基于深度学习的高压开关柜负荷数据智能挖掘系统设计

万四维，廖肇毅，何俊达

（广东电网有限责任公司东莞供电局，广东东莞 523000）

高压开关柜是输配电系统的重要组成部分，一旦开关柜损坏，将会造成巨大的经济损失，所以有必要对高压开关柜的负荷数据进行分析。常规机器学习能够有效地检测和诊断高压开关柜的故障，但也存在一些难以解决的问题，如挖掘速度较慢、挖掘效果有限、历史数据和计算量较少、挖掘精度较低[1-4]。

针对上述传统系统存在的问题，提出了一种基于深度学习的高压开关柜负荷数据智能挖掘系统设计方法，该方法能够详细分析出高压开关设备负荷数据隐藏的复杂特征，并在复杂的监测任务条件下，准确挖掘高压开关柜负荷数据。

1 系统硬件结构设计

高压开关柜采用了先进ARM+DSP 双CPU，接收开关柜监控器采集的三相电流数据，通过IEC61850协议发送到站控服务中心，实现了开关柜远程监控功能。系统硬件结构如图1 所示。

图1 系统硬件结构

1.1 适配器

适配器用于处理代理的初始化信息，实现代理和远程数据采集系统的通信。这个系统包含了每个代理的健康状况、位置以及当前的系统资源。每一个代理在适配器中都有一个别名，因此代理在通信时只需知道其别名即可决定在何处运行。该适配器的另一个功能是分解由UIA 发送的挖掘请求，然后分别将其发送到相应的DMA 中[5]，在挖掘过程结束后，将结果直接合并发送给UIA。

1.2 负荷数据监测器

负荷数据监测器主要用于监控箱体绝缘特性，如图2 所示。

由图2 可知，在线监测器是由检波电路、IED、一体化信息平台组成的，通过高频双屏蔽天线传输局放信号，经过检波电路获取尽可能多的放电信息，同时能更好地抑制噪声干扰[6]。采用双臂螺旋高频双屏蔽天线，可检测500～1 500 MHz 频带内的局放信号。通过IED 显示屏实现高频双屏蔽结果，并将该结果通过光纤传输给一体化信息平台，完成数据监测[7]。

图2 负荷数据监测器

1.3 服务器

采用ARM9芯片S3C2440A 和TMS320F28335 的双CPU 结构设计了控制器，外围分别设置CAN 网络接口，RS-485 网络接口以及RFID 模块，并使用IRIG-B 码匹配提供精确且统一的时间基准[8]。高电压开关柜充分考虑了电磁干扰对设备的影响，在供电部分设计时对供电进行了划分和隔离[9]。服务器结构如图3 所示。

图3 服务器结构

由图3 可知，监控信息由服务器通过CAN 总线或485 总线传送到智能交换机，智能识别单元通过RFID 模块识别交换设备的信息，并根据IEC61850 协议与服务中心进行通信，实现远程监控功能[10]。

1.4 电源电压

采用开关电源模块，将输入交流220 V 转换为DC 5 V，再由线性稳压器芯片MIC29502BU 转换为3.3 V，最后通过调节芯片LM1117，将3.3 V 电压转换为1.5 V 作为电源。

受开关柜高压条件的限制，监控装置电源必须在内部配置，使用固定能量源，如蓄电池等，无法保证系统的长期运行[11]，为此，设计了一种特殊的电流互感器，用坡莫合金作为铁芯，以确保铁芯在低电流下励磁磁芯饱和时产生高磁电流，从而使感应电压的变化范围变小[12]，在母线温度升高时，根据断路器接触点及电流特性，利用电磁感应监测原理，从断路器接触板或母线上直接获取设备低压电源。

1.5 挖掘引擎

与一般的数据库查询不同，挖掘引擎利用数据挖掘技术对数据库进行处理，使特定的对象集产生特定的查询集合，并根据查询集合自动访问数据库，从而挖掘数据库中的隐藏规则。该挖掘引擎以高压开关设备负荷数据库和负荷信息库为核心，实现了高压开关设备负荷数据的数据挖掘[13-14]。图4 所示为挖掘引擎系统结构。

图4 挖掘引擎系统结构

挖掘引擎以对象、领域知识和模式信息为输入，系统会产生一些随机查询数据，把这些查询数据作为数据库模型输入，系统预测并评估返回结果。

2 系统软件部分设计

数据挖掘是从大量数据中发现隐藏的规律，从而解决数据应用的质量问题[15-16]。数据挖掘原理示意图如图5 所示。

图5 数据挖掘原理示意图

图5 左边模型是一个网络结构，可以在源域中进行训练。当源域和目标域数据的最大均值差小于阈值A时，学习过程无需对网络结构调整。以标记目标域数据为微调参数，以初始网络参数为初值，使用SVM 分类器分析最终诊断结果。

当最大均值差大于设定阈值A，但不超过阈值B时，调整后的网络结构如图5 右边模型所示，全联层A、B、C 取代了三个权值层，在网端增加一个新的全联层D，作为SVM 的输入。

由于电流在不同电压和有功功率分布数据集上的差异影响了挖掘结果精度，因此将其替换为全连接层的权重，还可以调整层连接权，以保留或放弃部分源网络的权重特征选择，学习新的网络权重，达到既保留源域信息又吸收目标域信息的目的，提高网络的学习能力。非调整层的参数直接从源域网络中迁移和固定，而完全连接层则使用目标域数据重新训练并进行替换和添加，消除网络中固定参数以减少学习率，并利用目标域数据对网络优化。

结合高压开关柜硬件结构设计，基于上述分析的智能挖掘流程如图6 所示。

图6 高压开关柜负荷数据智能挖掘流程

图6中，首先对源域、目标域数据预处理；然后利用源域数据训练原始深层神经网络模型或训练好的网络结构及参数，建立源域分类预测模型；最后通过MMD 分析源域与目标域数据的最大均值差异，确定分布距离，进行预训练与预处理，完成数据挖掘模型构建。

假定F是样本空间中连续的一组函数，则MMD可以表示为：

假定x和y是来自分布p和q的数据集，且数据集的大小分布为m和n，则MMD 经验值估计如下：

由式（2）可以看出，MMD 对于一个特定数据集，依赖于一个给定函数集。在p和q分布相同的情况下，根据MMD 的性质，MMD 为0，则要求F足够普遍。为了提高MMD 经验估计的收敛速度，需要根据MMD 调整原有的网络结构，从而得到新的目标域网络结构，同时有选择地挖掘从原有网络结构训练得到的参数。

3 实 验

为了验证基于深度学习的高压开关柜负荷数据智能挖掘系统设计合理性，进行实验验证分析[17]。

3.1 实验环境设置

将系统应用于某市机场变电站，以高压开关柜的三相温升监测点温度为示例，从2019 年9 月20 日至2019 年9 月24 日对运行数据监测，监测中心整体拓扑结构如图7 所示。

图7 监测中心整体拓扑结构

3.2 实验数据分析

在高压开关柜各个传感器正常工作的情况下，有效获取实时三相负荷监测数据，如表1 所示。

表1 三相负荷监测数据

3.3 实验结果与分析

分别使用基于机器学习的数据处理系统、基于数值模拟的数据处理系统和基于深度学习的数据挖掘系统对高压开关柜三相负荷数据挖掘结果进行对比分析，如图8 所示。

图8 不同系统数据挖掘对比结果

由图8 可知，使用基于机器学习的数据处理系统A 相的负荷在时间为6 s时，与实际数据相差最大为5 000 kVA；B 相的负荷在时间为10 s时，与实际数据相差最大为3 000 kVA；C 相的负荷在时间为10 s时，与实际数据相差最大为3 000 kVA。使用基于数值模拟的数据处理系统A 相的负荷，在时间为6 s时，与实际数据相差最大为1 000 kVA；B 相的负荷在时间为4 s时，与实际数据相差最大为2 000 kVA；C 相的负荷在时间为8 s时，与实际数据相差最大为2 000 kVA。

4 结束语

该文设计了基于深度学习的高压开关柜负荷数据智能挖掘系统，其智能化高压开关柜既有传统开关柜的功能，又有智能监测与故障诊断功能，能够在本地分析和处理开关柜的状态时，完成相应的操作，能够精准挖掘负荷数据，为实现高压开关柜智能控制奠定基础，但其抗干扰功能还有待加强，因此，在未来的研究中要以此为重点，争取为该领域的相关研究提供参考。