王能勝，吳玉玲，江 濤，王黃磊

(國網(wǎng)安徽省電力有限公司 廬江縣供電公司,合肥 231500)

0 引言

在電力技術日益發(fā)展的情形下，變電設備作為電力傳輸系統(tǒng)的關鍵部件，其服役質(zhì)量直接決定了電力系統(tǒng)的可靠性。為了確保電力系統(tǒng)的正常運行，變電設備的服役過程狀態(tài)數(shù)據(jù)呈爆炸性增長態(tài)勢，大數(shù)據(jù)技術在電力系統(tǒng)的實時監(jiān)測應用更加廣泛[1]。由于電網(wǎng)之間的拓撲關系錯綜復雜，對電網(wǎng)中變電設備狀態(tài)評估和智能檢測就需要專門的檢測方法。

現(xiàn)有技術中通常使用檢查設備或者電力設備的方式，也有采用常規(guī)統(tǒng)計學分析的方式，但是這種技術通常只能通過本地分析，遠程分析就變得十分困難。文獻[2]應用了一種在線監(jiān)測的方式，這種方式仍舊依賴于現(xiàn)有技術中的設備監(jiān)測，一旦監(jiān)測設備出現(xiàn)故障，電力檢測就會中斷[2]。文獻[3]應用了大數(shù)據(jù)分析的方法，但僅僅是該大數(shù)據(jù)的膚淺應用，無法實現(xiàn)大數(shù)據(jù)的深刻分析[3]。在本研究中的電網(wǎng)內(nèi)運行中電力設備實時監(jiān)控和數(shù)據(jù)分析能力仍舊遠遠不足。

1 總體架構設計

針對上述設計的不足，本研究采用大數(shù)據(jù)技術對變電設備狀態(tài)監(jiān)測過程中產(chǎn)生的大量數(shù)據(jù)進行數(shù)據(jù)挖掘，以提高變電設備的監(jiān)測能力[4-5]。

在本研究設計中，將大數(shù)據(jù)技術應用于狀態(tài)評估的基本思路是對狀態(tài)監(jiān)測數(shù)據(jù)進行綜合分析，并利用相關算法進行深度挖掘[4]。以變電設備的實時服役狀態(tài)過程監(jiān)測數(shù)據(jù)為參考依據(jù)，對其進行統(tǒng)計學規(guī)律分析，進而發(fā)現(xiàn)高價值的服役過程關鍵信息，以實現(xiàn)對變電設備的異常狀態(tài)快速檢測和評估，全面、高效、精確地掌握關鍵性能的健康狀態(tài)，為變電設備的狀態(tài)檢修和日常維護工作提供理論依據(jù)，進而確保變電設備的安全可靠運行[6]。如圖1所示。

圖1 基于大數(shù)據(jù)技術的狀態(tài)評估架構

圖1為狀態(tài)評估的整體架構示意圖，圖中，其關鍵技術如下:

1)變電設備運行關鍵參數(shù)體系建立。該系統(tǒng)包括多種模塊，如圖1所示。本研究為了提高變電設備運行狀態(tài)中數(shù)據(jù)評估的綜合性以及擴展性，本研究的變電設備狀態(tài)監(jiān)測系統(tǒng)融合了融合關聯(lián)與矩陣算法，對變電設備狀態(tài)數(shù)據(jù)信息進行不同形式的計算，進而從不同的角度挖掘變電設備的數(shù)據(jù)信息，實現(xiàn)變電設備的運行狀態(tài)的監(jiān)測，將變電站運行、維護過程中宏觀現(xiàn)象通過數(shù)據(jù)微觀分析反映出來。

2)監(jiān)測過程大數(shù)據(jù)的診斷分析。構建不同類型的大數(shù)據(jù)模型，建立多維數(shù)據(jù)狀態(tài)量，分析其異常變化的發(fā)展趨勢，并將其用于降噪的理論依據(jù)。以變電設備實時過程狀態(tài)數(shù)據(jù)的多元時間序列為主要參考，將具有強相關性的多元時間序列進行數(shù)據(jù)分析及診斷，以辨別異常數(shù)據(jù)特點和相對應的異常模式，并將可清洗的數(shù)據(jù)通過雙迭代方法進行處理。

3)基于大數(shù)據(jù)量挖掘的故障分析?；跈z測過程大數(shù)據(jù)獲取變電設備關鍵信息，根據(jù)監(jiān)測數(shù)據(jù)流中的異常評估，可以為變電設備提供預警[7]，實現(xiàn)服役狀態(tài)評估和決策控制信息支持。

4)基于大數(shù)據(jù)技術的變電設備關鍵性能評估。通過構建的數(shù)據(jù)模型對數(shù)據(jù)信息進行挖掘，進而實現(xiàn)數(shù)據(jù)的微觀分析。

2 狀態(tài)評估方法

2.1 多元時間序列模式挖掘方法

本研究在進行在線監(jiān)測時，傳遞的數(shù)據(jù)信息不管從空間還是時間維度上，都具有明顯、易識別的宏觀特征，在進行分析時，需要對宏觀的數(shù)據(jù)信息進行狀態(tài)這種分析，通過數(shù)據(jù)特征提取實現(xiàn)宏觀數(shù)據(jù)的微觀分析[8-9]。

本研究的APRIORI算法模型如圖2所示[10-11]。

圖2 APRIORI算法模型結(jié)構示意圖

在應用關聯(lián)規(guī)則進行數(shù)據(jù)挖掘時，需要學習不同電力大數(shù)據(jù)之間的數(shù)據(jù)管理性，這就要用貝葉斯概率計算，結(jié)合圖2進行說明，假設待劃分屬性的變電設備運行期間的故障測試大數(shù)據(jù)集為d，假設將變電設備故障測試大數(shù)據(jù)類型的屬性類別劃分為集合C，其中C={c1,c2,…,cm}，其中第i分類屬性滿足這樣的條件:l≤i≤m，對于待分類的變電設備測量數(shù)據(jù)類型集合d，其故障數(shù)據(jù)輸出的最大類別為P(ci/d)，則有：

(1)

其中:C、D為隨機變量，則變電設備測量數(shù)據(jù)類型d的貝葉斯分類公式為：

(2)

通過上述模型的構建，再通過分析過程對本研究的方法進行說明，其中關聯(lián)規(guī)則的主要方法為：

1)假設將各種不同的電力大數(shù)據(jù)屬性應用符號化時間序列A和B形成A1，B1，符號化時間序列A和B的差分序列形成A2，B2；然后對運行工作狀態(tài)中的變電設備列表進行掃描，通過這種方式能夠得出電力設備數(shù)據(jù)信息的不同排布，輸出不同狀態(tài)下的電力設備數(shù)據(jù)信息。

2)將變電設備運行過程中產(chǎn)生的不同大數(shù)據(jù)屬性A1，B1，A2，B2分為N個滑動窗口，記為SWl～N，其中在每個滑動窗口中包含了同時段符號化后之序列；根據(jù)變電站數(shù)據(jù)的各屬性值(諸如影響電網(wǎng)運行的諧波、磁場、紋波、網(wǎng)絡流量、設備設置環(huán)境、設備運行速度等)。該技術在應用過程中，需要應用到層次分析法的計算方法，能夠計算出不同數(shù)據(jù)的加權值。結(jié)合計算出的電力數(shù)據(jù)加權值，再計算出變電設備狀態(tài)數(shù)據(jù)警告集t的權重值，該值通過以下公式可以算出:

(3)

3)然后根據(jù)滑動窗口中的4個序列，計算出變電設備不同數(shù)據(jù)之間的支持度；結(jié)合步驟2)中計算出的電力數(shù)據(jù)加權值具有的權重，再計算各變電設備運行數(shù)據(jù)警告的加權支持度，加權支持度用以下公式表示:

(4)

4)在該步驟計算過程中，假設變電設備運行數(shù)據(jù)中的異常數(shù)據(jù)為警告頻繁k項集，則根據(jù)變電設備加權項目集的先驗性質(zhì)。對故障數(shù)據(jù)集進行計算時，還通過優(yōu)化拼接、減枝等技術方法產(chǎn)生數(shù)據(jù)警告，在計算過程中無法繼續(xù)產(chǎn)生告警頻繁項目集的位置時[12-13]，進而輸出影響電力設備安全可靠運行的各種數(shù)據(jù)信息。

通過上述方法，能夠使用戶從海量的電力大數(shù)據(jù)信息中獲取變電站設備運行情況，進而獲取變電站設備故障情況，以使維修管理人員及時進行處理。除了APRIORI關聯(lián)算法規(guī)則外，本研究還應用了一種新型的算法[14-15]，能夠計算出影響變電設備運行的因素，對變電設備狀態(tài)評估進行深層的分析與挖掘，下文將詳細描述。

2.2 高維隨機矩陣評估方法

高維隨機矩陣理論在信號處理應用中關注廣泛，其基本思路是利用隨機矩陣特征參數(shù)的統(tǒng)計分布特性分析方法來挖掘數(shù)據(jù)中的隱含信息[16-17]。高維隨機矩陣理論分析隨機矩陣在維數(shù)趨于無窮的情況下，其特征值、奇異值以及其他相關參數(shù)的統(tǒng)計分布特性。高維隨機矩陣X的表示方法如下：

(5)

在式(5)中，用字母X表示各種運動狀態(tài)下變電設輸出的數(shù)據(jù)集合，用列向量x1,x2,…,xn表示n種不同影響變電設備互相獨立、且安全可靠運行數(shù)據(jù)向量，其中X∈CN×n，N→∞，n→∞，N/n=c。電力系統(tǒng)大數(shù)據(jù)的獲取如圖4所示。高維隨機矩陣理論在電力大數(shù)據(jù)中的廣泛應用和密切聯(lián)系。

在建立的數(shù)學模型中，變電設備中存在大量多維數(shù)據(jù)。從數(shù)學角度上，這些數(shù)據(jù)能夠被建模時間序列分別為X1,X2,…,Xn的高維矩陣，矩陣的規(guī)模為N×T。當在大數(shù)據(jù)系統(tǒng)中獲得了N和T時，可以實現(xiàn)對高維隨機矩陣的數(shù)據(jù)處理。下面詳細進行說明。

在影響變電設備正常運行的數(shù)據(jù)類型中，假設存在M種，用具體的宏觀數(shù)據(jù)表示為安裝環(huán)境、電網(wǎng)諧波、雜波、磁場、紋波、設備運行溫度、濕度等。將這些數(shù)據(jù)記做為數(shù)據(jù)集合{P1，P2，P3,…,PM}，假設變電設備在理想狀態(tài)下輸出的參數(shù)為N，輸出參數(shù)比如為電流、電壓、紋波、諧波[18-19]、功率等，這些數(shù)據(jù)記作為數(shù)據(jù)集合{Q1，Q2，Q3,…,QN}，則在高維隨機矩陣算法時，衡量變電設備運行過程中受某些因素影響時，則利用以下相關性矩陣公式：

(6)

在公式(6)中，則有:

(6)

(7)

通過構建上述矩陣，則可以將影響變電設備正常運行的數(shù)據(jù)數(shù)據(jù)集{P1，P2，P3，…，PM}和正常運行的數(shù)據(jù)集合{Q1，Q2，Q3，…，QN}聯(lián)系起來，通過矩陣計算，則可計算出具體的影響量。

3 智能檢修方法

3.1 變電設備服役過程故障診斷與分析

變電設備發(fā)生故障使變電設備無法正常處于工作狀態(tài)，基于前文所提出的電力大數(shù)據(jù)數(shù)學模型，實現(xiàn)變電設備間的系統(tǒng)互聯(lián)。其中變電設備故障項目如表1所示。

表1 故障關系架構示意圖

3.2 大數(shù)據(jù)驅(qū)動的智能檢修技術研究

基于電力大數(shù)據(jù)的變電設備狀態(tài)評估模型，可以有效獲取變電設備的關鍵參數(shù)集，綜合變電設備狀態(tài)檢測數(shù)據(jù)的橫、縱向分析兩種主要方法。采用橫向分析方法，從電力大數(shù)據(jù)模型中獲取相同類型的變電設備參數(shù)數(shù)據(jù)，并進行對比分析，得到對同一類型的變電設備故障進行評估[21]。而縱向分析方法是指針對特定的變電設備，分析其當前服役的具體關鍵參數(shù)，并與歷史參數(shù)數(shù)據(jù)相比較，根據(jù)長期服役的大數(shù)據(jù)模型，進行故障類型和具體情況的分析及預測。最后，基于故障過程數(shù)據(jù)的記錄，將實地檢修的流程作為對大數(shù)據(jù)模型的反饋輸入。根據(jù)變電設備長期服役的故障處理數(shù)據(jù)，對大數(shù)據(jù)故障診斷、預測模型進行不斷修正，逐步提高變電設備大數(shù)據(jù)模型的預測精度和可靠性。

通過上述論述，基于服役狀態(tài)過程數(shù)據(jù)找到變電設備的故障發(fā)生位置和導致故障發(fā)生的原因，進而采取針對性措施。在對變電設備的故障檢修完成后，基于大數(shù)據(jù)故障評估模型，對該設備可能出現(xiàn)的其他無故障部件進行檢修和維護，主要包括設備本體、監(jiān)測裝置、元器件等，確保故障設備檢修后的整機服役可靠性。此外，故障設備檢修完成后，獲取大數(shù)據(jù)分析模型的評估結(jié)果，基于不同的分析結(jié)果和服役性能要求確定下一步的檢修策略。通過故障信息收集和整理，檢修人員能夠獲得大數(shù)據(jù)的檢修技術支持，以便于變電設備檢修人員提高檢修效率，進而提升變電設備的檢修質(zhì)量。通過對變電設備的過程數(shù)據(jù)監(jiān)測，可以為功能系統(tǒng)和保護系統(tǒng)的智能控制提供理論依據(jù)。

4 試驗分析與驗證

4.1 硬件環(huán)境

4.2 試驗目的和方法

本試驗通過將常規(guī)設備檢測的方法(下文簡稱方案1)、人工檢測方法(下文簡稱方案2)和本文研究方法進行對比，以驗證本研究的效率和正確性。

4.3 狀態(tài)評估驗證

位然后利用上述介紹的方法進行深度學習，選擇3種不同類型算法進行對比學習效果，其中樣本數(shù)據(jù)信息如表2所示。

表2 樣本數(shù)據(jù)記錄表

在12種不同數(shù)據(jù)類型中，選擇100個數(shù)據(jù)樣本集，對比不同算法的評估效率。假設測試時長為1小時，則輸出的曲線如圖3所示。

圖3 整體系統(tǒng)對比曲線圖

在圖3中，白色實線表示本研究技術方案，緊挨著白色實線的虛線為設備檢測方法，最下面的曲線為人工方法。通過圖像可以看出，本研究的方法在相同的時間內(nèi)，樣本完成率最高。

在圖4中，白色實線表示本研究技術方案，緊挨著白色實線的虛線為設備檢測方法，最下面的曲線為人工方法。通過圖像可以看出，本研究的方法在相同的時間內(nèi)，數(shù)據(jù)識別準確率最高。

圖4 APRIORI關聯(lián)算法對比示意圖

在圖5中，白色實線表示本研究技術方案，緊挨著白色實線的虛線為設備檢測方法，最下面的曲線為人工方法[23]。通過圖像可以看出，本研究的方法在相同的時間內(nèi)，數(shù)據(jù)識別準確率最高。

圖5 高維隨機矩陣算法試驗對比示意圖

綜上所述，本研究的方法在數(shù)據(jù)處理效果準確度上都優(yōu)于方案一和方案二。

5 結(jié)束語

針對現(xiàn)有技術方法不能進行全面運行狀態(tài)評估及檢修問題，本文提出了基于大數(shù)據(jù)技術的變電設備狀態(tài)評估及智能檢修方法。完成主要內(nèi)容如下：

1)構建出變電設備數(shù)據(jù)采集、分析、評估和遠程監(jiān)控等一體化系統(tǒng)，使得用戶通過數(shù)據(jù)信息情況即可獲取變電設備的宏觀數(shù)據(jù)信息分析。

2)基于多元時間序列構建了變電設備的關鍵技術參數(shù)體系，對變電設備的服役過程數(shù)據(jù)進行關聯(lián)模式挖掘，分別從時間維度和空間維度進行特征描述，進而獲得變電設備全景狀態(tài)信息分布。

3)將高維矩陣理論用于狀態(tài)大數(shù)據(jù)分析，從概率論和統(tǒng)計學的角度來展示分析數(shù)據(jù)內(nèi)部特性，實現(xiàn)變電設備關鍵性能的實時狀態(tài)評價。

本研究雖然在一定程度上解決了變電設備存在的問題，但還會存在一些其他方面的技術不足，有待進一步探索。