基于深度卷積神經(jīng)網(wǎng)絡的變電一次設備故障檢測方法

張飛飛，張俊 ，吳龍，吳曉輝，雪占波

（1.國網(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）

隨著科學技術的飛速發(fā)展，電網(wǎng)工程成為社會發(fā)展的重要助力，變電設備自動化和智能化程度越來越高[1]。變電設備的智能化發(fā)展為其故障檢測維修造成一定程度上的阻礙。電網(wǎng)運行過程中受到多種因素的影響，變電設備超負荷工作等諸多因素，導致變電一次設備出現(xiàn)多種故障[2]。為保障電網(wǎng)的正常運行，對變電一次設備故障的維護和故障檢測十分重要。為此，相關研究者進行了很多研究，并取得了一定成果。

尹相國等人[3]提出一種智能變電站設備故障檢測方法。該方法主要通過幾點保護實現(xiàn)變電設備故障檢測。根據(jù)廣義變比構建故障診斷模型，對各類型的故障進行診斷和分析。該方法操作過程簡單，但考慮的變電設備故障影響因素較少，存在故障檢測效果不佳的問題。王同文等人[4]提出智能變電站二次回路智能預警及故障診斷技術。該方法首先分析了智能變電站信息傳輸?shù)奶攸c，并構建物理鏈路設置合理協(xié)議，并構建變電設備的物理拓撲，并將構建的物理拓撲結構回路信息流流向相應位置，在此基礎上，構建變電設備故障專家數(shù)據(jù)庫，將變電設備的運行狀態(tài)作為判斷依據(jù)，完成故障的診斷。該方法未過多考慮變電設備中噪聲數(shù)據(jù)，存在故障檢測精度低的問題。

為解決上述問題，本文提出基于深度卷積神經(jīng)網(wǎng)絡的變電一次設備故障檢測方法。實驗結果表明，所提方法不僅能夠有效降低故障誤報率和漏報率，同時還能夠提升故障檢測及時性和辨識能力。

1 變電一次設備數(shù)據(jù)采集和預處理

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

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變量的三個數(shù)學變量，分別為：數(shù)學期望、方差以及協(xié)方差函數(shù)[5]。假設高斯噪聲的寬相對平穩(wěn)，則對應的嚴也十分平穩(wěn)；假設是兩個不相關的隨機變量，則統(tǒng)計獨立。

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。其能夠隨機改變一些像素，在二值像素點變白，剩余像素點變黑。

3）量化噪聲。量化噪聲和輸入數(shù)據(jù)集的信號類型不存在任何關聯(lián)，主要是在量化過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行處理。本文采用均值濾波對采集的圖像進行預處理。該方法是一種典型的線性濾波方法，主要用于識別數(shù)據(jù)集中目標，包含鄰近像素點和自身的像素點。

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]，同時將其賦值到當前的像素點f(x,y)中，能夠獲取該點對應的灰度值為

式中：m為模板中包括原始像素在內的全部像素總數(shù)。

在獲取的變電一次設備圖像中，由于圖像大小相同，在故障數(shù)據(jù)檢測前期需要對各數(shù)據(jù)集進行預處理。在預處理過程中，需要將數(shù)據(jù)集縮小或擴大為最佳大小[7-8]，同時還需要通過數(shù)據(jù)增廣技術降低網(wǎng)絡擬合的風險。

通過數(shù)據(jù)增廣方法對原始數(shù)據(jù)集進行隨機旋轉，形成全新數(shù)據(jù)集。雖然在圖像和數(shù)據(jù)采集過程中需要全面考慮方位以及角度等多樣性，但各變電設備具有一定隨機性，需要將原始圖像或者數(shù)據(jù)集進行旋轉，有效消除樣本多樣性帶來的不足，通過下述公式進行計算：

式中：P為獲取的無噪點的變電設備故障數(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、二級、三級的變電設備數(shù)據(jù)旋轉因子；λ1,λ2,λ3分別為一級、二級、三級的變電設備數(shù)據(jù)復數(shù)常數(shù)。

在此基礎上，由于均值濾波方法對圖像的預處理中存在的局部噪聲無法得到完全消除，因此借助協(xié)方差矩陣對圖像中局部噪聲進行進一步的刪除，得到的結果為

2 變電一次設備故障檢測實現(xiàn)

深度學習在人工智能領域占據(jù)核心位置，主要將不同的特征進行抽象表述，同時自動提取研究對象的特征。為了獲取更加精準的故障檢測結果，引入卷積神經(jīng)網(wǎng)絡進行故障特征提取，促使故障檢測更加智能化。其中，自適應深度卷積神經(jīng)網(wǎng)絡故障檢測過程如圖1所示。

圖1 自適庫故障檢測流程Fig.1 Flow chart of adaptive fault detection

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

在模型檢測階段也包含三個不同部分，分別為：1）特征提取和存儲；2）組建檢測器；3）未知故障學習。

在模型建立過程中，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]，需要將兩個層進行統(tǒng)計。在抗生體形成的過程中，采用基于抗原中心的抗體生成策略進行學習階段抗體的尋優(yōu)操作，有效避免錯誤檢測情況的發(fā)生。

在變電一次設備故障檢測的過程中，主要采用深度卷積網(wǎng)絡進行故障特征提取和檢測。深度卷積神經(jīng)網(wǎng)絡在建立過程中需要通過不同應用領域和檢測對象選取合適網(wǎng)絡模型，主要目的是為了有效提取檢測對象的特征[10]，進而增強檢測結果的準確性。

采用深度卷積神經(jīng)網(wǎng)絡時，需要優(yōu)先解決網(wǎng)絡建立和參數(shù)選擇問題。在模型建立過程中，通過頻域波形信號進行參數(shù)選擇。在特征圖個數(shù)選擇過程中，需要設置不同類型的模型，具體如下所示：

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

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。對波形信號進行特征提取，在選擇好的卷積層中提取對應數(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。

通過深度卷積神經(jīng)網(wǎng)絡選擇好參數(shù)后，需要進一步確定深度卷積神經(jīng)網(wǎng)絡的層數(shù)、輸入時域以及頻域波形信號的大小[11]。模型中參數(shù)的訓練需要通過時域和頻域波形信號完成，以下給出具體的訓練過程：

1）將振動信號設定為變電一次設備采集的數(shù)據(jù)。

2）將步驟1）中提取的振動信號轉換為時域波形，通過傅里葉變換轉換為頻域波形，同時對其進行灰度化處理，將不同類型的信號分別存儲到不同的文件夾中。

3）針對故障類型將文件夾存放到對應的位置。

4）建立時域和頻域模型。

5）將數(shù)據(jù)集劃分為測試集和訓練集兩種類型。

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

7）采用卷積核進行隨機初始化操作，設定初始偏差為0。

8）通過不同類型的信號對網(wǎng)絡進行訓練，同時采用隨機梯度下降的方式對網(wǎng)絡模型進行訓練。

9）通過測試集對訓練好的網(wǎng)絡模型進行訓練。

在故障檢測階段，優(yōu)先提取時域信號，同時經(jīng)過傅里葉變換轉換為頻域信號，最終形成檢測階段的時域和頻域信號。通過初試階段檢測后，將提取特征和初步診斷結果進行存儲。

當變電一次設備進行故障診斷時，故障是在一段時間內連續(xù)出現(xiàn)的。為了促使檢測結果準確性更好，需要對診斷結果的準確性進行評估。設定TD代表時域模型的檢測結果，F(xiàn)en代表提取的特征屬性，具體的計算式為

式中：Re(T)為時域檢測下的評估結果。

頻域檢測結果主要通過下式進行定義，即

式中：Re(f)為頻域檢測下的評估結果；Fd為頻域模型的檢測結果；Fet1,Fet2,…,Fetn為不同頻域檢測特征屬性值。

其中，未知故障檢測器的存儲形式主要劃分為如下兩種：1）包含帶標簽位的抗體種群；2）不包含帶標簽位的抗體種群。

記憶故障知識庫中故障檢測器主要通過故障類別標簽進行存儲，各種故障類型均有其對應的標簽以及抗體檢測種群。采用記憶知識庫中抗體進行檢測時，如果時間和頻率統(tǒng)計次數(shù)Tmax和fmax兩者均高于閾值，則通過標簽位進行匹配。如果結果匹配，通過抗體對變電一次設備進行故障檢測，假設完成檢測，則能夠反映當前的波形故障類型；反之無法完成檢測，需要采用將存儲特征進行抗體學習，組建新的故障檢測器，使用形成故障檢測器代替剩余檢測器，這樣不僅能夠有效保持原有的故障檢測器，同時還有新的檢測器，促使檢測器種群具有較強的動態(tài)適應性。當標簽無法進行匹配時，則說明當前的故障波形在較近時間段內沒有進行過學習，則需要執(zhí)行抗體免疫學習過程，在此過程中通過對抗體初始化設置抗體抑制機制，可消除故障檢測中無法匹配的特征冗余，提升一次設備故障檢測的精度。該過程中形成抗體種群檢測器，同時將統(tǒng)計標簽和學習獲取抗體種群存放到記憶故障知識庫中。

如果變電一次設備出現(xiàn)未知故障，單純使用記憶故障知識庫無法完成故障檢測，則需要使用抗體進行免疫學習，組建未知故障檢測器。以下給出抗體免疫學習的具體操作過程：

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

2）形成初始抗原后，通過抗體生成策略組建初始抗體種群。

3）分別計算各個抗體對全部抗原的平均親和力，通過克隆操作定義各抗體克隆相應數(shù)量的抗體，當平均親和力越大，說明抗體克隆數(shù)據(jù)越多；反之，則越少。

4）隨機設定各個克隆抗體的概率閾值，通過計算獲取變異概率，當其取值高于隨機閾值時[12]，則對克隆抗體進行變異操作；反之，則不進行變異操作。

5）針對經(jīng)過克隆和變異操作的抗體進行降序排序，同時設定下一代初始抗體種群。

6）重復步驟3）～步驟5），當?shù)螖?shù)達到指定次數(shù)或抗體親和力滿足指定閾值時，則停止計算。

7）完成全部操作后，會形成全新的檢測器，結合實際情況將新的檢測器放入記憶故障知識庫中進行故障檢測。

3 實驗分析

3.1 實驗環(huán)境

為驗證所提基于深度卷積神經(jīng)網(wǎng)絡的變電一次設備故障檢測方法有效性，在Intel i7-97006核心處理器，16 GB內存，操作系統(tǒng)為64位Win?dows10操作系統(tǒng)下進行實驗測試。實驗以某變電站為研究對象，具體實驗環(huán)境如圖2所示。

圖2 實驗環(huán)境Fig.2 Experimental environment

3.2 實驗參數(shù)

實驗中使用的參數(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 實驗指標

實驗測試指標包括：

1）故障檢測及時性。當變電一次設備發(fā)生故障后，在最短的時間內完成故障檢測，其中故障檢測及時性越短，說明檢測速度越快。

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

3）故障辨識能力。主要指故障檢測方法檢測故障程度的能力，其中辨識能力越強，則說明檢測結果準確性越高，同時有利于對監(jiān)測對象進行評估以及維修。

3.4 實驗結果分析

為驗證所提方法的有效性，實驗對比了所提方法、文獻[3]方法以及文獻[4]方法對故障檢測的及時性，得到的結果如圖3所示。分析圖3中實驗數(shù)據(jù)可知，由于變電站一次故障類型不同，三種方法的故障檢測時間也存在較大差異。其中，所提方法對5種故障類型檢測的耗時較短，始終低于其他兩種方法。這是由于所提方法在進行故障檢測時首先對故障數(shù)據(jù)進行預處理，減少了干擾數(shù)據(jù)的影響，從而提升了故障檢測的及時性。

圖3 不同方法故障檢測及時性Fig.3 Timeliness of fault detection by different methods

實驗對比了所提方法、文獻[3]方法以及文獻[4]方法對故障檢測的誤報率和漏報率，實驗結果表1和表2所示。

表1 不同方法故障誤報率對比結果Tab.1 Comparison results of false alarm rates of different methods

表2 不同方法漏報率對比結果Tab.2 Comparison results of under report ingrates of different methods

分析表1和表2中實驗數(shù)據(jù)可知，由于所提方法在故障檢測前期，對變電一次設備進行數(shù)據(jù)采集和預處理，為后續(xù)的故障檢測奠定堅實的基礎，進而有效降低了誤報率和漏報率，獲取更加理想的檢測結果，且明顯優(yōu)于另外兩種方法。

為了進一步驗證所提方法的優(yōu)越性，實驗對比三種不同方法的故障辨識能力，實驗結果如圖4所示。

圖4 不同方法故障辨識能力對比結果Fig.4 Comparison results of fault identification capabilities of different methods

由圖4中的實驗數(shù)據(jù)可知，在相同實驗環(huán)境下，采用三種方法對樣本故障進行辨識的能力存在一定差距。其中，所提方法對樣本故障辨識的能力最高達到了99%，滿足對樣本一次性設備故障診斷的需求，全面驗證所提方法的有效性，同時也證明了本文方法在變電一次設備故障診斷中的優(yōu)勢。

4 結論

針對傳統(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)絡的變電一次設備故障檢測方法。該方法通過深度卷積神經(jīng)網(wǎng)絡對故障進行檢測，提升了故障檢測的性能。實驗結果表明，所提方法能夠提升故障檢測的及時性，降低故障誤報率和漏報率，獲取滿意的故障檢測結果。