷正確率高，而且曲線擬合效果好，因此其泛化能力比普通CNN模型強(qiáng).

圖9 普通CNN和改進(jìn)CNN模型的故障診斷正確率

CNN模型的參數(shù)配置影響故障診斷正確率和訓(xùn)練時(shí)間，所以該文選擇5種不同參數(shù)的CNN模型進(jìn)行故障診斷測試對比.5種CNN模型的參數(shù)及其訓(xùn)練時(shí)間如表1所示，其中模型1為單層結(jié)構(gòu)，模型2～4均為雙層結(jié)構(gòu)，模型5為三層結(jié)構(gòu).

表1 5種CNN模型的參數(shù)及其訓(xùn)練時(shí)間

圖10為5種CNN模型的診斷正確率.從表1和圖10可看出：單層結(jié)構(gòu)的模型1的訓(xùn)練時(shí)間只要82.822 s，訓(xùn)練時(shí)間最短，但其故障診斷正確率卻只有81.25%，故障診斷正確率最低；三層結(jié)構(gòu)的模型5的故障診斷正確率為98%，但訓(xùn)練時(shí)間達(dá)367.392 s，訓(xùn)練耗時(shí)最長；雙層結(jié)構(gòu)模型的模型2～4的故障診斷正確率分別為 98%，98.6%，99.6%，模型4的訓(xùn)練時(shí)間比模型2～3號短.綜合考慮，選取模型4進(jìn)行仿真測試.

為了驗(yàn)證該文HHT-CNN方法的良好性能，將HHT-CNN與BPNN和CNN的故障診斷結(jié)果進(jìn)行對比.為了避免偶然誤差的影響，不同方法在相同訓(xùn)練樣本和測試樣本下均進(jìn)行20次仿真測試，表2為不同方法的相關(guān)測試參數(shù)及診斷結(jié)果.由表2可知，HHT-CNN方法的平均診斷正確率達(dá)99.85%，比BPNN和CNN的平均故障診斷正確率高很多.

5 結(jié)束語

該文提出了電力物聯(lián)網(wǎng)背景下基于HHT-CNN的智能變電站故障診斷方法.仿真測試結(jié)果表明：增加數(shù)據(jù)增強(qiáng)模塊能有效提高CNN模型的泛化能力；選擇合適的CNN模型參數(shù)能有效提高故障診斷正確率和降低訓(xùn)練時(shí)間；相對于CNN，BPNN方法，HHT-CNN方法有較高的故障診斷正確率.