变电设备大数据状态监测研究

• 作 者: 刘硕
• 出 处: 华北电力大学(北京)
• 发表日期: 2018年期
• 关键词: 状态监测 深度学习 变电设备 自动编码器 卷积神经网络

随着各种行业对电力的依赖和需求变大,电网是否能可靠运行也越来越重要。电网是否能够正常、稳定的运行是由电力设备的健康状况决定,尤其是变电设备的健康状况。因此,提高现有变电设备的运行稳定性是提高电网运行可靠性的主要措施。一般通过定期巡视和检修来维持变电设备的正常运行,但是效率低,设备故障检测不及时。因此,可以对变电设备进行状态监测,根据监测的状态量,对变电设备的状态数据进行分析,进一步对变电设备进行状态评估,当出现异常时提高警惕,对设备进行及时的检修,以此减小变电设备检修不及时带来的损失。通过对深度学习方法的分析,本文针对变电设备选取了状态监测量,构建了变压器和断路器状态监测量的指标体系,提出了基于自编码网络的状态监测指标特征约简方法,利用自动编码器方法对变电设备监测数据的状态值进行了降维,实验证明了利用自动编码器进行特征降维的方法的有效性和高效性,为后期状态分类模型的工作提高了效率、节省了时间。同时提出基于自适应卷积神经网络状态监测分类模型,利用自动编码器降维生成的特征向量作为网络模型的输入,经过卷积分类器实现了变电设备状态的多分类。将提出的模型进行了仿真实验对比,设备状态分类的精确度高于其他分类模型。与此同时,基于变压器和断路器对变电设备状态监测模型进行了实验,实验结果证明基于自动编码器的特征降维方法的正确性和有效性,也证明了基于卷积神经网络状态监测分类模型的有效性。