基于深度迁移学习的智能变电站电力设备部件状态检测方法

廖 海 陈 俊 郑 磊 王 楠 王子琪

（贵州电网有限责任公司遵义供电局）

0 引言

近年来，学者们对电力设备部件状态检测方法进行了广泛研究。例如，文献［1］、文献［2］提出了基于可视化和数据融合的光伏电站电气设备异常运行状态检测方法，以及基于分层聚类算法的避雷器运行状态检测方法。这些方法为电力设备状态检测提供了新的思路，但仍然存在设备状态检测精度和效率低的问题。

为了解决这些问题，提出基于深度迁移学习的智能变电站电力设备部件状态检测方法。该方法利用其他相关任务的大规模数据集进行预训练，使得模型能够用学习到的通用特征表示。然后，将预训练模型迁移到目标任务并进行微调，以适应特定的电力设备部件状态检测。通过这种迁移学习的方式，可以加速模型的训练过程，提高模型的泛化能力和预测的准确性［3］。

1 基于深度迁移学习的智能变电站电力设备部件状态检测方法

1.1 变电站电力设备异常状态检测特征量选取

将变电站电力设备异常状态检测特征量作为特征向量输入到自组织映射神经网络结构中，网络输入层按各向量对应的权矢量分配向量赋值区间，由输出层输出数据，减轻网络运算负担，同时降低大基数样本的聚类难度。特征向量对应权矢量计算公式如下：

式中，DM表示网络学习速率；ZN表示初始化权矢量；Xij表示输入层神经元对特征向量的响应结果。

正常情况下，向量赋值区间内任意变电站电力设备异常状态检测特征量的随机抽样概率相等，这意味着从外界观察赋值区间，每一个变电站电力设备异常状态检测特征量所指代的偏好特征都是唯一且有意义的。随机抽样概率的计算公式如下：

式中，Sd表示抽取第d条样本的均值；Am表示抽取第n条样本的标准差；An表示第n条样本网络中的神经元总数。

当所有特征向量分配结束后，输入层神经元参考时间动态变化规律，开始寻找距离测度意义下最靠近自身激活值的向量赋值区间。输入层中神经元与向量赋值区间的最适距离称为Euclicl距离。神经元激活值的计算公式如下：

式中，τ1表示活跃神经元的覆盖面积；τ2表示神经元在网络空间中的领域覆盖面积。

特征向量只有凭借活跃神经元才能实现高维数据的低维映射，以活跃神经元为中心，满足Euclicl距离的向量赋值区间才能成功映射到竞争层。选取变电站电力设备异常状态检测特征量公式如下：

式中，β表示变电站电力设备异常状态检测特征量的关联度；γ表示各类别与理想化目标的贴近度。

视竞争层为一张二维映射图，经过映射后，性质相同的特征向量在二维平面区域上分布较为聚集，性质不同的特征向量在二维平面上分布较为分散。根据网络输出的变电站电力设备异常状态检测特征量结果，即可实现SOM神经网络下变电站电力设备异常状态检测特征量的选取。

1.2 变电站电力设备异常状态检测特征量预处理

针对变电站电力设备异常状态检测特征量预处理首先要收集需要的数据，然后按照检测的顺序将样本数据进行分类处理，其分类的核心是建立一个非线性函数，设定一个相同的环境，来分离数据样本点，使误差达到最小。假设其线性函数为D(d)，利用自身的映射性把待测样本映射到一个三维立体空间内，然后在多维空间的平面上将所有的样本进行筛选分类，扩大每个样本点之间的距离，调整到最优距离后再进行处理。步骤如下：

步骤一：首先明确待测样本的数量及类型，线性函数公式如下：

式中，xi与yi表示样本。

步骤二：对于相关的各个样本参数要科学分配，确定合理的波动范围，例如其中的惩罚参数要保证参数必须大于零，且与上述的线性函数相互呼应，在空间中形成一个超越平面的检测问题。

步骤三：假设R1为一个矢量，那么其分支的变量就满足0

式中，YT表示向量总和，B表示样本点。

步骤四：基于上述检测样本的特征性与参数的差异性，最大优化两个样本点之间的距离，构建一个决策函数为：

式中，μ1、μ2、μ3均表示不完整的核函数。

核函数建立在样本数量巨大的基础上，在集合中的少数样本点不能作为向量直接输入到函数中，假设一个集合中含有N个样本，k1与k2分别是原始样本点与终端样本点，那么其核函数的表达式为：

式中，DF表示多维空间平面，DR表示空间的矢量，将其优化后的空间函数的公式为：

式中，C表示向量参数，E1表示平面因子，将平面问题转化成等式的形式，其公式为：

式中，Ii表示变量算子。

通常使用最小二乘法进行函数运算，最后得到的决策函数为：

在合理的情况下将决策函数输入到样本检测系统中，得到变电站电力设备异常状态检测特征量预处理结果，公式如下：

式中，DX、Dy、Dz表示样本集体中的初始值。经过上述计算不仅去除了干扰因素，还对检测特征量进行了选取与处理，为异常状态检测提供基础。

1.3 实现变电站电力设备异常状态检测

在变电站电力设备异常状态检测特征量预处理结果的基础上，利用深度迁移学习算法对电力变电站设备的异常状态进行检测。基于自组织映射，将待测样本映射到二维或者多维的神经元空间中，利用神经元之间的相对位置关系来检测异常状态。收集并准备带有标记的训练数据集，其中包含正常状态和异常状态的样本。使用训练数据集训练一个SOM神经网络，该SOM网络由一个或多个神经元组成，每个神经元都代表SOM的一个节点。通过迭代更新神经元的权重向量，使得神经元能够自适应地聚集输入数据的特征。

基于SOM神经网络融合的诊断模型中映射函数的表达式为：

式中，MX表示函数宽度参数，MY表示核函数中心。在基于深度迁移学习算法融合的诊断模型中，惩罚参数和核函数参数是通过执行错误诊断模型直接确定的。

以欧氏距离为基础的高斯核函数是网路中故障类型识别的核心部分，用高斯核函数法计算输入样本到训练样本之间的距离，通过向基的非线性映射，可以获得深度迁移网络中非线性的输出矢量，是取得高准确度特征的关键一步，可通过关系式将其表示为：

式中，LR表示混合神经网络判别故障的平滑因子；LG表示网络中输入层与模式定位部位之间的连接权值。

根据样本在深度迁移网络中的映射位置，判断其是否为异常状态。通常情况下，较少或没有样本映射到某个神经元的区域被认为是异常状态。假设故障类型为n个，此时对各故障类别进行汇总，由此得到电力变电站电力设备异常状态检测结果，公式为：

式中，Rr表示求和模式对故障数据的概率汇总；Ee表示故障模式的网络训练向量；Uu表示网络中神经元的输入向量；最终深度迁移学习算法模型的输出层将异常状态的后验概率输出，得出在当前电力变电站电力设备运维中发生概率最高的故障，判断出对应的电力变电站设备异常状态。

2 实验

2.1 实验准备

文中将某变电站内的某一个电力变压器作为实验对象，示意图如图1所示。

图1 电力变压器的示意图

该实验对象的电压等级为220kV，其详细参数如表1所示。

表1 电力变压器详细参数

将5个超声传感器部署在该电力变压器的箱内，超声传感器的安装空间坐标位置详情如表2所示。

表2 超声传感器的安装空间坐标

2.2 实验结果分析

以检测时间作为指标，对比三种方法的检测效率。具体对比结果如表3所示。

表3 三种方法的检测效率的对比结果

分析表3可知，本文方法用于电力设备状态检测的时间最高只需40ms，而其他两种方法所需的时间最低分别为310ms和325ms。这表明本文方法在提高电力设备状态检测效率方面具有显著优势。通过减少检测时间，可以更快地发现和应对潜在的故障，从而降低继电保护装置的安全风险。

为验证本文方法的可靠性，本研究对继电保护信息智能进行验收，并与文献［1］和文献［2］的方法进行对比。以误报率作为指标来比较三种方法的验收准确率。验收误报率越低，说明检测准确率越高。具体比较结果见图2。

图2 三种方法的电力设备状态检测误报率对比结果

通过对图2的分析，观察到本文方法的检测误报率始终保持在20%以下，而其他两种方法的误报率则超过了40%。这表明本文方法相较于其他两种方法，在减少误报方面取得了显著的改进。

3 结束语

综合而言，本文方法在提高设备状态检测精度和效率方面取得了重要进展。通过利用预训练模型和迁移学习，该方法充分利用大规模数据集，使得模型能够用学习到的通用特征表示，从而减少针对目标任务的训练时间和样本数量，并有效提升模型的泛化能力和预测准确性。与传统的方法相比，本文方法能够更精准地进行电力设备部件状态的检测，为智能变电站的设备维护和故障诊断提供更可靠的支持。