賴 奎,戴雄杰,潘松波,蘇博波

(廣東電網(wǎng)有限責(zé)任公司江門供電局,廣東 江門 529000)

0 引言

配電終端作為配電自動(dòng)化中重要的監(jiān)測(cè)與控制設(shè)備,其可靠性對(duì)配電網(wǎng)安全、穩(wěn)定運(yùn)行有重要作用[1-2]。在實(shí)際運(yùn)行過(guò)程中,受安裝環(huán)境與產(chǎn)品性能、質(zhì)量的差異影響,配電終端容易發(fā)生異常甚至故障[3-4]。配電終端的采集模塊作為配電網(wǎng)分段點(diǎn)、分支點(diǎn)、柱上開(kāi)關(guān)、環(huán)網(wǎng)柜等線路與設(shè)備的實(shí)時(shí)計(jì)量裝置,如果發(fā)生故障,將會(huì)導(dǎo)致測(cè)量數(shù)據(jù)與真實(shí)數(shù)據(jù)差距過(guò)大。失真的數(shù)據(jù)會(huì)使得電網(wǎng)人員因?qū)υO(shè)備運(yùn)行狀態(tài)誤判而導(dǎo)致操作失誤,從而影響整個(gè)配電網(wǎng)的運(yùn)行、降低配電網(wǎng)的可靠性[5]。傳統(tǒng)的配電終端診斷方式依賴人工,效率低下,不能及時(shí)發(fā)現(xiàn)故障并識(shí)別故障類型,已經(jīng)無(wú)法滿足當(dāng)前對(duì)配電自動(dòng)化設(shè)備可靠性的需求[6-7]。

文獻(xiàn)[8]通過(guò)云模型以及Dempster-Shafer證據(jù)理論,對(duì)配電終端的健康狀態(tài)進(jìn)行綜合評(píng)估。文獻(xiàn)[9]以配電終端的運(yùn)行狀態(tài)為依據(jù),對(duì)配電終端的狀態(tài)序列進(jìn)行判定,并進(jìn)一步對(duì)其進(jìn)行故障診斷。但這2種配電終端的故障診斷方法只能檢測(cè)出設(shè)備故障與否,并不能檢測(cè)出設(shè)備具體故障類型。文獻(xiàn)[10]采用融合關(guān)聯(lián)規(guī)則Apriori算法,通過(guò)分析關(guān)聯(lián)配電終端的故障產(chǎn)生原因及特征,對(duì)配電終端采集模塊故障進(jìn)行診斷。但這種方法所需提供的配電終端相關(guān)數(shù)據(jù)較多,分析較為復(fù)雜。上述文獻(xiàn)研究對(duì)配電終端故障診斷具有一定效果,但是均未針對(duì)采集模塊的具體故障診斷類型識(shí)別展開(kāi)深入研究。

本文提出1種基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)和Attention機(jī)制的配電終端采集模塊故障診斷方法,通過(guò)采集模塊電氣數(shù)據(jù)識(shí)別故障類型。由于配電終端運(yùn)行環(huán)境復(fù)雜,采集到的數(shù)據(jù)往往是由故障數(shù)據(jù)、噪聲數(shù)據(jù)等多種數(shù)據(jù)混合而成的復(fù)雜信號(hào),直接對(duì)其進(jìn)行故障識(shí)別較為困難。因此,本文首先使用短時(shí)傅里葉變換(short-time Fourier transform,STFT)對(duì)復(fù)雜信號(hào)進(jìn)行時(shí)頻特征提取,強(qiáng)化數(shù)據(jù)特征,以形成具有頻域特征的時(shí)頻圖;然后使用CNN-Attention模型對(duì)時(shí)頻圖進(jìn)行故障診斷。Attention機(jī)制能夠賦予不同通道特征圖權(quán)重,強(qiáng)化有利于故障診斷的特征通道,并抑制不利于故障診斷的特征通道,使模型在訓(xùn)練時(shí)收斂得更快、準(zhǔn)確率更高,從而有效地在噪聲環(huán)境中識(shí)別配電終端采集模塊的具體故障類型。

1 配電終端采集模塊故障分析

1.1 配電終端采集模塊故障概述

對(duì)配電終端采集模塊監(jiān)測(cè)的電氣數(shù)據(jù)進(jìn)行分析,能夠反映采集模塊互感器、轉(zhuǎn)換器等測(cè)量系統(tǒng)部件是否正常。這將有助于確保采集數(shù)據(jù)的真實(shí)性,進(jìn)而保證配電網(wǎng)的安全。

故障對(duì)應(yīng)邏輯如圖1所示。

在配電終端電壓、電流采集過(guò)程中,由于采集值受現(xiàn)場(chǎng)環(huán)境因素的影響,其與真實(shí)值會(huì)存在偏差。偏差在一定范圍內(nèi)的測(cè)量數(shù)據(jù)并不會(huì)對(duì)配電終端的可靠性造成影響,屬于正常的配電終端采集數(shù)據(jù)。但是,當(dāng)配電終端采集模塊中的某一部件發(fā)生損傷或故障時(shí),會(huì)導(dǎo)致配電終端采集到的電氣數(shù)據(jù)與真實(shí)數(shù)據(jù)產(chǎn)生較大差異。這種情況下,需要及時(shí)確定故障發(fā)生部位并對(duì)其進(jìn)行檢修。常見(jiàn)的配電終端故障類型有測(cè)量設(shè)備老化、互感器故障、濾波電路故障。有可能引發(fā)的故障現(xiàn)象為采集數(shù)據(jù)偏離均值甚至無(wú)采集數(shù)據(jù)。

1.2 采集模塊故障數(shù)據(jù)特征分析

根據(jù)配電終端采集模塊故障原因,可將采集數(shù)據(jù)分為正常數(shù)據(jù)、噪聲故障數(shù)據(jù)、震蕩衰減故障數(shù)據(jù)以及諧波干擾故障數(shù)據(jù)。本文通過(guò)建立故障對(duì)應(yīng)數(shù)據(jù)模型,驗(yàn)證后續(xù)故障診斷方法的可靠性。

①采集模塊正常時(shí)的數(shù)據(jù)模型。由于配電終端采集模塊中互感器、模數(shù)轉(zhuǎn)換器等裝置在現(xiàn)場(chǎng)實(shí)際運(yùn)行過(guò)程中會(huì)受到溫度、濕度等環(huán)境因素干擾,使得采集值含有隨機(jī)噪聲。該噪聲一般呈高斯分布。

采集模塊測(cè)量誤差的正常數(shù)據(jù)模型如式(1)所示。

f1(t)=Asin(ωt+φ)+N(0,δ2)

(1)

式中:N(0,δ2)為均值為0、方差為δ2的高斯噪聲;t為時(shí)間;ω為測(cè)量電壓或者電流的角頻率;A為測(cè)量電壓或電流的幅值;φ為測(cè)量電壓或電流的相角。

②噪聲干擾采集模塊故障模型。在配電終端采集模塊中,互感器等信號(hào)處理裝置或信號(hào)傳輸單元發(fā)生故障時(shí)均有可能導(dǎo)致測(cè)量值的精度失真。這樣的故障情況采集到的數(shù)據(jù)一般帶有噪聲偏大的特性,因此被稱為大噪聲故障數(shù)據(jù)。此時(shí)的故障數(shù)據(jù)模型如式(2)所示。

(2)

③震蕩衰減采集模塊故障模型。當(dāng)配電終端中的測(cè)量設(shè)備老化或性能衰減時(shí),測(cè)量數(shù)據(jù)往往具有一定的震蕩衰減特征。此時(shí)的故障數(shù)據(jù)模型如式(3)所示。

f3(t)=e-btAsin(ωt+φ)N(0,δ2)

(3)

式中:b為衰減指數(shù)。

④諧波干擾采集模塊故障模型。當(dāng)配電終端中的測(cè)量元件受到環(huán)境干擾或元件故障時(shí),會(huì)使得測(cè)量的交流量偏離基頻。如電磁式互感器的勵(lì)磁特性劣化時(shí),會(huì)發(fā)生鐵磁諧振,致使測(cè)量量中含有高次諧波分量。此時(shí)的故障數(shù)據(jù)模型如式(4)所示。

f4(t)=Asin(ωt+φ)+A2sin(2ωt+φ2)+

A3sin(3ωt+φ3)+…+N(0,δ2)

(4)

式中:A2、φ2、A3、φ3分別為產(chǎn)生的2次和3次諧波幅值與相角。

1.3 STFT

以上建立的模型為配電終端采集模塊故障時(shí)的時(shí)域模型,只能反映采集模塊故障時(shí)所采集到的數(shù)據(jù)與時(shí)間的關(guān)系。為了反映不同類型數(shù)據(jù)特征,本文引入STFT,使得信號(hào)在時(shí)域和頻域中聯(lián)系,并經(jīng)過(guò)STFT將時(shí)域數(shù)據(jù)轉(zhuǎn)化為含有時(shí)域和頻域特征的時(shí)頻圖。

STFT是一種針對(duì)時(shí)變、非平穩(wěn)信號(hào)的時(shí)頻分析方法,實(shí)質(zhì)是信號(hào)在進(jìn)行傅里葉變換之前增加了1個(gè)時(shí)間限定的窗函數(shù)h(t)。本文假定非平穩(wěn)信號(hào)在一定的短時(shí)間內(nèi)為平穩(wěn)信號(hào),窗函數(shù)h(t)在信號(hào)上進(jìn)行移動(dòng),對(duì)信號(hào)進(jìn)行逐段轉(zhuǎn)換。STFT如式(5)所示。

(5)

式中:S為STFT;f(t)為變換前的時(shí)域信號(hào);h(t-τ)為窗函數(shù),τ為窗函數(shù)的中心。

本文選取海明窗函數(shù)作為本文窗函數(shù)。

(6)

式中:T為周期,即窗長(zhǎng)。

通過(guò)STFT對(duì)數(shù)據(jù)進(jìn)行時(shí)頻分析,可以將采集模塊所采集到的不同類型時(shí)域數(shù)據(jù)轉(zhuǎn)換為時(shí)頻圖,以作為后續(xù)故障診斷模型的輸入。

2 基于CNN-Attention的采集模塊診斷方法

2.1 CNN

CNN具有稀疏連接、權(quán)值共享的特點(diǎn)。其中,卷積層、池化層是CNN擁有強(qiáng)大特征提取能力的關(guān)鍵。CNN在圖像識(shí)別及診斷方面具有高效性。CNN模型如圖2所示。

圖2 CNN模型示意圖

采集數(shù)據(jù)時(shí)頻圖經(jīng)預(yù)處理后進(jìn)入CNN模型,經(jīng)過(guò)卷積層、池化層、激活函數(shù)以及全連接層完成時(shí)頻圖特征的提取、數(shù)據(jù)的降維,以及故障類型的識(shí)別與匹配。卷積層使用卷積核對(duì)時(shí)頻圖進(jìn)行卷積操作,并通過(guò)激活函數(shù)得到特征圖。卷積過(guò)程如式(7)所示。

(7)

f(x)=max(0,x)

(8)

在池化層,通常以最大池化作為池化方式。該方式能夠在保留經(jīng)過(guò)卷積層的明顯數(shù)據(jù)特征的同時(shí)降低模型的計(jì)算量,以減少訓(xùn)練時(shí)間,防止模型過(guò)擬合。全連接層將經(jīng)過(guò)卷積、池化操作后的特征圖展開(kāi),并通過(guò)激活函數(shù)得出分類類型。由于本文為多分類研究,因此本文以Softmax作為激活函數(shù),并將輸出結(jié)果映射為(0,1)之間的概率分布。

Softmax函數(shù)如式(9)所示。

(9)

式中:zi為第i個(gè)節(jié)點(diǎn)的輸出;C為分類類別的個(gè)數(shù)。

由于模型的目的是故障診斷與識(shí)別,可采用樣本交叉熵?fù)p失函數(shù)的平均值作為目標(biāo)函數(shù)。模型的訓(xùn)練過(guò)程可以看作是尋找神經(jīng)元參數(shù)最優(yōu)解的問(wèn)題,通過(guò)梯度下降法對(duì)目標(biāo)函數(shù)反向傳播以進(jìn)行參數(shù)優(yōu)化。

2.2 通道Attention機(jī)制

卷積運(yùn)算所提取的特征經(jīng)常會(huì)出現(xiàn)冗余的情況[11]。這類冗余的特征會(huì)干擾模型訓(xùn)練時(shí)的收斂甚至精度。Attention機(jī)制能夠有效解決這類問(wèn)題。本文的Attention機(jī)制選擇通道注意力機(jī)制(channel attention mechanism,CAM)。CAM能夠通過(guò)分析來(lái)自不同通道的特征信息,增強(qiáng)對(duì)故障診斷有利的特征信息通道權(quán)重,并削弱干擾故障診斷的信息通道權(quán)重。CAM運(yùn)行原理如圖3所示。

圖3 CAM運(yùn)行原理

CAM利用全局平均池化層將每個(gè)通道的輸入特征圖平均成1個(gè)值。該值帶有一定的全局特征。CAM通過(guò)2個(gè)全連接(full connected,FC)層以及激活函數(shù)對(duì)每個(gè)通道進(jìn)行加權(quán),以生成每個(gè)通道的權(quán)重。本文采用的FC層為2個(gè)卷積核大小為1的卷積層,以ReLU作為激活函數(shù)增加網(wǎng)絡(luò)的非線性能力。Sigmoid函數(shù)能夠?qū)?quán)重變量進(jìn)行歸一化變換,對(duì)原始輸入特征圖賦予權(quán)重后可得到新的特征圖。歸一化式如式(10)所示。

(10)

式中:p為歸一化前的權(quán)重變量。

3 算例分析

通過(guò)上述分析,本文對(duì)配電終端采集模塊數(shù)據(jù)進(jìn)行STFT,得到1 600張包含各類型數(shù)據(jù)特征時(shí)頻圖的故障數(shù)據(jù)集。該數(shù)據(jù)集包含正常樣本400張、噪聲故障樣本400張、震蕩故障樣本400張、諧波故障樣本400張。本文隨機(jī)選取數(shù)據(jù)集中的60%作為訓(xùn)練集用以訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型、20%作為測(cè)試集用以評(píng)價(jià)模型優(yōu)劣,剩余20%作為驗(yàn)證集。為說(shuō)明本文提出方法的有效性,本文設(shè)置3組模型,以對(duì)比故障診斷效果。

CNN-Attention故障診斷過(guò)程如圖4所示。

圖4 CNN-Attention故障診斷過(guò)程

方法一是采用CNN-Attention模型進(jìn)行故障診斷。原始采集模塊數(shù)據(jù)通過(guò)STFT之后得到特征更為明顯的時(shí)頻圖。訓(xùn)練集的時(shí)頻圖作為CNN-Attention神經(jīng)網(wǎng)絡(luò)模型的輸入,經(jīng)多個(gè)卷積層、池化層、全連接層以及Attention機(jī)制學(xué)習(xí)其數(shù)據(jù)特征后,可確定模型參數(shù)。每輪訓(xùn)練后使用測(cè)試集測(cè)試模型故障識(shí)別準(zhǔn)確率并通過(guò)反向傳播優(yōu)化模型參數(shù)。為避免模型產(chǎn)生過(guò)擬合現(xiàn)象,在全連接層中加入Dropout以隨機(jī)丟失20%神經(jīng)元。神經(jīng)網(wǎng)絡(luò)模型設(shè)置學(xué)習(xí)率為0.01、迭代次數(shù)為100次,即可得到較好的診斷效果。

方法二是采用CNN模型進(jìn)行故障診斷。其診斷流程與方法一類似,均為采用訓(xùn)練集訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型并通過(guò)反向傳播優(yōu)化模型參數(shù)。但方法二在神經(jīng)網(wǎng)絡(luò)模型的特征提取環(huán)節(jié)取消了Attention機(jī)制環(huán)節(jié),因此特征圖經(jīng)過(guò)第一個(gè)池化層后直接進(jìn)入第二次卷積操作。

方法三是采用極限學(xué)習(xí)機(jī)(extreme learning machine,ELM)進(jìn)行故障診斷[12]。ELM模型不用經(jīng)過(guò)多次迭代訓(xùn)練,通過(guò)選取隨機(jī)的輸入層權(quán)重和隱藏層偏置,以及廣義逆矩陣運(yùn)算即可得到輸出層參數(shù)。方法三使用的數(shù)據(jù)和預(yù)處理方法與上述2種方法相同。神經(jīng)網(wǎng)絡(luò)模型替換為ELM。

由于CNN需要經(jīng)過(guò)多次訓(xùn)練,模型收斂后準(zhǔn)確率仍然存在一定波動(dòng)。為保證故障診斷的可靠性,本文選取模型訓(xùn)練收斂后的平均準(zhǔn)確率作為模型準(zhǔn)確率。CNN-Attention模型在迭代100次后,模型的平均準(zhǔn)確率可以達(dá)到97.31%。CNN模型在迭代100次后,模型的平均準(zhǔn)確率可以達(dá)到96.09%。ELM模型無(wú)需進(jìn)行迭代訓(xùn)練,但其準(zhǔn)確率僅為92.91%。

方法一與方法二訓(xùn)練時(shí)的準(zhǔn)確率和損失值對(duì)比如圖5所示。

圖5 訓(xùn)練時(shí)的準(zhǔn)確率和損失值對(duì)比

由圖5可知,方法一和方法二的故障診斷準(zhǔn)確率大于方法三。這說(shuō)明CNN在圖像特征提取與分析能力方面優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)。CNN能夠有效提高故障診斷準(zhǔn)確率。

方法一故障診斷準(zhǔn)確率大于方法二。在訓(xùn)練過(guò)程中,CNN-Attention表現(xiàn)得比CNN更好,在迭代10次以后,CNN-Attention的損失值表現(xiàn)得比CNN更低。這說(shuō)明此時(shí)CNN-Attention模型故障診斷結(jié)果更加接近實(shí)際值。當(dāng)?shù)?0次以后,CNN-Attention準(zhǔn)確率比CNN更高且趨于收斂。CNN在迭代40次以后才趨于收斂并且后續(xù)準(zhǔn)確率波動(dòng)較大。對(duì)比結(jié)果說(shuō)明,Attention機(jī)制能夠自學(xué)習(xí)每個(gè)特征通道的重要程度,通過(guò)賦予不同重要程度特征通道相應(yīng)的權(quán)重值,在模型診斷過(guò)程中抑制不利于故障診斷的特征通道、加強(qiáng)有利于故障識(shí)別的特征通道,從而加快了神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)的收斂速度、提高了故障診斷的準(zhǔn)確率。

方法一驗(yàn)證集混淆矩陣如圖6所示。

圖6 方法一驗(yàn)證集混淆矩陣

由圖6可知,模型對(duì)諧波故障和震蕩故障的識(shí)別率能夠達(dá)到100%。模型將6個(gè)噪聲故障樣本識(shí)別為正常,并將1個(gè)正常樣本識(shí)別為噪聲故障。這是因?yàn)樵肼暪收吓c正常樣本的特征差異僅在于信號(hào)中夾雜噪聲的大小。特征不夠明顯會(huì)導(dǎo)致模型誤判。但整體診斷結(jié)果表明,所提方法可以有效識(shí)別配電終端采集模塊的故障類型。

4 結(jié)論

準(zhǔn)確的故障類型識(shí)別能夠?yàn)榕潆娊K端采集模塊的運(yùn)維提供參考。本文提出的基于STFT和CNN-Attention的故障診斷模型對(duì)于配電終端采集模塊具體故障類型具有較高的識(shí)別率。CNN能夠有效提取經(jīng)STFT后的時(shí)頻圖特征。Attention機(jī)制使CNN訓(xùn)練時(shí)能夠更加注重有利于故障診斷的特征,從而加快模型收斂速度、提高模型準(zhǔn)確率。本文方法能為配電終端智能化運(yùn)維提供參考。后續(xù)研究將進(jìn)一步考慮配電終端采集模塊的復(fù)合故障。