馬妍

（國網(wǎng)鄭州供電公司 河南省鄭州市 450006）

1 引言

在當前電力系統(tǒng)廣泛應用的環(huán)境下，配電變壓器設備是電力系統(tǒng)穩(wěn)定運行的核心設備。它具有運行環(huán)境復雜、發(fā)熱量大、類型多的特點，容易出現(xiàn)異常運行。當配電變壓器設備的異常運行狀態(tài)達到一定臨界值時，會導致配電變壓器設備故障，影響電力系統(tǒng)的穩(wěn)定運行。及時分析區(qū)域配變設備的運行狀態(tài)并對配變設備異常狀態(tài)進行預警能夠幫助相關運維人員了解配變設備的運行情況，確認當前配變設備運行的安全性與穩(wěn)定性，及時對異常配變設備進行維護與檢修，保障配變設備運行的穩(wěn)定性與可靠性。

文獻[1]針對目前配變在線狀態(tài)監(jiān)測功能的狀況及配變設備運維的重要性，設計網(wǎng)格化區(qū)域管理方式，結合負荷預警和智能告警，改善目前處理配變設備異常的被動應對狀況，強化設備主人對現(xiàn)場設備的負荷，提升用戶的用電質量，文獻[2]對變電站站控層網(wǎng)絡流量行為特性進行分析，針對變電站典型的網(wǎng)絡攻擊模式和流量異常特征，構建了閾值模型，計算典型網(wǎng)絡異常概率，分析變電站站控層流量數(shù)據(jù)，實現(xiàn)了變電站在網(wǎng)絡攻擊情形下的安全態(tài)勢評價。文獻[3]基于智能視覺物聯(lián)網(wǎng)，對設備發(fā)熱異常進行實時報警，通過無線組網(wǎng)實現(xiàn)遠程監(jiān)控，對異常發(fā)熱區(qū)域和溫度較高區(qū)域打上視覺標簽，實時地檢測和定位設備溫度異常區(qū)域，為變電站設備異常監(jiān)測提供了可靠保證。

但是以上方法的評估與預警指標不明確，且配變運行狀況檢測中的異常數(shù)據(jù)較多，干擾預警結果，由此，提出基于人工智能的配變異常分析預警模式，其創(chuàng)新點在于利用人工智能技術中的徑向基神經(jīng)網(wǎng)絡，對設備老化、長期重過載、三相不平衡與溫度過高這四個因素進行準確的配變設備異常分析預警。

2 基于人工智能的配變異常分析預警模式

2.1 基礎數(shù)據(jù)整理

預警模式是人工智能領域基于徑向基函數(shù)的神經(jīng)網(wǎng)絡，對分布變化的異常情況進行定期評估和量化。本文利用時變神經(jīng)網(wǎng)絡預測異常因素之間的時變相關性，并對異常時間序列進行描述，在此基礎上，建立時間序列模型對異常變化進行判斷，將異常值達到預警水平進行異常預警。配變異常趨勢示意圖如圖1所示。

圖1：配變異常趨勢示意圖

反映配電變壓器運行狀態(tài)的數(shù)據(jù)主要由三部分組成，即：配電變壓器設備本體、配變電網(wǎng)環(huán)境和配電變壓器外部環(huán)境。配電變電設備的主要數(shù)據(jù)包括配電變壓器基本檔案、檢測記錄、試驗記錄和故障排除記錄等；配電變電電網(wǎng)環(huán)境數(shù)據(jù)包括電網(wǎng)負荷和異常運行記錄；配電變壓器外部環(huán)境數(shù)據(jù)包括地理位置、溫濕度等。

數(shù)據(jù)預處理不僅是對歷史數(shù)據(jù)的清理和處理，也是對檢測數(shù)據(jù)的處理。根據(jù)歷史數(shù)據(jù)獲取訓練樣本，進行徑向基函數(shù)神經(jīng)網(wǎng)絡模型的訓練，且利用徑向基函數(shù)神經(jīng)網(wǎng)絡模型進行連續(xù)監(jiān)測和預警，其中，數(shù)據(jù)預處理過程如圖2所示。

圖2：數(shù)據(jù)預處理過程

由于以上數(shù)據(jù)來源不同，數(shù)據(jù)的規(guī)格、質量和范圍也有明顯不同。為了保證基礎數(shù)據(jù)能夠有效地支持后續(xù)的影響分析，有必要對數(shù)據(jù)進行清理。清洗數(shù)據(jù)主要是不完整數(shù)據(jù)和重復數(shù)據(jù)。數(shù)據(jù)清理后，需要對數(shù)據(jù)進行分析，定義標準和腳本等，對多源數(shù)據(jù)進行處理，糾正異常數(shù)據(jù)。

特別是離群值的監(jiān)測和處理在數(shù)據(jù)清理過程中更為重要。如果離群點處理效果不佳，將直接影響后續(xù)建模和分析效果。常用的異常值監(jiān)測與處理方法有殘差分析法、缺失值判斷法和頻率分析法。由于RBF 神經(jīng)網(wǎng)絡建模與分析過程對數(shù)據(jù)的準確性、周期性和干擾性比較敏感，因此通常采用殘差法對異常值進行監(jiān)測和處理，而對于影響擬合模型的異常數(shù)據(jù)，通常采用殘差法對原始數(shù)據(jù)進行清理，確定并消除異常數(shù)據(jù)。

2.2 建模要素評估

根據(jù)配電變壓器設備異常發(fā)生的時間、地點、設備制造廠及型號、設備狀態(tài)數(shù)量及運行年限、設備負荷率、設備三相匹配度、設備溫濕度等因素，構造配電設備異常時頻項集和時間關聯(lián)實例，如表1所示。根據(jù)表1 分析配變設備異常事件相關因素為徑向基神經(jīng)網(wǎng)絡預警提供依據(jù)。

由表1 可知，根據(jù)分析結果修改配電變壓器設備的老化和低健康標準可以增強相關特性的顯著性。分析結果表明，設備老化、長期嚴重過載、三相不平衡和高溫四個因素與配電變壓器異常時間具有高度的相關性和同步性。因此，這四個因素可以用來評估和預警配電變壓器的異常風險。

表1：異常時間相關因素分析表

2.3 基于徑向基神經(jīng)網(wǎng)絡的預警方法

2.3.1 徑向基神經(jīng)網(wǎng)絡

徑向基神經(jīng)網(wǎng)絡的主要優(yōu)點是收斂速度快，能夠以任意精度逼近任意連續(xù)函數(shù)。徑向基神經(jīng)網(wǎng)絡由輸入層、隱層和輸出層組成。輸入層X=[X1,X2,…,Xn]和隱含層內分別包含n 個輸入和m 個節(jié)點，以分別表示隱含中心和不同中心寬度，其中輸出可用Y 表示。

以H 和Mi分別表示徑向基函數(shù)與第i 個因單元與輸出間的權重，其中，徑向基函數(shù)通常為高斯函數(shù)，由此可用式（1）描述實際輸出Y 與輸入X 間的相關性：

實際應用過程中，經(jīng)由學習歷史數(shù)據(jù)，確定徑向基神經(jīng)網(wǎng)絡參數(shù)取值，利用徑向基神經(jīng)網(wǎng)絡確定實際數(shù)據(jù)的報警狀態(tài)，實現(xiàn)配變異常分析預警的目的。

2.3.2 基于收網(wǎng)算法的徑向基神經(jīng)網(wǎng)絡參數(shù)確定

收網(wǎng)算法由邊界開始搜索空間，針對X 維搜索空間，在初始化條件下，由各變量上限值與下限值公共組成2x的頂點以及2x 個超平面內任意個節(jié)點共同組成收網(wǎng)算法的整張網(wǎng)，各超平面上的節(jié)點符合任意維度變量處于上限或下限的標準。假設各超平面任意選取y 個節(jié)點，則整張網(wǎng)內節(jié)點數(shù)量可用2x+2xy 表示。

由于徑向基神經(jīng)網(wǎng)絡內包含n 維輸入與m 個隱含層，因此需要確定的參數(shù)如表2所示。

表2：需確定的徑向基神經(jīng)網(wǎng)絡參數(shù)

在x 取值較大的條件下，僅利用超平面上2xy 個節(jié)點實施初始化。

徑向基神經(jīng)網(wǎng)絡與實際情況的相符度可通過徑向基神經(jīng)網(wǎng)絡計算后輸出結果Y 同實際值R 之間一致度表示，兩者之間為正比例相關?；诖嗽趯W習庫內包含K 條配變設備數(shù)據(jù)的條件下，以式（2）作為徑向基神經(jīng)網(wǎng)絡判斷的標準。

式（2）內，Y(k)和B(k)分別表示第k 個實際呼出值和第k 個實際值。

通過收網(wǎng)算法優(yōu)化徑向基神經(jīng)網(wǎng)絡令f 值最小，即可獲取所需辨識的各項參數(shù)。具體辨識流程如表3所示。

表3：參數(shù)辨識流程

2.3.3 異常預警

提取配變設備n 組歷史數(shù)據(jù)特征，構建審計網(wǎng)絡學習數(shù)據(jù)集，公式描述如下：

式（3）內，Ci和θi分別表示配變設備老化和長期重過載的中間數(shù)據(jù)；δi和Ai分別表示配變設備三相不平衡與溫度過高的狀態(tài)數(shù)據(jù)；Si表示是否存在異常狀態(tài)的狀態(tài)數(shù)據(jù)，1 和0 分別表示存在異常和不存在異常。

在Sn×6內任意選取k 條數(shù)據(jù)，利用上述參數(shù)確定方法確定徑向基神經(jīng)網(wǎng)絡參數(shù)，同時，利用確定參數(shù)后的徑向基神經(jīng)網(wǎng)絡確定剩下n-k 條數(shù)據(jù)的正確性，在預測結果正確率達到預期效果的條件下，即可將這組參數(shù)確定為是徑向基神經(jīng)網(wǎng)絡的最終參數(shù)。

將已經(jīng)確認參數(shù)的徑向基神經(jīng)網(wǎng)絡應用于配變異常分析預警中，將設備老化、長期重過載、三相不平衡與溫度過高這四個因素作為徑向基神經(jīng)網(wǎng)絡的輸入，計算異常狀態(tài)值，在異常狀態(tài)值計算結果高于預警值的條件下進行預警。

3 實驗分析

為驗證本文所提基于人工智能的配變異常分析預警模式的實際應用效果，以某市配變站內的各種配變設備為實驗對象，采用本文方法對研究對象進行預警，具體預警結果如下。

3.1 徑向基神經(jīng)網(wǎng)絡學習數(shù)據(jù)庫構建

本文對研究對象各項參數(shù)的500 組數(shù)據(jù)進行分析，同時標注其異常狀態(tài)S，最終形成的訓練數(shù)據(jù)集S500×6，如表4所示。

表4：訓練數(shù)據(jù)集內部分數(shù)據(jù)

以防止本文方法中徑向基神經(jīng)網(wǎng)絡輸入量高于隱含層與輸出層限制為目的，對表4 內全部學習數(shù)據(jù)實施歸一化處理，即對S500×6內不同列數(shù)據(jù)除以對應列的最大值，令全部學習數(shù)據(jù)取值范圍控制在[0，1]之間，由此生成規(guī)范的學習數(shù)據(jù)集。

3.2 收斂效率測試

設定本文方法內徑向基神經(jīng)網(wǎng)絡參數(shù)確定過程中收網(wǎng)算法的最大迭代次數(shù)為200 次，圖3所示為徑向基神經(jīng)網(wǎng)絡參數(shù)確定過程中收網(wǎng)算法的收斂曲線。

圖3：收網(wǎng)算法收斂曲線

分析圖3 得到，本文方法內徑向基神經(jīng)網(wǎng)絡參數(shù)確定過程中，f 值與收網(wǎng)算法迭代次數(shù)之間呈反比例相關，也就是隨著收網(wǎng)算法迭代次數(shù)的提升，f 值逐漸下降。在迭代次數(shù)低于30 次時，f 值下降速度較快，由0.3 下降至0.2 左右；隨著迭代次數(shù)的提升，f 值下降速度逐漸下降，在迭代次數(shù)達到40 次時，f 值降至0.16，并穩(wěn)定在0.16。由此說明本文方法內收網(wǎng)算法迭代次40 次后即可確定徑向基神經(jīng)網(wǎng)絡參數(shù)，同時也側面驗證了本文方法的效率優(yōu)勢。

3.3 預警應用效果

為驗證本文方法的預警效果，在研究對象中任意選取六項配變設備，對所選設備構建相關學習數(shù)據(jù)集，采用本文方法與所選配變設備的異常情況進行分析預警，對比所選六項配變設備在利用本文方法進行預警后的同期年故障率對比情況（即采用本文方法進行異常分析預警前配變設備年故障次數(shù)與采用本文方法進行異常分析預警后配變設備年故障次數(shù)的比值×100%），結果如圖4所示。

圖4：配變設備故障率變化情況

分析圖4 得到，所選六項配變設備在利用本文方法進行預警前的年故障率波動范圍為13.1%-18.3%，故障率均值約為15.6%；采用本文方法進行預警后的年故障率波動范圍為8.6%-15%，故障率均值約為11.9%，相較于采用本文方法之前降低3.7%。實驗數(shù)據(jù)說明采用本文方法對配變設備進行異常預警分析能夠大幅降低配變設備故障發(fā)生率，利于配變設備穩(wěn)定運行。

3.4 對比分析

為驗證本文方法在實際應用過程中預警效果的優(yōu)勢，選取文獻[2]和文獻[3]方法為對比方法，從預警精度與預警方法性能兩方面對比本文方法與兩種對比方法，結果如下。

3.4.1 預警精度對比

圖5所示為相同實驗環(huán)境下，本文方法與兩種對比方法對3.2實驗內所選六項配變設備的年預警精度均值。

圖5：風險預測精度對比

分析圖5 得到，本文方法的精度精度均值達到96%以上，相較于本文方法，基于配電變壓器制造成本模型的預警方法和基于數(shù)據(jù)挖掘的配電網(wǎng)故障風險預警方法，對3.2 實驗內所選六項配變設備的年預警精度均表現(xiàn)出顯著的下降趨勢，其中基于配電變壓器制造成本模型的預警方法預警精度最低，相較于本文方法下降近10%，由此說明本文方法的預警精度顯著高于對比方法。

3.4.2 預警方法性能對比

圖6所示為本文方法與兩種對比方法的預警性能對比結果。

圖6：預警方法性能對比結果

分析圖6 得到，本文方法在收斂速度、方法結構與抗干擾性方面與對比方法相比具有顯著優(yōu)勢，在應用范圍與發(fā)展?jié)摿Ψ矫媾c對比方法相比也具有微弱優(yōu)勢，由此說明本文方法具有較大推廣價值。

4 結論

本文研究基于人工智能的配變異常分析預警模式，利用人工智能領域中的徑向基神經(jīng)網(wǎng)絡進行配變異常分析預警，實驗結果顯示本文方法能夠顯著提升配變設備異常分析預警精度，具有較大推廣價值。