李若冰

摘 要 電力系統(tǒng)作為國(guó)民生活的重要生活部分，其安全意義重大。由于低壓配電網(wǎng)設(shè)備對(duì)預(yù)防性維護(hù)的需求過(guò)大，因此迫切需要一個(gè)更可靠、更健壯的智能系統(tǒng)。到目前為止，由于設(shè)備的不同特點(diǎn)，已開(kāi)發(fā)的智能系統(tǒng)只能用于特殊用途的低壓配電網(wǎng)設(shè)備。本文闡述了低壓配電網(wǎng)絡(luò)故障診斷方法，以及低壓配電網(wǎng)故障診斷體系的構(gòu)造方法。以模糊c均值聚類(lèi)（FCM）為例，應(yīng)用于低壓配電網(wǎng)設(shè)備狀態(tài)的分類(lèi)，給出了基于智能算法的低壓配電網(wǎng)絡(luò)故障診斷方法。算法能夠很好地處理和計(jì)算典型背景下的低壓配電網(wǎng)絡(luò)故障點(diǎn)圖像，具有通用性和較強(qiáng)的魯棒性。

關(guān)鍵詞 低壓配電網(wǎng) 故障診斷 安全風(fēng)險(xiǎn)評(píng)估 智能算法

中圖分類(lèi)號(hào)：TP18 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-0745（2022）05-0022-03

電力系統(tǒng)故障診斷的意義在于了解該系統(tǒng)當(dāng)前或?qū)?lái)發(fā)生問(wèn)題的位置，并對(duì)這些問(wèn)題提出合理的應(yīng)對(duì)措施[1]。評(píng)估過(guò)程比較復(fù)雜，大致可分為三部分[2]。一是電力系統(tǒng)故障診斷指標(biāo)的確定;二是電力系統(tǒng)故障診斷體系的構(gòu)造;三是電力系統(tǒng)故障診斷方法的確定。除此之外，作為交叉學(xué)科理論的神經(jīng)網(wǎng)絡(luò)也是電力系統(tǒng)故障診斷的重要應(yīng)用理論。本文將以模糊c均值聚類(lèi)（FCM）為基礎(chǔ)，診斷低壓配電網(wǎng)的故障。

1 傳統(tǒng)低壓配電網(wǎng)故障診斷方法

有幾種方法可以用來(lái)提高低壓配電網(wǎng)的檢驗(yàn)質(zhì)量，這些方法包括檢測(cè)設(shè)備的技術(shù)以及檢驗(yàn)方法[3]。由于對(duì)低壓配電網(wǎng)的預(yù)防性維護(hù)和狀態(tài)監(jiān)測(cè)的需求越來(lái)越受到重視和關(guān)注，因此需要一種可靠和快速的分析工具來(lái)進(jìn)行故障診斷。以下方法以提高低壓配電網(wǎng)設(shè)備檢查和狀態(tài)監(jiān)測(cè)的質(zhì)量，特別是在評(píng)估低壓配電網(wǎng)可靠性時(shí)。

1.1 高分辨率紅外相機(jī)的先進(jìn)技術(shù)

影響檢驗(yàn)質(zhì)量的主要因素是紅外熱成像設(shè)備本身[4]。紅外熱像儀以其高精度、高靈敏度的成像特性，越來(lái)越受到人們的重視，成為電網(wǎng)預(yù)防性維修的一種重要手段。紅外探測(cè)器制造工藝的進(jìn)步極大地提高了產(chǎn)量和質(zhì)量，同時(shí)降低了生產(chǎn)成本。然而，檢測(cè)的質(zhì)量與圖像的分辨率有關(guān)。分辨率差會(huì)導(dǎo)致檢測(cè)圖像的判讀不好。因此，為了更準(zhǔn)確、更實(shí)時(shí)地解釋數(shù)據(jù)，建議在紅外攝像機(jī)上使用最新技術(shù)。除了分辨率外，現(xiàn)代紅外熱像儀還具有很高的熱靈敏度，在某些產(chǎn)品中，紅外熱像儀還可以調(diào)整屏幕上的數(shù)據(jù)測(cè)量值，如物體發(fā)射率、溫度等。

1.2 高分辨率連續(xù)監(jiān)測(cè)

采用連續(xù)熱成像技術(shù)，可提供額外的能量進(jìn)行周期性熱檢，尤其關(guān)系到電網(wǎng)設(shè)備的耐久性[5]。由于故障隨時(shí)可能發(fā)生，因此連續(xù)熱監(jiān)測(cè)有其優(yōu)勢(shì)。此外，它不依賴于操作員，也不依賴于定期檢查，特別是在嚴(yán)重過(guò)載期間。另外，實(shí)時(shí)監(jiān)控可以在異常發(fā)生時(shí)對(duì)信號(hào)或警報(bào)發(fā)出警報(bào)，因此可以同時(shí)采取適當(dāng)?shù)拇胧?。除此之外，與現(xiàn)有的監(jiān)控和數(shù)據(jù)采集系統(tǒng)的集成將實(shí)現(xiàn)實(shí)時(shí)遠(yuǎn)程監(jiān)控，而無(wú)需單獨(dú)的系統(tǒng)或報(bào)告，這實(shí)際上是定期熱工檢查無(wú)法實(shí)現(xiàn)的。

1.3 準(zhǔn)確的故障診斷方法

有多種技術(shù)可用于通過(guò)定性檢測(cè)圖像分析來(lái)確定電網(wǎng)設(shè)備的熱嚴(yán)重性[6]。其中一項(xiàng)技術(shù)是通過(guò)確定每個(gè)電網(wǎng)設(shè)備的實(shí)際最高溫度并根據(jù)標(biāo)準(zhǔn)評(píng)估其狀況來(lái)進(jìn)行直接解釋。最高溫度由指定選定區(qū)域內(nèi)的最高像素值。然而，這種技術(shù)有時(shí)會(huì)產(chǎn)生誤導(dǎo)，這是因?yàn)殡娋W(wǎng)設(shè)備的溫度會(huì)受到環(huán)境溫度不同程度的影響。因此，還必須考慮與環(huán)境溫度不同的相對(duì)溫度。計(jì)算直方圖或直方圖距離是另一種可用于兩個(gè)物體之間的相似性。在這種情況下，計(jì)算每個(gè)區(qū)域的直方圖并與其他區(qū)域進(jìn)行比較。另一種推薦的方法是分析分割區(qū)域的梯度。利用梯度分析技術(shù)的一個(gè)優(yōu)點(diǎn)是可以識(shí)別電網(wǎng)設(shè)備中熱點(diǎn)的來(lái)源，所有這些參數(shù)都可以作為輸入特征的決策過(guò)程。電網(wǎng)設(shè)備檢測(cè)通?？捎糜诒容^相似設(shè)備之間的故障，但可能需要顯示故障的嚴(yán)重程度。系統(tǒng)的故障診斷往往依賴于對(duì)滿載發(fā)熱點(diǎn)的預(yù)測(cè)和設(shè)備在該溫度下的耐久性。由于需要預(yù)測(cè)系統(tǒng)滿負(fù)荷運(yùn)行時(shí)的最高溫度，因此必須探索預(yù)測(cè)設(shè)備可靠性和使用壽命的新方法。

2 智能算法的低壓配電網(wǎng)絡(luò)故障診斷方法

2.1 智能算法

無(wú)論是對(duì)低壓配電網(wǎng)設(shè)備故障檢測(cè)圖像的定性分析還是定量分析，大部分可用的分類(lèi)方法都是對(duì)檢測(cè)圖像進(jìn)行定量分析，可以較好地應(yīng)用于低壓配電網(wǎng)設(shè)備狀態(tài)的分類(lèi)。模糊c均值聚類(lèi)（FCM）學(xué)習(xí)數(shù)據(jù)的復(fù)雜輸入輸出關(guān)系，用于低壓配電網(wǎng)設(shè)備故障的學(xué)習(xí)和分類(lèi)。在眾多智能算法中，模糊c均值聚類(lèi)（FCM）的多層感知器模型由于靈活性強(qiáng)，計(jì)算速度快，魯棒性強(qiáng)的獨(dú)特優(yōu)點(diǎn)得到了廣泛的應(yīng)用。

由于模糊c均值聚類(lèi)（FCM）是一種廣泛應(yīng)用的數(shù)據(jù)分類(lèi)工具，因而還可以用來(lái)確定電網(wǎng)設(shè)備的狀態(tài)。它還是一種學(xué)習(xí)系統(tǒng)，它利用高維特征空間中線性函數(shù)的假設(shè)空間來(lái)直接估計(jì)決策面（不是建模訓(xùn)練數(shù)據(jù)的概率分布），并將模糊決策方法應(yīng)用于電網(wǎng)設(shè)備狀態(tài)分類(lèi)。

采用模糊c均值聚類(lèi)（FCM）對(duì)低壓配電網(wǎng)故障進(jìn)行檢測(cè)和分類(lèi)，能夠?qū)崿F(xiàn)90%的故障分類(lèi)，并帶有760多個(gè)測(cè)量的測(cè)試數(shù)據(jù)集，其圖像配準(zhǔn)方法和用于監(jiān)測(cè)低壓配電網(wǎng)設(shè)備熱異常的圖像匹配調(diào)整算法。圖像配準(zhǔn)方法分為三個(gè)步驟：首先，基于（區(qū)域）灰度相似性的方法，通過(guò)一個(gè)相似性度量來(lái)選擇這類(lèi)方法，用時(shí)間作為兩幅圖像相似性的度量。其次，基于傅里葉變換算法的相位相關(guān)圖像變換。最后，對(duì)圖像進(jìn)行匹配。在檢測(cè)到目標(biāo)設(shè)備的圖像后，將該圖像與相似模板進(jìn)行比較，從而進(jìn)行去噪并檢查儀器狀況。

模糊c均值聚類(lèi)（FCM）算法是在c均值聚類(lèi)算法模型的基礎(chǔ)上發(fā)展起來(lái)的。最大的區(qū)別是為成員資格uij指定一個(gè)權(quán)重值m。FCM的數(shù)學(xué)推理過(guò)程和聚類(lèi)過(guò)程如下：

FCM聚類(lèi)初始函數(shù)如公式（1）所示：

關(guān)系如下公式（2）所示：

在初始函數(shù)中，一般權(quán)重因子M>1。為了找到目標(biāo)函數(shù)的最優(yōu)解，推理過(guò)程如下：

為了獲得最優(yōu)解，可以利用極值的約束條件，在拉格朗日函數(shù)的條件下可以構(gòu)造求解最小值的函數(shù)。設(shè)拉格朗日函數(shù)為公式（3）所示：

由于，因此，新添加的部分為0，但這不影響初始功能。在拉格朗日函數(shù)λ和uij中，隸屬度可由計(jì)算公式（4）獲得：

其中k表示第k次迭代。

計(jì)算第k個(gè)聚類(lèi)中心的數(shù)學(xué)公式如（5）所示：

求解目標(biāo)函數(shù)的最優(yōu)解是一個(gè)重復(fù)的過(guò)程。每次獲得隸屬度矩陣和聚類(lèi)中心矩陣時(shí)，需要比較兩個(gè)聚類(lèi)中心之間的距離，如公式（6）所示。

只有當(dāng)兩個(gè)聚類(lèi)中心之間的距離小于預(yù)先設(shè)置的終止標(biāo)準(zhǔn)值時(shí)，迭代才會(huì)結(jié)束，否則迭代解將繼續(xù)。

初始化聚類(lèi)類(lèi)別C的數(shù)量，其中2≤C≤n，C的值一般根據(jù)經(jīng)驗(yàn)值確定。設(shè)置初始模糊分類(lèi)矩陣R（0）并按照以下步驟依次迭代，其中I=0，1，2…n是迭代次數(shù)，N是數(shù)據(jù)集中劃分的數(shù)據(jù)數(shù)。

對(duì)于R（1），計(jì)算聚類(lèi)中心矩陣，其中，根據(jù)公式

調(diào)整模糊分類(lèi)矩陣R（1）以獲得（8）：

聚類(lèi)結(jié)果：借助聚類(lèi)中心矩陣V，模糊分類(lèi)矩陣R*如公式（9）所示。

模糊聚類(lèi)算法不同于傳統(tǒng)的推薦算法。建立用戶組數(shù)據(jù)庫(kù)，查找指定用戶，分析指定用戶感興趣的內(nèi)容，然后提出建議。根據(jù)類(lèi)似客戶的綜合比較信息對(duì)某一內(nèi)容進(jìn)行評(píng)價(jià)，形成新的體系，分析指定用戶對(duì)某一信息的理解和興趣，判斷是否推送。由于低壓配電網(wǎng)絡(luò)故障診斷有很多推薦內(nèi)容，因此模型框架的設(shè)計(jì)需要同時(shí)結(jié)合多種推薦技術(shù)。

首先將數(shù)據(jù)集轉(zhuǎn)換為矩陣形式，接著用算法對(duì)矩陣進(jìn)行分類(lèi)，然后用模糊聚類(lèi)算法填充數(shù)據(jù)，最后找到目標(biāo)用戶的最近鄰，并用協(xié)同過(guò)濾算法生成最近鄰集。上述基于聚類(lèi)的實(shí)時(shí)策略為聚類(lèi)，并在矩陣上進(jìn)行最近鄰搜索。除了用戶評(píng)分矩陣外，還可以使用項(xiàng)目屬性。使用這些信息可以有效地提高系統(tǒng)的準(zhǔn)確性。分層聚類(lèi)算法模擬樹(shù)結(jié)構(gòu)，通過(guò)多次迭代，所有采樣點(diǎn)形成樹(shù)結(jié)構(gòu)。選擇樹(shù)的節(jié)點(diǎn)作為聚類(lèi)結(jié)果非常方便。目前，有兩種層次聚類(lèi)算法，即分裂聚類(lèi)算法和聚合聚類(lèi)算法。

算法能夠很好地處理和計(jì)算典型背景下的低壓配電網(wǎng)絡(luò)故障點(diǎn)圖像，具有通用性和較強(qiáng)的魯棒性。然而，低壓配電網(wǎng)絡(luò)圖像的SIFT特征選擇和提取是一個(gè)難點(diǎn)。此外，使用圖像的高級(jí)特征獲取故障點(diǎn)速度慢，處理時(shí)間長(zhǎng)。通過(guò)對(duì)低壓配電網(wǎng)絡(luò)結(jié)構(gòu)特征的深入觀察和分析，提出了提取低壓配電網(wǎng)絡(luò)故障點(diǎn)外輪廓并計(jì)算外輪廓幾何中心線的方法。通過(guò)計(jì)算幾何中心線沿直線和垂直于直線的傾角，并結(jié)合三角形法計(jì)算的實(shí)際傾角，計(jì)算結(jié)果準(zhǔn)確，處理速度快，處理時(shí)間短。該算法的目的是準(zhǔn)確識(shí)別和檢測(cè)圖像中的異常，以滿足故障診斷的需要。

2.2 智能診斷系統(tǒng)

由于低壓配電網(wǎng)設(shè)備對(duì)預(yù)防性維護(hù)的需求過(guò)大，迫切需要一個(gè)更可靠、更健全的智能系統(tǒng)。到目前為止，由于設(shè)備的不同特點(diǎn)，已開(kāi)發(fā)的智能系統(tǒng)只能用于特殊用途的低壓配電網(wǎng)設(shè)備。因此，必須設(shè)計(jì)和開(kāi)發(fā)一個(gè)智能系統(tǒng)模型，以適應(yīng)故障點(diǎn)成像質(zhì)量問(wèn)題?；谀：壿嫷膶?zhuān)家系統(tǒng)屬于智能診斷系統(tǒng)，該系統(tǒng)可以提取電網(wǎng)設(shè)備檢測(cè)圖像中的主要特征，并建議適當(dāng)?shù)木S護(hù)措施。對(duì)于在室外進(jìn)行的檢查，拍攝的圖像通常會(huì)受到噪聲的影響。因此，選取的算法需要能夠解決這些問(wèn)題，所開(kāi)發(fā)的模型應(yīng)能適應(yīng)各種因素（包括風(fēng)速、電氣負(fù)荷變化、環(huán)境空氣溫度、電阻等的影響）的復(fù)雜相互作用，并能為未來(lái)的擴(kuò)展提供支持。

基于自頂向下方法的目標(biāo)識(shí)別方法是最佳選擇之一。通過(guò)假設(shè)低壓配電網(wǎng)設(shè)備紅外圖像中的所有物體都是重復(fù)結(jié)構(gòu)，識(shí)別出感應(yīng)區(qū)域。通過(guò)檢測(cè)每個(gè)目標(biāo)的局部特征，并對(duì)每個(gè)目標(biāo)相似的特征進(jìn)行分組來(lái)進(jìn)行分類(lèi)。采用尺度不變特征變換算法進(jìn)行圖像分割，通過(guò)識(shí)別重復(fù)結(jié)構(gòu)的區(qū)別特征，描述特征并匹配每個(gè)特征，以檢測(cè)圖像中的相似對(duì)象。這里，尺度不變特征變換算法是在一幅圖像中而不是在兩幅圖像之間匹配和配對(duì)顯著的相似特征。最后，在具有一組匹配特征之后，這些特征集合被分組并且可以提取重復(fù)結(jié)構(gòu)的區(qū)域。該分割技術(shù)具有良好的識(shí)別效果和重復(fù)目標(biāo)檢測(cè)。目前，這種技術(shù)只適用于外形非常相似的低壓配電網(wǎng)設(shè)備。

3 結(jié)語(yǔ)

本文將智能算法應(yīng)用到低壓配電網(wǎng)故障診斷問(wèn)題中，從數(shù)據(jù)的角度客觀地反映了診斷情況。與其他低壓配電網(wǎng)故障診斷方案相比，該評(píng)估模型適用范圍更廣，操作更方便。

參考文獻(xiàn)：

[1] 毋俊杰.電力通信網(wǎng)主干電路安全風(fēng)險(xiǎn)評(píng)估的研究[D].北京：華北電力大學(xué)，2007.

[2] 戴祖峰.基于BS7799的安全風(fēng)險(xiǎn)評(píng)估系統(tǒng)的研究及設(shè)計(jì)實(shí)現(xiàn)[D].西安：西安電子科技大學(xué)，2004.

[3] 舒凡娣，謝嘉晟，廖曉嬌，等.結(jié)合粒子群算法和窮舉法的配電網(wǎng)故障診斷方法[J].陜西電力，2019，47（01）： 94-99.

[4] 同[3].

[5] 岳春玉.基于小波-神經(jīng)網(wǎng)絡(luò)的電路故障診斷方法的研究[J].電子制作，2019（11）：88-89，95.

[6] 張開(kāi)延，潘楊，婁季朝.基于ANP-SVM算法的智能變電站過(guò)程層網(wǎng)絡(luò)故障分類(lèi)[J].計(jì)算機(jī)與現(xiàn)代化，2019 （07）：72-77，103.