范德和　李新海　周恒　邱天怡　郭法安

摘 要：为了获得准确的变电设备状态估计结果，提出了一种基于卷积神经网络（CNN）的状态估计方法，利用自动编码器对变电设备监测数据进行特征约简，将其作为CNN的输入，进一步采用Softmax分類器对获得的其输出进行分类，以获得变电设备的状态估计结果。实验结果表明，与传统的基于支持量机（SVM）和多层神经感知机（MLP）相比，提出的方法在准确性、灵敏度、特异性和阳性预测性4种量化评价指标中具有明显的优势。提出的方法较其他2种方法能够获得更好的正检率指标。

关键词：卷积神经网络; 变电设备; 分类; 状态估计

中图分类号：TP391；TM76文献标志码：A文章编号：1001-5922（2023）06-0179-04

Analysis of intelligent control and optimization model for device operation status based on convolutional neural networks

FAN Dehe，LI Xinhai，ZHOU Heng，QIU Tianyi，GUO Faan

（Zhongshan Power Supply Bureau，Guangdong Power Grid Limited Liability Company，Zhongshan 528400，Guangdong China）

Abstract：To achieve accurate status estimation results of the substation equipment，a method based on the convolutional neural networks is proposed in this study.The monitoring data of the substation equipment is first subjected to feature reduction using an autoencoder，which serves as input to the CNN. The output of the CNN is further classified using a Softmax classifier to obtain the estimated status of the substation equipment.Experimental results demonstrate that compared to traditional methods such as support vector machines （SVM） and multi-layer perceptron （MLP），the proposed method exhibits significant advantages in terms of accuracy，sensitivity，specificity，and positive predictive value-all quantifiable evaluation metrics.The proposed method achieves better true positive rate indicators compared to other methods.

Key words：convolutional neural networks; substation equipment; classification; status estimation

电力系统的稳定运行是各行各业开展正常活动的前提条件。相关研究表明，长期运行导致的设备老化和异常状态是引起电网设备异常的主要因素［1］。虽然增强电网自身应对各种突发紧急情况的能力是最为直接的解决方案，但需要投入昂贵的建设成本，并且一般的实施周期较长。采用状态估计的方法，可为开展电力设备的及时维护维修提供相应的决策支撑信息，对于在很大程度上决定电网设备能否正常运行的变电设备，具有十分重要的研究价值［2-3］。

国外较早地针对电力系统开展了状态估计与故障诊断方法的相关研究［4-6］。日本和美国对电力系统中的输变电设备，开展了在线状态评估技术研究。20世纪90年代，美国已经能够实现三分之一左右的电力设备状态检测。然而，随着电力设备的逐渐增多，带来了海量的状态监测数据，对电力设备状态评估技术也提出了越来越高的要求。

与其他复杂系统类似，变电设备的维护与维修也是采用定期开展方式。随着技术的发展，出现了以专家经验为基础的监测系统。更进一步发展出基于物理模型、数据驱动以及混合模型的状态估计方法［7］。然而，变电设备的监测参数维度较大，互相之间还存在复杂的耦合关系，利用传统方法难以获得较准的状态估计方法。在已有研究的基础上，探索一种基于卷积神经网络（CNN）的变电设备状态估计方法，通过提供相应的状态分类成果，为开展运维维修提供决策支撑信息，具有十分重要的应用价值。

1 研究理论基础

卷积神经网络是深度学习领域中最为重要的人工神经网络之一。其中，最为著名的是，用基于梯度的反向传播（BP）方法进行有监督训练而得到的7层卷积神经网络——LeNet-5［8］，并凭借其在计算机视觉领域的成功应用引起了学术界的广泛关注。

卷积神经网络的典型结构由3层组成：输入层、隐藏层和输出层，其中，隐藏层包括卷积层、激活函数、池化层、全连接层。以利用卷积神经网络识别车为案例，其对应的上述各步骤的实现流程如图1所示。在对输入图像进行全面分析后，经过最后步骤的分类处理，获得识别对象是汽车、卡车、货车、自行车等分类结果。

卷积神经网络的主要思想是将输入层后的卷积层与前层神经元抽取，传播后形成子采样层的交替。以在图像领域应用为例，将输入图像的（R，G，B）通道指定为3个神经元，在足够数量的子采样层正向传播时，抽取最后一层的输出作为一维向量。当全连接层的神经元数量与其相同时，在输出层能够获得相对应的分类向量。总结上述阶段为：输入阶段;2个特征映射，以及分类阶段。

1.1 卷积层

卷积层的功能是实现上一层与多卷积核的计算，通常需要增加偏置来获得各层的计算结果，计算过程的公式：

2 变电设备运行状态监测模型

为利用卷积神经网络开展变电设备的状态估计，需要先明确变电设备具有的状态种类。

2.1 正常状态

指变电设备能够正常运行，所获得的状态监测数据处于正常阈值范围之内。

2.2 注意状态

变电设备的某些状态监测数据具有向需注意的状态变化趋势。

2.3 异常状态

变电设备的部分重要监测数据变化较大，已经出现了超过阈值的现象，需要采取相应的处理措施。

2.4 严重状态

变电设备的单个或多个重要监测数据已严重超过阈值，需要立刻采取停电检修的处理措施。

为实现变电设备的上述4种状态估计，研究提出如图2所示的状态监测数据处理方法。

从图2可看出，首先对变电设备的状态监测数据进行自动编码，获得数据中蕴含的特征；然后，对低维特征进行状态分类，以概率的形式输出结果，其分类由多个卷积层、子样层和全连接层来实现；最后，在输出层中，利用Softmax分类器实现变电设备不同状态的分类。

3 实验结果及分析

3.1 实验条件

为验证本文提出方法的有效性，采用变电设备中的变压器作为典型研究对象，利用仿真生成的数据进行实验验证和评估。仿真数据中，4种状态的数据均为280个样本，利用N代表正常状态、C代表注意状态，A代表异常状态，S代表严重状态，为了获得较好的卷积神经网络性能，采用10倍交叉验证方法扩充训练样本，实验数据如表1所示。

在衡量状态分类性能方面，本文采用4个指标来量化评估分类结果，分别为：准确性（Acc）、灵敏度（Sen）、特异性（Spe）和阳性预测性（Ppr）。

（1）Acc表示整体分类性能，即被正确分类的样本占总样本的百分比；

（2）Sen代表对整体分类的结果中，正确分类的非健康样本的百分比；

（3）Ppr代表所有的非健康样本中，被正确分类的非健康样本的百分比；

（4）Spe代表所有健康样本中，被正确分类的健康样本的百分比。

3.2 实验结果

采用上述实验数据开展实验验证，并将本文提出的方法与SVM、多层感知机进行对比，采用上述4个量化指标进行结果评价。实验过程中，对实验数据进行降维后，再进行4种状态的分类，其中采用基于自动编码和主成分分析2种降维方法，可获得6种对比实验条件，即AE CNN-MLP、AE CNN-SVM、AE CNN-Softmax、PCA CNN-MLP、PCA CNN- SVM和PCA CNN-Softma，所获得的实验结果如表2所示。

由表2可知，使用2种降维方法获得的实验结果，提出的方法具有明显的优势。其中，基于AE降维方法获得的实验结果，本方法获得的Acc、Sen和Spe指标均优于其他2类方法；基于PCA降维方法获得的实验结果，本方法获得的Acc、Ppr和Spe指标均优于其他2类方法，上述对比实验结果在一定程度上证实了本文提出方法的有效性。

采用实测数据对本文提出的方法开展适应性验证，实验数据来自于变电站中的2018年5月至2018年10月监测数据，覆盖了变压器状态监测的26种数据，包括阻值、电压、油温、油位等。实验过程中利用10 000条数据进行模型训练，利用1 000条数据进行验证，实验结果采用ROC曲线进行评估，验证本文提出方法的泛化能力。2个组实验结果的ROC曲线如图3、图4所示。

从图3可以看出，提出方法的正检率可达95.1%，另外2种方法的正检率分别为88.4%和86.0%。从图4所示的实验结果，提出方法的正检率可达94.9%，另外2种方法的正检率分别为89.1%和85.5%。因此，无论是使用变压器实测数据开展模型训练，还是模型测试，实验结果均证明了本文提出方法的有效性。

4 结语

开展的变电设备的状态估计方法研究，在对其状态监测数据指标特征约减的基础上，采用卷积神经网络深入挖掘其中蕴含的价值信息，进而利用Softmax分类器实现4种状态的估计。分别采用仿真数据和实测数据，与其他2种方法开展了对比实验，并采用量化评价指标评估了方法的性能，证明了提出的基础卷积神经网络方法的有效性，以及实现变电设备状态估计的可行性，为变电设备的状态估计提供了一种切实可行的基础方法。

【参考文献】

［1］ZHONG J，LI W.Determining Optimal Inspection Intervals in Maintenance Considering Equipment Aging Failures［J］.IEEE Transactions on Power Systems，2017，32（2）： 1474-1482.

［2］李泽宇，王逸飞.考虑在线监测信息的电力变压器时变停运模型［J］.电力系统自动化，2017，41（8）： 63-68.

［3］郑一鸣，何文林，王文浩，等.基于多源信息的电力变压器全量状态评价模型［J］.智能电网，2016，4（9）： 894-900.

［4］YUANBO Y E，YUEQIN S，TAIGUI H，et al.On-line state detection technology of relay protection relevant secondary circuits［J］.Automation of Electric Power Systems，2014，41（12）： 156-159.

［5］TU D，XINBO H，JIE S，et al.on-line monitoring system for capacitive equipment insulation condition in intelligent substation［J］.Electric Power Construction，2014，52（6）： 43-60.

［6］MOLDOVEANU C，HATEGAN I，RUSU A，et al.Smart grids：On-line monitoring and condition assessment of high voltage substations［C］.［s.1.］：IEEE Pes International Conference on Transmission & Distribution Construction，2017.

［7］樂健，李星锐，周谦，等.电力系统多区域分布式状态估计方法［J］.电力自动化设备，2020，40（5）： 165-173.

［8］LECUN Y，BOTTOU L.Gradient-based learning applied to document recognition［J］.Proceedings of the IEEE，1998，86（11）：2278-2324.

收稿日期：2022-10-31；修回日期：2023-04-06

作者简介：范德和（1986-），男，硕士，高级工程师，主要从事变电设备运行、检修、安全等管理研究；E-mail：dehefan@163.com。

基金项目：广东电网有限责任公司科技项目（项目编号：GDKJXM20190154（032000KK52190001））。

引文格式：范德和，李新海 ，周 恒，等.基于卷积神经网络的设备运行状态智能控制优化模型分析[J].粘接，2023，50（6）：179-182.