張飛飛，張俊 ，吳龍，吳曉輝，雪占波

（1.國(guó)網(wǎng)昌吉供電公司，新疆 昌吉 831100；2.寶雞市韋思特電氣有限公司，陜西 寶雞 721006）

隨著科學(xué)技術(shù)的飛速發(fā)展，電網(wǎng)工程成為社會(huì)發(fā)展的重要助力，變電設(shè)備自動(dòng)化和智能化程度越來(lái)越高[1]。變電設(shè)備的智能化發(fā)展為其故障檢測(cè)維修造成一定程度上的阻礙。電網(wǎng)運(yùn)行過(guò)程中受到多種因素的影響，變電設(shè)備超負(fù)荷工作等諸多因素，導(dǎo)致變電一次設(shè)備出現(xiàn)多種故障[2]。為保障電網(wǎng)的正常運(yùn)行，對(duì)變電一次設(shè)備故障的維護(hù)和故障檢測(cè)十分重要。為此，相關(guān)研究者進(jìn)行了很多研究，并取得了一定成果。

尹相國(guó)等人[3]提出一種智能變電站設(shè)備故障檢測(cè)方法。該方法主要通過(guò)幾點(diǎn)保護(hù)實(shí)現(xiàn)變電設(shè)備故障檢測(cè)。根據(jù)廣義變比構(gòu)建故障診斷模型，對(duì)各類(lèi)型的故障進(jìn)行診斷和分析。該方法操作過(guò)程簡(jiǎn)單，但考慮的變電設(shè)備故障影響因素較少，存在故障檢測(cè)效果不佳的問(wèn)題。王同文等人[4]提出智能變電站二次回路智能預(yù)警及故障診斷技術(shù)。該方法首先分析了智能變電站信息傳輸?shù)奶攸c(diǎn)，并構(gòu)建物理鏈路設(shè)置合理協(xié)議，并構(gòu)建變電設(shè)備的物理拓?fù)洌?gòu)建的物理拓?fù)浣Y(jié)構(gòu)回路信息流流向相應(yīng)位置，在此基礎(chǔ)上，構(gòu)建變電設(shè)備故障專(zhuān)家數(shù)據(jù)庫(kù)，將變電設(shè)備的運(yùn)行狀態(tài)作為判斷依據(jù)，完成故障的診斷。該方法未過(guò)多考慮變電設(shè)備中噪聲數(shù)據(jù)，存在故障檢測(cè)精度低的問(wèn)題。

為解決上述問(wèn)題，本文提出基于深度卷積神經(jīng)網(wǎng)絡(luò)的變電一次設(shè)備故障檢測(cè)方法。實(shí)驗(yàn)結(jié)果表明，所提方法不僅能夠有效降低故障誤報(bào)率和漏報(bào)率，同時(shí)還能夠提升故障檢測(cè)及時(shí)性和辨識(shí)能力。

1 變電一次設(shè)備數(shù)據(jù)采集和預(yù)處理

變電一次設(shè)備的數(shù)據(jù)采集主要通過(guò)高分辨率的數(shù)碼相機(jī)和攝像頭在多光照條件下采集變電設(shè)備圖像。以此為依據(jù)，組建變電站場(chǎng)景數(shù)據(jù)集，增強(qiáng)樣本多樣性。在變電一次設(shè)備圖像采集過(guò)程中，主要受采集設(shè)備以及環(huán)境等條件因素影響，采集全部圖像均存在噪聲以及對(duì)比度較低等問(wèn)題。另外，由于距離較遠(yuǎn)以及焦距大小不一等問(wèn)題，導(dǎo)致圖像中間大小和位置不確定。為了確保設(shè)備圖像中設(shè)備大小以及位置等參數(shù)的一致性，需要對(duì)采集到的數(shù)據(jù)集進(jìn)行處理。圖像噪聲對(duì)圖像特征的提取具有很大的影響。對(duì)其進(jìn)行預(yù)處理時(shí)刪除數(shù)據(jù)集中無(wú)關(guān)信息和噪聲，常見(jiàn)噪聲包括：

1）高斯噪聲。高斯噪聲是符合概率密度函數(shù)的高斯分布噪聲，n維噪聲分布主要取決于各隨機(jī)變量的三個(gè)數(shù)學(xué)變量，分別為：數(shù)學(xué)期望、方差以及協(xié)方差函數(shù)[5]。假設(shè)高斯噪聲的寬相對(duì)平穩(wěn)，則對(duì)應(yīng)的嚴(yán)也十分平穩(wěn)；假設(shè)是兩個(gè)不相關(guān)的隨機(jī)變量，則統(tǒng)計(jì)獨(dú)立。

2）椒鹽噪聲。即脈沖噪聲，主要由鹽噪聲和胡椒噪聲組成。前者是一種高灰度噪聲；后者是一種低灰度噪聲。通常情況下兩者噪聲可以一起存在。其能夠隨機(jī)改變一些像素，在二值像素點(diǎn)變白，剩余像素點(diǎn)變黑。

3）量化噪聲。量化噪聲和輸入數(shù)據(jù)集的信號(hào)類(lèi)型不存在任何關(guān)聯(lián)，主要是在量化過(guò)程中由量化誤差形成噪聲。

不同噪聲需要采用不同去噪方法進(jìn)行處理。本文采用均值濾波對(duì)采集的圖像進(jìn)行預(yù)處理。該方法是一種典型的線性濾波方法，主要用于識(shí)別數(shù)據(jù)集中目標(biāo)，包含鄰近像素點(diǎn)和自身的像素點(diǎn)。

采用均值替代的方式確定原始圖像中各像素值，即需要處理像素點(diǎn)f(x,y)，選擇最終模板。由鄰近像素組成所需要模板，即求解全部像素的平均值[6]，同時(shí)將其賦值到當(dāng)前的像素點(diǎn)f(x,y)中，能夠獲取該點(diǎn)對(duì)應(yīng)的灰度值為

式中：m為模板中包括原始像素在內(nèi)的全部像素總數(shù)。

在獲取的變電一次設(shè)備圖像中，由于圖像大小相同，在故障數(shù)據(jù)檢測(cè)前期需要對(duì)各數(shù)據(jù)集進(jìn)行預(yù)處理。在預(yù)處理過(guò)程中，需要將數(shù)據(jù)集縮小或擴(kuò)大為最佳大小[7-8]，同時(shí)還需要通過(guò)數(shù)據(jù)增廣技術(shù)降低網(wǎng)絡(luò)擬合的風(fēng)險(xiǎn)。

通過(guò)數(shù)據(jù)增廣方法對(duì)原始數(shù)據(jù)集進(jìn)行隨機(jī)旋轉(zhuǎn)，形成全新數(shù)據(jù)集。雖然在圖像和數(shù)據(jù)采集過(guò)程中需要全面考慮方位以及角度等多樣性，但各變電設(shè)備具有一定隨機(jī)性，需要將原始圖像或者數(shù)據(jù)集進(jìn)行旋轉(zhuǎn)，有效消除樣本多樣性帶來(lái)的不足，通過(guò)下述公式進(jìn)行計(jì)算：

式中：P為獲取的無(wú)噪點(diǎn)的變電設(shè)備故障數(shù)據(jù)；p1,p2,p3分別為不同的原始圖像數(shù)據(jù)；α1,α2,α3分別為一級(jí)、二級(jí)、三級(jí)的變電設(shè)備數(shù)據(jù)旋轉(zhuǎn)因子；λ1,λ2,λ3分別為一級(jí)、二級(jí)、三級(jí)的變電設(shè)備數(shù)據(jù)復(fù)數(shù)常數(shù)。

在此基礎(chǔ)上，由于均值濾波方法對(duì)圖像的預(yù)處理中存在的局部噪聲無(wú)法得到完全消除，因此借助協(xié)方差矩陣對(duì)圖像中局部噪聲進(jìn)行進(jìn)一步的刪除，得到的結(jié)果為

2 變電一次設(shè)備故障檢測(cè)實(shí)現(xiàn)

深度學(xué)習(xí)在人工智能領(lǐng)域占據(jù)核心位置，主要將不同的特征進(jìn)行抽象表述，同時(shí)自動(dòng)提取研究對(duì)象的特征。為了獲取更加精準(zhǔn)的故障檢測(cè)結(jié)果，引入卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行故障特征提取，促使故障檢測(cè)更加智能化。其中，自適應(yīng)深度卷積神經(jīng)網(wǎng)絡(luò)故障檢測(cè)過(guò)程如圖1所示。

圖1 自適庫(kù)故障檢測(cè)流程Fig.1 Flow chart of adaptive fault detection

在訓(xùn)練初始階段，故障診斷模型的建立是由以下步驟實(shí)現(xiàn)的：1）參數(shù)選擇；2）輸入信號(hào)圖像；3）深度卷積神經(jīng)網(wǎng)絡(luò)模型建立。

在模型檢測(cè)階段也包含三個(gè)不同部分，分別為：1）特征提取和存儲(chǔ)；2）組建檢測(cè)器；3）未知故障學(xué)習(xí)。

在模型建立過(guò)程中，使用全連接層代替全卷積層。為了提取更加完整的故障特征[9]，需要將兩個(gè)層進(jìn)行統(tǒng)計(jì)。在抗生體形成的過(guò)程中，采用基于抗原中心的抗體生成策略進(jìn)行學(xué)習(xí)階段抗體的尋優(yōu)操作，有效避免錯(cuò)誤檢測(cè)情況的發(fā)生。

在變電一次設(shè)備故障檢測(cè)的過(guò)程中，主要采用深度卷積網(wǎng)絡(luò)進(jìn)行故障特征提取和檢測(cè)。深度卷積神經(jīng)網(wǎng)絡(luò)在建立過(guò)程中需要通過(guò)不同應(yīng)用領(lǐng)域和檢測(cè)對(duì)象選取合適網(wǎng)絡(luò)模型，主要目的是為了有效提取檢測(cè)對(duì)象的特征[10]，進(jìn)而增強(qiáng)檢測(cè)結(jié)果的準(zhǔn)確性。

采用深度卷積神經(jīng)網(wǎng)絡(luò)時(shí)，需要優(yōu)先解決網(wǎng)絡(luò)建立和參數(shù)選擇問(wèn)題。在模型建立過(guò)程中，通過(guò)頻域波形信號(hào)進(jìn)行參數(shù)選擇。在特征圖個(gè)數(shù)選擇過(guò)程中，需要設(shè)置不同類(lèi)型的模型，具體如下所示：

1）增量模型。經(jīng)過(guò)多次研究將各個(gè)卷積層的特征圖提取數(shù)量設(shè)置為80，符合本文故障檢測(cè)需求。

2）遞減模型。各卷積層提取的特征圖數(shù)量逐漸減少。

3）卷積操作。對(duì)波形信號(hào)進(jìn)行特征提取，在選擇好的卷積層中提取對(duì)應(yīng)數(shù)量特征圖數(shù)量，確定卷積核大小，其中共包含三種不同規(guī)格卷積核。

通過(guò)深度卷積神經(jīng)網(wǎng)絡(luò)選擇好參數(shù)后，需要進(jìn)一步確定深度卷積神經(jīng)網(wǎng)絡(luò)的層數(shù)、輸入時(shí)域以及頻域波形信號(hào)的大小[11]。模型中參數(shù)的訓(xùn)練需要通過(guò)時(shí)域和頻域波形信號(hào)完成，以下給出具體的訓(xùn)練過(guò)程：

1）將振動(dòng)信號(hào)設(shè)定為變電一次設(shè)備采集的數(shù)據(jù)。

2）將步驟1）中提取的振動(dòng)信號(hào)轉(zhuǎn)換為時(shí)域波形，通過(guò)傅里葉變換轉(zhuǎn)換為頻域波形，同時(shí)對(duì)其進(jìn)行灰度化處理，將不同類(lèi)型的信號(hào)分別存儲(chǔ)到不同的文件夾中。

3）針對(duì)故障類(lèi)型將文件夾存放到對(duì)應(yīng)的位置。

4）建立時(shí)域和頻域模型。

5）將數(shù)據(jù)集劃分為測(cè)試集和訓(xùn)練集兩種類(lèi)型。

6）設(shè)定卷積操作的步長(zhǎng)為1，池化核的步長(zhǎng)為2，其中偏置數(shù)量和卷積層提取的特征圖數(shù)量相同。

7）采用卷積核進(jìn)行隨機(jī)初始化操作，設(shè)定初始偏差為0。

8）通過(guò)不同類(lèi)型的信號(hào)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，同時(shí)采用隨機(jī)梯度下降的方式對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

9）通過(guò)測(cè)試集對(duì)訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。

在故障檢測(cè)階段，優(yōu)先提取時(shí)域信號(hào)，同時(shí)經(jīng)過(guò)傅里葉變換轉(zhuǎn)換為頻域信號(hào)，最終形成檢測(cè)階段的時(shí)域和頻域信號(hào)。通過(guò)初試階段檢測(cè)后，將提取特征和初步診斷結(jié)果進(jìn)行存儲(chǔ)。

當(dāng)變電一次設(shè)備進(jìn)行故障診斷時(shí)，故障是在一段時(shí)間內(nèi)連續(xù)出現(xiàn)的。為了促使檢測(cè)結(jié)果準(zhǔn)確性更好，需要對(duì)診斷結(jié)果的準(zhǔn)確性進(jìn)行評(píng)估。設(shè)定TD代表時(shí)域模型的檢測(cè)結(jié)果，F(xiàn)en代表提取的特征屬性，具體的計(jì)算式為

式中：Re(T)為時(shí)域檢測(cè)下的評(píng)估結(jié)果。

頻域檢測(cè)結(jié)果主要通過(guò)下式進(jìn)行定義，即

式中：Re(f)為頻域檢測(cè)下的評(píng)估結(jié)果；Fd為頻域模型的檢測(cè)結(jié)果；Fet1,Fet2,…,Fetn為不同頻域檢測(cè)特征屬性值。

其中，未知故障檢測(cè)器的存儲(chǔ)形式主要?jiǎng)澐譃槿缦聝煞N：1）包含帶標(biāo)簽位的抗體種群；2）不包含帶標(biāo)簽位的抗體種群。

記憶故障知識(shí)庫(kù)中故障檢測(cè)器主要通過(guò)故障類(lèi)別標(biāo)簽進(jìn)行存儲(chǔ)，各種故障類(lèi)型均有其對(duì)應(yīng)的標(biāo)簽以及抗體檢測(cè)種群。采用記憶知識(shí)庫(kù)中抗體進(jìn)行檢測(cè)時(shí)，如果時(shí)間和頻率統(tǒng)計(jì)次數(shù)Tmax和fmax兩者均高于閾值，則通過(guò)標(biāo)簽位進(jìn)行匹配。如果結(jié)果匹配，通過(guò)抗體對(duì)變電一次設(shè)備進(jìn)行故障檢測(cè)，假設(shè)完成檢測(cè)，則能夠反映當(dāng)前的波形故障類(lèi)型；反之無(wú)法完成檢測(cè)，需要采用將存儲(chǔ)特征進(jìn)行抗體學(xué)習(xí)，組建新的故障檢測(cè)器，使用形成故障檢測(cè)器代替剩余檢測(cè)器，這樣不僅能夠有效保持原有的故障檢測(cè)器，同時(shí)還有新的檢測(cè)器，促使檢測(cè)器種群具有較強(qiáng)的動(dòng)態(tài)適應(yīng)性。當(dāng)標(biāo)簽無(wú)法進(jìn)行匹配時(shí)，則說(shuō)明當(dāng)前的故障波形在較近時(shí)間段內(nèi)沒(méi)有進(jìn)行過(guò)學(xué)習(xí)，則需要執(zhí)行抗體免疫學(xué)習(xí)過(guò)程，在此過(guò)程中通過(guò)對(duì)抗體初始化設(shè)置抗體抑制機(jī)制，可消除故障檢測(cè)中無(wú)法匹配的特征冗余，提升一次設(shè)備故障檢測(cè)的精度。該過(guò)程中形成抗體種群檢測(cè)器，同時(shí)將統(tǒng)計(jì)標(biāo)簽和學(xué)習(xí)獲取抗體種群存放到記憶故障知識(shí)庫(kù)中。

如果變電一次設(shè)備出現(xiàn)未知故障，單純使用記憶故障知識(shí)庫(kù)無(wú)法完成故障檢測(cè)，則需要使用抗體進(jìn)行免疫學(xué)習(xí)，組建未知故障檢測(cè)器。以下給出抗體免疫學(xué)習(xí)的具體操作過(guò)程：

1）將深度卷積神經(jīng)網(wǎng)絡(luò)時(shí)域和頻域共同提取的特征轉(zhuǎn)換為初始抗原種群Agp。

2）形成初始抗原后，通過(guò)抗體生成策略組建初始抗體種群。

3）分別計(jì)算各個(gè)抗體對(duì)全部抗原的平均親和力，通過(guò)克隆操作定義各抗體克隆相應(yīng)數(shù)量的抗體，當(dāng)平均親和力越大，說(shuō)明抗體克隆數(shù)據(jù)越多；反之，則越少。

4）隨機(jī)設(shè)定各個(gè)克隆抗體的概率閾值，通過(guò)計(jì)算獲取變異概率，當(dāng)其取值高于隨機(jī)閾值時(shí)[12]，則對(duì)克隆抗體進(jìn)行變異操作；反之，則不進(jìn)行變異操作。

5）針對(duì)經(jīng)過(guò)克隆和變異操作的抗體進(jìn)行降序排序，同時(shí)設(shè)定下一代初始抗體種群。

6）重復(fù)步驟3）～步驟5），當(dāng)?shù)螖?shù)達(dá)到指定次數(shù)或抗體親和力滿(mǎn)足指定閾值時(shí)，則停止計(jì)算。

7）完成全部操作后，會(huì)形成全新的檢測(cè)器，結(jié)合實(shí)際情況將新的檢測(cè)器放入記憶故障知識(shí)庫(kù)中進(jìn)行故障檢測(cè)。

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)環(huán)境

為驗(yàn)證所提基于深度卷積神經(jīng)網(wǎng)絡(luò)的變電一次設(shè)備故障檢測(cè)方法有效性，在Intel i7-97006核心處理器，16 GB內(nèi)存，操作系統(tǒng)為64位Win?dows10操作系統(tǒng)下進(jìn)行實(shí)驗(yàn)測(cè)試。實(shí)驗(yàn)以某變電站為研究對(duì)象，具體實(shí)驗(yàn)環(huán)境如圖2所示。

圖2 實(shí)驗(yàn)環(huán)境Fig.2 Experimental environment

3.2 實(shí)驗(yàn)參數(shù)

實(shí)驗(yàn)中使用的參數(shù)如下所示：圖像采集光源條件為日光光源，樣本源圖像噪聲-2～2 dB，樣本圖像數(shù)量100張。

3.3 實(shí)驗(yàn)指標(biāo)

實(shí)驗(yàn)測(cè)試指標(biāo)包括：

1）故障檢測(cè)及時(shí)性。當(dāng)變電一次設(shè)備發(fā)生故障后，在最短的時(shí)間內(nèi)完成故障檢測(cè)，其中故障檢測(cè)及時(shí)性越短，說(shuō)明檢測(cè)速度越快。

2）故障誤報(bào)率和漏報(bào)率。誤報(bào)率主要是指故障檢測(cè)方法將變電一次設(shè)備正常運(yùn)行狀態(tài)檢測(cè)為故障狀態(tài)；漏報(bào)率主要是指將變電一次設(shè)備的故障狀態(tài)檢測(cè)為正常狀態(tài)。其中，漏報(bào)率和誤報(bào)率的取值越小，說(shuō)明系統(tǒng)的可靠性和安全性較高。

3）故障辨識(shí)能力。主要指故障檢測(cè)方法檢測(cè)故障程度的能力，其中辨識(shí)能力越強(qiáng)，則說(shuō)明檢測(cè)結(jié)果準(zhǔn)確性越高，同時(shí)有利于對(duì)監(jiān)測(cè)對(duì)象進(jìn)行評(píng)估以及維修。

3.4 實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證所提方法的有效性，實(shí)驗(yàn)對(duì)比了所提方法、文獻(xiàn)[3]方法以及文獻(xiàn)[4]方法對(duì)故障檢測(cè)的及時(shí)性，得到的結(jié)果如圖3所示。分析圖3中實(shí)驗(yàn)數(shù)據(jù)可知，由于變電站一次故障類(lèi)型不同，三種方法的故障檢測(cè)時(shí)間也存在較大差異。其中，所提方法對(duì)5種故障類(lèi)型檢測(cè)的耗時(shí)較短，始終低于其他兩種方法。這是由于所提方法在進(jìn)行故障檢測(cè)時(shí)首先對(duì)故障數(shù)據(jù)進(jìn)行預(yù)處理，減少了干擾數(shù)據(jù)的影響，從而提升了故障檢測(cè)的及時(shí)性。

圖3 不同方法故障檢測(cè)及時(shí)性Fig.3 Timeliness of fault detection by different methods

實(shí)驗(yàn)對(duì)比了所提方法、文獻(xiàn)[3]方法以及文獻(xiàn)[4]方法對(duì)故障檢測(cè)的誤報(bào)率和漏報(bào)率，實(shí)驗(yàn)結(jié)果表1和表2所示。

表1 不同方法故障誤報(bào)率對(duì)比結(jié)果Tab.1 Comparison results of false alarm rates of different methods

表2 不同方法漏報(bào)率對(duì)比結(jié)果Tab.2 Comparison results of under report ingrates of different methods

分析表1和表2中實(shí)驗(yàn)數(shù)據(jù)可知，由于所提方法在故障檢測(cè)前期，對(duì)變電一次設(shè)備進(jìn)行數(shù)據(jù)采集和預(yù)處理，為后續(xù)的故障檢測(cè)奠定堅(jiān)實(shí)的基礎(chǔ)，進(jìn)而有效降低了誤報(bào)率和漏報(bào)率，獲取更加理想的檢測(cè)結(jié)果，且明顯優(yōu)于另外兩種方法。

為了進(jìn)一步驗(yàn)證所提方法的優(yōu)越性，實(shí)驗(yàn)對(duì)比三種不同方法的故障辨識(shí)能力，實(shí)驗(yàn)結(jié)果如圖4所示。

圖4 不同方法故障辨識(shí)能力對(duì)比結(jié)果Fig.4 Comparison results of fault identification capabilities of different methods

由圖4中的實(shí)驗(yàn)數(shù)據(jù)可知，在相同實(shí)驗(yàn)環(huán)境下，采用三種方法對(duì)樣本故障進(jìn)行辨識(shí)的能力存在一定差距。其中，所提方法對(duì)樣本故障辨識(shí)的能力最高達(dá)到了99%，滿(mǎn)足對(duì)樣本一次性設(shè)備故障診斷的需求，全面驗(yàn)證所提方法的有效性，同時(shí)也證明了本文方法在變電一次設(shè)備故障診斷中的優(yōu)勢(shì)。

4 結(jié)論

針對(duì)傳統(tǒng)方法存在的一系列缺陷，本文提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的變電一次設(shè)備故障檢測(cè)方法。該方法通過(guò)深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)故障進(jìn)行檢測(cè)，提升了故障檢測(cè)的性能。實(shí)驗(yàn)結(jié)果表明，所提方法能夠提升故障檢測(cè)的及時(shí)性，降低故障誤報(bào)率和漏報(bào)率，獲取滿(mǎn)意的故障檢測(cè)結(jié)果。