基于深度學(xué)習(xí)的輸變電設(shè)備狀態(tài)檢測綜述

李 洵, 龍玉江, 舒 彧, 楊濡蔓, 衛(wèi) 薇

(貴州電網(wǎng)有限責(zé)任公司信息中心, 貴州 貴陽 550000)

2021年9月18日,國家能源局發(fā)布了上半年我國電力工業(yè)統(tǒng)計(jì)數(shù)據(jù):“截至8月底,全國發(fā)電裝機(jī)容量22.8億kW,同比增長9.5%。其中:風(fēng)電裝機(jī)容量約3.0億kW,同比增長33.8%;太陽能發(fā)電裝機(jī)容量約2.8億kW,同比增長24.6%?！彪S著用電規(guī)模的不斷擴(kuò)大,輸變電結(jié)構(gòu)日益復(fù)雜,在響應(yīng)國家雙碳號(hào)召的百年未有之大變局中,關(guān)鍵的一個(gè)階段就是電廠到用戶的輸變電階段。

輸變電設(shè)備是電力系統(tǒng)發(fā)電、輸電和配電的重要組成部分,電網(wǎng)的穩(wěn)定運(yùn)行和電能輸送與輸變電設(shè)備的壽命、性能和安全性等因素有直接關(guān)系[1]。輸變電設(shè)備在實(shí)際運(yùn)行過程中會(huì)受到過負(fù)荷、過電壓、內(nèi)部絕緣老化、自然環(huán)境異常等事件的影響,這些異常運(yùn)行狀態(tài)會(huì)導(dǎo)致設(shè)備缺陷和故障的發(fā)生[2]。輸變電設(shè)備作為電力系統(tǒng)的關(guān)鍵部件,當(dāng)出現(xiàn)嚴(yán)重故障時(shí),不僅會(huì)影響電力設(shè)備本身,還會(huì)影響周圍的設(shè)施、設(shè)備。更換或修理輸變電設(shè)備,除了價(jià)格十分昂貴之外,還需要大量的時(shí)間。在全國發(fā)電、輸電和配電系統(tǒng)中,成千上萬這樣的電力設(shè)備晝夜不停地在運(yùn)轉(zhuǎn)。因此,它們的可靠性問題在日益復(fù)雜的電力系統(tǒng)中格外突出,更應(yīng)引起重視。

當(dāng)惡劣天氣出現(xiàn)時(shí),電力變壓器有可能會(huì)出現(xiàn)不可逆轉(zhuǎn)的故障,無疑會(huì)對(duì)整個(gè)輸送電體系造成影響。特別是最近受煤炭資源日益緊張的影響,電廠成本大幅提高,輸送電的安全性必須得到保證。這也是我國居民用電和工業(yè)用電的迫切需要。

國內(nèi)外學(xué)者對(duì)輸變電設(shè)備狀態(tài)檢測的研究取得了豐碩的成果,包括基于全壽命周期管理的狀態(tài)檢修策略[3]、輸變電設(shè)備狀態(tài)檢修在線決策系統(tǒng)[4]、基于D-S證據(jù)理論的輸變電設(shè)備多目標(biāo)狀態(tài)檢修[5]等。

隨著電子、計(jì)算機(jī)、光電、信號(hào)處理和各種傳感技術(shù)的發(fā)展,電力設(shè)備在線狀態(tài)智能化和精確化檢測(包括機(jī)器視覺檢測、深度學(xué)習(xí)檢測和無損缺陷檢測等)技術(shù)高速發(fā)展[6],以往輸變電設(shè)備的人工檢測已經(jīng)逐漸不適應(yīng)新時(shí)代國家能源保障的需求。為了提高電網(wǎng)的穩(wěn)定性,保障居民和工業(yè)用電需求,采用新型輸變電設(shè)備檢測技術(shù)刻不容緩,而對(duì)電網(wǎng)進(jìn)行預(yù)防式、主動(dòng)式的預(yù)先檢測正逐漸成為主流。

1 輸變電設(shè)備狀態(tài)檢測現(xiàn)狀

目前,我國電力企業(yè)主要采用定期檢修(Time Based Maintenance,TBM)和事后檢修(Corrective Maintenance,CM)相結(jié)合的檢修模式[7]。這些變壓器檢修策略將線下檢查與線上在線設(shè)備檢測的結(jié)果結(jié)合起來,進(jìn)而對(duì)其運(yùn)行狀態(tài)趨勢及可能出現(xiàn)的受損情況作出評(píng)估。再根據(jù)具體嚴(yán)重程度派出不同種類的維修分隊(duì)。其中,組織電力變壓器維修的關(guān)鍵是對(duì)設(shè)備運(yùn)行狀況進(jìn)行正確、有效的評(píng)估,并根據(jù)受損程度提出經(jīng)濟(jì)、合理的維修方案。評(píng)估結(jié)論和維修決策結(jié)果直接關(guān)系到維修工作的實(shí)施效果[8]。

隨著時(shí)間的推移,有些變壓器內(nèi)部不可避免地出現(xiàn)問題。小故障可能演變成更嚴(yán)重的狀況,導(dǎo)致無法修復(fù)或電力設(shè)備的損壞。診斷系統(tǒng)的主要目標(biāo)是檢測故障的初始狀態(tài),并識(shí)別故障類型[9]。這能幫助工程師分析情況,并采取預(yù)防和糾正措施,以最大限度地延長電力變壓器的壽命。

根據(jù)調(diào)查研究顯示,導(dǎo)致輸變電設(shè)備故障的原因有設(shè)備固有缺陷、接觸面氧化腐蝕、螺栓松動(dòng)脫落、導(dǎo)線散股、設(shè)計(jì)載流量不足等[10]。設(shè)備固有缺陷通常是以往缺陷的積累集合,一些沒被處理的缺陷積少成多,進(jìn)而導(dǎo)致設(shè)備發(fā)生故障。接觸面暴露在外時(shí)間過長,沒有進(jìn)行定期的維護(hù)與檢修,易發(fā)生靜電事故。螺栓與導(dǎo)線則是因?yàn)樵O(shè)計(jì)時(shí)沒有充分考慮高負(fù)荷大規(guī)模運(yùn)轉(zhuǎn),產(chǎn)生了金屬疲勞。載流量受限于成本,大規(guī)模的輸變電對(duì)變電站、導(dǎo)線、接觸面都是極大的考驗(yàn)。

進(jìn)入21世紀(jì),輸變電設(shè)備狀況檢測的方法急劇增多,各類傳感器也被應(yīng)用于檢測領(lǐng)域,包括局部靜電偵測、色譜儀、光電傳感器等。我國在高精度傳感器、潤滑油成分檢測、特高頻信號(hào)分析診斷方面的研究較深入,應(yīng)用也比較廣泛。針對(duì)變壓器、氣體絕緣金屬封閉開關(guān)設(shè)備等電力設(shè)備的狀態(tài)檢測手段,包括但不限于局部放電、油中溶解氣體分析(Dissolved Gas Analysis,DGA)、振動(dòng)波譜以及溫度驟變、SF6壓差以及SF6成分提取等方法。其應(yīng)用的局部放電檢測方法可以分為特高頻(Ultra High Frequency,UHF)檢測法、暫態(tài)地電壓(地電波)開關(guān)柜局放檢測技術(shù)(EA Technology)、耦合電容法、化學(xué)監(jiān)測法和光學(xué)監(jiān)測法5類。這里需要指出的是,UHF和EA方法研究結(jié)果較成熟,應(yīng)用較廣,而用振動(dòng)信號(hào)診斷結(jié)果來判斷輸變電設(shè)備中關(guān)鍵部位線圈性能優(yōu)劣、基于紅外和可見光圖像識(shí)別等檢測方法是國內(nèi)近年來研發(fā)出的具有優(yōu)秀應(yīng)用成果的新方法[11]。

輸變電設(shè)備中油的成分通常包含著設(shè)備運(yùn)轉(zhuǎn)狀況的信息,輸變電設(shè)備油通常是絕緣、散熱和構(gòu)成介質(zhì)環(huán)境的礦物油。DGA技術(shù)可以在電力設(shè)備運(yùn)轉(zhuǎn)的同時(shí)提取油樣,最大程度地提高電力系統(tǒng)的可靠性。當(dāng)熱或電故障破壞了油的碳碳鍵或是碳?xì)滏I時(shí),將分解產(chǎn)生不同含量和類型的碳?xì)浠衔锏葰怏w,由此可以判斷出故障類型及其嚴(yán)重程度。

國際標(biāo)準(zhǔn)IEC 60599為氣體濃度設(shè)置了邊界,將不同的故障進(jìn)行分類,在解釋邊界定義的局限性上,提供了模糊處理方法,使得故障易于分類。具體如表1和圖1所示[12]。

表1 IEC 60599氣體比率間隔

圖1 IEC 60599氣體比率的圖形表示

表1中,“…”表示無論值是多少并不重要,閾值太小了。

在故障診斷的調(diào)試過程,人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)由于其優(yōu)越的學(xué)習(xí)能力和處理錯(cuò)誤數(shù)據(jù)的內(nèi)在能力已被用于DGA技術(shù)中。這些系統(tǒng)在不斷學(xué)習(xí)樣本數(shù)據(jù)后取得了不錯(cuò)的結(jié)果。但是,神經(jīng)網(wǎng)絡(luò)訓(xùn)練往往是一個(gè)緩慢的過程,因?yàn)樗鼘?duì)局部極小值的存在極其敏感,而在反向傳播這一特征時(shí)卻存在困難。

當(dāng)前檢測方法也進(jìn)入了人工智能階段,各類智能算法也被應(yīng)用于狀態(tài)檢測中,并且也已經(jīng)取得了良好的應(yīng)用成果[13]。

2 深度學(xué)習(xí)技術(shù)在輸變電設(shè)備狀態(tài)檢測中的研究現(xiàn)狀

隨著以卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)為主要代表的深度學(xué)習(xí)技術(shù)的發(fā)展,給電廠電力設(shè)備運(yùn)行狀態(tài)的實(shí)時(shí)智能監(jiān)測、故障診斷提供了智能化方法,也給實(shí)現(xiàn)電力巡檢自動(dòng)化和智能化提出了新的創(chuàng)新思路和建設(shè)方案,進(jìn)而實(shí)現(xiàn)智慧電廠。云計(jì)算、邊緣計(jì)算、大數(shù)據(jù)分析等先進(jìn)信息技術(shù)的迅猛發(fā)展,給深度學(xué)習(xí)技術(shù)的推進(jìn)和發(fā)展提供了強(qiáng)有力的支撐,也促使人們對(duì)于深度學(xué)習(xí)的應(yīng)用和發(fā)展有了更深的關(guān)注[14]。在電力系統(tǒng)領(lǐng)域也有一些涉及到輸變電設(shè)備評(píng)估診斷的相關(guān)研究。

深度學(xué)習(xí)的本質(zhì)是利用算法,模擬神經(jīng)元的工作機(jī)制(相互連接、信息傳遞)處理分析實(shí)驗(yàn)數(shù)據(jù)。在對(duì)底層特征進(jìn)行組合重構(gòu)的同時(shí),對(duì)頂層特征進(jìn)行模擬與表示,繼而實(shí)現(xiàn)對(duì)檢測物進(jìn)行辨別和分類。在對(duì)比深度學(xué)習(xí)和人工分析的結(jié)果后,得出深度學(xué)習(xí)總結(jié)出的特征更符合樣本。

深度學(xué)習(xí)模型很多,常用的模型有:CNN、深度信念網(wǎng)絡(luò)(Deep Belief Network,DBN)、生成式對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Networks,GAN)等。本文主要介紹在變壓器檢測方面使用較多的CNN與DBN。

2.1 CNN

CNN是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò),是深度學(xué)習(xí)的代表算法之一[15-16]。其通過建立層層卷積數(shù)據(jù)的濾波器,逐層提取輸入樣本的特征,輸出數(shù)據(jù)可以得到對(duì)輸入數(shù)據(jù)平移旋轉(zhuǎn)或者縮放都不會(huì)改變的結(jié)果。該網(wǎng)絡(luò)的特點(diǎn)在于其對(duì)大量數(shù)據(jù)的處理能力較強(qiáng),并且省去了將數(shù)據(jù)矢量化運(yùn)算的步驟。此外,CNN可并行運(yùn)算樣本數(shù)據(jù),不僅減少了大量自由參數(shù),而且在運(yùn)算速度上也得到大幅提升。同時(shí),當(dāng)數(shù)據(jù)輸入到CNN中時(shí),CNN表現(xiàn)出較高的畸變?nèi)莶钅芰?能更加準(zhǔn)確地提取和表達(dá)數(shù)據(jù)的特征,可以通過利用局部感受野的方式,有效減少權(quán)值的數(shù)量,從而降低了網(wǎng)絡(luò)模型的復(fù)雜度[17]。

2.2 DBN

DBN一般由兩層神經(jīng)網(wǎng)絡(luò)組合而成,兩層間互相傳遞數(shù)據(jù),但層中的各網(wǎng)格相互獨(dú)立。其訓(xùn)練過程包括預(yù)調(diào)制和后期處理兩個(gè)步驟:一是預(yù)調(diào)制中兩層神經(jīng)網(wǎng)絡(luò)單獨(dú)訓(xùn)練,并最大化減少對(duì)特征元素的刪減;二是為了使整體DBN模型的計(jì)算結(jié)果更準(zhǔn)確,通常使用誤差反向傳播算法(error Back Propagation,BP)對(duì)兩層的數(shù)據(jù)進(jìn)行后期處理,保證兩層網(wǎng)絡(luò)的統(tǒng)一性和可靠性。

MIRANDA V[12]于2012年提出基于溶解氣體分析技術(shù)的電力變壓器早期故障診斷新方法。使用氣體濃度比和信息理論均值移位算法結(jié)合神經(jīng)網(wǎng)絡(luò)研究,并采用信息論學(xué)習(xí)MeanShift算法用于創(chuàng)建虛擬點(diǎn)來訓(xùn)練神經(jīng)網(wǎng)絡(luò),用真實(shí)數(shù)據(jù)補(bǔ)充驗(yàn)證。廖瑞金等人[18]將神經(jīng)網(wǎng)絡(luò)方法用于變壓器的故障診斷中,提出了一種將多神經(jīng)網(wǎng)絡(luò)與證據(jù)理論相結(jié)合的變壓器故障診斷方法。該方法將神經(jīng)網(wǎng)絡(luò)和證據(jù)理論進(jìn)行相互融合,即融合變壓器色譜數(shù)據(jù)和試驗(yàn)得到的數(shù)據(jù),充分利用色譜數(shù)據(jù)和電氣試驗(yàn)數(shù)據(jù)的冗余、互補(bǔ)信息,使多特征綜合診斷結(jié)果的準(zhǔn)確性和可靠性得到提高,在電網(wǎng)中有較大發(fā)展前景。

劉循等人[19]在傳統(tǒng)DGA方法的基礎(chǔ)上,融入模糊神經(jīng)網(wǎng)絡(luò),得到一類全局診斷變壓器各部位故障的方法。其提出的變壓器全局故障診斷方法,對(duì)輸入和輸出層面上的結(jié)果進(jìn)行模糊處理,在映射關(guān)系上采用模糊算法來減小誤差,避免了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)經(jīng)常被局部極值影響的缺點(diǎn),提高了針對(duì)不同故障類別的診斷精度,從根本上解決了單一DGA方法存在極值位置不足的問題。具體結(jié)果如表2和表3所示。

表2 故障征兆和故障類別集

表3 訓(xùn)練及診斷精度統(tǒng)計(jì)

代杰杰等人[20]在2017年提出了基于DBN的預(yù)測方法,預(yù)測油中溶解氣體濃度的發(fā)展趨勢,建立了一種基于DBN的故障診斷專家系統(tǒng)。該系統(tǒng)理論模型能自動(dòng)提取輸入模型數(shù)據(jù)間的有效特征信息,預(yù)測和統(tǒng)計(jì)狀態(tài)量的變化趨勢,與傳統(tǒng)預(yù)測方法相比,表現(xiàn)出更好的泛化能力,避免了因主觀選擇閾值而引起誤差。另外,考慮到氣體組分、含量、油溫和環(huán)境溫度的相關(guān)性,比單一氣體含量來考慮和預(yù)測的方法更加全面科學(xué),尤其是在數(shù)據(jù)頻繁波動(dòng)時(shí),系統(tǒng)模型的擬合能力更強(qiáng),從而達(dá)到更高的預(yù)測精度。

3 結(jié) 語

本文通過對(duì)基于深度學(xué)習(xí)技術(shù)的輸變電設(shè)備狀態(tài)檢測現(xiàn)狀進(jìn)行多方面分析,得到了深度學(xué)習(xí)技術(shù)中CNN和DBN技術(shù)對(duì)輸變電設(shè)備狀態(tài)檢測的特點(diǎn)。相比于普通的神經(jīng)網(wǎng)絡(luò)來說,深度學(xué)習(xí)具有更深層的網(wǎng)絡(luò)結(jié)構(gòu)以及更廣泛的輸入輸出神經(jīng)元的特點(diǎn),在面對(duì)量級(jí)大、維度高的數(shù)據(jù)時(shí),仍能保持較高的診斷精度。

但深度學(xué)習(xí)方法也存在一些不足和局限性,比如時(shí)效性等問題,因此在面對(duì)海量的輸變電設(shè)備狀態(tài)監(jiān)測數(shù)據(jù)時(shí),如何高效地組建有效率的深度網(wǎng)絡(luò),如何與云計(jì)算、邊緣計(jì)算、分布式等技術(shù)有效結(jié)合以提高診斷效率,是深度學(xué)習(xí)技術(shù)在輸變電設(shè)備狀態(tài)檢測應(yīng)用中未來的研究重點(diǎn)。