基于人工智能技术的电力设备故障识别策略与方法

国网山东省电力公司检修公司 宋香涛 綦浩楠

目前阶段，我国的电力结构在科技的不断创新与推动之下，逐渐形成了更加成熟的供电调度体系，为人们日常的生产生活带来了极大的便利条件，创造成更加贴合新时代发展的电力环境[1]。虽然电力结构的整合与汇总取得了相对较好的效果，但是在实际应用的过程中，由于外部因素的影响，再加上其他突发情况的发生，还是容易存在不同程度缺陷，导致电力设备的产生运行故障，严重的甚至会导致大面积的关联电路损坏问题的产生，一定程度上增加电力设备应用的实际成本[2]。

另外，近年我国传统的电力系统逐渐向着现代化电力系统转变升级，虽然可以完成预期的供电目标，但是内部的结构以及供电机制仍然是十分庞大且复杂的。不仅如此，对应的执行系统通常也处于动态且繁琐的现状，所以在日常运行执行的过程中，常常电力设备也会出现高维、强非线性和时变等特征，在这样的环境之下，通常难以快速、准确地对出现故障的位置作出对应的识别与定位，这也就导致延误了输电线路的维修与快速处理[3]。在这样的背景之下，人们开始尝试将人工智能技术逐渐应用在对电力设备故障的识别与定位工作中去，逐渐对现状作出了对应的改善。

人工智能技术是一种具有灵活应变能力的数据分析处理技术，它对于设备的控制能力是相对较强的，并且具有大范围的定位程序，根据设备日常的运行信息，结合互联网以及大数据等技术对故障源进行识别，通过平台将故障信息转化传输至对应的控制区域，完成对设备故障的定位与识别，以此来进一步提升整体的故障修复效果，确保电力设备的使用寿命。

我国的电力设备应用范围在最近几年得到了广泛地扩展，为人们的生产生活提供了极大的便利。但是在对设备的故障识别方面，智能化水平仍然较低。因此，对基于人工智能技术的电力设备故障识别的方法进行设计与探究,确定模糊逻辑故障识别节点、关联节点的同时建立故障识别树，并创建人工智能SVM分类故障的识别模型，利用Seq2Seq技术实现人工智能下电力设备故障的识别。最终的测试结果表明：在不同的测试训练集范围之内，对比于传统的重叠特征故障识别方法，本文所设计的方法具有更强的稳定性和系统性，最终得出的故障识别训练误差也相对较低，表明对电力设备的实际故障识别效果更佳，具有实际应用意义。

1 人工智能技术下电力设备故障识别方法设计

1.1 模糊逻辑故障识别节点确定

在进行人工智能技术下电力设备故障识别方法设计前，需要先确定模糊逻辑故障识别相对应的节点。一般情况下，电力设备在日常的运行或者供电过程中，都具有特定的程序以及特征，同样的在发生故障之前，设备也会产生不同程度的征兆，不同的征兆呈现出的电力设备故障区域也是存在差异的，内部设备结构上的建立一定程度上存在对关联性，可以形成一一对应的故障关系，这部分如果不进行严格地控制，便很容易形成大面积的关联性设备损坏问题，造成一定的经济损失[4]。所以，在设计故障识别方法前，需要确定模糊逻辑故障识别的相对应节点。

由于实际因素的变化性以及复杂性，需要先确定其模糊逻辑识别的实际范围，但是这部分需要注意的是，由于初始的识别区域相对较为限制，而出现的故障设备极有可能发生关联性的损坏，这样的状况极有可能会造成电力设备大规模爆电或混电的情况，所以通常在进行模糊逻辑识别的过程中会划定大于初始范围的区域，提升整体的识别精度。将其作为基础，计算其具体的识别系数，具体如下：H=(2k-1)+0.3lt，式中：H表示识别系数，k表示模糊聚类范围，t表示故障识别范围。通过上述计算，最终可以得出实际的识别系数。依据得出的识别系数，设定对应的模糊故障识别聚类转换比值，具体如表1所示。

表1 模糊故障识别聚类转换比值设定表

根据表1中的数据信息，最终可以完成实际模糊故障识别聚类转换比值的设定。依据转换的比值以及对应的范围，预设模糊逻辑故障识别节点并将其相关联，每一个故障识别节点均是相互独立的，此时为确保电力设备的稳定运行，可在基础电路中接入一个小型的集成控制电路，以此来加强对于内部识别程序的控制，确保不同的电力设备在应用的过程中仍存在对应的关联，为后续的设计奠定基础[5]。

1.2 故障识别树的建立

在完成模糊逻辑故障识别节点的确定之后，接下来需要创建故障识别树。故障识别树是一种关联性的由总体向局部扩散识别的层级细化定位识别程序，与传统故障识别程序不同的是，模糊逻辑故障识别程序更加细致化、精确化、全面化，对于部分细节化的故障及隐藏故障可更加快速、准确地识别，通常会根据某一个特定的电力设备提取对应的故障特征，同时在预设的故障识别范围之内进行实效位置的分析以及推理。所以，一般的电力设备在故障的初期都会具有细化识别的条件，但这一条件通常是固定的，属于故障特征，并不会随着设备的变化发生改变，所以可根据这一因素识别相对应的故障目标，并根据层级的特性结构建立故障识别树的执行指令，将其与所设定的和核心识别节点相关联，经过层层验证形成三级根节点，在结构上实现了故障的初始识别，具体的结构如图1所示。

根据图1中的数据信息，最终可以完成对故障识别树的创建。但这部分需要注意的是，故障时识别树对于不同的故障所划定的层级也是不同的，对于初始的基础原件故障并不会全面启用、仅是部分处理，但对于中、重型的故障，相关员工会选择性地适用故障树进行维护和处理，以确保其他电力设备的稳定运行。另外，在数据树中设立对应的数据识别源，依据所提取的特征进行定性故障诊断，最终完成故障识别树的进一步完善[6]。

图1 故障识别树结构

1.3 构建人工智能SVM分类故障识别模型

在完成故障识别树的建立之后，接下来需要构建人工智能SVM分类故障识别模型。利用控制平台获取到多维原始振动信号，将其设定在对应的人工智能控制区域之中，利用深度卷积技术并结合人工智能的定位处理技术，构建多层级的SVM分类故障识别模型。结合依据故障树分析的故障类型，将获取的数据划定在对应的模糊逻辑识别层级之中，根据独立故障层级提取的特征，进行故障识别冗余扩散值的计算：M=l-e/3+2β。式中：M表示故障识别冗余扩散值，l表示深度处理定位范围，e表示独立识别点，β表示智能识别范围。通过上述的计算，最终可以得出实际的故障识别冗余扩散值。将此数值添加在人工智能SVM分类故障识别模型之中，识别层级需要划分为三级，并且对逐层减小卷积核进行更加有效地压缩，以此来优化模型的整体故障识别效果。

1.4 Seq2Seq技术实现人工智能下电力设备故障的识别

在完成人工智能SVM分类故障识别模型的创建之后，接下来利用Seq2Seq技术来最终实现人工智能下电力设备故障的识别。Seq2Seq技术实际上需要根据单相识别序列来关联多项输出序列，并且在故障识别模型的辅助作用下组成识别序列的转化结构。将上述设定的故障识别模型与现如今常用的Encoder模型作出反向转化，同时结合Seq2Seq技术、再加上智能识别模式，进一步依据固定长度以及实际向量对故障识别结果进行转化。在人工智能技术的辅助之下，建立更加灵活稳定的识别机制，最终完成对电力设备故障的处理与维护。

2 测试方法

本次测试主要是对基于人工智能技术的电力设备故障定位识别效果的分析与研究。测试共分为两个小组：一组为传统的重叠特征故障识别法，将其设定为传统重叠特征故障识别测试组；另一组为本文所设计的方法，将其设定为人工智能故障识别测试组。两种方法在相同的测试环境之下同时进行测试，将得出的数据信息对比分析，完成结果的论述与验证。

2.1 测试准备

依据实际的测试情况，进行相关的测试准备。搭建测试的环境。选取A电力站作为本次测试的目标对象。依据实际的要求，创建Seq2Seq的人工智能故障识别模型，并依据模型的内部结构，建立电力设备故障的训练集。利用Keras平台进行输电线路故障样本以及特征数据的提取，关联i5-7500处理器，并对相关电力设备指标参数作出预设，具体如表2所示。

表2 电力设备指标参数预设表

根据表2中的数据信息，最终可以完成对电力设备指标参数的相关预设。完成之后在上述所搭建的环境之中，利用MATLAB/Simulink软件搭建EE18的故障处理节点，每一个节点均为一个独立的运行定位装置，虽然在应用的过程中每一个节点都是独立的，但是仍然存在一定的联系，需要建立输电网架来控制设备的单相电压瞬时值以及执行有效值，确保在对故障进行识别的过程中各个功率因数角处于合理的范围之内。完成上述测试准备之后，核查测试的设备以及系统是否处于稳定的运行状态，同时确保不存在影响最终测试结果的外部因素，核查无误后，开始测试。

2.2 测试过程及结果分析

在上述所搭建的测试环境之中开始测试。将测试集划分为以下6组，并且关联每一个故障识别节点，同时启动电力设备，设定故障点，进行定位识别，随后将得出的数据信息汇总整合，得出最终的测试结果，进行对比分析，具体如表3所示。

表3 测试结果对比分析表

根据表3中的数据信息，最终可以得出实际的测试结果：在不同的测试训练集范围之内，对比于传统的重叠特征故障识别方法，本文所设计的方法具有更强的稳定性和系统性。另外，最终得出的故障识别训练误差也相对较低，表明对电力设备的实际故障识别效果更佳，具有一定的实际应用价值。

综上，便是对基于人工智能技术的电力设备故障识别方法的设计与分析。对比于传统的故障识别方法，本文所设计的方法在实际应用的过程中，具有更强的灵活应变性以及信息的实时传输性，随着智能化技术的不断完善与发展，在设备综合情况监测、特征提取、故障识别以及辨别定位等均得到了更加充分地完善与优化，且故障的综合识别定位准确率均可以达到98%左右，获得更加稳定全面的识别效果。