基于卷積神經(jīng)網(wǎng)絡(luò)的設(shè)備運行狀態(tài)智能控制優(yōu)化模型分析

范德和　李新?！≈芎恪∏裉焘」ò?/p>

摘 要：為了獲得準(zhǔn)確的變電設(shè)備狀態(tài)估計結(jié)果，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的狀態(tài)估計方法，利用自動編碼器對變電設(shè)備監(jiān)測數(shù)據(jù)進行特征約簡，將其作為CNN的輸入，進一步采用Softmax分類器對獲得的其輸出進行分類，以獲得變電設(shè)備的狀態(tài)估計結(jié)果。實驗結(jié)果表明，與傳統(tǒng)的基于支持量機（SVM）和多層神經(jīng)感知機（MLP）相比，提出的方法在準(zhǔn)確性、靈敏度、特異性和陽性預(yù)測性4種量化評價指標(biāo)中具有明顯的優(yōu)勢。提出的方法較其他2種方法能夠獲得更好的正檢率指標(biāo)。

關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò); 變電設(shè)備; 分類; 狀態(tài)估計

中圖分類號：TP391；TM76文獻標(biāo)志碼：A文章編號：1001-5922（2023）06-0179-04

Analysis of intelligent control and optimization model for device operation status based on convolutional neural networks

FAN Dehe，LI Xinhai，ZHOU Heng，QIU Tianyi，GUO Faan

（Zhongshan Power Supply Bureau，Guangdong Power Grid Limited Liability Company，Zhongshan 528400，Guangdong China）

Abstract：To achieve accurate status estimation results of the substation equipment，a method based on the convolutional neural networks is proposed in this study.The monitoring data of the substation equipment is first subjected to feature reduction using an autoencoder，which serves as input to the CNN. The output of the CNN is further classified using a Softmax classifier to obtain the estimated status of the substation equipment.Experimental results demonstrate that compared to traditional methods such as support vector machines （SVM） and multi-layer perceptron （MLP），the proposed method exhibits significant advantages in terms of accuracy，sensitivity，specificity，and positive predictive value-all quantifiable evaluation metrics.The proposed method achieves better true positive rate indicators compared to other methods.

Key words：convolutional neural networks; substation equipment; classification; status estimation

電力系統(tǒng)的穩(wěn)定運行是各行各業(yè)開展正?；顒拥那疤釛l件。相關(guān)研究表明，長期運行導(dǎo)致的設(shè)備老化和異常狀態(tài)是引起電網(wǎng)設(shè)備異常的主要因素［1］。雖然增強電網(wǎng)自身應(yīng)對各種突發(fā)緊急情況的能力是最為直接的解決方案，但需要投入昂貴的建設(shè)成本，并且一般的實施周期較長。采用狀態(tài)估計的方法，可為開展電力設(shè)備的及時維護維修提供相應(yīng)的決策支撐信息，對于在很大程度上決定電網(wǎng)設(shè)備能否正常運行的變電設(shè)備，具有十分重要的研究價值［2-3］。

國外較早地針對電力系統(tǒng)開展了狀態(tài)估計與故障診斷方法的相關(guān)研究［4-6］。日本和美國對電力系統(tǒng)中的輸變電設(shè)備，開展了在線狀態(tài)評估技術(shù)研究。20世紀(jì)90年代，美國已經(jīng)能夠?qū)崿F(xiàn)三分之一左右的電力設(shè)備狀態(tài)檢測。然而，隨著電力設(shè)備的逐漸增多，帶來了海量的狀態(tài)監(jiān)測數(shù)據(jù)，對電力設(shè)備狀態(tài)評估技術(shù)也提出了越來越高的要求。

與其他復(fù)雜系統(tǒng)類似，變電設(shè)備的維護與維修也是采用定期開展方式。隨著技術(shù)的發(fā)展，出現(xiàn)了以專家經(jīng)驗為基礎(chǔ)的監(jiān)測系統(tǒng)。更進一步發(fā)展出基于物理模型、數(shù)據(jù)驅(qū)動以及混合模型的狀態(tài)估計方法［7］。然而，變電設(shè)備的監(jiān)測參數(shù)維度較大，互相之間還存在復(fù)雜的耦合關(guān)系，利用傳統(tǒng)方法難以獲得較準(zhǔn)的狀態(tài)估計方法。在已有研究的基礎(chǔ)上，探索一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的變電設(shè)備狀態(tài)估計方法，通過提供相應(yīng)的狀態(tài)分類成果，為開展運維維修提供決策支撐信息，具有十分重要的應(yīng)用價值。

1 研究理論基礎(chǔ)

卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)領(lǐng)域中最為重要的人工神經(jīng)網(wǎng)絡(luò)之一。其中，最為著名的是，用基于梯度的反向傳播（BP）方法進行有監(jiān)督訓(xùn)練而得到的7層卷積神經(jīng)網(wǎng)絡(luò)——LeNet-5［8］，并憑借其在計算機視覺領(lǐng)域的成功應(yīng)用引起了學(xué)術(shù)界的廣泛關(guān)注。

卷積神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)由3層組成：輸入層、隱藏層和輸出層，其中，隱藏層包括卷積層、激活函數(shù)、池化層、全連接層。以利用卷積神經(jīng)網(wǎng)絡(luò)識別車為案例，其對應(yīng)的上述各步驟的實現(xiàn)流程如圖1所示。在對輸入圖像進行全面分析后，經(jīng)過最后步驟的分類處理，獲得識別對象是汽車、卡車、貨車、自行車等分類結(jié)果。

卷積神經(jīng)網(wǎng)絡(luò)的主要思想是將輸入層后的卷積層與前層神經(jīng)元抽取，傳播后形成子采樣層的交替。以在圖像領(lǐng)域應(yīng)用為例，將輸入圖像的（R，G，B）通道指定為3個神經(jīng)元，在足夠數(shù)量的子采樣層正向傳播時，抽取最后一層的輸出作為一維向量。當(dāng)全連接層的神經(jīng)元數(shù)量與其相同時，在輸出層能夠獲得相對應(yīng)的分類向量?？偨Y(jié)上述階段為：輸入階段;2個特征映射，以及分類階段。

1.1 卷積層

卷積層的功能是實現(xiàn)上一層與多卷積核的計算，通常需要增加偏置來獲得各層的計算結(jié)果，計算過程的公式：

2 變電設(shè)備運行狀態(tài)監(jiān)測模型

為利用卷積神經(jīng)網(wǎng)絡(luò)開展變電設(shè)備的狀態(tài)估計，需要先明確變電設(shè)備具有的狀態(tài)種類。

2.1 正常狀態(tài)

指變電設(shè)備能夠正常運行，所獲得的狀態(tài)監(jiān)測數(shù)據(jù)處于正常閾值范圍之內(nèi)。

2.2 注意狀態(tài)

變電設(shè)備的某些狀態(tài)監(jiān)測數(shù)據(jù)具有向需注意的狀態(tài)變化趨勢。

2.3 異常狀態(tài)

變電設(shè)備的部分重要監(jiān)測數(shù)據(jù)變化較大，已經(jīng)出現(xiàn)了超過閾值的現(xiàn)象，需要采取相應(yīng)的處理措施。

2.4 嚴(yán)重狀態(tài)

變電設(shè)備的單個或多個重要監(jiān)測數(shù)據(jù)已嚴(yán)重超過閾值，需要立刻采取停電檢修的處理措施。

為實現(xiàn)變電設(shè)備的上述4種狀態(tài)估計，研究提出如圖2所示的狀態(tài)監(jiān)測數(shù)據(jù)處理方法。

從圖2可看出，首先對變電設(shè)備的狀態(tài)監(jiān)測數(shù)據(jù)進行自動編碼，獲得數(shù)據(jù)中蘊含的特征；然后，對低維特征進行狀態(tài)分類，以概率的形式輸出結(jié)果，其分類由多個卷積層、子樣層和全連接層來實現(xiàn)；最后，在輸出層中，利用Softmax分類器實現(xiàn)變電設(shè)備不同狀態(tài)的分類。

3 實驗結(jié)果及分析

3.1 實驗條件

為驗證本文提出方法的有效性，采用變電設(shè)備中的變壓器作為典型研究對象，利用仿真生成的數(shù)據(jù)進行實驗驗證和評估。仿真數(shù)據(jù)中，4種狀態(tài)的數(shù)據(jù)均為280個樣本，利用N代表正常狀態(tài)、C代表注意狀態(tài)，A代表異常狀態(tài)，S代表嚴(yán)重狀態(tài)，為了獲得較好的卷積神經(jīng)網(wǎng)絡(luò)性能，采用10倍交叉驗證方法擴充訓(xùn)練樣本，實驗數(shù)據(jù)如表1所示。

在衡量狀態(tài)分類性能方面，本文采用4個指標(biāo)來量化評估分類結(jié)果，分別為：準(zhǔn)確性（Acc）、靈敏度（Sen）、特異性（Spe）和陽性預(yù)測性（Ppr）。

（1）Acc表示整體分類性能，即被正確分類的樣本占總樣本的百分比；

（2）Sen代表對整體分類的結(jié)果中，正確分類的非健康樣本的百分比；

（3）Ppr代表所有的非健康樣本中，被正確分類的非健康樣本的百分比；

（4）Spe代表所有健康樣本中，被正確分類的健康樣本的百分比。

3.2 實驗結(jié)果

采用上述實驗數(shù)據(jù)開展實驗驗證，并將本文提出的方法與SVM、多層感知機進行對比，采用上述4個量化指標(biāo)進行結(jié)果評價。實驗過程中，對實驗數(shù)據(jù)進行降維后，再進行4種狀態(tài)的分類，其中采用基于自動編碼和主成分分析2種降維方法，可獲得6種對比實驗條件，即AE CNN-MLP、AE CNN-SVM、AE CNN-Softmax、PCA CNN-MLP、PCA CNN- SVM和PCA CNN-Softma，所獲得的實驗結(jié)果如表2所示。

由表2可知，使用2種降維方法獲得的實驗結(jié)果，提出的方法具有明顯的優(yōu)勢。其中，基于AE降維方法獲得的實驗結(jié)果，本方法獲得的Acc、Sen和Spe指標(biāo)均優(yōu)于其他2類方法；基于PCA降維方法獲得的實驗結(jié)果，本方法獲得的Acc、Ppr和Spe指標(biāo)均優(yōu)于其他2類方法，上述對比實驗結(jié)果在一定程度上證實了本文提出方法的有效性。

采用實測數(shù)據(jù)對本文提出的方法開展適應(yīng)性驗證，實驗數(shù)據(jù)來自于變電站中的2018年5月至2018年10月監(jiān)測數(shù)據(jù)，覆蓋了變壓器狀態(tài)監(jiān)測的26種數(shù)據(jù)，包括阻值、電壓、油溫、油位等。實驗過程中利用10 000條數(shù)據(jù)進行模型訓(xùn)練，利用1 000條數(shù)據(jù)進行驗證，實驗結(jié)果采用ROC曲線進行評估，驗證本文提出方法的泛化能力。2個組實驗結(jié)果的ROC曲線如圖3、圖4所示。

從圖3可以看出，提出方法的正檢率可達95.1%，另外2種方法的正檢率分別為88.4%和86.0%。從圖4所示的實驗結(jié)果，提出方法的正檢率可達94.9%，另外2種方法的正檢率分別為89.1%和85.5%。因此，無論是使用變壓器實測數(shù)據(jù)開展模型訓(xùn)練，還是模型測試，實驗結(jié)果均證明了本文提出方法的有效性。

4 結(jié)語

開展的變電設(shè)備的狀態(tài)估計方法研究，在對其狀態(tài)監(jiān)測數(shù)據(jù)指標(biāo)特征約減的基礎(chǔ)上，采用卷積神經(jīng)網(wǎng)絡(luò)深入挖掘其中蘊含的價值信息，進而利用Softmax分類器實現(xiàn)4種狀態(tài)的估計。分別采用仿真數(shù)據(jù)和實測數(shù)據(jù)，與其他2種方法開展了對比實驗，并采用量化評價指標(biāo)評估了方法的性能，證明了提出的基礎(chǔ)卷積神經(jīng)網(wǎng)絡(luò)方法的有效性，以及實現(xiàn)變電設(shè)備狀態(tài)估計的可行性，為變電設(shè)備的狀態(tài)估計提供了一種切實可行的基礎(chǔ)方法。

【參考文獻】

［1］ZHONG J，LI W.Determining Optimal Inspection Intervals in Maintenance Considering Equipment Aging Failures［J］.IEEE Transactions on Power Systems，2017，32（2）： 1474-1482.

［2］李澤宇，王逸飛.考慮在線監(jiān)測信息的電力變壓器時變停運模型［J］.電力系統(tǒng)自動化，2017，41（8）： 63-68.

［3］鄭一鳴，何文林，王文浩，等.基于多源信息的電力變壓器全量狀態(tài)評價模型［J］.智能電網(wǎng)，2016，4（9）： 894-900.

［4］YUANBO Y E，YUEQIN S，TAIGUI H，et al.On-line state detection technology of relay protection relevant secondary circuits［J］.Automation of Electric Power Systems，2014，41（12）： 156-159.

［5］TU D，XINBO H，JIE S，et al.on-line monitoring system for capacitive equipment insulation condition in intelligent substation［J］.Electric Power Construction，2014，52（6）： 43-60.

［6］MOLDOVEANU C，HATEGAN I，RUSU A，et al.Smart grids：On-line monitoring and condition assessment of high voltage substations［C］.［s.1.］：IEEE Pes International Conference on Transmission & Distribution Construction，2017.

［7］樂健，李星銳，周謙，等.電力系統(tǒng)多區(qū)域分布式狀態(tài)估計方法［J］.電力自動化設(shè)備，2020，40（5）： 165-173.

［8］LECUN Y，BOTTOU L.Gradient-based learning applied to document recognition［J］.Proceedings of the IEEE，1998，86（11）：2278-2324.

收稿日期：2022-10-31；修回日期：2023-04-06

作者簡介：范德和（1986-），男，碩士，高級工程師，主要從事變電設(shè)備運行、檢修、安全等管理研究；E-mail：dehefan@163.com。

基金項目：廣東電網(wǎng)有限責(zé)任公司科技項目（項目編號：GDKJXM20190154（032000KK52190001））。

引文格式：范德和，李新海 ，周 恒，等.基于卷積神經(jīng)網(wǎng)絡(luò)的設(shè)備運行狀態(tài)智能控制優(yōu)化模型分析[J].粘接，2023，50（6）：179-182.