國(guó)電南瑞科技股份有限公司 張 敏

1 引言

隨著配電終端在能源轉(zhuǎn)型中的重要作用不斷凸顯，其可靠性和穩(wěn)定性變得越來(lái)越受到關(guān)注。然而，傳統(tǒng)的配電終端故障診斷方法存在一些不足，如診斷準(zhǔn)確率不高、依賴人工經(jīng)驗(yàn)等問(wèn)題，難以滿足新能源時(shí)代對(duì)配電終端故障自診斷的要求。

近年來(lái)，基于數(shù)據(jù)驅(qū)動(dòng)的配電終端缺陷分析及自診斷方法備受關(guān)注。這些方法通過(guò)采集、處理大量的實(shí)時(shí)數(shù)據(jù)，利用數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等方法，建立配電終端缺陷分類及診斷模型，實(shí)現(xiàn)對(duì)配電終端故障的準(zhǔn)確自診斷。

2 簡(jiǎn)述傳統(tǒng)的配電終端故障診斷方法的不足

一是難以處理大量數(shù)據(jù)：傳統(tǒng)方法主要依靠人工經(jīng)驗(yàn)和技能，對(duì)大量的數(shù)據(jù)難以進(jìn)行有效的處理，因此往往無(wú)法充分挖掘數(shù)據(jù)的潛在信息。二是診斷結(jié)果不準(zhǔn)確：由于傳統(tǒng)方法主要依賴于人工經(jīng)驗(yàn)，所以存在主觀性和不確定性，導(dǎo)致診斷結(jié)果可能存在誤差和偏差。三是無(wú)法應(yīng)對(duì)多變復(fù)雜的故障：配電終端設(shè)備在使用過(guò)程中會(huì)面臨多種類型的故障，而傳統(tǒng)方法難以適應(yīng)各種復(fù)雜情況，導(dǎo)致診斷效果不佳[1]。四是人工成本高：傳統(tǒng)方法需要專業(yè)人員進(jìn)行操作和判斷，所以需要耗費(fèi)大量的人力和時(shí)間成本，增加了企業(yè)的運(yùn)營(yíng)成本。

3 數(shù)據(jù)驅(qū)動(dòng)缺陷分析

3.1 簡(jiǎn)介基于數(shù)據(jù)驅(qū)動(dòng)的方法

基于數(shù)據(jù)驅(qū)動(dòng)的配電終端缺陷分析及自診斷方法與流程如圖1所示。

圖1 基于數(shù)據(jù)驅(qū)動(dòng)的配電終端缺陷分析及自診斷方法與流程

基于數(shù)據(jù)驅(qū)動(dòng)的方法是指通過(guò)分析和挖掘大量的數(shù)據(jù)，建立數(shù)據(jù)模型來(lái)描述和預(yù)測(cè)某個(gè)系統(tǒng)或者過(guò)程的行為和性能。在配電終端缺陷分析中，數(shù)據(jù)驅(qū)動(dòng)的方法可以通過(guò)收集和處理配電終端的實(shí)時(shí)數(shù)據(jù)、歷史數(shù)據(jù)和環(huán)境數(shù)據(jù)等多種數(shù)據(jù)源，運(yùn)用數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等相關(guān)技術(shù)，從中提取出與缺陷相關(guān)的特征，并利用這些特征進(jìn)行故障診斷和預(yù)測(cè)。

3.2 數(shù)據(jù)采集及處理方法

在數(shù)據(jù)驅(qū)動(dòng)的缺陷分析中，數(shù)據(jù)的采集和處理是非常重要的步驟。以下是一些常見(jiàn)的數(shù)據(jù)采集和處理方法。

一是傳感器數(shù)據(jù)采集。配電終端設(shè)備通常配備各種類型的傳感器，可以實(shí)時(shí)監(jiān)測(cè)設(shè)備的運(yùn)行狀況，例如電流、電壓、溫度等。這些傳感器可以連續(xù)記錄數(shù)據(jù)，并將其存儲(chǔ)到數(shù)據(jù)庫(kù)中。二是數(shù)據(jù)清洗。由于數(shù)據(jù)采集過(guò)程中可能會(huì)出現(xiàn)數(shù)據(jù)噪聲、缺失值等問(wèn)題，因此需要進(jìn)行數(shù)據(jù)清洗，以保證數(shù)據(jù)的準(zhǔn)確性和完整性。三是特征提取。在對(duì)數(shù)據(jù)進(jìn)行缺陷分析時(shí)，需要提取與缺陷相關(guān)的特征。特征提取的目的是將原始數(shù)據(jù)轉(zhuǎn)換為易于分析的特征向量，例如平均值、方差、最大值、最小值等。四是數(shù)據(jù)標(biāo)注。在對(duì)數(shù)據(jù)進(jìn)行分類時(shí)，需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)注，即將每個(gè)數(shù)據(jù)樣本與其對(duì)應(yīng)的缺陷類型進(jìn)行關(guān)聯(lián)。數(shù)據(jù)標(biāo)注通常需要專業(yè)人員進(jìn)行。五是數(shù)據(jù)集劃分。為了評(píng)估缺陷分析算法的性能，需要將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。訓(xùn)練集用于訓(xùn)練模型，驗(yàn)證集用于調(diào)整模型參數(shù)，測(cè)試集用于評(píng)估模型性能[2]。

3.3 特征提取方法

在基于數(shù)據(jù)驅(qū)動(dòng)的缺陷分析中，特征提取是一個(gè)關(guān)鍵的步驟。特征提取可以理解為將原始數(shù)據(jù)轉(zhuǎn)化為有意義的特征向量，這些特征向量能夠表達(dá)數(shù)據(jù)的本質(zhì)特性，并且有助于后續(xù)的分類和診斷。特征提取的目的是盡可能地保留原始數(shù)據(jù)的信息，同時(shí)減少冗余信息和噪聲。常用的特征提取方法如下。

一是時(shí)域特征提取。時(shí)域特征包括均值、方差、標(biāo)準(zhǔn)差、最大值、最小值、峰值、均方根值等，可以反映信號(hào)的振幅、波形、頻率等特性。二是頻域特征提取。頻域特征包括功率譜密度、自相關(guān)函數(shù)、互相關(guān)聯(lián)函數(shù)、峰值頻率等，可以反映信號(hào)的頻率成分和相位關(guān)系等特性。三是小波變換特征提取。小波變換是一種數(shù)學(xué)方法，可以將信號(hào)分解成多個(gè)尺度的小波系數(shù)，每個(gè)小波系數(shù)代表了不同頻率的信號(hào)成分。通過(guò)對(duì)小波系數(shù)的處理，可以得到許多特征，例如小波包能量、小波包熵、小波包標(biāo)準(zhǔn)差等。四是奇異值分解特征提取。奇異值分解是一種矩陣分解方法，可以將原始數(shù)據(jù)矩陣分解成三個(gè)矩陣，其中一個(gè)矩陣包含了數(shù)據(jù)的主要特征。通過(guò)對(duì)這個(gè)矩陣的處理，可以得到許多特征，例如，能量、熵、主成分等。五是時(shí)頻域特征提取。時(shí)頻域特征是將時(shí)域和頻域特征結(jié)合起來(lái)的特征，例如短時(shí)傅里葉變換、小波包變換等。

3.4 缺陷分類及診斷方法

缺陷分類及診斷方法是數(shù)據(jù)驅(qū)動(dòng)缺陷分析中的一個(gè)重要環(huán)節(jié)。在特征提取之后，需要對(duì)提取的特征進(jìn)行分類和診斷，以判斷終端設(shè)備的運(yùn)行狀態(tài)是否正常。常見(jiàn)的缺陷分類包括短路、過(guò)載、接觸不良以及斷路等。針對(duì)不同的缺陷類型，可以采用不同的分類算法。例如，可以使用支持向量機(jī)、決策樹、神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)算法進(jìn)行分類。在缺陷診斷方面，一般采用模型匹配或模式識(shí)別的方法。模型匹配指通過(guò)與已有模型進(jìn)行匹配，找到與故障特征最相似的模型，從而判斷故障類型。模式識(shí)別則是利用已有的模式庫(kù)和故障庫(kù)，對(duì)輸入的數(shù)據(jù)進(jìn)行匹配，以判斷故障類型。綜合考慮缺陷分類和診斷方法，可以實(shí)現(xiàn)對(duì)配電終端設(shè)備的缺陷自動(dòng)診斷。

4 配電終端自診斷方法

4.1 簡(jiǎn)述基于規(guī)則的自診斷方法

基于規(guī)則的自診斷方法，即通過(guò)事先編寫一系列規(guī)則，對(duì)配電終端的數(shù)據(jù)進(jìn)行判斷和分類，從而實(shí)現(xiàn)對(duì)故障的自動(dòng)診斷。這種方法相對(duì)于傳統(tǒng)的人工判斷和分析，可以提高診斷效率和準(zhǔn)確性。規(guī)則通常由專家團(tuán)隊(duì)編寫，基于經(jīng)驗(yàn)和知識(shí)，將診斷過(guò)程形式化，并將其轉(zhuǎn)化為一系列規(guī)則。這些規(guī)則可以是基于IF-THEN 的條件語(yǔ)句或者基于決策樹的結(jié)構(gòu)等。當(dāng)輸入的數(shù)據(jù)符合某個(gè)規(guī)則時(shí)，就會(huì)觸發(fā)該規(guī)則，并根據(jù)規(guī)則的結(jié)果進(jìn)行故障判斷和分類。這種方法的優(yōu)點(diǎn)是規(guī)則易于理解和解釋，能夠快速進(jìn)行診斷，但是其適用性和可擴(kuò)展性受限于規(guī)則的數(shù)量和質(zhì)量。如果規(guī)則不夠完備或者存在漏洞，就會(huì)導(dǎo)致診斷的準(zhǔn)確性和可靠性下降。

4.2 基于機(jī)器學(xué)習(xí)的自診斷方法

基于機(jī)器學(xué)習(xí)的自診斷方法利用機(jī)器學(xué)習(xí)算法對(duì)采集到的配電終端數(shù)據(jù)進(jìn)行分析和訓(xùn)練，從而實(shí)現(xiàn)對(duì)配電終端缺陷的自動(dòng)識(shí)別和診斷。常用的機(jī)器學(xué)習(xí)算法包括支持向量機(jī)（SVM）、決策樹、神經(jīng)網(wǎng)絡(luò)等。在使用機(jī)器學(xué)習(xí)方法進(jìn)行配電終端自診斷時(shí)，主要步驟如下。

一是數(shù)據(jù)采集。采集配電終端運(yùn)行狀態(tài)下的各種參數(shù)數(shù)據(jù)，包括電流、電壓、功率等；二是數(shù)據(jù)預(yù)處理。對(duì)采集到的數(shù)據(jù)進(jìn)行清洗、去噪和歸一化處理，使得數(shù)據(jù)更加準(zhǔn)確和可靠；三是特征提取。提取配電終端數(shù)據(jù)中的特征信息，如頻率、振幅、相位等；四是數(shù)據(jù)標(biāo)記。將提取到的特征數(shù)據(jù)進(jìn)行標(biāo)記，以便機(jī)器學(xué)習(xí)算法進(jìn)行學(xué)習(xí)和分類；五是模型訓(xùn)練。使用機(jī)器學(xué)習(xí)算法對(duì)標(biāo)記過(guò)的數(shù)據(jù)進(jìn)行訓(xùn)練，生成自診斷模型；六是缺陷診斷。使用訓(xùn)練好的自診斷模型對(duì)新的配電終端數(shù)據(jù)進(jìn)行分類，判斷是否存在缺陷并進(jìn)行診斷。

4.3 基于深度學(xué)習(xí)的自診斷方法

基于深度學(xué)習(xí)的自診斷方法是利用深度神經(jīng)網(wǎng)絡(luò)對(duì)配電終端缺陷進(jìn)行自動(dòng)分類和診斷。深度學(xué)習(xí)是一種基于多層神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)方法，可以通過(guò)大量數(shù)據(jù)進(jìn)行訓(xùn)練，從而自動(dòng)學(xué)習(xí)特征和規(guī)律，并生成高質(zhì)量的預(yù)測(cè)結(jié)果。在配電終端自診斷中，深度學(xué)習(xí)可以有效地發(fā)掘數(shù)據(jù)中的隱含規(guī)律和特征，對(duì)不同缺陷類型進(jìn)行分類和診斷[3]?；谏疃葘W(xué)習(xí)的自診斷方法主要步驟如下。

一是數(shù)據(jù)預(yù)處理。對(duì)采集到的原始數(shù)據(jù)進(jìn)行處理，如濾波、降噪、歸一化等，以便于深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和預(yù)測(cè)；二是特征提取。使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）等深度學(xué)習(xí)模型，從數(shù)據(jù)中提取出最有代表性的特征；三是模型訓(xùn)練。將預(yù)處理后的數(shù)據(jù)輸入到深度神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，不斷優(yōu)化模型的參數(shù)和結(jié)構(gòu)，以提高診斷準(zhǔn)確率；四是模型評(píng)估。使用測(cè)試數(shù)據(jù)集對(duì)已訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)進(jìn)行評(píng)估，計(jì)算模型的準(zhǔn)確率、召回率、F1值等指標(biāo)，評(píng)估模型的性能；五是缺陷診斷。將待診斷的數(shù)據(jù)輸入到已訓(xùn)練好的深度神經(jīng)網(wǎng)絡(luò)中，對(duì)配電終端的缺陷類型進(jìn)行自動(dòng)分類和診斷，得出診斷結(jié)果。

5 試驗(yàn)結(jié)果分析

5.1 簡(jiǎn)述試驗(yàn)設(shè)計(jì)及數(shù)據(jù)來(lái)源

在本試驗(yàn)中，采用了一個(gè)基于數(shù)據(jù)驅(qū)動(dòng)的配電終端缺陷分析及自診斷系統(tǒng)，用于對(duì)配電終端進(jìn)行缺陷分析和自診斷。采用一些實(shí)際的配電終端數(shù)據(jù)，包括電流、電壓、溫度等參數(shù)，并通過(guò)傳感器進(jìn)行實(shí)時(shí)采集。同時(shí)，還通過(guò)模擬注入一些人工故障數(shù)據(jù)，以模擬真實(shí)環(huán)境下的缺陷情況。

5.2 對(duì)比不同方法在缺陷診斷準(zhǔn)確性及效率方面的表現(xiàn)

通過(guò)比較基于規(guī)則、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)三種不同的自診斷方法在缺陷診斷準(zhǔn)確性和效率方面的表現(xiàn)。不同自診斷方法在缺陷診斷準(zhǔn)確性和效率的表現(xiàn)結(jié)果詳見(jiàn)表1。

表1 不同自診斷方法在缺陷診斷準(zhǔn)確性和效率的表現(xiàn)結(jié)果

由表1可知，基于深度學(xué)習(xí)的自診斷方法在缺陷診斷準(zhǔn)確性方面表現(xiàn)最好，準(zhǔn)確率達(dá)到了95%以上，而基于規(guī)則的方法表現(xiàn)最差，準(zhǔn)確率只有70%左右。而在診斷效率方面，基于機(jī)器學(xué)習(xí)和基于深度學(xué)習(xí)的方法都比基于規(guī)則的方法快得多，能夠更快速地完成診斷過(guò)程。

5.3 分析試驗(yàn)結(jié)果并提出未來(lái)的改進(jìn)方向

根據(jù)試驗(yàn)結(jié)果分析，可以看出基于深度學(xué)習(xí)的方法在缺陷診斷方面表現(xiàn)最好，但同時(shí)也需要更多的數(shù)據(jù)和更復(fù)雜的模型來(lái)支持。因此，未來(lái)的改進(jìn)方向可以是進(jìn)一步提高數(shù)據(jù)采集和處理的效率，以更好地支持深度學(xué)習(xí)模型的應(yīng)用。

還可以進(jìn)一步優(yōu)化基于規(guī)則的自診斷方法，通過(guò)引入更多的規(guī)則和專家知識(shí)，來(lái)提高準(zhǔn)確性。同時(shí)，也可以將機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法與基于規(guī)則的方法相結(jié)合，形成一種更加準(zhǔn)確、高效的自診斷方法。

6 結(jié)語(yǔ)

本文介紹了基于數(shù)據(jù)驅(qū)動(dòng)的配電終端缺陷分析及自診斷方法，主要包括數(shù)據(jù)采集及處理方法、特征提取方法、缺陷分類及診斷方法等方面。本文還介紹了基于規(guī)則、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)三種不同的自診斷方法，并通過(guò)試驗(yàn)比較不同方法在缺陷診斷準(zhǔn)確性和效率方面的表現(xiàn)。

試驗(yàn)結(jié)果表明，基于深度學(xué)習(xí)的自診斷方法在診斷準(zhǔn)確性和效率方面都有顯著的提高。未來(lái)可以進(jìn)一步研究深度學(xué)習(xí)模型的優(yōu)化和訓(xùn)練方法，以提高配電終端故障診斷的準(zhǔn)確性和效率。此外，還可以研究基于多源數(shù)據(jù)的綜合診斷方法，以進(jìn)一步提高缺陷診斷的精度和可靠性?；跀?shù)據(jù)驅(qū)動(dòng)的配電終端缺陷分析及自診斷方法具有很大的應(yīng)用前景，可以為實(shí)現(xiàn)電力系統(tǒng)的智能化運(yùn)行提供重要支持。