金 何

(六安职业技术学院 汽车与机电工程学院,安徽 六安 237011)

用电保障是关系到人民生活质量的关键问题,是社会各界关注的重点领域,电力系统故障诊断的准确性与时效性问题一直困扰着电力检修部门[1-2]。传统电力系统故障诊断方法大多基于断路器信息与维修人员的经验进行判断,该检修模式电力检修效率十分低,无法满足居民用电保障需求[3-4]。随着电力系统的不断完善,智慧电力大力发展,电力故障诊断开始进入智能时代[5]。深度学习网络故障诊断模型大大提升了故障诊断效率,在效率提升的同时,也对电网故障诊断效率提出了新的要求[6]。随着电网规模升级,交直流混联电网成为主流,更高效、更精确成为新时代电网故障诊断的基本要求[7]。为提升电力检修部门应对复杂电网故障诊断的工作效率,研究期望通过深挖融合学习网络的潜力,增强电网故障信息的分析研判,为电力检修部门提供辅助决策依据,提升混联电网故障诊断的工作效率。

1 基于SSAE与CNN的交直流电网故障诊断方法分析

1.1 基于自编码器的高维度数据降维处理方法

随着电网升级,交直流混联电网变得越发复杂,其数据信息维度也不断提升[8]。提升电网故障诊断效率,首先需要提升数据信息处理效率。自动编码器(Automatic Encoder,AE)拥有较强的数据降维能力,常被应用于各类复杂信号降维处理中[9]。对电网中的高纬度数据信息进行降维,可以采用该方法实现[10]。自动编码器存在三层结构,分别是输入层、隐含层与输出层,输入层与隐含层构成编码器,隐含层与输出层构成解码器,其模型结构如图1所示。自动编码器会对输入信息不断地进行编码与解码,以此来重构误差函数,让输出数据与输入数据的误差不断缩小,最终完成对高维数据信息的数据降维处理[11]。

图1 自编码器模型结构

设获取的样本集为T={t1,t2,…,tn},且t∈RD,n表示样本集中存在n组样本;D表示样本的维度矢量。数据信息进入模型后,首先进行编码工作,样本集T被编码函数编码后,以隐含层矢量进入输出层中,如式(1)所示。

γw,b(T)=fθ(Tn) ,

(1)

式(1)中,γw,b(T)表示矢量表达式;f表示编码函数,其表达式如式(2)所示。

fθ(T)=Sf(wx+b) ,

(2)

式(2)中,θ表示权值矩阵;w为权重;b为偏置;Sf表示激活函数。编码完成后,进入解码阶段。在解码过程中,隐含层矢量会完成重构,得出输入样本的D维数据,如式(3)所示。

(3)

式(3)中,θ′={w′,b′}表示经过解码后的权值矩阵。权值参数在AE中不断更新优化,让输出数据样本集不断向原数据样本集靠近。为了更清楚误差状况,该过程需要加入一个评价变量,即误差损失Losew,b,如式(4)所示。

(4)

式(4)中,α表示权值的衰减系数;xl表示第l层的神经元个数。误差损失函数会随着迭代次数的增加而减少,此时输出y不断接近极限T,且矢量信息与高维数据拥有相同的特征信息。AE在处理大量信息后,隐含层节点会随之增多,可能会出现恒等式学习,从而导致输出复制,失去对高维信息的降维能力。为了解决该问题,需要在隐含层增加稀疏性约束。以Sigmoid函数为例,隐含层输出值接近1时为激活态,接近0时为抑制态[12]。设平均激活量为c,其计算方法如式(5)所示。

(5)

式(5)中,yi表示第i个神经元在隐含层内的输出值。当平均激活量趋近于常数p,神经元的激活状态良好,利用KL散度作为惩罚项,则惩罚因子PF如式(6)所示。

(6)

式(6)中,e表示隐含层神经元数量;KL(p‖ci)表示惩罚项;其计算方法见式(7)。

(7)

式(7)中,p表示稀疏参数;ci表示隐含层中i单元的平均激活量。将多个稀疏自动编码器连接,构成SSAE,其训练流程如图2所示。

图2 SSAE训练流程

如图2所示,多个SAE首尾连接,上层SAE的隐含层输出进入下层SAE成为输入。SSAE利用贪婪训练实现逐层降维,其训练过程包含预训练与微调,通过梯度下降法不断迭代更新权值矩阵,得出最优解。

1.2 基于融合神经网络的电网故障诊断分析

卷积神经网络作为一种模仿生物视觉与知觉的神经网络,对文字与音像等内容有良好的特征提取分类能力[13]。电网中高维数据经过SSAE降维处理后,再运用卷积神经网络对其进行特征分类处理,其结构如图3所示。

图3 卷积神经网络结构

卷积神经网络主要由输入层、隐含层与输出层构成,隐含层中又包含卷积层、池化层与全连接层[14]。处理后的数据经过SSAE降维后进入CNN的输入层,再由输入层传递至卷积层。在卷积层中,利用激活函数运算不断提取数据信息中的有效特征。卷积核是一种三维空间,由大小、步长与像素填充构成,其中卷积深度表示卷积核个数[15]。将输入信息矩阵中的某个点设为ex,y,z,在卷积核上的映射位置为hx,y,z,则该点的输出β如式(8)所示。

(8)

式(8)中,m、n、o分别表示卷积核的长、宽与数量。卷积运算本质上是一种线性运算,为了增强网络运算能力,还需引入非线性计算,该部分由激活函数完成。常用的激活函数有Sigmoid、Tanh与ReLU函数。由于Sigmoid函数存在非零均值问题,Tanh函数存在幂函数项增多影响传播速度问题,故研究选用ReLU函数作为激活函数。经过卷积层处理后的数据仍然拥有较高的维度,对其继续进行处理会增加运算时间,因此,需要池化层通过下采样处理,继续降低信息数据的维度,降低运算难度。处理区域的特征值原则不同,池化方式也有所不同,一般分为最大池化、均值池化与随机池化三种方式。全连接层位于隐含层的最后位置,接通前一池化层,将二维输出矩阵转变为一维向量,并与原始数据的特征信息进行整合,最后将整合分类信息传递至输出层完成分类情况输出,输出层采用Softmax分类运算器完成特征分类。基于SSAE与CNN构建的融合网络电网故障诊断模型如图4所示。

图4 基于融合网络的电网故障诊断模型

首先将电网信息数据进行归一化预处理,随后将数据拷贝,分别送入故障线路判断模块与故障类型判断模块。两个判断模块结构一致,数据首先经过SSAE降维后进入CNN进行特征分类。最后将两个判断模块的信息整合,并输出故障信息。通过SSAE与CNN的紧密结合,互相补足,实现融合网络对电网故障进行精确诊断。

2 仿真实验与结果分析

为了验证基于SSAE与CNN融合网络的电网故障诊断模型的有效性和可行性,利用MATLAB平台进行仿真实验,对模型参数和模型性能进行检验。首先对CNN的网络参数进行调试,选取故障诊断精度更高的参数模型。不同网络层数与不同池化方式的故障诊断准确率比较结果如图5所示。

网络层数/层

由图5(a)可知,当CNN模型拥有两层卷积池化层时,针对电网故障诊断类型诊断的准确率达到最高,为99.13%。当CNN模型拥有三层卷积池化层时,针对电网故障线路的诊断准确率达到最高,为98.82%。在网络结构为三层时,电网故障线路诊断准确率达到最高,但仅比两层网络结构时高出0.04%,提升不大。而二层网络结构相较于三层网络结构的故障线路诊断准确率提升明显,且更少的网络层数有助于收敛速度的提升。因此,选择两层网络结构的CNN应用于混合网络故障诊断模型。从图5(b)可以看出,使用最大池化的池化方式,能够得到电网故障线路和类型诊断的最高准确率。最大池化的池化方式更有利于数据样本的重要纹理提取,因此研究模型采用最大池化方式。继续对故障诊断模型的训练周期进行实验,得到的结果如图6所示。

训练周期/次

由图6可知,在训练初期,融合网络学习样本较少,诊断性能较差,随着训练样本与训练周期的增加,提升明显。当训练次数为40次时,模型故障线路的诊断准确率为99.69%,模型故障类型的诊断准确率为99.78%。随后,故障准确率增长曲线趋于平缓,几乎不再增加。为避免网络训练周期过长,选取40作为诊断模型的最大训练周期,有助于提升模型的效率与精度。将模型配置完毕后,选取不同故障工况的电网故障诊断样本,对模型进行实例实验,样本规模为4 000例。针对不同线路与不同故障类型的故障诊断结果如图7所示。

训练周期/次

由图7(a)与图7(b)可知,故障线路的分类准确率随着训练周期的增加而提升,在训练周期为7时,提升速度逐渐放缓。在训练周期为23时,故障线路的分类准确率接近100%并趋于稳定。故障线路的损失函数随着训练次数增加不断减少,在训练至第7周期附近时,其减少幅度放缓;在训练周期23附近,训练损失趋近于0,模型参数达到最优。由图7(c)与图7(d)可知,故障类型的分类准确率随着训练周期的增加而提升,在训练周期为9时,提升速度逐渐放缓。在训练周期为25时,故障类型的分类准确率接近100%并趋于稳定。故障类型的损失函数随着训练次数增加,不断减少,在训练至第9周期附近时,其减少幅度放缓;在训练周期25附近,训练损失函数收敛,模型参数训练达到最优。为了验证融合网络电网故障诊断模型的精度优势,将其与单独的SSAE、BPNN、CNN故障诊断模型、组合的SSAE-BP故障诊断模型进行对比测试,实验结果如表1所示。

表1 不同故障诊断模型的电网故障诊断结果

从表1可以看出,单一神经网络诊断模型的精度整体不如融合网络模型。SSAE模型的收敛速度最快,但其特征分类能力较差,无论故障线路还是故障类型的诊断精度都在所有模型中表现最差。单一模型中,CNN模型比SSAE与BPNN模型的分类准确率更高,说明CNN比他们拥有更强的特征分类能力。BPNN与CNN两个融合诊断模型的收敛速度都优于未融合SSAE模型前,说明SSAE模型具有良好的数据降维能力,能够降低数据的处理周期,提升数据处理精度。研究提出的SSAE-CNN融合模型在故障线路诊断与故障类型诊断中,表现均为最优。其准确率分别达到99.86%与99.93%,比SSAE-BP融合模型分别高出0.62%与0.66%,比普通故障诊断模型高出1至4个百分点。该实验结果符合预期,证明提出的电网故障诊断模型具有良好的故障诊断能力。

3 结 论

利用堆叠稀疏自动编码器与卷积神经网络构建交直流电网故障诊断模型,通过SSAE的数据降维能力,对电网复杂数据信息进行降维处理,再利用CNN进行电网故障特征分类诊断。实验结果表明,利用SSAE-CNN融合网络故障诊断模型对4 000例不同线路与不同故障类型的实例电网信息数据进行故障诊断,其故障线路诊断准确率为99.86%,高出SSAE-BP融合模型0.62%,高出一般故障诊断模型约2个百分点。故障类型诊断准确率为99.93%,高出SSAE-BP融合模型0.66%,高出一般故障诊断模型约1.5个百分点。研究结果表明,提出的融合模型无论在诊断精度还是速度上均优于一般模型,能对各类电网故障进行准确诊断分类,优化电力部门的故障分析体系,为电力检修部门进行电力故障诊断提供数据参考,辅助电网故障诊断工作。