機器學習在電力系統(tǒng)故障中的運用探析

張云嘯，劉奕麟，杜昊陽，黃迪，溫馨

（東北電力大學，吉林 吉林 132000）

隨著用電負荷的大幅增加，人們對電力系統(tǒng)的重視程度逐漸提高，而系統(tǒng)故障則是關注的重點?，F(xiàn)階段，大數(shù)據(jù)技術呈現(xiàn)出較快的發(fā)展趨勢，機器學習已經(jīng)在很多領域中得到應用，效果也較為理想。電力行業(yè)前行的腳步逐漸加快，產(chǎn)生的數(shù)據(jù)也非常多，為了使電力系統(tǒng)故障能夠切實消除，必須要構(gòu)建起機器學習算法模型，進而使異常數(shù)據(jù)檢測順利展開，尋找到具體的故障位置，如此就可保證電力系統(tǒng)故障診斷能夠切實達成。

1 電力系統(tǒng)故障

1.1 城市軌道交通的電力系統(tǒng)故障

隨著城市規(guī)模的擴大，大量人員選擇在此工作、生活，這就為軌道交通的發(fā)展奠定了基礎。如果軌道交通系統(tǒng)發(fā)生故障的話，造成的后果將是十分嚴重的，而導致故障發(fā)生的主要原因是電力系統(tǒng)出現(xiàn)問題。電纜在使用一段時間后，線路就會出現(xiàn)老化的情況，尤其是固定點會發(fā)生松動，如果沖擊電流過強的話，電流短路的發(fā)生幾率就會大幅提升，線路跳閘就難以避免。從軌道交通電力系統(tǒng)的運行現(xiàn)狀來看，調(diào)度、通信、控制等系統(tǒng)如果發(fā)生故障的話，地鐵列車發(fā)生失控的幾率就會大幅增加，甚至會引發(fā)交通事故。

1.2 偏遠地區(qū)的輸電線路故障

從輸電線路架設的現(xiàn)狀來看，有些地區(qū)的地理環(huán)境較為特殊，而且氣候環(huán)境造成的影響較大，這就使得輸電線路難以保持穩(wěn)定運行，發(fā)生大面積停電的幾率較高。輸電線路故障的類型較多，常見的如風偏故障、雷擊跳閘、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

家用電器的數(shù)量增加后，用電負荷有明顯的提升，因而要將電力維護切實做到位。從電力維護的現(xiàn)狀來看，繼電保護是需要重點關注的環(huán)節(jié)。然而從電力系統(tǒng)運行的現(xiàn)狀來看，軟件一旦出現(xiàn)問題的話，繼電器就會發(fā)生誤動、拒動。另外來說，二次回路的線路發(fā)生老化，這對電力系統(tǒng)產(chǎn)生的影響也非常大。

1.4 電網(wǎng)新能源故障

科學技術發(fā)展的速度較快，新能源的應用也成為大家關注的重點。從當下的實際情況來看，新能源已經(jīng)在很多領域中得到應用，而這對電網(wǎng)運行安全產(chǎn)生的影響非常大。將新能源接入到電力系統(tǒng)的過程中，電流、電壓難以保持穩(wěn)定，電網(wǎng)運行受到擾動的幾率較大，情況較為嚴重的話，電力事故也會頻繁出現(xiàn)。

2 機器學習算法

2.1 決策樹算法

對決策樹算法進行分析可知，其就是由根節(jié)點起來處理數(shù)據(jù)樣本，重點是要做好分析工作，依據(jù)所得的結(jié)果來劃分數(shù)據(jù)樣本，進而獲得數(shù)據(jù)樣本子集，通過歸納算法就可將可讀規(guī)則、決策樹予以明確，將決策樹的作用充分發(fā)揮出來就可保證新數(shù)據(jù)分析能夠順利達成。決策樹學習方法中得到廣泛應用的是分類與回歸樹算法，其組成部分包括特征選擇、樹的組成、剪枝，對于分類、回歸來說就是適合的。在對二分類問題予以解決時，CART算法是確實可行的，從其內(nèi)部特征來說，可以分為是、否，也就是在內(nèi)部特點左側(cè)、右側(cè)。在對此種算法予以實際應用時，決策樹生成、剪枝這兩個步驟是關鍵的，簡單來說，將訓練數(shù)據(jù)集作為基礎就可獲得決策樹，進而展開適當剪枝，確保決策樹能夠更加的簡潔，決策結(jié)構(gòu)是最為合理的，修剪的過程中要將標準予以明確，也就是損失函數(shù)最小。

2.2 人工神經(jīng)網(wǎng)絡

人工神經(jīng)網(wǎng)絡已經(jīng)出現(xiàn)好長時間，并得到了普遍應用。對其進行分析可知，其是將大量神經(jīng)元連接起來，而且可對連接權重予以調(diào)整，如此就可切實完成好處理工作，實現(xiàn)信息的分布式存儲，其在自組織、自學習方面是具有明顯優(yōu)勢的。從BP算法來看，其呈現(xiàn)出明顯的監(jiān)督特征，從理論層面來說，此種算法的基本結(jié)構(gòu)為非線性變化單元，其非線性映射能力是較強的。除此以外，可以依據(jù)實際條件來對學習系數(shù)之類的參數(shù)予以設置，靈活性是較為明顯的。此種算法的應用范圍是較廣的，進行故障診斷、模型優(yōu)化，或者是展開智能控制時，均是較為適合的。

2.3 樸素貝葉斯

從樸素貝葉斯算法來看，其是以概率統(tǒng)計為基礎的，通過其可以實現(xiàn)分類的目標。從當下的應用現(xiàn)狀來看，樸素貝葉斯算法、決策樹算法的應用是較為普遍的，在不同場景中均能夠發(fā)揮出效用。大型數(shù)據(jù)庫通常選用的是樸素貝葉斯書暗訪，其應用是較為簡單的，速度相對較快，而且穩(wěn)定性會有大幅提升。

3 機器學習在電力系統(tǒng)故障中的運用

3.1 人工智能技術

在對計算機軟件、硬件進行研究的過程中，人工智能是重要的基礎，也就是通過計算機語言、計算機算法來對人類的一些行為進行模擬。人工智能技術的主要作用是確保計算機能夠認同人一樣來對特定事情進行處理?，F(xiàn)階段，很多的行業(yè)已經(jīng)開始對人工智能技術加以應用，并發(fā)揮出關鍵的作用。對此種技術予以分析可知，其在學習性、靈活性方面具有的優(yōu)勢是明顯的，在電力系統(tǒng)當中對其予以充分利用的話，可以使得診斷操作變得更為便捷。從電力系統(tǒng)故障來說，在對其進行診斷的過程中，可對遺傳算法、機器學習、專家系統(tǒng)等加以運用，這樣就能夠建立起完善的數(shù)學模型，進而保證診斷結(jié)果是更為準確的。

3.2 人工智能給電力系統(tǒng)帶來的挑戰(zhàn)

在電力系統(tǒng)中對人工智能加以應用時所要面對的挑戰(zhàn)是較大的，常見的表現(xiàn)是信息量是非常大的，而且種類也是較多的，這就使得信息處理的實效性較為低下。為了使得人工智能可以得到充分應用，必須要對網(wǎng)絡連接等予以重點關注，同時要對其具有的安全性、可靠性等進行考慮。

3.3 機器學習算法及其在電力系統(tǒng)中的應用

機器學習涉及到的學科較多，統(tǒng)計學、概率論、逼近論等均在其中，而且呈現(xiàn)出交叉特征。在整個人工智能中，機器學習是重要的分支，其是針對計算機模擬展開深入研究，進而能夠掌握更多的知識，擁有一定的技能，將現(xiàn)有知識結(jié)構(gòu)予以重新組織，如此就可使得自身性能有明顯的改善。機器學習就是要通過計算機來總結(jié)相關的數(shù)據(jù)，如此就可獲得可靠的模型，通過其就可對特定事情予以判斷，保證預測更加的準確。眾所周知，機器學習是按照既定步驟展開的，具體來說共包括以下3步：第一步就是對相關的數(shù)據(jù)進行采集，在此基礎上完成模型的構(gòu)造，這里需要提醒的話，模型必須要最為適合，能夠保證問題研究能夠順利進行。第二步是要從問題出發(fā)，將系統(tǒng)衡量標準予以明確，進而對函數(shù)模型展開判斷。第三步是要將與系統(tǒng)衡量標準相適宜的函數(shù)尋找出來，將其帶入到系統(tǒng)當中就可以展開測試工作。在現(xiàn)階段，科技發(fā)展速度持續(xù)加快，創(chuàng)新研究工作正在深入展開，這就為機器學習奠定了堅實的基礎，進行電力系統(tǒng)檢測時，其適用性較強。從電力系統(tǒng)故障的檢測來看，對機器學習必須要予以重視，通過直接方式、間接方式來獲取所需的數(shù)據(jù)，并要切實完成好判斷、預測工作。首先，數(shù)據(jù)的采集必須要做到位。整個電力系統(tǒng)是較為龐雜的，其中涵蓋的數(shù)據(jù)信息有不同的種類，覆蓋范圍也是較廣的，所以要將故障本質(zhì)點切實尋找出來。比方說，直流匯集系統(tǒng)的常見故障為直流雙極短路，此時應該要針對換流器、變流器展開有效的監(jiān)控；當IIREG故障發(fā)生后，則要針對母線短路點展開檢測，并對故障數(shù)據(jù)進行梳理；保護繼電器出現(xiàn)拒動、誤動的話，最為關鍵的就是要將繼電器的相關數(shù)據(jù)予以歸納。長時間獲取的相關數(shù)據(jù)必須要將預處理做到位。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。

4 結(jié)語

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)，以便更加積極地應對電力系統(tǒng)中發(fā)生的故障。