陳 海

（國網(wǎng)桐鄉(xiāng)市供電公司，浙江 桐鄉(xiāng) 314500）

基于云模型的輸變電設備狀態(tài)預測研究

陳 海

（國網(wǎng)桐鄉(xiāng)市供電公司，浙江 桐鄉(xiāng) 314500）

輸電變設備是電力系統(tǒng)的核心，其健康水平直接關系到“多供電、供好電”戰(zhàn)略目標的實現(xiàn)程度。文章針對輸變電設備故障爆發(fā)呈現(xiàn)隨機性的特點，提出采用基于云理論的不確定推測模型來進行運行數(shù)據(jù)挖掘并預判輸變電設備的故障幾率，從而為電網(wǎng)運維提供新的科學的輔助決策方法。案例表明，文章的研究成果比較符合實際情況，具有一定推廣價值。

云模型；狀態(tài)預測；輸變電設備；健康指數(shù)

輸變電設備是電力系統(tǒng)的核心，其可靠性關系著“多供電、供好電”目標的實現(xiàn)程度。而要提升輸變電設備的可靠性，就是要切實掌控輸變電設備的運行狀態(tài)，并在此基礎上采取針對性的運維措施。

因輸變電系統(tǒng)分布廣、元件多、類型雜，因此其故障發(fā)生率受天氣變化、線路潮流、外部環(huán)境、自身質(zhì)量等諸多因素的制約而呈現(xiàn)出一定的隨機性與模糊性。國內(nèi)外大量文獻就此做了研究，建立起一些數(shù)學模型：如文獻［1］運用故障樹分析法來評估電網(wǎng)元件的故障概率，文獻［2］充分考慮線路負載與線路健康的內(nèi)在關聯(lián)并確立出函數(shù)關系等等。應該說，以上研究是嚴謹?shù)?，但在基礎數(shù)據(jù)（如故障分類信息、故障發(fā)生時環(huán)境數(shù)據(jù)等）獲取上存在一定困難，難以普適應用。

筆者根據(jù)多年運維經(jīng)驗，總結(jié)出：狀態(tài)檢修工作所積累的運行數(shù)據(jù)能在一定程度上折射出設備的健康指數(shù)；而健康指數(shù)與設備故障發(fā)生概率之間顯然存在某種具有模糊推理屬性的關聯(lián)。因此形成以下思路：以不同年份的狀態(tài)檢修數(shù)據(jù)為依托，采用在數(shù)據(jù)挖掘和預測方面有優(yōu)異表現(xiàn)的云理論為模型框架，建立輸變電設備狀態(tài)預測的新方法。

1　云理論概要

1.1云的概念

云模型實現(xiàn)定性概念與定量數(shù)值之間的不確定性轉(zhuǎn)換［3］。舉例：設 U為精確數(shù)值論域，x∈U；T為定性概念集，與U對應；若x對應的T的確定度u（x）∈［0，1］為穩(wěn)定隨機數(shù)，則u（x）在U上的分布（或U到［0，1］的映射）稱為隸屬云。

云的數(shù)字特征有 3個：期望 Ex、熵 En、超熵He。三者示意如圖1所示。其中，Ex與云滴重心相對應；En表示云滴離散程度；He反映云滴凝聚度。

圖1　一維正態(tài)云的數(shù)字特征示意

1.2云發(fā)生器

云發(fā)生器是云的生成算法，分正向和逆向兩類，原理如圖2所示。其中，“X條件云發(fā)生器”表示通過給定定性概念A的云模型特征（ExA、EnA、HeA）和論域 U1的特定數(shù)值x0，生成 x0屬于A的云滴分布（即Cdrop（x0，u0（x0））），屬于正向發(fā)生器；“Y條件云發(fā)生器”表示通過給定定性概念B的云模型特征（ExB、EnB、HeB）和論域 U2中某一特定 x0關于 B的隸屬度u0（x0）∈［0，1］，生成B中滿足該隸屬度的云滴分布（即Cdrop（y0，u0（x0））），屬于反向發(fā)生器。

圖2　云發(fā)生器原理示意

1.3云語言預測規(guī)則

為了實現(xiàn)不確定性推理，云模型需設置語言預測規(guī)則，如圖3所示。

圖3　實現(xiàn)不確定性推理的云語言預測規(guī)則示意

步驟解說：

（3）依下式確定對應于輸入x0的輸出y0。

2　輸變電設備狀態(tài)預測建模

基于云模型的輸變電設備運行狀態(tài)預測思路可由圖4表達。由于狀態(tài)檢修情況下，第n-1年的狀態(tài)檢修工作會對第n年的設備狀態(tài)產(chǎn)生影響，即故障率符合泛正態(tài)分布特征，因此文章將采用1維正態(tài)云來構建預測模型。

圖4　基于云模型的設備狀態(tài)預測思路框架

2.1“兩片云”的構建

根據(jù)國網(wǎng)公司的狀態(tài)檢修規(guī)程，我們可以視運行情況對輸變電設備的元部件進行扣分，而某一設備所有可參與評價的元部件的扣分綜合值（0～100）就形成該設備的健康指數(shù)。前已述及，健康指數(shù)與故障率大小之間不是線性和單調(diào)關系，而是模糊推理關系，即：健康指數(shù)越小，設備故障率越小。基于該表達，引入兩個定性概念：健康態(tài)勢（概念A）、故障可能（概念B）。接下來要做的工作就是根據(jù)歷史數(shù)據(jù)構建與以上定性概念相對應的兩片云（主要要得到云的期望、熵和超熵值）。

設ai、gi分別表示第i個歷史數(shù)據(jù)及其隸屬度。

1）先將式（1）轉(zhuǎn)換成式（3），并用式（3）對云滴擬合，得到期望xE′。

2）將gi大于0.999的點濾去，云滴個數(shù)變?yōu)閙。

按 1）～4），可以得到用于表征健康態(tài)勢的云模型C1（ExA，EnA，HeA）和用于表征故障可能的云模型C2（ExB，EnB，HeB）。

2.2“兩片云”的關聯(lián)

設 Xm0為統(tǒng)計期間對應故障率最大的年份的設備健康指數(shù)值，xj為統(tǒng)計期間第j年的健康指數(shù)；u（xj）為xj之于Xm0的隸屬度，其計算為

設pj為統(tǒng)計期間對應xj的故障率，Pmax為統(tǒng)計期間最大故障率；u（pj）為pj之于Pmax的隸屬度，其計算為

考慮到“健康態(tài)勢云”的期望 ExA和“故障可能云”的期望 ExB均指統(tǒng)計期間相應指標的均值，且具有基本確定性，因此認為“兩片云”的對應狀態(tài)的隸屬度是相同的，即：只要健康指數(shù)一致，故障率也應該相同。這樣就實現(xiàn)了“兩片云”的關鍵關聯(lián)——不確定性傳遞。

3　算例

以浙江嘉興供電公司110kV鳳南1222線的歷年運行數(shù)據(jù)為例，對文章構建模型進行核驗。

3.1基本數(shù)據(jù)

文獻［4］指出：歷史數(shù)據(jù)在5個以上時，期望值誤差小于0.01。因此，文章選取2009—2013年共5年的設備健康指數(shù)和故障率統(tǒng)計作為基礎數(shù)據(jù)見表1。

表1　2009—2013年嘉興110kV鳳南1222線數(shù)據(jù)統(tǒng)計

3.2“兩片云”的云滴生成

根據(jù)文章構建模型，得到“健康態(tài)勢云”為C1（13.200，4.165，0.291），“故障可能云”為C2（0.172，0.133，0.105），二者的云滴分布（450滴）如圖 5和圖6所示，其中的虛線部分相當于基于給定健康指數(shù)（xa）的一次隨機的設備故障率預測過程。

圖5　嘉興110kV線路的健康關聯(lián)云分布

圖6　嘉興110kV線路的故障態(tài)勢云分布

3.3故障率預測

110kV鳳南 1222線的最新健康指數(shù)為 18，將其輸入X條件云，得到對應該健康狀態(tài)的概率最大的模糊隸屬度為 0.825，將此值傳遞至 Y條件云的輸入側(cè)，計算得到百公里線路的可能故障率為0.2704次/a。因以上過程具有隨機性（即每一次推理得到的預測結(jié)果不盡相同），為了使數(shù)據(jù)更具輔助決策效能，可將推理程序執(zhí)行10次，然后取平均值。這樣，對于案例線路，我們得到的最終狀態(tài)預測結(jié)果為：每百公里線路的故障率為0.2654次/a。

3.4與其他方法的對比

為了凸顯文章方法的合理性，我們將嘉興電網(wǎng)10條110kV線路的相關狀態(tài)評價數(shù)據(jù)分別輸入基于云理論的預測模型和基于反演法的傳統(tǒng)預測模型（該模型構建見文獻［5］），得到表 2所示結(jié)果。該結(jié)果顯示：①當設備接近正常時（即健康指數(shù)較低），兩種方法的預測結(jié)果是較為相似的；②當設備潛在或顯在問題較多時（即健康指數(shù)大于 60），反演法預測結(jié)果呈現(xiàn)指數(shù)式增長，顯然不太符合實際運行規(guī)律；而云模型預測方法能充分考慮狀態(tài)檢修對健康指數(shù)和故障率的影響，因此其預測值大小適中，可信度較高。

表2　兩種方法對于不同健康指數(shù)的預測結(jié)果比對

4　結(jié)論

輸變電設備的狀態(tài)關系著供電可靠性、電能質(zhì)量等電力系統(tǒng)核心指標，但其又是一個模糊概念，對其進行評價存在較大不確定性。文章基于當前狀態(tài)檢修工作的日趨完善和狀態(tài)評價數(shù)據(jù)的極大豐富，提出依靠云理論來建立設備健康指數(shù)與設備故障態(tài)勢之間的關聯(lián)度，并據(jù)此科學預測輸變電設備的狀態(tài)。該方法能正確反映輸變電設備故障率的泛正態(tài)分布特征，能對狀態(tài)檢修數(shù)據(jù)進行深度挖掘，從而開辟出不確定性預測層面的一塊新天地。算例表明：文章構建的方法實用、有效，對輸變電運維工作的輔助決策意義較大，值得進一步研究和推廣。

［1］ 孫元章， 程林， 劉海濤. 基于實時運行狀態(tài)的電力系統(tǒng)運行可靠性評估［J］. 電網(wǎng)技術， 2005， 31（15）：6-12.

［2］ 程林， 何劍， 孫元章. 線路實時可靠性模型參數(shù)對電網(wǎng)運行可靠性評估的影響［J］. 電網(wǎng)技術， 2006，42（13）： 8-13.

［3］ 楊洋， 謝開貴， 孫鑫. 基于 FTA法的寧夏電網(wǎng)運行元件故障率分析［J］. 電力系統(tǒng)保護與控制， 2009，36（18）： 134-137， 141.

［4］ 潘樂真， 張焰， 俞國勤， 等. 狀態(tài)檢修決策中的電氣設備故障率推算［J］. 電力自動化設備， 2010， 30（2）：91-94.

［5］ 馮管印， 何川， 丁堅勇， 等. 電氣設備故障率演化推算綜合算法［J］. 武漢大學學報（工學版）， 2014， 2（2）：244-249.

Study on the Prediction of the Power Transmission Equipment based on Cloud Model

Chen Hai
（State Grid Tongxiang Power Supply Company， Tongxiang， Zhejiang 314500）

Power transmission equipment is the core of power system， the level of its health is directly related to the realization of the strategic objectives of the multi power supply and power supply. Aiming at the fault of power transmission and transformation equipment broke out random characteristics， proposed by based on cloud theory of uncertainty estimation model to run data mining and pre judge the probability of failure of power transmission and transformation equipment， thus for power grid operation and maintenance provide new scientific decision-making method. The case shows that the research results of the article are in line with the actual situation， and have some promotion value.

cloud model； state prediction； transmission equipment； health index

陳 海（1980-），男，湖北宜昌人，工程師，研究生學歷，主要從事電力工程的管理工作。