一种基于深度学习算法的电网故障诊断方法

赵雪松谢蓓敏张宏伟

（1.国网吉林省电力有限公司，吉林长春 130000；2.国网吉林省电力有限公司检修公司，吉林长春 130000）

一种基于深度学习算法的电网故障诊断方法

赵雪松1谢蓓敏2张宏伟2

（1.国网吉林省电力有限公司，吉林长春 130000；2.国网吉林省电力有限公司检修公司，吉林长春 130000）

电网故障原因复杂，开关和保护的误动、拒动以及信道的信号干扰均会给传统的浅层智能模型带来困难，所以需要从更深入的层面表征电网故障，并对其进行故障诊断。针对这一问题，本文提出一种基于深度学习算法的电网故障诊断方法，该算法利用由Convolution层、Pooling层、Flatten层及MLP层构成的深度网络结构，对电网故障信息进行学习并获得对应的诊断模型。试验表明PGFD-DL算法具有更高的稳定性与精度。

电网；故障诊断；深度学习；神经网；深层表达

随着电网规模的不断扩大，变电站自动化和无人值班得到了广泛的关注。电网自动化管理的一个关键环节就是能够对电网出现的故障进行诊断，并调整相应的保护装置［1，2］。当前很多人工智能算法被应用到了电网故障诊断领域，并取得了较好的应用效果［3］。

然而电网故障原因复杂，开关和保护的误动、拒动以及信道的信号干扰均会给传统的浅层智能模型带来困难，所以需要从更深入的层面表征电网故障，并对其进行故障诊断。针对这一问题，本文提出了一种基于深度学习算法的电网故障诊断方法（Power Grid Fault Diagnosis Method Based on Deep Learning Algorithm，PGFD-DL），该算法利用由Convolution层、Pooling层、Flatten层以及MLP层构成的深度网络结构，对电网故障信息进行学习获得对应的模型。然后引入电网实际运行数据，PGFD-DL与传统神经网算法、决策树算法及随机森林算法进行对比，表明PGFD-DL算法具有更好的稳定性与精度。

1 一种基于深度学习算法的电网故障预测方法

本文构造了一种深度学习算法的电网故障预测方法，其深度网络结构如图1所示。

图1 深度网络结构

如图1所示，本文提出的算法包含4个组成部分：Convolution层、Pooling层、Flatten层及MLP层。卷积层连接输入数据，对于卷积层其输入为对于一个二维矩阵I，该卷积层对应的一个m行n列的核K计算产生对应的公式为：

式（1）中，s的每一个元素均通过该公式计算获得，一个卷积层可以对应多个核，每个核Kernel对应一个输出s。Pooling层连接Convolution，Pooling指定一个filter的大小通过该filter将输入矩阵划分为多个子部分，而每个子部分经过计算获得一个输出值。该层在默认情况下使用Max求子部分的最大值，当然也可以选用Mean、Stdv等方式进行计算。Flatten层将Pooling层的输出转换为1维矢量并连接MLP层；MLP层为一个3层神经网连接Flatten层包含一个隐层、一个输出层。对于该深度网络结构，其训练算法如下：

根据该算法可以基于训练的效果动态地添加核，直到精度满足要求。在该算法基础上，模型的获取及故障诊断过程如下：①对于每一个样本数据截取该样本所在时间点之前的s秒所有电网采样数据，构成一个数据矩阵M，该矩阵的横向为不同的采样点，纵向为对应采样点不同的属性，转换所有样本构成训练样本集合Train Set；②利用TrainModel算法获得深度网络结构DeepMod⁃el；③对应电网当前的时间点截取该样本所在时间点之前的s秒所有电网采样数据，构成待分析数据矩阵M，将M输入给DeepModel获得诊断结果。

2 试验验证

为了验证算法的诊断能力，本文引入电网2015年的真实的运行数据，截取其中1 000个存在故障的时间点和1 000个正常运行的时间点作为样本，随机选取其中100，200，……，1 000共10组数据作为训练数据，随机选取1 000个样本作为测试数据。PGFD-DL与传统神经网算法、决策树算法及随机森林算法进行对比，4种算法的诊断精度如表1所示。

表1 4种算法的诊断精度

从表1中可以看出，决策树算法的诊断精度在4种算法中是最低的，传统神经网算法虽然精度略有提高，随机森林算法分类精度接近神经网稳。PGFD-DL算法对于10组训练样本获得的诊断精度均高于另外3种算法，在1 000个样本时达到了最高的92%。4种算法诊断精度对比如图2所示。

从图2中可以看出，PGFD-DL在分类精度和稳定性方面均优于另外3种算法。

3 结论

本文提出了一种基于深度学习算法的电网故障诊断方法，该算法通过建立一个深度网络结构，可以对电网故障的信息进行分析获得深层次电网故障知识。通过将PGFD-DL与传统神经网算法、决策树算法及随机森林算法进行对比，结果表明PGFD-DL在分类精度和稳定性方面均优于另外3种算法。本文提出的算法对保证电网系统安全运行提高供电可靠性具有十分重要的应用价值。

［1］杜一，张沛超，郁惟铺.基于事例和规则混合推理的变电站故障诊断系统［J］.电网技术，2004（1）：34-37.

［2］毕天妹，倪以信，吴复立，等.基于新型神经网络的电网故障诊断方法［J］.中国电机工程学报，2002（2）：33-38.

［3］陈平，谢志江，欧阳奇多层传递函数的量子神经网络在汽轮机故障诊断中的应用［J］.动力工程，2007（4）：569-572.

A Power Grid Fault Diagnosis Method Based on Deep Learning Algorithm

Zhao Xuesong1Xie Beimin2Zhang Hongwei2
（1.State Grid Jilin Electric Power Co.Ltd.，Changchun Jilin 130000；2.State Grid Jilin Electric Power Co.Ltd.Maintenance Branch，Changchun Jilin 130000）

Because of the complex cause of grid fault,the malfunction and failure of switch and protection,and the signal interference of channel will bring difficulties to the traditional shallow intelligent model.Therefore,it is neces⁃sary to characterize grid fault and diagnose it in a deeper level.In order to solve this problem,a power grid fault diag⁃nosis method based on deep learning algorithm(PGFD-DL)was proposed.This algorithm utilizes the Convolution lay⁃er,Pooling layer,Flatten layer and MLP Layer to construct a deep network structure,the grid fault information can be learned and get the corresponding diagnostic model.Experiments show that PGFD-DL algorithm has higher stability and accuracy.

power grid；fault diagnosis；deep learning；neural network；deep expression

TM711

A

1003-5168（2016）12-0053-02

2016-11-25

赵雪松（1972-），男，本科，高级工程师，研究方向：电力系统及其自动化。