首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于GRU-Dropout网络的避雷器阻性电流预测研究

基于GRU-Dropout网络的避雷器阻性电流预测研究

2024-08-27 74 上传者：管理员

摘要：MOA（氧化锌避雷器）阻性电流在设备过电压时具有引导、分流和保护的作用，通过对其进行准确预测能够有效保证电力系统的安全与稳定。针对部分单一网络过拟合、泛化能力不足等弊端提出了一种基于GRU（门控循环单元）结合Dropout（随机失活）的MOA阻性电流预测方法。结合变电站实际电流数据，并设置合适的超参数对网络进行训练和分析。实验结果表明，采用GRU-Dropout网络相较于LSTM提高了泛化能力，减少了过拟合；相较于RNN和BP神经网络提高了精度，其最优平均绝对误差和均方根误差为1.98%和2.73%。在实际应用中能够较为准确地预测MOA对地绝缘趋势，具有一定的应用价值。

关键词：
氧化锌避雷器
电压保护
门控神经网络
阻性电流
随机失活
加入收藏

氧化锌避雷器的绝缘状态对于电力系统中过电压保护、绝缘协调、设备寿命等方面有着重要影响，保证MOA良好的绝缘状态是系统安全稳定运行的关键[1-3]。当MOA受到磨损或老化时绝缘材料可能会出现裂纹，导致绝缘材料的电阻降低从而增大泄漏电流。泄露电流增大将导致MOA内部温度升高直至超过MOA的额定温度极限，从而引发热崩溃或爆炸[4-5]。当MOA受潮和老化时，绝缘材料的性能下降导致阻性电流基波和3次谐波幅值增加。通过测量阻性电流基波和3次谐波的幅值并进行趋势分析和预测以有效判断MOA的绝缘状态变化。这种预测方法可减少MOA故障的发生，从而保证电力系统的安全稳定运行。

针对MOA阻性电流的预测，国内外研究者做了很多相关预测方法研究。文献[6]将均值GM(1,1）模型评估MOA阻流性预测，灰色系统理论在小样本数据下的预测具有一定的优势但该方法模型精度较低，预测残差大，存在一定的局限性；文献[7-8]引入了BP神经网络进行MOA阻性电流预测。但BP神经网络因收敛速度慢、网络结构难以确定等因素导致训练时间长、模型性能不稳定等问题。目前，部分学者已经开始采用深度学习研究MOA阻性电流的预测。如文献[9]使用LSTM（长短期记忆网络）进行MOA阻性电流预测。LSTM相对于传统的RNN（循环神经网络）可以避免梯度消失或爆炸问题，但LSTM内部的参数分布将导致模型计算效率较低，训练速度较慢，同时容易过度训练数据中的噪声[10-12]。针对以上问题，本文提出了一种基于GRU结合Dropout的方法用于MOA阻性电流的预测。可以有效地解决RNN中的急剧消失或爆炸问题，同时较于LSTM,GRU具有更简化的内部结构和参数，如计算效率高、训练速度快且过拟合风险较小[13]。通过将Dropout评估结合到GRU网络中，可以进一步减少过拟合风险，提高模型的泛化能力。结合实际变电站数据对网络进行训练，随机失活的GRU网络在阻性电流预测方面具有较高精度，实现对MOA绝缘状态的提前预测，从而保障电力系统的安全稳定。

1、GRU-Dropout网络

1.1 GRU原理

GRU是一种循环神经网络的变体，用于处理序列数据和建模时间依赖关系，可有效解决传统RNN存在的梯度消失和陡峭的爆炸问题。GRU的内部结构图如图1所示，GRU网络引入了2个门控机制：更新门和重置门，以控制信息的流动和记忆。

通过上个节点传递的隐状态ht-1和当前的输入xt获取2个门控状态。首先重置门控将得到的门控信号重置，将重置后的数据和xt通过激活函数放缩至[-1,1]之间。重置和放缩公式如式（1）和式（2）所示：

图1 GRU内部结构

式中：ht-1为重置后的数据；ht-1为t-1时刻隐藏状态；r为重置门控；tanh为激活函数；W为输入权重。

最后基于更新门对隐藏状态更新，如式（3）所示：

式中：z为更新门控；h′为当前时刻的候选隐藏状态。

1.2 Dropout原理

Dropout是常用的正则化技术，通过训练过程中随机交互中部神经元的输出将其设置为0，来降低神经网络复杂性。虽然相较于LSTM,GRU在结构上更加简化，减少了部分参数和过拟合风险。但GRU模型在数据较少、参数过多、特征噪声和训练时间过长等情况下容易出现过拟合。通过结合Dropout可减少过拟合风险，提高模型泛化能力。其模型图如图2所示。

图2 GRU-Dropout模型

Fig.2 GRU-Dropout model

引入Dropout网络后前向传播可表达为

式中：yl+1为第l+1层输出向量；Wl+1为权重；r取0或1概率分别为p和1-p;yl为第l层输出向量；bl+1为该层偏差。

令numpy函数随机生成1组x∈[-2,2],f∈[-5,5]数据，引入Dropout前后两种GRU网络对数据进行训练以验证其在GRU网络中不过度依赖特定隐藏状态单元并抑制过拟合的效果，结果如图3所示。

图3 Dropout前后GRU训练结果

由图3可知，未引入Dropout的GRU网络对训练集拟合程度较好，对测试集拟合效果一般，随着epoch的增加发生了过拟合。引入Dropout后的GRU网络在训练集和测试集中均有较好的拟合效果，损失值稳定在0.2左右，表明引入Dropout后的网络过拟合风险减小，泛化能力增强。

2、MOA阻性电流预测算法设计

本文的主要研究内容为MOA阻性电流预测，提出了基于GRU-Dropout网络的MOA阻性电流预测方法，其具体流程如图4所示。

步骤1获取原始数据：主要为MOA泄漏电流的时间序列，事先研制了基于STM32的MOA在线监测系统，并置于华东某变电站中，共采集了1000组110 kV避雷器泄漏电流数据。

步骤2数据预处理：首先需对原始数据D进行数据缺失填补和异常数据删除处理，以确保预测模型的稳定性和准确性；为避免不同特征间的差异对神经网络训练产生影响，同时激活函数的有效性和梯度下降的收敛性，需对原始数据D进行标准化处理以加快收敛速度，提高模型精度。标准化公式如式（5）所示。将时序数据划分为多个连续的时间窗口，并将每个窗口内的数据作为样本。最后根据时间窗口大小对标准化数据Dnor进行升维处理，将升维后数据划分为训练集和测试集。

图4 GRU-Dropout MOA阻性电流预测流程

式中：Dmin和Dmax分别为D中的最小值和最大值。

步骤3构建并训练GRU-Dropout网络：网络的构建需设置相应超参数，包括时间窗口大小、隐藏节点数等，这些超参数将在下文进行讨论。在训练网络时，使用MAE或RMSE作为损失函数，通过最小化指标来优化模型参数，以提高模型精度。

评估模型性能时，计算训练集和测试集的MAE和RMSE，并进行对比。较低的MAE和RMSE值表示模型的预测准确性和鲁棒性较好。因此选用表征预测准确性的平均绝对误差（MAE）和表征预测鲁棒性的均方根误差（RMSE）作为模型评价标准，其公式如式（6）和式（7）所示：

式中：yipred为i次预测值；yitrue为i次实际值；m为预测数据样本量。将MOA阻性电流数据带入训练好的模型中，即可完成阻性电流的预测。最后将标准化的数据恢复到原始维度以得到实际阻性电流数据。

3、超参数选择

合适的超参数可以提高模型的性能和预测精度，针对不同滑动窗口大小、不同隐藏层节点数的GRU网络模型预测精度进行对比分析，以确定最佳超参数。

3.1 时间窗口大小

时间窗口大小表示的是输入数据序列的长度，对网络模型预测精度有着重要的影响，采用网格搜索法，分别将其设置为20、30、40、50、60并带入网络进行训练，采用RMSE和MAE作为网络模型预测精度的评价标准，不同时间窗口大小的预测精度如表1所示。随着滑动窗口的不断增大，模型预测误差MAE不断减小，但当时间窗口大小超过50时，MAE误差没有明显下降，同时模型训练时间显著增加，RMSE误差反而出现上升。因此模型最佳时间窗口大小为50，此时模型预测精度最优，MAE和RMSE仅为2.31%和3.17%。

表1 不同时间窗口的模型误差

3.2 隐藏层节点数

隐藏层节点数同样对预测精度有着重要的影响，按类似时间窗口的调参方法，将节点数32、64、128、256、512分别代入网络进行训练，不同隐藏层节点数的预测精度如表2所示。当节点数较少时，随着节点数的增加，模型预测误差MAE迅速下降，但节点数过多会增加网络过拟合的风险。当节点数由256变为512时，模型预测误差MAE仅下降了0.04%,RMSE却上升了，表明网络已出现较严重的过拟合。因此模型最佳隐藏节点数为256，此时模型预测精度最优，MAE和RMSE仅为1.98%和2.73%。

表2 不同隐藏层节点数的模型误差

GRU-Dropout网络模型的其他超参数还包括隐藏层层数、随机失活率、每批次训练样本数等，具体超参数设置如表3所示。

表3 GRU-Dropout网络超参数

4、实验分析

根据上述超参数设置在TensorFlow框架内搭建GRU-Dropout网络进行训练，选取均方误差MAE作为网络的损失函数，为保证训练神经网络时具有良好的性能和稳定性，使用Adam算法作为网络的优化算法，以提高网络训练速度和稳定性。将该网络与BP神经网络、RNN网络和LSTM网络对比，4种算法的MOA阻性电流预测结果如图5所示。

图5 MOA阻性电流预测算法对比

由图5分析可得，基于RNN网络和BP神经网络的MOA阻性电流预测算法结果较差，虽能大致反映出阻性电流的变化趋势，但当阻性电流迅速变化时，预测值与真实值误差较大。而基于LSTM网络和GRU-Dropout网络的MOA阻性电流预测算法均能较好地预测MOA阻性电流的变化趋势和各时刻电流值。4种算法的MOA阻性电流预测模型的具体评价结果如表4所示。

表4 不同网络预测算法评价

由表4可知，GRU-Dropout网络最优评价MAE为1.98%,RMSE为2.73%。以表征预测准确性的MAE作为评价参数，GRU-Dropout网络与BP神经网络相比，预测准确性提高了33.3%；与RNN网络相比，提高了23.8%；与LSTM相比，预测准确性虽下降了0.5%，但表征预测鲁棒性的RMSE相对提高了2.8%，表明GRU-Dropout网络泛化能力好，具有较小的过拟合风险。同时在实际应用中，GRU-Dropout内部参数较少，计算复杂度小，更适合工业现场的实时在线监测。

5、结语

本文将GRU网络与随机失活技术相结合，提出了基于GRU-Dropout网络的MOA阻性电流预测算法。实例分析表明，该方法相较以往MOA阻性电流预测方法精度高，泛化能力强，且结构简单，计算量相对较小，能够准确实现MOA阻性电流的预测。根据预测结果，绘制阻性电流随时间变化的曲线，分析预测变化趋势，可为MOA的状态评估提供可靠的依据，具有较高的实际应用价值。

参考文献:

[1]李威,刘卫东,刘又超,等.±500 kV换流站极母线避雷器直流泄漏增大缺陷研究分析[J].电瓷避雷器,2021(6):18-24.

[2]王振羽,宋明钰,薄岩,等.35 k V线路避雷器与避雷线防雷效果量化比较分析[J].电力科学与技术学报,2021,36(4):165-171.

[3]任大江,叶海鹏,李建萍,等.一起500 k V金属氧化锌避雷器故障原因分析[J].电瓷避雷器,2020(3):127-132.

[4]赵霞,张搏宇,时卫东,等.特高压直流避雷器电阻片加速老化试验方法的研究[J].电瓷避雷器,2022(2):93-97.

[6]徐玉婷,郑钏.基于均值GM(1,1)模型的避雷器带电检测数据预测[J].延边大学学报(自然科学版),2016,42(4):339-342.

[7]刘凯,刘方,刘岩,等.结合预测方法在避雷器带电测试中的应用[J].电瓷避雷器,2012(1):61-64+69.

[8]徐辉,沈荣顺,胡月琰,等.一种利用阻性电流数据进行预测的避雷器状态检修方法[J].电瓷避雷器,2016(6):162-165+170.

[11]张古尧,马爱清.基于随机失活LSTM网络的避雷器阻性电流预测方法[J].水电能源科学,2020,38(10):159-162+98.

[13]杨丽,吴雨茜,王俊丽,等.循环神经网络研究综述[J].计算机应用,2018,38(S2):1-6+26.

基金资助:国家自然科学基金资助项目(32171788);

文章来源:刘谱辉,周国平,周逸鹏.基于GRU-Dropout网络的避雷器阻性电流预测研究[J].自动化与仪表,2024,39(08):6-9+19.