覃兆安

（國網(wǎng)嘉興供電公司，浙江 嘉興 314000）

試驗(yàn)與研究

依托大數(shù)據(jù)分析的電網(wǎng)設(shè)備狀態(tài)測(cè)評(píng)方法研究

覃兆安

（國網(wǎng)嘉興供電公司，浙江 嘉興 314000）

電網(wǎng)設(shè)備的運(yùn)行狀態(tài)關(guān)系到電能質(zhì)量、供電可靠性等電力系統(tǒng)核心指標(biāo)。在分析傳統(tǒng)設(shè)備狀態(tài)測(cè)評(píng)方法的基礎(chǔ)上，提出以時(shí)間序列、自適應(yīng)神經(jīng)網(wǎng)絡(luò)、無監(jiān)督聚類等方法來深度挖掘運(yùn)行數(shù)據(jù)的潛在信息，發(fā)現(xiàn)設(shè)備向異常狀態(tài)發(fā)展的趨勢(shì)，以提升電力系統(tǒng)運(yùn)維水平。同時(shí)將研究成果應(yīng)用到具體案例中。結(jié)果表明，該構(gòu)建方法具有一定合理性和有效性，能推廣到輸變電設(shè)備的狀態(tài)測(cè)評(píng)中。

大數(shù)據(jù)；時(shí)間序列；神經(jīng)網(wǎng)絡(luò)；狀態(tài)測(cè)評(píng)

盡早發(fā)現(xiàn)輸變電設(shè)備的異常狀態(tài)對(duì)提升電力系統(tǒng)供電可靠性具有重大意義。當(dāng)前的狀態(tài)檢修工作主要通過提取設(shè)備的部分信息，與固定閾值進(jìn)行對(duì)比后判斷設(shè)備的狀態(tài)是否正常。這種方法具有局限性［1］。

a.固定閾值沒有時(shí)間寬度，從而無法從總體上把握設(shè)備運(yùn)行態(tài)勢(shì)。其檢測(cè)結(jié)果從根本上來說是片面的，存在漏檢或誤檢的可能。

b.信息利用率低。目前，在線監(jiān)測(cè)技術(shù)蓬勃發(fā)展，電力系統(tǒng)運(yùn)行大數(shù)據(jù)逐步完備，而閾值判斷的方法無法對(duì)大數(shù)據(jù)進(jìn)行橫向關(guān)聯(lián)和縱向挖掘，因此導(dǎo)致大量有用信息的“廢棄化”。

為適應(yīng)大數(shù)據(jù)背景下的電力系統(tǒng)運(yùn)維，建立科學(xué)、合理的模型來處理、分析、挖掘電力大數(shù)據(jù)是必要的，對(duì)輸變電設(shè)備的異常狀態(tài)做好早發(fā)現(xiàn)、早處置。

1 單狀態(tài)特性數(shù)據(jù)流的特征挖掘

1.1 時(shí)間序列自回歸

輸變電設(shè)備運(yùn)行中產(chǎn)生的大量數(shù)據(jù)呈現(xiàn)出平穩(wěn)性和低動(dòng)態(tài)性，符合一階自相關(guān)時(shí)間序列自回歸模型AR（1）的應(yīng)用要求。AR（1）的相關(guān)公式見式（1）所示［2］。其中，xt為在線監(jiān)測(cè)數(shù)據(jù)的時(shí)間序列，服從正態(tài)分布。

假設(shè)對(duì)應(yīng)于正常狀態(tài)的xt的區(qū)間為［a，b］，則要使整個(gè)序列均在［a，b］內(nèi)，只要α小于某個(gè)限值α0即可。即設(shè)備可能出現(xiàn)了異常，但參量α的檢測(cè)值未超標(biāo)，則單純的AR（1）模型不能察覺該種異常狀態(tài)。因此，需要對(duì)xt進(jìn)一步加工。

1.2 自組織神經(jīng)網(wǎng)絡(luò)對(duì)時(shí)間序列的量化

自組織神經(jīng)網(wǎng)絡(luò)（SOM）基于無監(jiān)督學(xué)習(xí)，適用于數(shù)據(jù)量大、不含標(biāo)簽的狀態(tài)監(jiān)測(cè)數(shù)據(jù)。量化過程［3］如下。

a.構(gòu)造SOM的輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)，分別對(duì)應(yīng)xt和序列C＝｛C1，C2，…，CN｝。

b.對(duì)每一xt進(jìn)行屬于Cj的訓(xùn)練，見式（2）。

c.反復(fù)循環(huán)并修正，確保xt距所屬節(jié)點(diǎn)的最小距離，見式（3）。其中：γ（t）在0～1之間，反映學(xué)習(xí)速率。

d.訓(xùn)練完成，xt被量化為Ct，見式（4）。Ct表示最接近xt的節(jié)點(diǎn)。

1.3 時(shí)間序列變化過程的挖掘

SOM神經(jīng)網(wǎng)絡(luò)的特點(diǎn)是每個(gè)神經(jīng)元節(jié)點(diǎn)與鄰域內(nèi)節(jié)點(diǎn)關(guān)聯(lián)性強(qiáng)，與鄰域外節(jié)點(diǎn)關(guān)聯(lián)性弱。基于此，可將量化后的時(shí)間序列Ct看作一個(gè)神經(jīng)元到另一神經(jīng)元的轉(zhuǎn)移，從而為時(shí)間序列特征的深度挖掘提供方法。以下為結(jié)合AR（1）與SOM的數(shù)據(jù)挖掘步驟，具體公式推導(dǎo)參考文獻(xiàn)［4］。

a.求取神經(jīng)元所屬的概率密度函數(shù)。

b.求取神經(jīng)元之間的轉(zhuǎn)移概率。

首先截取一定監(jiān)測(cè)點(diǎn)數(shù)的某變壓器油溫在線監(jiān)測(cè)數(shù)據(jù)，如圖1所示。將這些數(shù)據(jù)經(jīng)由AR（1）擬合，得到相關(guān)參數(shù)α＝0.85，μe＝0，λ＝0.01；接著將上述時(shí)間序列輸入SOM進(jìn)行訓(xùn)練，得到量化輸出，如圖2所示；計(jì)算SOM神經(jīng)元間的轉(zhuǎn)移概率（12×12矩陣），并將溫度數(shù)據(jù)隨時(shí)間的變化用轉(zhuǎn)移概率序列描述，如圖3所示。圖3中，大部分時(shí)間點(diǎn)對(duì)應(yīng)正常狀態(tài)，數(shù)據(jù)的轉(zhuǎn)移概率高，表明溫度數(shù)據(jù)隨時(shí)間變化的平穩(wěn)性；個(gè)別時(shí)間點(diǎn)的數(shù)據(jù)出現(xiàn)陡降，說明數(shù)據(jù)不服從AR分布，此處可能存在異常，應(yīng)當(dāng)引起注意。

2 多狀態(tài)特性數(shù)據(jù)流的特征挖掘

與單狀態(tài)相對(duì)應(yīng)，某些設(shè)備狀態(tài)信息需由多維單狀態(tài)量耦合得到［5］，如變壓器熱點(diǎn)溫度要綜合底層油溫、頂層油溫、環(huán)境溫度和電力負(fù)荷等諸多因素。為了充分利用在線監(jiān)測(cè)數(shù)據(jù)，同時(shí)解耦各參量間的復(fù)雜關(guān)系，可采用基于密度的聚類算法實(shí)現(xiàn)對(duì)多狀態(tài)特性數(shù)據(jù)流的特征提取。

圖1 某變壓器油溫在線實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)

圖2 油溫?cái)?shù)據(jù)經(jīng)由SOM后的量化序列

圖3 油溫?cái)?shù)據(jù)轉(zhuǎn)移概率序列

以判斷輸電線路覆冰是否嚴(yán)重為例，可將導(dǎo)線軸向張力、導(dǎo)線傾斜角、風(fēng)速作為數(shù)組單元進(jìn)行聚類。若某個(gè)數(shù)組到任意簇中點(diǎn)的距離都大于特定值R，則認(rèn)為出現(xiàn)了異常。

3 輸變電設(shè)備異常狀態(tài)檢測(cè)程序

根據(jù)以上研究，形成輸變電設(shè)備異常狀態(tài)檢測(cè)流程，如圖4所示。

圖4 輸變電設(shè)備異常狀態(tài)檢測(cè)流程

a.取歷史數(shù)據(jù)，運(yùn)用AR模型、SOM算法計(jì)算每個(gè)參量的轉(zhuǎn)移概率矩陣｛X1，X2，…，XN｝；對(duì)所有參量使用密度聚類算法，將歷史數(shù)據(jù)加工m簇。

b.提取最新實(shí)時(shí)數(shù)據(jù)代入式（1）中的｛X1，X2，…，XN｝，得到一系列轉(zhuǎn)移概率序列，并判斷各時(shí)點(diǎn)數(shù)據(jù)是否匹配m簇中某一簇。

c.根據(jù)式（2）結(jié)果啟動(dòng)異常檢測(cè)邏輯：當(dāng)各參量的轉(zhuǎn)移概率不存在零值且各時(shí)點(diǎn)數(shù)據(jù)匹配m簇中某一簇，則認(rèn)為狀態(tài)狀態(tài)是正常的；當(dāng)各參量的轉(zhuǎn)移概率出現(xiàn)少數(shù)零值且少數(shù)時(shí)點(diǎn)數(shù)據(jù)全不匹配m簇中的任一簇，則認(rèn)為是噪聲所致，可忽略；當(dāng)多個(gè)參量的轉(zhuǎn)移概率為零值，且多個(gè)時(shí)點(diǎn)數(shù)據(jù)不匹配m簇中的任一簇，則判斷設(shè)備出現(xiàn)異常。

4 案例分析

以嘉興供電公司某臺(tái)220 kV變壓器為例，選取2015年6月10—17日的油溫、負(fù)載、環(huán)境溫度等可監(jiān)測(cè)數(shù)據(jù)作為訓(xùn)練樣本，同時(shí)以2015年6月18日10：00—18：00的480組在線數(shù)據(jù)作為對(duì)比樣本。油溫、電流、環(huán)境溫度的采樣如圖5所示（1 min／組）。

圖5 3類狀態(tài)量的采樣值

運(yùn)用上述構(gòu)建方法，對(duì)變壓器歷史數(shù)據(jù)生成3個(gè)轉(zhuǎn)移概率矩陣并聚類成3個(gè)簇；將每個(gè)參量的480組對(duì)比數(shù)據(jù)對(duì)應(yīng)出各自的轉(zhuǎn)移概率序列（圖6—圖8），然后綜合判別每個(gè)時(shí)點(diǎn)的數(shù)據(jù)是否正常，如圖9所示。

a.在T＝80 min，油溫的轉(zhuǎn)移概率為零，且該時(shí)點(diǎn)的監(jiān)測(cè)數(shù)據(jù)不屬于任一簇；另外，T＝80 min周圍是正常值，因此認(rèn)為T＝80 min的異常是噪聲（可能由傳感器元器件的隨機(jī)漂移所致），可忽略。

b.在T為384～390 min，負(fù)荷和油溫的轉(zhuǎn)移概率都為零；T為390～410 min，負(fù)荷和油溫的轉(zhuǎn)移概率很不平穩(wěn)且不斷呈現(xiàn)零點(diǎn)，且T為390～500 min間的實(shí)測(cè)數(shù)據(jù)大部分不匹配任一簇類。因此認(rèn)為，變壓器從T＝384 min起發(fā)生異常，應(yīng)提高警惕。

圖6 案例變壓器的負(fù)荷轉(zhuǎn)移概率序列

圖7 案例變壓器的油溫轉(zhuǎn)移概率序列

圖8 案例變壓器的環(huán)境溫度轉(zhuǎn)移概率序列

圖9 變壓器實(shí)時(shí)數(shù)據(jù)聚類情況

調(diào)取調(diào)度記錄，發(fā)現(xiàn)從4：16起允許該變壓器短時(shí)超載運(yùn)行，于5：30左右恢復(fù)正常。因此，檢測(cè)到的異常狀態(tài)是真實(shí)的，說明該模型具有一定有效性。若采用傳統(tǒng)的閾值比較方法，需檢測(cè)到油溫達(dá)到80℃時(shí)才報(bào)警，說明原方法存在靈敏度不足等問題。

5 結(jié)束語

文中綜合運(yùn)用了時(shí)間序列自回歸、自組織神經(jīng)網(wǎng)絡(luò)、密度聚類等多種模型，成功解決了輸變電運(yùn)行中設(shè)備狀態(tài)評(píng)價(jià)的片面性、滯后性、低效性等問題，給出了基于大數(shù)據(jù)分析的設(shè)備異常狀態(tài)快速判定方法。一方面提升了電力系統(tǒng)運(yùn)維水平，另一方面也為大數(shù)據(jù)應(yīng)用開辟了新的途徑。算例結(jié)果表明，依托大數(shù)據(jù)分析的電網(wǎng)設(shè)備狀態(tài)測(cè)評(píng)方法具有準(zhǔn)確性和有效性，值得推廣和應(yīng)用。

［1］架空輸電線路狀態(tài)評(píng)價(jià)導(dǎo)則：Q／GDW 173—2008［S］.

［2］油浸式變壓器（電抗器）狀態(tài)評(píng)價(jià)導(dǎo)則：Q／GDW 169— 2008［S］.

［3］尹彥民，聶振勇，叢曼穎.電力變壓器絕緣故障及防范措施［J］.東北電力技術(shù)，2010，31（3）：35－36.

［4］韓 月，耿寶玄，高 強(qiáng).智能變電站變電設(shè)備在線監(jiān)測(cè)系統(tǒng)研究［J］.東北電力技術(shù)，2011，32（1）：17－20.

［5］隋合軾.基于一體機(jī)架構(gòu)的海量數(shù)據(jù)集中與處理［J］.東北電力技術(shù)，2015，36（9）：12－15.

Study on Electricity Grid Equipment Status Evaluation Methods Based on Big Data Analysis

QIN Zhao?an
（State Grid Jiaxing Power Supply Company，Jiaxing，Zhejiang 314000，China）

Running status of electricity grid equipment has respect to power quality，supply reliability and other power system core indi?cators.This paper analyzes the traditional equipment status evaluation method，a method based on time series，adaptive neural net?works，unsupervised clustering methods is proposed.By the depth of mining potential operating data information，development trends of abnormal state for equipment are found，it can enhance the level of power system operation and maintenance.Study results also be ap?plied to specific case studies，the results show that the constructing method is reasonable and effective and can be extended to the status evaluation of transmission change.

Big data；Time series；Neural network；Status evaluation

F426.61

A

1004－7913（2016）06－0008－03

覃兆安（1982—），男，學(xué)士，工程師，主要從事電網(wǎng)安全質(zhì)量監(jiān)督工作。

2015－12－04）