唐志軍，翟博龍，林國棟，晁武杰

（國網(wǎng)福建省電力有限公司電力科學(xué)研究院，福建福州 350007）

智能化變電站是智能電網(wǎng)的重要組成部分。與傳統(tǒng)的變電站相比，智能變電站可以進(jìn)行電網(wǎng)運行數(shù)據(jù)、設(shè)備狀態(tài)、告警信息的采集與處理，為電網(wǎng)運行控制提供豐富可靠的數(shù)據(jù)支撐[1]。在電力系統(tǒng)發(fā)生故障時，智能變電站不僅能收集到保護(hù)時間和錄波，還能收集到開關(guān)刀閘變位信息、SOE等一次信息，以及PMU動態(tài)數(shù)據(jù)、錄波等。傳統(tǒng)故障信息子站，對保護(hù)的行為診斷方面無法進(jìn)行準(zhǔn)確的分析，對于故障的診斷，也完全取決于保護(hù)裝置上送的事件、告警等信息，在系統(tǒng)發(fā)生復(fù)雜故障、開關(guān)保護(hù)存在較多誤動、拒動以及無法獲取錄波分析或錄波文件配置信息不全等諸多不確定因素下，僅僅利用保護(hù)信息的方法獲取故障診斷的結(jié)論是非常困難的。而智能變電站采集了開關(guān)狀態(tài)、模擬量等一次信息，可以更加準(zhǔn)確地判斷故障的發(fā)生、故障屬性。在對故障進(jìn)行智能辨識后，根據(jù)一次信息中遙信、遙測的變化，判斷開關(guān)是否正確動作，評價開關(guān)的可靠性；結(jié)合一次、二次信息，判斷保護(hù)是否正確動作，對保護(hù)動作特性進(jìn)行分析等評估工作[2]。

目前，智能變電站已經(jīng)實現(xiàn)了信息采集、測量、控制和檢測等基本功能。在故障診斷分析方面，由于存在故障診斷不具有系統(tǒng)性、信息輸出分散、無集中的故障診斷平臺等問題，使得故障診斷能力有限[3]。針對上述問題，研究人員設(shè)計了各種系統(tǒng)裝置，對故障信息、繼電保護(hù)信息進(jìn)行采集和分析，以實現(xiàn)監(jiān)測預(yù)報、故障定位等智能診斷功能，如基于位置的文本文件比較算法設(shè)計的SCD文件對比系統(tǒng)、基于專家評估系統(tǒng)的檢修策略生成系統(tǒng)[4]以及基于二維信息自動定位的全方位過程層設(shè)備狀態(tài)監(jiān)測系統(tǒng)等[5]。這些檢測系統(tǒng)均采用常規(guī)的故障分析方式，也具有一定的故障診斷能力，在一定程度上提高了故障判斷的效率，為智能變電站的可靠運行提供一定的保障。

本文基于主成分分析法，將采集獲取的一次、二次信息及PMU動態(tài)信息進(jìn)行處理，降低信息的冗余度，使得處理后的信息更能簡潔且準(zhǔn)確地反映故障屬性，利用信息融合技術(shù)，有效地融合一次、二次信息及PMU動態(tài)信息，準(zhǔn)確地判斷故障的發(fā)生，為現(xiàn)場工作人員提供一套合理的檢修方案，并針對不同人員的工作需求，提供不同結(jié)果的可視化展示，從而提高智能變電站檢修人員的工作效率，提升變電站數(shù)據(jù)智能化的運行水平。

1 基于主成分分析法的故障信息處理

與傳統(tǒng)的變電站相比，在電力系統(tǒng)發(fā)生故障時，智能變電站能收集到開關(guān)刀閘變位信息、SOE等一次信息，保護(hù)動作事件、保護(hù)分散錄波、故障錄波器錄波等二次信息以及PMU動態(tài)數(shù)據(jù)、PMU錄波等其他信息。這些信息均可作為判斷故障發(fā)生及其屬性的依據(jù)，每個信息可以作為判斷故障的指標(biāo)。從信息獲取的角度講，多獲取信息確實可以彌補重要信息的漏失，但當(dāng)信息較多時，將不可避免地存在某些相關(guān)性，這將會帶來信息重疊、甚至影響判斷結(jié)果的真實性和科學(xué)性等問題。目前，主成分分析法可有效地解決這一問題[6-8]。

1.1 主成分分析原理

主成分分析（principal component analysis，PCA）是統(tǒng)計學(xué)中一種常用的降維方法[9-10]。目前PCA廣泛應(yīng)用于變壓器故障診斷[11]、狀態(tài)估計[12]、負(fù)荷預(yù)測[13]等領(lǐng)域[14]。

PCA的基本思想是用較小的幾個不相關(guān)的新變量，替代原有的較多的相關(guān)聯(lián)的變量，并且新變量為原來變量的線性組合。所選取的新變量被稱為主成分，其將盡可能保留原有變量所包含的信息。原理圖如圖1所示。它是將二維數(shù)據(jù)空間的問題轉(zhuǎn)化為一維空間進(jìn)行處理，該思想同樣適用于多維問題[15]。

圖1 主成分分析原理圖Fig.1 The principle diagram of the principal component analysis

主成分分分析法的計算步驟如下：

1）首先根據(jù)研究問題的實際情況選取初始的分析變量，這些變量應(yīng)具有較強的相關(guān)性，通常采用KMO（kaiser-meyer-olkin）、batrlett球形等因子相關(guān)性分析方法進(jìn)行變量的選擇。并對其進(jìn)行標(biāo)準(zhǔn)化處理。

2）計算協(xié)方差矩陣C。假設(shè)X=（x1,x2,…,xm）T是m×n的原始特征空間矩陣，其中m是數(shù)據(jù)的樣本數(shù)，n是特征參數(shù)的個數(shù)，式（1）為協(xié)方差矩陣的計算公式。

3）根據(jù)協(xié)方差矩陣C，計算其特征值λj(j=1,2,…,m)及特征向量Um×m。將各特征值按大小排序λ1＞λ2＞…＞λm，并按照該順序?qū)μ卣飨蛄烤仃囍械母髁羞M(jìn)行重新排序，得到新的矩陣V；將原始特征空間矩陣X右乘V，得到m個新的特征參數(shù)Y。即Y=XV。

4）貢獻(xiàn)率是決定主成分選擇的關(guān)鍵因素，通過計算特征值，可確定新變量在Y中的貢獻(xiàn)率，且特征值越大，貢獻(xiàn)率越大。本文采用累積貢獻(xiàn)率進(jìn)行評價，公式如下式（2）所示。通常累計貢獻(xiàn)率達(dá)到85%以上時，認(rèn)為前r個元素可以代替原來的n個特征參數(shù)，即r個元素為主成分。從而起到降維的目的。

1.2 基于PCA的故障信息處理

本文中用于辨識故障的原始數(shù)據(jù)包括開關(guān)刀閘變位信息、SOE等一次信息，保護(hù)動作事件、保護(hù)分散錄波、故障錄波器錄波等二次信息以及PMU動態(tài)數(shù)據(jù)、PMU錄波等其他信息，如圖2所示。

首先需要分別對一次、二次以及電氣量動態(tài)信息這3類原始數(shù)據(jù)進(jìn)行預(yù)處理。由于這些故障信息的類型不盡相同，對于定量的數(shù)據(jù)，需要將其進(jìn)行標(biāo)準(zhǔn)化處理，而對于定性的信息應(yīng)采用模糊隸屬度處理后將其轉(zhuǎn)換為定量的數(shù)據(jù)，再進(jìn)行標(biāo)準(zhǔn)化處理，以便后續(xù)操作。

其次，分別計算一次、二次以及電氣量動態(tài)信息這3類預(yù)處理數(shù)據(jù)的協(xié)方差矩陣C1、C2、C3；通過計算協(xié)方差矩陣C1、C2、C3的特征值以及特征向量，確定3類信息各自的主成分；再計算累積貢獻(xiàn)率，分別選取起主要作用的r1、r2、r3個主成分。

最后將選取的r1、r2、r3個主成分，作為判斷故障的特征信息，同時也為下文的信息融合提供證據(jù)。

圖2 基于PCA的故障信息處理流程圖Fig.2 Fault information processing flow chart based on PCA

2 信息融合技術(shù)在智能變電站故障分析決策中的應(yīng)用

由于現(xiàn)場環(huán)境復(fù)雜性、故障類型多樣性以及不確定性等諸多問題，僅采用一、二次信息進(jìn)行故障的判別是難以實現(xiàn)的，本文利用智能變電站獲取的大量信息，將信息融合的基本思想引入智能變電站的故障分析中，可以提高故障診斷的可靠性。

2.1 信息融合原理

信息融合是將來自某一目標(biāo)的多源信息進(jìn)行智能合成，產(chǎn)生比單一信息更高、更準(zhǔn)確的估計與判決，通過分析所獲取的信息的價值以及信息之間的相關(guān)性的方式，建立最有力的信息子空間[16]。信息融合具有數(shù)據(jù)層、特征層、決策層3個層次，可根據(jù)不同的應(yīng)用背景則相應(yīng)的融合層次和算法。本文主要采用D-S證據(jù)理論[17]在決策層進(jìn)行信息的融合。系統(tǒng)結(jié)構(gòu)如圖3所示。

圖3 基于信息融合技術(shù)的故障分析流程圖Fig.3 The failure analysis flow chart based on the information fusion technology

首先將采集到的一次、二次信息以及PMU動態(tài)信息經(jīng)上文主成分分析處理后，分別得到r1、r2、r33類主成分。將r1和r2主成份組合，經(jīng)專家系統(tǒng)等人工智能診斷后，得到故障結(jié)果1；將r3主成分同樣經(jīng)過專家系統(tǒng)等人工智能診斷后，得到故障結(jié)果2；最后通過DS決策融合法則，將2類診斷結(jié)果進(jìn)行融合，形成最終的故障診斷結(jié)果（母線故障、主變壓器故障、線路故障等）。

2.2 信息融合的應(yīng)用

本文采用的D-S融合流程如下所示：

1）建立識別框架θ。對于一個辨識問題，所有可能的輸出結(jié)果為該表示問題的識別框架。本文的識別框架可以為A1（母線故障）A2（主變壓器故障）…An（線路故障）以及不確定性δ。則θ= { }A1，A2，A3,…,An,δ。

2）設(shè)置基本概率分配 BPA（base probability assignment）。對于識別框架θ，其基礎(chǔ)概率分配m是從2到區(qū)間[0，1]的一個映射（即m為：2θ→[0,1]），它滿足2個條件：其中m（?）為基本可信數(shù)，其反映的是對框架θ的信度大小，且信任函數(shù)Bel（?）與m（?）之間滿足：，其中Bel(A)表示為A所有子集的BPA之和，其反映的是B（B?A）對A的支持力度。識別框架上的BPA計算方法為

式中：mi(Aj)為第i個證據(jù)對于第j個對象的BPA；是第i個政局不確定性的BPA值；uij表示第i個證據(jù)對于輸出為j類故障的隸屬度；αi為第i個證據(jù)源的可靠性系數(shù)。本文中第1個證據(jù)源為一次、二次信息經(jīng)主成分分析及人工智能診斷后的結(jié)果，第2個證據(jù)源為PMU動態(tài)信息經(jīng)主成分分析及人工智能診斷后的結(jié)果。

3）證據(jù)合成。合成規(guī)則是D-S證據(jù)理論的核心，也稱作證據(jù)融合公式，其計算方法為

式中：Aj=B∩C；B、C是θ的一個子集；⊕表示異或運算。通過上式合成2類信息源的共同辨識結(jié)果。

4）決策。通過2類決策信息的融合所得的BPA，為對識別框架內(nèi)識別對象的概率輸出，因此要滿足以下3個規(guī)則：

BPA須大于不確定性θ；

3 故障診斷結(jié)果可視化展示

基于上文中主成分分析以及信息融合等故障信息處理，可以獲取準(zhǔn)確的故障類型及位置，最終輸出本次動作簡報。智能變電站的智能化不僅體現(xiàn)在故障識別的精準(zhǔn)度高，還應(yīng)該體現(xiàn)在與人的信息交流方面，因此診斷結(jié)果可視化顯得格外重要。在系統(tǒng)設(shè)計中，應(yīng)該根據(jù)不同工作人員的需求，進(jìn)行不同的診斷結(jié)果可視化展示。對于變電站的值班人員，應(yīng)提供本次故障簡報，有利于工作人員準(zhǔn)確快速地進(jìn)行故障的定位，并采取相應(yīng)的決策。對于事故分析人員、繼保運行人員，在提供故障簡報的基礎(chǔ)上，還應(yīng)提供一次、二次以及PMU動態(tài)數(shù)據(jù)等全面的信息，以便對故障進(jìn)行后續(xù)的分析和處理，減少故障的再次發(fā)生。因此故障結(jié)果的可視化展示同樣可以提高運行檢修工作人員的工作效率，見圖4所示。

圖4 故障結(jié)果可視化展示Fig.4 Visual display of fault results

4 結(jié)論

1）基于主成分分析法，將采集獲取的一次、二次信息及PMU動態(tài)信息進(jìn)行處理，降低信息的冗余度，使得處理后的信息更能簡潔且準(zhǔn)確地反映故障屬性。

2）利用信息融合技術(shù)，將一次、二次信息的故障診斷結(jié)果與PMU動態(tài)信息的故障診斷結(jié)果，進(jìn)行信息融合，獲取更準(zhǔn)確可靠的信息，可以更準(zhǔn)確地判斷故障的發(fā)生。

3）針對不同工作人員的需求，提供不同的故障結(jié)果可視化展示，為現(xiàn)場工作人員提供一套合理的檢修方案，從而提高運維檢修人員的工作效率以及運行水平。

[1]馬凱，劉俊紅，侯艾君，等.智能變電站信息一體化平臺高級應(yīng)用[J].南方電網(wǎng)技術(shù)，2016，10（1）：42-48.

MA Kai，LIU Junhong，HOU Aijun，et al.Advanced application of integrative information platform for smart substations[J].Southern Power System Technology，2016，10（1）：43-48.

[2] 李斌.智能變電站技術(shù)及其應(yīng)用研究[D].北京：華北電力大學(xué)，2011.

[3] 張道銀，張小飛，趙汝英.智能變電站故障診斷技術(shù)研究[J].電力信息與通信技術(shù)，2013（7）：39-43. ZHANG Daoyin，ZHANG Xiaofei，ZHAO Ruying.Intelligent substation fault diagnosis technology research[J].Electric Power information and Commanication technology，2013（7）：39-43.

[4]熊華強，萬勇，桂小智，等.智能變電站SCD文件可視化管理和分析決策系統(tǒng)的設(shè)計與實現(xiàn)[J].電力自動化設(shè)備，2015，35（5）：166-171. XIONG Huaqiang，WAN Yong，GUI Xiaozhi，et al.Design and implementation of visual management and analytical decision system for smart substation SCD files[J].Electric Power Automation Equipment，2015，35（5）：166-171.

[5] 李妍，車勇，單強，等.智能變電站二次系統(tǒng)在線監(jiān)測評估的研究[J].電力系統(tǒng)保護(hù)與控制，2016，44（10）：66-70. LI Yan，CHE Yong，SHAN Qiang，et al.Research on secondary system on-line monitoring and evaluation in smart substation[J].Power System Protection and Control，2016，44（10）：66-70.

[6]高陽，王剛，夏潔.一種新的基于人工神經(jīng)網(wǎng)絡(luò)的綜合集成算法[J].系統(tǒng)工程與電子技術(shù)，2004，26（12）：1821-1825. GAO Yang，WANG Gang，XIA Jie．New algorithm of metasynthesis based on artificialneuralnetwork[J]．Systems Engineering and Electronics，2004，26（12）：1821-1825.

[7]楊輝.主成份分析法聚類分析法在對足球比賽綜合評價中的應(yīng)用[J].湛江師范學(xué)院學(xué)報，2004，25（6）：57-61. YANG Hui．Comprehensive evaluation of a soccer game through factor and cluster analyses[J].Journal of Zhanjiang Teachers College，2004，25（6）：52-56.

[8]羅毅，周創(chuàng)立，劉向杰.多層次灰色關(guān)聯(lián)分析法在火電機組運行評價中的應(yīng)用[J].中國電機工程學(xué)報，2012，32（17）：97-103. LUO Yi，ZHOU Chuangli，LIU Xiangjie.Application of the multi-level grey relational analysis method in operation assessment of thermal power units[J].Proceedings of the CSEE，2012，32（17）：97-103.

[9] 劉寶英，楊仁剛.基于主成分分析的最小二乘支持向量機短期負(fù)荷預(yù)測模型［J］.電力自動化設(shè)備，2008，28（11）：13-17. LIU Baoying，YANG Rengang.Short-term load forecasting modelbased on LS-SVM with PCA[J].Electric Power Automation Equipment，2008，28（11）：13-17.

[10]許力，竺鵬東，顧宏杰，等.基于變尺度PCA的電力設(shè)備載流故障早期預(yù)警[J].電力自動化設(shè)備，2012，32（5）：147-151. XU Li，ZHU Pengdong，GU Hongjie，et al.Early warning of electric equipment current-carrying faults based on variablescaleprincipal component analysis［J］.Electric Power Automation Equipment，2012，32（5）：147-151.

[11]程其云，王有元，陳偉根.基于改進(jìn)主成分分析的短期負(fù)荷預(yù)測方法[J]．電網(wǎng)技術(shù)，2005，29（3）：64-67．CHENG Qiyun，WANG Youyuan，CHEN Weigen．Modified principal component analysis based short-term load forecasting[J]．Power System Technology，2005，29（3）：64-67.

[12]張承彪，羅運柏，文習(xí)山.主成分分析在變壓器故障診斷中的應(yīng)用研究[J]．高電壓技術(shù)，2005（8）：9-11．ZHANG Chengbiao，LUO Yunbai，WEN Xishan．Study on fault diagnosis of transformer based on principal component analysis of dissolved gas[J]． High Voltage Engineering，2005（8）：9-11．

[13]余錦華，楊維權(quán).多元統(tǒng)計分析與應(yīng)用[M]．廣州：中山大學(xué)出版社，2005．

[14]聶宏展，聶聳，喬怡，等.基于主成分分析法的輸電網(wǎng)規(guī)劃方案綜合決策[J].電網(wǎng)技術(shù)，2010，34（6）：134-138. NIE Hongzhan，NIE Song，QIAO Yi，et al.Comprehensive decision-making of alternative transmission network planning based on principal component analysis[J].Power System Technology，2010，34（6）：134-138.

[15]Jolliffe I T.Principal Component Analysis[M].2nded.New York：Springer，2002.

[16]黃亮，唐炬，凌超，等.基于多特征信息融合技術(shù)的局部放電模式識別研究[J].高電壓技術(shù)，2015，41（3）：947-955. HUANG Liang，TANG Ju，LING Chao，et al.Pattern Recognition forpartial discharge based on multi-feature fusion technology[J].High Voltage Engineering，2015，41（3）：947-955.

[17]王潤生.信息融合[M].北京：科學(xué)出版社，2007.