基于MA-DBN算法的GIS故障预测

2020-10-29黄新波朱永灿吴明松马玉涛

西安工程大学学报 2020年5期

王宁,黄新波,朱永灿,吴明松,马玉涛

(西安工程大学电子信息学院,陕西西安 710048)

0 引言

GIS对保护电力设备和调控设备入网运行有重要作用，又因SF6气体具有优良的绝缘性能和灭弧性能,从而可以大大减少开关类设备的故障率,使得GIS在电网中大量使用。据国家电网调查显示,GIS常见故障中,机械故障占比39.3%,气体绝缘故障占比38.1%,气体泄漏故障占比9.5%,其他类型故障占比13.1%[1],因此对SF6气体进行监测与故障预测可以有效检测出GIS的大多数故障信息,具有重要现实意义。

目前,对GIS的检修一般是定期检修,定期检修虽然能减少设备故障的发生,但也存在费时费力、盲目检修的缺点。近年来人们尝试通过在线监测技术对其维护与检修,许渊等研究了GIS内亚毫米级金属颗粒的运动机制和局部放电机制,讨论了特高频在线监测方法的实效问题[1]。郭伟等通过对SF6气体分解产物中的SO2、SOF2、H2S、CO等成分含量的在线监测,快速查找到故障点所在的气室位置,但对于导致气体成分变化的故障类型未做研究[2]。张迎亚等提出采用主观赋权法和客观赋权法结合的GIS状态评估方法,判断GIS设备运行状态,这种方法可以系统全面的评估GIS健康状态,却不能为更细致的故障检修提供参考[3]。

目前,如何根据运行参数对GIS故障进行准确诊断,成为需要重点攻克的关键技术,在此基础上,国网提出了智能状态检修的新概念。它主要是通过对设备的运行状况进行实时监测,然后利用计算机将监测到的数据快速地分析,同时结合智能算法分析得出检修结论,最终根据结论来安排必要的检修。张利等研究了局部放电现象致使GIS电磁感应振动的发生机理,通过构建粒子群算法优化支持向量机的模型实现了对不同放电程度的模式识别,在一定程度上促进了GIS局放方面的研究[4]。

随着对SF6气体分解机理的深入了解与检测技术的发展,利用SF6气体在电弧、放电和过热作用下存在分解现象的特点,通过检测SF6分解产物体积分数诊断设备内部是否存在故障,已经成为SF6电气设备故障诊断的一种有效方法,许多国家的供电部门已把SF6气体分解产物检测应用于GIS的运行维护中。

在此基础上,本文提出一种针对SF6分解气体含量的故障预测方法,故障预测作为状态检修的有效手段之一,相较于故障诊断,是一种更高级的维修保障技术,涉及了机械、材料、电子、控制、通信以及计算机技术和人工智能等学科,属于综合的新兴边缘学科。通过采用时间序列分析中的移动平均模型,对SO2、SO2F22种气体进行预测,预测结果融合GIS的气室条件(如密度、温度、压力)历史数据,通过DBN对未来GIS气室内气体的含量进行预测,并对预测的结果采用GIS故障诊断的方法进行分析,最终得到GIS未来的故障发生情况及类型。

1 基于MA的GIS故障预测模型

SF6电气设备的故障主要有放电和过热,放电主要包含3类:电弧放电、火花放电和电晕放电。放电和过热时均会产生能量,促使SF6气体发生分解,在放电作用下分解的主要成分是SF4和电极或容器的金属氧化物[5],在有水汽、氧存在时,SF4与其发生反应而最终生成SOF2、SO2F2、SO2、HF等化合物。如图1所示。

图 1 SF6气体分解图Fig.1 Diagram of SF6 gas decomposition

在放电状态下,不同的放电类型产生的能量不同,促使SF6气体在不同的能量条件下分解为不同的稳定物[6],研究发现SO2F2/SO2比值存在一定的规律性,电晕放电时,其比值常在4.0～6.0甚至更高的范围内,火花放电多集中于2.0～3.5,电弧放电时其比值最小,多为0.1～0.3,随放电的剧烈程度增加而减小。SO2与SO2F2是放电故障时大量产生的物质,考虑其同时具有较好的稳定性,监测会更加方便准确,因此将SO2、SO2F2、SO2F2∶SO2值作为研究对象。文章数据来源于某变电站220 kV电压等级GIS的观测数据,部分数据见表1。

表 1 SF6分解气体特征数据Tab.1 Characteristic data of SF6 decomposition gas

对GIS未来的故障状况进行预测时,需要对GIS未来的气室气体情况进行分析。本文依据GIS气室分解气体含量历史数据,采用时间序列分析的方式,对未来GIS气室分解气体SO2、SO2F2含量分别进行单变量预估。MA适用于未来较短时间的预测,是时间序列分析中应用较为广泛的模型[7]。

设观测序列为y1,y2,…,yt，即模型输入,取移动平均的项数N

(1)

(2)

因此:

(3)

式中:t=N,N+1,…,T。其预测误差为

(4)

当历史数据发展较为平稳,但随机变动较多时,应该扩展历史数据总量,即N值增大,通过扩大样本的方法,弥补抖动造成的随机误差。

MA模型可以分别对SO2、SO2F2含量进行单变量预估,考虑到在GIS内部分解气体演化中,各成分分解气体含量的发展过程往往存在一定关联,因此对预测出的SO2、SO2F2气体进行关联度分析即通过DBN模型进行预测误差修正,会大大提升预测准确率。

2 MA-DBN故障预测模型构建

2.1 DBN模型

DBN作为神经网络的一种,基本单元由神经元组成，其在特征识别、数据降维、分类预测等方面性能突出,目前开始逐步应用于电力设备故障诊断领域,可有效提升算法准确率[8]。DBN网络通常由受限玻尔兹曼机(restricted Boltzman machine,RBM)单元组成。RBM是一种层内神经元无连接,层间互连的无向图模型,结构如图2所示。

图 2 RBM无向图模型Fig.2 RBM undirected graph model

RBM网络分为2层:隐含层h和可见层v。隐含层由n个隐含的随机变量构成:h=(h1,h2,h3,…,hn);可见层由m个随机变量构成v=(v1,v2,v3,…,vm),用于表示观测的数据。RBM可视为基于能量的模型,其能量函数定义为

(5)

式中:vi为可见层单元i的取值;hj为隐含层单元j的取值,取值为0和1时表示该单元处于未激活态和激活态;wij为可见单元vi与隐单元hj之间的连接权重；ai为可见单元vi的偏置；bj为隐单元hj的偏置；n为隐层节点数量；m为显层节点数量；ai、bj、wij均为实数；θ=(a,b,w)构成RBM的模型参数[9]。

对于RBM所包含的m个可见单元和n个隐单元,给定隐单元h,可以计算可见单元v的条件概率,相反,给定可见单元v,可以计算隐单元的条件概率。由此,可以推导出隐层节点的激活概率为

(6)

类似,显层节点的第i个节点激活概率为

(7)

式中:σ()表示激活函数。

2.2 基于MA-DBN的故障预测模型

首先通过3层RBM自动提取输入变量之间的相关特性,并采用梯度下降法进行模型调优,然后利用3层BP网络进行故障分类预测,模型结构如图3所示。模型输入为SO2、SO2F2、SOF2、密度、气室压力、气室温度,模型输出为局部放电故障类型,有电弧放电、火花放电、电晕放电、正常4种,为了方便计算将其分别编码为0001、0010、0100、1000。

图 3 DBN故障预测模型Fig.3 Model of DBN fault prediction

模型输入按规则整条输入至可见层v1,采用逐层无监督贪婪学习(contrastive divergence,CD)算法对3层RBM逐层训练,以训练RBM模型对该层特征向量映射达到最优[10]。

1) 初始化网络,确定可见层,隐含层单元数m、n,设定学习率,随机选取连接权重和偏置向量值,确定模型学习率和训练最大周期T。

2) 输入无标签样本,映射可见层到隐藏层。对隐含层所有隐单元计算,从条件分布P(h1j|v1)抽取h1j∈{0,1}。

3) 对可见层根据式(7),从P(v1i|v1)中抽取v2i∈{0,1}。

4) 根据式(6),对隐含层所有隐单元进行计算。

5) 更新权重及其各偏置值:

重复步骤2)～5),达到迭代次数最大值或符合要求的重构误差时,停止该层RBM的训练[11]。

单层RBM训练结束后,将前一层RBM单元的隐藏层作为一下个RBM的可见层,输入特征数据,自下而上对每层RBM进行预训练,保证单层RBM映射关系最佳[12-13]。为了保证整个DBN网络模型映射达到最优,采用梯度下降法对整个DBN网络进行监督学习[14-16],反向微调网络权重。

整个训练过程分为以下几步:

1) 采集GIS气体特征数据,选取特征量为SO2、SO2F2、SOF2、密度、气室压力、气室温度,划分为训练样本和测试样本。

2) 样本数据归一化,将SO2、SO2F2特征数据输入至MA算法模型分别进行预测。

3) 将预测结果和SOF2、密度、气室压力、气室温度作为一组特征量输入至DBN算法模型,训练网络保存权重参数。

4) 利用步骤3)中训练好的MA-DBN网络对测试样本逐一进行预测,评估模型性能[17]。

通过实验发现,网络的结构决定了算法预测的准确度,当RBM层数由1提升为3时,准确率快速上升,3层以后准确率基本稳定,提升效果甚微,所以本文确定RBM为3层,训练周期为200,模型输入设定为18,输出设定为6,中间层为70,即网络结构为18-50-50-50-20-6,模型的整体网络结构如图3所示。

3 算例分析

以西北某城区配电网中GIS的SF6在线监测装置采集的数据为例,选取2016年3月1日到12月5日共400组数据为训练集,挑选故障类型数据共50组样本作为测试集。评价结果采用平均绝对百分误差(mean absolute percentage error,MAPE):

(8)

图 4 误差修正后预测误差Fig.4 Prediction error after error correction

对预测SO2、SO2F2结果进行分析,计算SO2F2/SO2的比值得出局放故障类型,其中电弧放电故障类型样本个数为14,分类错误为2次,模型预测准确率为85.7%。火花放电故障类型样本10个,分类错误1个,预测准确率90.0%。正常样本18个,预测错误1个,预测准确率94.4%。模型的整体准确率达到了92.0%。MA-DBN算法故障预测结果如图5所示。

图 5 MA-DBN模型的故障类型预测结果Fig.5 Fault type prediction results of MA- DBN algorithm model

将本文所提的方法与支持向量机(support vector machines, SVM),BP神经网络预测进行对比[20-21],其准确率计算结果如表2所示。通过对比可以看到MA-DBM预测模型对不同放电类型的预测准确率相对更高,其模型整体更可靠。

表 2 不同算法预测结果对比Tab.2 Comparison of prediction results of different algorithms

为分析训练样本对预测效果的影响,分别测试了100、200、400、600、800组训练数据的预测情况。结果显示,在200组训练数据内,MA-DBN、SVM、BP的预测效果基本一致,在训练样本增加至800时,MA-DBN模型的预测效果要远优于其他2种算法。由此可见深度信念网络在面对大数据类型时具有更好的数据挖掘能力，也验证了MA-DBN模型用于GIS故障预测的有效性。

将以上算法模型融入至软件平台中,实时采集SF6分解气体数据输入软件平台进行分析处理,判断设备运行状况,为检修人员提供检修依据和指导。通过算法模型的试运行结果过来看,文中方法使GIS故障预测更加高效,可以更早的发现故障隐患,做好防控工作。