機器學習在電力系統(tǒng)故障中的運用

劉津銘

（華北水利水電大學 電力學院，河南 鄭州 450045）

0 引 言

隨著科技的不斷創(chuàng)新，人們的生活質(zhì)量得到了改善，與此同時伴隨的是用電負荷的不斷增加。這就要求電力系統(tǒng)具有更高的可靠性，一旦電力系統(tǒng)出現(xiàn)故障，若不及時發(fā)現(xiàn)并進行有效控制，就有可能使故障范圍擴大，進而造成大面積的停電和一系列不可預測的后果。本文闡述電力系統(tǒng)中比較典型的故障，并進行分析，提出了更加可靠簡便的檢測方法，讓系統(tǒng)的運行更加可靠安全。

1 電力系統(tǒng)故障

1.1 城市軌道交通的電力系統(tǒng)故障

人流量較大的城市中，軌道交通起到極其重要的作用。因此，軌道交通系統(tǒng)若出現(xiàn)故障，將會引起不可預估的后果。電力系統(tǒng)中，電纜線由于長時間的使用會造成線路老化，受到電動力的影響，固定點不牢固，在回路中一旦經(jīng)過很強的沖擊電流則會出現(xiàn)電流短路，進而造成線路跳閘現(xiàn)象[1]。此外，城市軌道交通電力系統(tǒng)運行過程中，如果在調(diào)度系統(tǒng)、通信系統(tǒng)及控制系統(tǒng)上出現(xiàn)故障，就會導致地鐵列車失控，從而引發(fā)較嚴重的交通事故。

1.2 偏遠地區(qū)的輸電線路故障

我國很多地區(qū)由于地理位置偏僻，再加上氣候環(huán)境的影響，大大降低了輸電線路運行的可靠性，如果沒有及時對其進行監(jiān)控，就極有可能造成大面積的停電事故。常見的輸電線路故障包括風偏故障、雷擊跳閘及線路污閃等。

1.3 電力系統(tǒng)繼電保護不穩(wěn)定產(chǎn)生的故障

人們大量的生活用電提高了用電負荷，使得電力維護顯得至關重要，而電力維護中最為重要的保護環(huán)節(jié)是繼電保護。但是電力系統(tǒng)運行中，繼電保護系統(tǒng)因軟件的問題會造成對繼電器的拒動或誤動。同時，二次回路線路的老化、斷路器及繼電保護輔助裝置等硬件因素，也會對電力系統(tǒng)造成嚴重的后果。

1.4 電網(wǎng)新能源故障

近年來，由于科技的發(fā)展，新能源的開發(fā)與利用在全球受到了極大的重視。但是隨著新能源的發(fā)展以及大量地投入使用，電網(wǎng)的安全可靠運行面臨著巨大挑戰(zhàn)。規(guī)?；履茉唇尤腚娏ο到y(tǒng)時，會在電壓和電壓的穩(wěn)定性、潮流及頻率等多方面對整個電網(wǎng)帶來影響，產(chǎn)生較大的擾動，造成嚴重的電力事故。

2 機器學習在電力系統(tǒng)故障中的運用

2.1 人工智能技術

人工智能是研究應用以計算機的軟硬件為基礎通過某些程序計算機語言或者算法來模擬人類的某些智能行為的基本理論、方法和技術。簡單地講，就是讓計算機像人一樣去處理一些事情[2]。

目前，人工智能技術被廣泛應用于各個行業(yè)，在航天器遠程操控、計算機網(wǎng)絡管理及教育教學等方面都發(fā)揮著舉足輕重的作用。由于人工智能技術具備較強的學習性和靈活性，若將其運用到電力系統(tǒng)中，將使電力系統(tǒng)的診斷操作更加方便，簡單。電力系統(tǒng)故障診斷中，主要可以利用遺傳算法、機器學習、人工神經(jīng)網(wǎng)絡、邏輯學、專家系統(tǒng)、決策管理及深度學習等知識構(gòu)建數(shù)學模型，得到診斷結(jié)果[2]。

2.2 人工智能對電力系統(tǒng)帶來的挑戰(zhàn)

人工智能對電力系統(tǒng)帶來的挑戰(zhàn)主要表現(xiàn)為：信息量大，種類較多，設施不夠完善導致對信息的處理效率不高；將人工智能應用到電力系統(tǒng)網(wǎng)絡的同時要考慮整體網(wǎng)絡的連接以及相關性，還要顧及人工智能系統(tǒng)的網(wǎng)絡安全性與可靠性。

2.3 機器學習算法及其在電力系統(tǒng)中的應用

機器學習（Machine Learning，ML）是一門涉及統(tǒng)計學、概率論、逼近論、凸分析及算法復雜度理論等多領域的交叉學科[3]。作為人工智能一個分支，機器學習專門研究計算機系統(tǒng)如何模擬或?qū)崿F(xiàn)人類的學習行為，以獲取新的知識或技能，進而重新組織已有的知識結(jié)構(gòu)，使之不斷改善自身的已有性能，可以通過一系列算法來實現(xiàn)。機器學習是讓計算機利用已經(jīng)歸納出的數(shù)據(jù)進行總結(jié)，進而形成一種模型來對某種事情進行判斷與預測。機器學習的步驟可簡單地概括為三步，如圖1所示。第一步，通過采集的大量數(shù)據(jù)來選擇構(gòu)造一個模型（一組函數(shù)的集合）。這個模型要適合所研究的問題。第二步，根據(jù)研究的問題建立一個適合系統(tǒng)的衡量標準進而判斷函數(shù)模型的好壞。第三步，準確快速地找出適合系統(tǒng)衡量標準的函數(shù)，最后要代入系統(tǒng)進行測試。

圖1 機器學習算法步驟

近年來，隨著科技的發(fā)展，人們不斷地研究創(chuàng)新，致使機器學習迅速發(fā)展，其適用性已在電力系統(tǒng)檢測中得到明顯體現(xiàn)。用機器學習來對電力系統(tǒng)故障進行檢測，需要直接或者間接地獲取一些能夠反映電力系統(tǒng)運行質(zhì)量的數(shù)據(jù)，然后通過這些數(shù)據(jù)對系統(tǒng)進行判斷及預測。

首先，要數(shù)據(jù)采集。電力系統(tǒng)是一個龐大而復雜的結(jié)構(gòu)，包含的數(shù)據(jù)信息不僅種類較多，而且涉及范圍廣，因此要找到反映故障的本質(zhì)點。例如，直流匯集系統(tǒng)發(fā)生直流雙極短路故障時，要對換流器及變流器進行監(jiān)控；IIREG故障時，對母線短路點進行檢測故障數(shù)據(jù)總結(jié)；電路二次側(cè)保護繼電器拒動或誤動時，要對繼電器進行數(shù)據(jù)歸納。對過去幾年或者十幾年的數(shù)據(jù)進行預處理。為了保證數(shù)據(jù)的全面性和可靠性，可以對不同系統(tǒng)在不同電力負荷、不同故障以及發(fā)電機不同出力情況下進行樣本采集。

其次，通過機器學習算法將數(shù)據(jù)進行總結(jié)，構(gòu)建數(shù)學模型。電力系統(tǒng)中發(fā)生的故障不同，其故障模式也大不相同，可以收集相對應故障模式下的故障數(shù)據(jù)組，將大量的數(shù)據(jù)組通過傳感器輸入到機器學習算法模型中，并反復訓練和學習。當模型學習了大量數(shù)據(jù)信息后，就可以在電力系統(tǒng)中投入使用，可以對產(chǎn)生的故障點進行判斷，從而準確找出發(fā)生故障的位置，同時還可以對故障進行預測，防范于未然。圖2為機器學習運用于電力系統(tǒng)的流程圖。

圖2 機器學習運用于電力系統(tǒng)的流程圖

3 結(jié) 論

電力負荷的增加給電力系統(tǒng)帶來了嚴峻的問題和巨大的挑戰(zhàn)。但在大數(shù)據(jù)的背景下，人工智能不斷發(fā)展、進步，電力系統(tǒng)將會與時俱進。因此，要切合實際更好地將機器學習算法運用于電網(wǎng)行業(yè)，以更加積極地應對電力系統(tǒng)中發(fā)生的故障。