康智慧，赵敏，柴阳

（1.河南理工大学鹤壁工程技术学院；2.鹤壁市淇滨热力有限公司，河南 鹤壁 458030）

电力设备是发电和输变电系统十分重要的组成部分。当设备自身出现问题不能正常运行时，将直接影响到电力系统安全、稳定及可靠性，损失大量的电力资源，甚至会导致大面积停电的重大电力事故产生，严重危害社会经济发展。因此，为保证电力系统的平稳运行，需密切关注电力设备的运行状态、故障特点及故障成因，研究现代电力系统故障诊断新技术。由于设备故障诊断突破口多集中于新型传感技术、信号处理技术及智能识别方法的更新，所以有必要学习新的智能诊断技术，研究新的诊断技术，以提高电力设备故障诊断精确度，达到维护电网平稳运行的目的。

1 人工智能算法原理

人工智能技术给电力设备故障诊断带来了新的分析理念。人工智能具有巨大的经济价值及科技潜力，它的应用和推广已逐渐上升至国家发展战略层面。

近年来，《中国电力大数据发展白皮书》《新一代人工智能发展规划》《促进新一代人工智能产业发展三年行动计划》等一系列文件不断被推出，这标志着电力系统运维正在不断迈向人工智能的时代。

人工智能的发展使设备故障诊断技术更加智能化，越来越多的新型故障识别判定方法被应用在电力设备故障诊断领域，其中比较常见的有人工神经网络及支持向量机等。但人工神经网络的弊端在于该算法需有大量的训练样本，过程复杂、训练时间也较长；支持向量机在使用时需要提前选取合适的基函数并设置大量的参数，而参数设置对算法的泛化能力和识别准确度有较大的影响。

文献[12]使用极限学习机即ELM(extreme learning machines)对电力设备进行故障诊断。由于ELM是单隐层神经网络，所以其训练速度较快，并且该算法可以避免过多的参数设置，泛化能力强，有较好的分类性能。

极限学习机可随机初始化输入权值与隐层阈值，其输出权值可由广义逆矩阵理论计算求得。ELM的网络结构如1图所示。

图1 极限学习机训练模型

其中：

输入数据为xi(i= 1,2,…,n)，神经元个数为n。

隐含层节点数为l；

极限学习机的输出数据为y j(j= 1,2,… ,m)，输出层的神经元数目是m。

βk为隐含层和输出层之间的权值；

G为隐含层激活函数，可在sigmoid/RBF/sine之间选择；

ωk为输入层和隐含层之间的权值；

bk为第k个隐含层节点的阈值。

对于n个给定的样本数据(xi,ti)，可满足下式：

令：

问题转化为求线性系统的最小二乘解。

2 仿真分析

为了验证极限学习机算法的智能性及正确性，本文利用了大量仿真数据进行模式识别验证。

仿真环境：MATLAB R2014b；

数据集名称：features；

ELM仿真数据：共150组。

在MATLAB软件中调用features文件，可显示出ELM仿真数据。部分仿真数据如图2所示。

图2 ELM仿真数据集

由图2可知，特征向量包含4个维度，4列数据分别体现样本数据不同的特性。features为一个150行4列的特征数据集。与特征数据集相对应的标签数据集是classes，该标签集包含150行1列数据。

在进行ELM仿真时，150组数据被分成两个部分，第一个部分为训练集，第二个部分为测试集；其中训练集包含120组数据，测试集包含30组数据。

训练集及测试集的创建在主程序中实现，如图3所示。

图3 极限学习机仿真界面

在图3中可看到除了主程序fenlei外，还有elmtrain和elmpredict两个子程序。

elmtrain子程序的功能是对120组训练集数据进行模式识别；elmpredict子程序的功能是对30组测试集数据进行类别识别。

测试集的仿真结果如图4所示。

图4 测试集仿真效果图

由图4可知，30组测试数据被分为3类。第一类样本编号为1～10；第二类样本编号为11～20；第三类样本编号为21～30。

其中第一类和第三类的20个样本数据的模式识别准确率为100%，第二类的10个样本数据仅出现1处误判。30个测试数据的整体分类正确率高达96.6667%，充分验证了ELM算法在分类方面的智能性及准确性。

3 电力设备故障诊断实验验证

我国电力系统规模庞大、错综复杂，电力设备的运维问题也越来越多，当设备出现故障产生时，会造成一定的安全隐患和经济损失，因此快速、精准的找出故障原因显得尤为重要。而借助计算机中的智能自动化算法，可大大提高故障判定速度，所以本文提出将极限学习机算法应用在电力系统故障诊断中。

在进行大电网维护时，高压断路器发挥了不可或缺的作用。它在电力系统中起到了保护和控制的作用，其工作状态会直接影响整个系统的运行性能，当断路器发生故障时，会直接损坏到与之相连的线路、设备并会使电网发生事故，甚至导致大片停电。

因此，在对电力设备故障诊断方法进行分析时，本文侧重于研究极限学习机ELM在高压断路器故障诊断的可行性及应用价值。

3.1 设备故障特征提取

高压断路器进行分合动作时，主要通过内部操动系统带动动静触头断开与闭合而实现，其中触头和断路器操动机构的连接图如图5所示。

图5 触头及操动系统连接图

触头运动过程与断路器内部操动机构及其它部件之间存在密切的关系。目前，断路器触头运动监测主要靠位移传感器实时采集触头运动的行程而完成，进而获取到断路器的行程特性曲线。

下面是关于断路器行程信号的提取及分析过程：

（1）提取节点信号；（2）求取节点处的包络图谱；（3）求各分段能量；（4）归一化包络谱分段能量，构造特征熵向量T。

电力设备故障诊断部分特征集数据如图6所示。

特征集文件名称：xingcheng。

由图6可知特征向量包含8个特征维度，

图6 实验样本集

特征集样本共20行8列，与特征集对应的标签数据为4类，包含断路器4种常见状态：正常（zc）、触头弹簧失效（cts）、分闸弹簧脱落（ftzt）和分闸弹簧失效（fts）。

3.2 设备故障模式识别

基于ELM的高压断路器行程信号故障诊断流程图如图7所示。

图7 高压断路器故障诊断流程图

故障诊断系统被分为3层，分别是输入层、极限向量机ELM和输出层。

ELM的输入信号为特征熵向量，经过ELM训练和测试后，可从极限学习机ELM的输出结果进行故障诊断。

输出层为断路器4种运行状态。

在进行设备故障诊断时，特征集共20行4列，其中训练集包含15组数据，测试集包含5组数据。

训练集标签如表1所示。

表1 训练集状态标号

测试集标签如表2所示。

表2 测试集状态标号

测试集故障诊断效果图如图8所示。

图8 设备故障诊断试验结果图

由图8可知，测试集中的5组数据被分为4类，每一类的真实值与ELM预测值都完全重合，故障诊断准确度达到100%，证实了在高压断路器行程信号中利用极限学习机ELM进行故障诊断的正确性及可行性，为电力设备故障诊断提供了新的技术方案。

4 结语

本文将极限学习机应用于电力设备故障诊断中，通过大量仿真及实验分析验证了人工智能算法ELM在电力设备故障诊断领域应用的可行性及科学性，大大提高了电力系统设备故障诊断的准确度。所提方法为电网电力设备的安全稳定运行提供了新的技术支持，具有较高的应用性和推广价值。