基于深度神经网络的电力信息通信组件功能缺陷检测

孙刚 邹文景

（南方电网数字电网研究院有限公司 广东省广州市 510000）

电力信息通信组件是我国电力控制系统的关键组成部分，由于现如今社会对于电力的需求量逐渐增大，使得这部分的市场相对较为开阔，在面对缺陷时，需要设计相对应的检测方法，在进行运行之前，对相关的设备以及仪器进行检测，或者当设备发生一定的异常情况时，可以利用相关的检测方法来找出问题的所在，以此来保证其他的组件的安全性[1]。利用新时代的科技，对传统的检测方法进行更新发展，使其具有更强的灵活应变性和实际应用性，进一步完善我国的检测技术和检测结构。

1 电力信息通信组件功能缺陷检测方法探析

1.1 进行检测损失参数的获取

在设计电力信息通信组件功能缺陷检测方法之前，需要先对测试相应的损失参数进行获取。将电力控制系统调整为多处理模式，保证在获取指标参数的过程中可以稳定运行。完成之后，将系统平台的其他控制区域的指标进行更改。管控属性变更为检测模式、惯性向量调整为0.4354。在此基础上，再将训练单元的数值变更为d=37。将这个数值条件添加在电力通信传输的规避窗口之中，并进行保存[2]。将通信组件进行分离式的管控，实际应用功能的通信组件为一组，作为基础层级结构，而其余的高层级的处理通信组件则为顶层结构。完成之后，对所获取的相关数据进行汇总整合，然后利用其来计算对应的检测损失指标参数，具体如下公式（1）所示：

公式（1）中：Q表示实际的检测损失指标参数，B表示检测极限值，e表示优化注解率，m表示通信组件的最大的检测范围，表示通信组件的最小的检测范围。通过以上计算，可以最终得出对应的检测损失指标参数。通过这个指标参数，来对检测的基础条件进行判断，如果超出这个数值范围，就表明检测的环境相对异常，需要重新建立，反之，如果在这个数值范围之内，就表明检测的环境相对于正常情况，可以进行后续的操作。

1.2 建立anchor功能缺陷检测算法

在完成检测损失参数的获取之后，接下来，需要建立anchor功能缺陷检测算法，来细化检测的结构。首先，针对目前阶段电力通信组件功能效率低下、执行程度低等缺陷，制定对应的检测方案[3]。可以先对比不同的检测指标，并对相关的结果进行调整，以此来保证检测环境的稳定性，再建立对应的检测算法，实现最终检测环境的构建。对不同的检测指标进行对比，具体如表1所示。

依据表1中的数据信息，进行检测指标的对比。完成之后，利用以上获取的数据以及测量得到相关信息，进行anchor功能缺陷检测算法的构建，具体公式（2）、（3）、（4）如下所示：

表1：检测指标标准对比表

公式（2）、（3）、（4）中：M、N、Y表示目标检测率的实际值，θ表示应用函数，表示通信组件的执行固定比，σ表示变换指数。通过以上计算，最终可以得出具体的目标检测率的实际值。利用这个数值，来对检测的应用过程进行具体的分析，并对相关的标注异常点作出一定的关联，以此来提升整个检测方法的效率和质量。

1.3 构建深度学习的缺陷检测模型

在完成anchor功能缺陷检测算法的建立之后，接下来，进行深度学习的缺陷检测模型的构建。其实，在检测的过程中，存在一种独立的缺陷神经元RBM，这种神经元通常情况下是随机的，它会无规律地出现在检测的过程中，并且会对最终的检测结果造成一定的影响。但是它具有两种状态，激活和未激活，所以，只要RBM神经元处于未激活的状态，就可以保证最终检测结果的真实可靠性。利用概率统计法将独立神经元做分离操作，同时对其粒子数量进行测量。完成测量之后，依据所获得的数据信息进行检测模型隐藏单元的定义，如下公式（5）所示：

公式（5）中：V表示检测模型隐藏单元定义值，h表示优解目标指数，f表示应用执行系数。通过以上计算，最终可以得出对应的检测模型隐藏单元定义值，利用这个数值建立实际的检测模型，并将这个数值范围作为检测的基底，消除RBM神经元的作用，使整个检测模型具有更高的灵活应用性，银隐藏单元还可以利用深度神经网络测定出电力通信组件的隐藏缺陷，进一步增强了方法的检测范围。

1.4 DBN深度置信网络实现通信组件功能缺陷的检测

在完成深度学习的缺陷检测模型的构建之后，接下来，需要利用DBN深度置信网络来最终实现通信组件功能缺陷的检测。DBN是一种网络综合处理程序，主要是利用多层的RBM进行互相叠加，以此来对发生异常的点作出位置的确定，并对功能缺陷进行检测。但是，这种处理模式虽然高效，但是分为多层次的处理结构，在实施的过程中可能会相对较为烦琐。利用预训练的形式获取到相应的权重初值，对数值进行对比分析，判断其是否处于标准的范围之内，进而完成隐藏缺陷的检测。至此，便完成了利用DBN深度置信网络来实现通信组件功能缺陷的检测。

2 方法测试

2.1 测试准备

本次主要对基于深度神经网络的电力信息通信组件功能缺陷检测方法进行测试。测试将以对比的形式进行，共分为两组，一组为传统的滑动数据检测法。将其设定为传统数据检测组；另一组为本文所设计的方法，将其设定为深度神经网络检测组。设定对应的检测参数。将通信组件的传输语言更改为Python3.7，信息滑动频率为0.14，相对应的训练向量为d=52，组件的代码片段为6.49，在此基础上，将对应的独立功能单元的线性比值调整为8.42，通信的变化向量范围更改为12.44～21.76。在完成以上的测试参数设置之后，接下来，进行相对应的测试布置。可以先将通信的数据集结构变更为多核心的赋值结构，进而方便以下的测试。完成之后，在保证没有外部影响因素的条件下，开始测试。

2.2 测试过程

通过以上的测试准备以及相对应参数的设置，接下来，对两组检测方法同时进行测试。首先，将数据添加在平台之中，利用很可功能检查数据的真实性，并对相关数据信息的可使用性进行测定，完成之后，计算对应的下采样率，具体如下公式6所示：

公式（6）中：M表示缺陷检测实际的下采样率，β表示可检测范围，k表示执行的惯性函数。通过以上计算，最终可以得出缺陷检测实际的下采样率。利用这个下采样率，来建立对应的深度神经网络检测结构，通常是依照模型检测的方式来实施的，所以，接下来，在实际的异常情况下进行检测，具体如图1所示。

图1：通信组件功能检测结构图

根据图1中的流程所示，可以对电力通信组件功能进行缺陷的检测。随后，可以得出两组测试的数据信息结果，对其进行对比性的分析。

2.3 测试结果

依据以上的测试分析，最终可以得出两组测试结果，对其进行对比分析，如表2所示。

表2：检测结果对比分析表

根据表2中的数据信息结果可以得出最终的结论：在相同的测试条件下，对比于传统的数据检测组，深度神经网络检测组所得出的池化检测比值相对较高，这就表明这种缺陷检测方法最终的检测精准度比传统方法更高，具有一定的稳定性和准确性，同时，深度神经网络检测方法的灵活性也较好，不存在应变困难的情况发生，因此，最终可以判定，深度神经网络检测方法的效果更好。

3 结束语

综上所述，便是对基于深度神经网络的电力信息通信组件功能缺陷检测方法的设计分析。功能缺陷检测方法的完善成熟也为相关行业的发展指明了一条创新路径，进一步拓宽了其未来的发展前景。