新型电力系统中电力设备故障诊断技术研究

王照阳

（南京华盾电力信息安全测评有限公司，南京 211106）

近年来，伴随着无人值守和电网大数据等智能电网项目的研究和实施，我国电力系统的智能化管理迎来了一个新的发展契机。但随着电力系统智能化水平的逐渐提高，电气设备的结构更加精密和复杂，设备故障概率也相应增加。设备故障会对电力系统正常运行产生威胁，干扰到经济活动和居民正常生活，并造成经济损失。我国电力行业的发展迅速，因此需要不断更新先进的故障诊断技术以及管理方案。但是就目前的情况来看，诊断技术和管理方案未及时跟上更新速度。这使得诊断的结果与实际问题出现偏差，诊断数据的精度不够，增加了维修的成本，甚至会导致其他更多问题的出现。

基于旧式电力设备设计的诊断技术方案和管理体系，已经不能适应现在设备诊断工作的需求。为适应新型电网的设备故障诊断工作的需求，本文结合电力设备故障诊断技术的现有研究，提出故障诊断应用平台的设计方案，并配套相应的诊断管理体系，实现故障诊断的全过程、系统化的管理，使得诊断效果最大化，为电网安全、可靠、稳定的运行提供保障。

1 电力设备故障诊断相关技术

1.1 红外线监测

红外线监测技术是在电力系统中已经应用比较成熟的一种电力故障诊断手段，利用红外线监测技术可以得到电力设备故障的重要信息。此技术具有响应速度快、成本低、操作简单和工作方式安全等特点。

1.2 借助专家系统开展故障诊断

专家系统是一个智能计算机程序系统，结合了先进的人工智能技术和计算机技术，用来模拟人类领域专家的思考和决策过程，从而达到解决现实中工程问题的目的。

用于电力系统故障诊断的专家系统，内部包含许多电力领域专业知识与经验，也包括许多的故障诊断案例，以及从这些案例可以学到的专家水平的知识、解决方法和经验。当现实中电力设备出现某种故障时，可以根据事件的某些特点，综合利用内部专业知识、经验和相关案例进行推理判断，从而对电力设备的故障类型做出判断。与其他故障诊断方法相比，专家系统具有启发性，其不仅仅运用逻辑判断故障类型，也可以用“直觉”评判相关问题。专家领域系统还具有成长性和灵活性，知识库与推理机制相分离，系统可以不断吸纳新的知识，从而适应领域新的发展。

1.3 依托神经网络实施故障诊断

研究人员从信息分析角度，对人脑最基本的神经元进行简单的抽象。并将其以不同的方式进行连接，从而形成了具有推理功能的人工神经网络。人工神经网络可并行计算的分布式系统，具有自学习、联想存储和高速寻优等特点。利用神经网络模型，通过对样本的学习，可以获得训练的神经网络。神经网络内部可以通过调整神经元之间连接权重，实现对变电站故障分析方法和相关知识的学习。

1.4 系统融合多样化的诊断方法

系统融合多样化的诊断方法指代在各种诊断方法的基础上，系统融合各自优点，有效运用，进而产生新型诊断方法。例如，对电力设备而言，在其故障诊断过程时常应用神经网络法，同时，专家系统也较为常用，因此，可融合上述2种方法，组建全新方法，全面利用信息资源，合理整合所有信息，进而得出正确解释，以此来增加显示结果的可信度，提升故障诊断效率，完善诊断结果，保障电网的长久运行。

系统融合多样化的诊断方法是指在多种故障诊断方法的基础上，保留不同方法的优点进行综合利用，从而得出更优的故障诊断结果。例如，红外线监测技术响应速度快、操作简单，而神经网络学习能力比较强、精确率高，因此可以在红外线监测技术的基础上加上神经网络方法，对红外线监测技术采集到的信息进行智能化处理，方便快捷地判断出故障类型。

2 故障诊断评估模型的构建

随着电力行业的快速发展，传统的故障检测方法的局限性逐渐显现出来。而深度学习在各个领域实际应用中的优异表现，使得越来越多的研究人员尝试将深度学习应用在电力设备故障诊断。本文利用采集到的电气设备红外图像，结合基于MobileNet的图像分类器，完成对红外图像温度信息的提取，并给出判断结论。同时，为了更好提取红外图像的语义特征，将多尺度卷积加入到图像识别网络中来。

2.1 深度可分离卷积

MobileNet是Google发布的网络架构，是一种模型体积较小、可训练参数及计算量较少的卷积神经网络。旨在充分利用有限的计算资源，最大化模型的准确性。MobileNet网络是通过深度卷积和逐点卷积，替代了传统神经网络中的全卷积操作，这种卷积方式被称为深度可分离卷积。全卷积与深度可分离卷积的结构如图1所示。

图1 全卷积与深度可分离卷积

传统的卷积方式先将特征通过1个卷积运算，之后通过正则化层和激活函数层，从而得到输入信息的高维特征。而深度可分离卷积则是先通过了深度卷积和1×1的逐点卷积，然后在通过正则化层和激活函数层，来完成语义特征的提取。

2.2 优化分类函数

在MobileNet对输入图片提取出高维语义特征之后，通常采用Softmax函数完成对输入图片的最终分类，给出预测结果。Softmax函数表达式为

式中：Ls表示Softmax损失；f是最后一个完全连接层的输入（fi表示第i个样本，一共有n个样本，c个类别）；Wj是最后一个完全连接层参数矩阵W的第j列；也称为第i个样本的目标逻辑；T表示矩阵转置；θyi是目标角；yi表示第i个样本的预测输出。

式中：参数m是新引入的变量，称为附加余量。附加余量的引入有助于数据中各类之间的距离，并最终提高预测结果的准确率。另外，利用归一化方法处理参数W和f，之后利用调节因子s对整体进行参数调节。

2.3 数据集增强技术

神经网络在训练过程中可能出现过拟合问题，失去泛化能力从而影响到最终的预测结果。为了防止这种现象，本文对训练数据集进行数据预处理。通过数据增强的操作，可以增加训练的数据量，提高模型的泛化能力，而适当增加噪声数据，可以提升模型的鲁棒性。本文数据预处理操作包括翻转、旋转、缩放、裁剪和添加噪声，有效提高了网络的泛化能力。

2.4 故障诊断评估模型架构

本文所提出的电力系统故障诊断模型如图2所示。在模型中，将采集到的电气设备红外图像作为输入，之后经过MobileNet神经网络的多次深度可分离卷积操作，提取输入图像的高维语义信息。将得到的高维特征通过平均池化层和全连接层，进一步降低特征维度，最终由优化的AM-Softmax函数层给出故障预测结果。

图2 故障诊断评估模型架构

基于MobileNet神经网络架构来提取红外图像信息，无需人工设计特征即可完成特征学习，其包含的语义信息更加丰富，因此能够达到更精准的诊断效果。

3 实例应用和有效性分析

为了对本文提出的故障诊断模型有效性进行验证，将故障诊断模型在相关数据集上进行实验。

3.1 实验数据集和实验环境

实验采用湘潭九华220 kV变电站的机器人巡检项目所采集到的数据集，其中共包含了1000张典型故障电力设备红外图像，分为变压器、绝缘子、互感器、隔离开关和避雷器5类设备，图像分辨率为480像素×300像素。为了训练和测试神经网络，将数据集按比例分为训练集和测试集。其中测试集占数据集的30%，共300张图片，用于对模型最终故障诊断能力的评估；训练集占数据集的70%，为增强模型鲁棒性和泛化能力，随机进行旋转、裁剪、添加噪声等数据增强操作，最终得到900张图片，用于对神经网络的训练。

整个模型代码使用Python语言进行编写，深度学习框架为TensorFlow，界面显示使用OpenCV库。实验中使用的显卡为NVIDIA GTX 1080，训练过程中对模型进行300个epoch的训练。初始学习率设置为0.001，并使用multistep学习率下降策略，在进行第60、120、180、240个epoch时，根据收敛情况下调学习率。

3.2 实验结果及分析

为了最终模型的表现，本文采用故障设备召回率（Recall）和故障设备预测准确率（Precision）。故障设备召回率（Recall）是针对原来的样本而言的，其表示的是样本中的正例有多少被预测正确。故障设备预测准确率（Precision）是针对预测结果而言的，其表示的是预测为正的样本中有多少是真正的正样本。数学描述如下

通过表1的预测结果，可以看出对于不同的电力设施，模型表现出不同的故障预测准确率。这其中的原因主要是因为对于其中一些设备的拍摄，会存在遮挡和周围物件干扰的情况。另外在数据量上，各类设备并不是平均的，这使样本数量少的设备故障诊断结果相对较低。但在召回率超过80%，精确率超过70%时，即可对生产管理提供较好的参考依据，因此，本文提出的故障诊断模型可以满足生产中的需求。

表1 模型预测结果

4 故障诊断应用平台的设计方案

随着信息科技行业的发展，搭建企业内部管理平台的门槛也越来越低，许多电力企业通过建设在线实时监测系统，来提高智能化和企业管理水平。电力设备故障诊断的实时化和智能性，对于电力企业有着非常重大的意义。本文从感应器数据收集、基础功能、安全业务等方面，提出了故障诊断应用平台的设计方案。

整个系统利用实时传感器，对各个电力设备红外信息进行收集，并将数据传入处理平台。在平台中，可以对数据进行格式处理、存储备份等基础功能。业务人员可以按照需求，根据数据信息对各设备运行状态进行检查。平台也将实时对数据进行分析处理，当设备可能出现故障时，将给出设备故障预警，并依照规定给出有效的应急处理方案，如图3所示。

图3 故障诊断应用平台系统架构

5 结束语

电力设备故障诊断对于电力系统的安全平稳运行有着重要的意义。本文提出了基于MobileNet神经网络的电力设备故障诊断模型。通过数据增强手段，解决了故障样本较少和网络过拟合的问题，AM-Softmax函数提升了设备故障分类准确率。实验表明，模型故障诊断能力可以满足生产需要。故障诊断应用平台的设计方案对企业搭建实时在线故障诊断平台、提高管理水平有借鉴和参考价值。