人工智能技術在電力系統故障診斷中的應用研究

　　摘要：電力系統因其故障問題對電力系統的平穩運行有重要影響，被人們所關注。信息時代的發展，人工智能技術逐漸應用在各行各業，在電力系統故障診斷中發揮著重要的作用，不僅可以提高電力系統的安全平穩性，還進一步推動了電力行業的發展。基于此，本文對人工智能技術在電力系統故障中的診斷系統進行探討，對在電力系統故障診斷中的應用進行闡述，希望給相關人士帶來借鑒意義。

　　關鍵詞：人工智能技術;電力系統故障;診斷

 

　　經濟的發展，社會的進步，人們對于用電需求逐漸擴大，對電力系統的平穩性也提出了更高標準。但由于外在因素的影響，電力系統經常出現故障，對人們的生活產生了巨大的影響。人工智能技術的出現順應時代的發展需求，通過電力系統故障診斷系統有力的改變這一情況，達到科學預防及處理電力故障的顯著效果，對我國電力系統的發展具有重要意義。

　　電力工程師評職知識： 河南省電力系統職稱論文發表的刊物

　　1電力系統故障診斷系統

　　1.1系統設計

　　電力系統故障診斷的自動化與智能化水平提高，對電力行業發展具有重要的意義。電力系統故障診斷系統主要是以人工智能中的深度置信網絡為基礎，將其分為故障信息采集和故障類型診斷兩種子系統。主要原理是故障信息采集子系 統根據設備種類的不同，將其分成分類中心站以達到收集同類設備數據的目的，并同時向總中心站進行匯總，傳輸到故障類型診斷子系統中的過程，以此將數據及參數進行調整，通過深度置信網絡結構，建立系統約束的DBN模型，做好銜接工作，以達到診斷故障目的。

　　1.2模型構建

　　1.2.1深度置信網絡的結構

　　深度置信網絡結構是一種表達學習的模型，因模型簡單，易于查看，提取能力強，收斂速度快等特征一般被應用在復雜函數表達學習中。電力系統因自身特性符合深度置信網絡的使用需求，在電力系統故障診斷過程中被廣泛應用。限制波爾茲曼機是其基本單元，主要由輸入層神經元和隱含層神經元構成，與傳統的判別模型相比，限制波爾茲曼機是一種概率生成模型，可以有效的建立觀察數據和標簽，通過其輸入層與隱含層之間的關系對系統能量進行描述。

　　E(x,h|θ)=-aTx-bTh-hTWx從式子中可以看出限制波爾茲曼機的主要參數是θ={ai，bj，Wij}，其輸入層神經元的偏置數據和隱含層神經員的偏置數據以ai和bj來表示,輸入層神經元i與隱含層神經員j之間的關系以Wij來體現，通過將相關數據輸入，得到模型的最大似然概率，便可以對限制波爾茲曼機的參數進行分析，如以下的式子。maxP(x|h,θ)=∑e-E(x,h|θ)在本系統中深度置信網絡主要以一層BP神經網絡和若干個限制波爾茲曼機疊加的方式來構建。將網絡中的限制波爾茲曼機兩兩分為一組，設置成限制波爾茲曼機層，由下向上將規定的機層結果輸出，并且以數據的形式輸到上一層機層中，通過這種循環，輸出最后的標簽[1]。

　　1.2.2深度置信網絡的訓練方法

　　預訓練和微調是深度置信網絡訓練中最主要的兩個階段。因預訓練是無監督的模式，而微調是有監督的模式，為有監督訓練提供依據，減少微調的時間，提高效率，深度置信網絡在訓練時一般都先進性預訓練后進行微調，而且這種方式可以減少數據不足對深度置信網絡的影響。首先，進行預訓練操作時，因其無監督的特性一般采用貪心算法，對相應的參數初次進行賦值，經過反復訓練，最底層的初始特征會消失，變成具有關聯度、緊密型特征的高層次數據。

　　其次，進入微調階段，因預訓練采用的算法具有一定局限性，無法保證結果的準確性，必須采用全局學習算法，將預訓練計算出的結果標注，進行調整和優化，保證空間進入有監督的訓練，在調整模型時主要以從最上面向最下方調整的方式。公式可列為：X=[x1，...，xL，...，xL+U]=x11...xL1...xL+U1=x12...xL2，...xL+U2=...............=x1n...xLn...xL+Un在上式中故障診斷樣本數據的數量以L來表示，沒有標注的樣本數量以U來表示，在訓練時，模型內的樣本數據若都被標注，此時U=0，在此基礎上，再進行訓練，以全局算法為主，可以得出只要有n個特征的樣本數據都可以作為Rn中的向量。

　　基于此，深度置信網絡技術的電力系統故障診斷流程主要是：首先，對采集到的數據以9:1的比例劃分，分別為訓練樣本數據和測試樣本數據，劃分后對產生干擾的數據進行處理。其次，先采用預訓練無監督的方式進行訓練，構件參數空間。最后，對產生的樣本數據人工標注，采用微調有監督方式調整參數，輸出結果。

　　1.3系統約束的DBN模型

　　1.3.1網絡稀疏約束的構建

　　雖然深度置信網絡將輸入層與隱藏層進行緊密連接，保證限制波爾茲曼機適應電力系統的診斷環境，但受故障的影響對電力系統網絡有一定的局限，為保證其更滿足電力網絡的特性，必須對其進行約束。網絡稀疏約束通過對權重進行賦值、約束，保證矩陣中的重要連接，有效的將影響小的設備狀態數據刪除，保證限制波爾茲曼機暫態故障的特征，以此更適應電力系統環境。該約束的構建可以以如下表達式表示：Ω1(θ)=∑i，j|Wij|=||W1||1。

　　1.3.2網絡平滑約束的構建構建網絡平滑約束是為保證臨近的節點輸入矩陣的權重差大約為0，滿足學習的特征相似，主要方法是在連接矩陣之間添加約束的方法。這種約束方法以權重數值具有聯系性為約束條件，通過相鄰節點的訓練保證其適應電力系統的運行[2]。

　　表達式可表示為：Ω2(θ)=∑ijρij∑k(Wik-Wjk)2在上述公式中，將ρ取值范圍固定為(0,1)，以此表示電氣距離，電氣距離越近，設備的相關性與數值也就相應的越大;模型結構越復雜，數值的誤差也就越少，但值得注意的是，為保證誤差，模型的復雜度要保持在可控范圍內。

　　1.4實際驗證

　　為保證上述方案的可行性，必須進行實際驗證，通過使用傳統的ANN1模型和本文提出的系統對樣本進行測試，可以看出傳統的模型對參數的優化難度大，準確值低，本文提出的深度置信網絡系統通過預訓練的無監督方式與微調的有監督方式結合，對電力系統故障診斷誤差小與傳統模型。

　　2人工智能技術在電力系統故障診斷中的應用

　　2.1模糊理論的電力系統故障診斷在傳統的電力系統故障診斷中，因潛在的故障和故障清除之間的聯系，使相關工作人員很難區分，影響診斷結果的準確度。而隨著模糊理論的應用，保證模糊控制器進一步完善，進一步提高解決電力系統故障的能力。模糊控制器因由兩個自適應模糊系統構成，可以及時發現潛在的故障，及時進行處理，相比于傳統的自適應控制更為先進。該理論的應用在傳統的電力系統故障診斷的基礎上進行更新，依靠模糊理論獨有的特性進行處理，保證電力系統故障診斷結果的精準度。在電力系統工作中，若出現診斷結果不精準的時候，可以采取本方法與傳統電力系統故障診斷相結合的方式進行處理，以保證診斷的結果。

　　2.2遺傳算法的電力系統故障診斷為實現電力系統的全局優化，必須仿照生物進化，運用遺傳算法。在電力系統產生故障時，遺傳算法可以依據元件故障與保護動作間的關聯性將診斷轉換為整數，進行全局優化的過程。當運用遺傳算法時，保護元件及斷路器出現拒動時，代表電力系統故障已將診斷完成。遺傳算法的電力系統故障診斷的優勢是可以站在全局的角度去優化電力系統故障，發現故障原因，但診斷數字模型、明確差異性等問題還必須進行深入研究。

　　2.3信息理論的電力系統故障診斷信息理論的電力系統故障診斷主要是以信息理論為基礎，運用其實用性的特點，對電網故障診斷進行信息融合的過程。通過應用該系統診斷可對故障產生的原因及相應保護裝置的原理進行了解，運用該方式不但簡單快捷，而且效果顯著，對電力系統的故障診斷具有重要的作用。在電力系統故障診斷中，為明確掌握電力系統的不穩定特性，對其有關聯性的系統進行保護，必須優化信息結合、信號處理等工作，對保護設備、錄波信息合理使用，保證故障診斷結果的準確性[3]。

　　2.4人工神經網絡電力系統故障診斷

　　人工神經網絡技術的應用可以有效去除電力系統中的噪音數據，對電力系統故障進行科學處理。其主要原理是通過控制人工神經網絡閾值獲取相應的知識點，將其分布在人工神經網絡中，具有一定的隱秘性，進而有效改善電力系統中存在的故障。因人工神經網絡在應用的過程中會產生記憶，進一步可以獲得充足的隱形知識點，以此達到快速糾正電力系統存在的問題，并將所獲得的知識點、數據傳送到相應的系統中，快速準確的清理掉系統中的故障。另外，運用人工神經網絡技術因其會產生記憶，會相應的在數據庫內存入數據，為后續工作提供了參考價值，減少了人力、物力等浪費資源情況，在電力系統中被廣泛應用。

　　3結論

　　總而言之，人工智能技術在電力系統故障診斷中的運用，對電力系統的安全平穩運行具有重要的作用。經濟的發展，對電力行業既是機遇也是挑戰，必須充分利用人工智能技術，對電力系統存在的故障進行診斷并處理，不斷總結經驗，進行創新，進一步促進電力行業的快速發展。

　　參考文獻

　　[1]錢世超.人工智能技術在電力系統故障診斷中的運用分析[J].通信電源技術,2020,37(06):72-73.

　　[2]潘春蘭.人工智能技術在船舶電力系統故障診斷中的應用[J].新型工業化,2020,10(04):78-81.

　　[3]閆國珍.對目前人工智能在電力系統故障診斷中的應用探討[J].中國新通信,2019,21(08):98.

　　作者：楊子騰1王立志1張亮1崔瀅2

轉載請注明來自發表學術論文網：http://www.zpfmc.com/dzlw/28433.html