楊連營，劉輝，吳文兵，王叫，杜榮林，王稼祥

（國網(wǎng)安徽省電力有限公司銅陵供電公司，安徽銅陵 230061）

作為一種較為復(fù)雜的能量傳輸網(wǎng)絡(luò)系統(tǒng)，電網(wǎng)集輸電、變電、配電一體化[1-2]，滿足各類不同電能終端用戶的基本用電需求。隨著終端用戶電能消耗總量的不斷增長，電網(wǎng)的復(fù)雜程度和總負(fù)荷均在持續(xù)增加[3]，同時(shí)電網(wǎng)發(fā)生故障的風(fēng)險(xiǎn)也在增加[4]。為適應(yīng)電力系統(tǒng)現(xiàn)代化運(yùn)營的總體發(fā)展要求，電網(wǎng)也逐步開始朝著智能化的方向發(fā)展，智能電網(wǎng)大都配備故障智能監(jiān)控系統(tǒng)[5]，具有一定的自適應(yīng)在線故障預(yù)警能力。當(dāng)智能電網(wǎng)發(fā)生較為復(fù)雜的故障時(shí)，大量故障信息、故障代碼會(huì)在同一時(shí)間涌入電網(wǎng)控制中心，導(dǎo)致短時(shí)間內(nèi)的信息擁塞[6]，但這些故障預(yù)警信息主要由干擾信息和噪聲信息組成，能夠用于故障定位和故障識(shí)別的有用信息較少[7]。為更準(zhǔn)確地去除干擾信息，識(shí)別和定位故障點(diǎn)，文中提出一種基于電力數(shù)據(jù)分析的智能電網(wǎng)監(jiān)控信號(hào)預(yù)警系統(tǒng)設(shè)計(jì)，通過對(duì)采集到的原始電網(wǎng)故障信號(hào)的降噪、預(yù)處理和類別分析，識(shí)別和提取出原始故障信號(hào)中的細(xì)節(jié)特征，達(dá)到智能電網(wǎng)故障預(yù)警的最終目的。

1 系統(tǒng)總體框架設(shè)計(jì)

基于數(shù)據(jù)分析的故障信號(hào)預(yù)警系統(tǒng)通過前置網(wǎng)線接入電力調(diào)度網(wǎng)絡(luò)，并與各個(gè)變電站的RTU 模塊進(jìn)行電力數(shù)據(jù)通信[8-9]。當(dāng)系統(tǒng)發(fā)生故障時(shí)，故障信息、干擾信息及其他信息通過數(shù)據(jù)端口同時(shí)接入電力調(diào)度網(wǎng)絡(luò)，由預(yù)警系統(tǒng)對(duì)輸入的全部數(shù)據(jù)進(jìn)行分析和篩選，確定電網(wǎng)的該區(qū)域是否存在故障。

智能電網(wǎng)管理與監(jiān)控系統(tǒng)以變電站為節(jié)點(diǎn)被劃分為各個(gè)區(qū)塊，每個(gè)變電站實(shí)時(shí)采集電網(wǎng)運(yùn)行的數(shù)據(jù)，并通過無線傳感網(wǎng)絡(luò)、光纖網(wǎng)絡(luò)將區(qū)域范圍內(nèi)的電網(wǎng)運(yùn)行信息傳遞到后臺(tái)管理中心。系統(tǒng)啟動(dòng)Hadoop 大數(shù)據(jù)分析與檢測功能，處理傳感器采集到的故障信號(hào)，以判斷該區(qū)域是否存在故障風(fēng)險(xiǎn)[10]。智能檢測系統(tǒng)配備的數(shù)據(jù)服務(wù)器具有基礎(chǔ)數(shù)據(jù)庫功能，電力故障數(shù)據(jù)的存儲(chǔ)、備份、調(diào)取等操作都不會(huì)影響到系統(tǒng)的軟件功能[11]。Hadoop 大數(shù)據(jù)分析與管理模塊采用通過型架構(gòu)設(shè)計(jì)和通信協(xié)議設(shè)計(jì)，具有強(qiáng)大的兼容性、開放性和性能可靠性，在保證系統(tǒng)具有較強(qiáng)的數(shù)據(jù)分析處理能力之外，還確保系統(tǒng)具有良好的容錯(cuò)能力和自適應(yīng)能力。

2 系統(tǒng)模塊設(shè)計(jì)

監(jiān)控系統(tǒng)的硬件部分包括監(jiān)控模塊、人機(jī)交互模塊、故障診斷模塊和顯示模塊，各模塊之間的功能結(jié)構(gòu)[12]如下：

1）分布于變電站及電網(wǎng)系統(tǒng)中的無線傳感器采集到的電網(wǎng)基礎(chǔ)數(shù)據(jù)都傳輸?shù)较到y(tǒng)的數(shù)據(jù)監(jiān)控模塊，監(jiān)控模塊先對(duì)原始時(shí)間做去冗余的預(yù)處理和初步分類，發(fā)現(xiàn)有明顯異常的異構(gòu)數(shù)據(jù)需及時(shí)剔除。

2）經(jīng)過數(shù)據(jù)監(jiān)控模塊處理后的電網(wǎng)數(shù)據(jù)通過數(shù)據(jù)接口進(jìn)入故障診斷模塊，該模塊是系統(tǒng)的核心部分，具有數(shù)據(jù)的多線程管理和電網(wǎng)結(jié)構(gòu)拓?fù)浞治龉δ躘13]。數(shù)據(jù)接口采用主流的16 通道結(jié)構(gòu)設(shè)計(jì)，從電網(wǎng)系統(tǒng)和監(jiān)控模塊中直接導(dǎo)入CIM 模型，得到用于故障分析和處理的全部原始靜態(tài)數(shù)據(jù)和電網(wǎng)實(shí)時(shí)運(yùn)轉(zhuǎn)信息。由于大型電網(wǎng)的結(jié)構(gòu)極為復(fù)雜，監(jiān)控模塊采集的數(shù)據(jù)總量巨大，需要借助大數(shù)據(jù)工具的分析和處理才能完成。Hadoop 數(shù)據(jù)分析系統(tǒng)是基于Apahce 開發(fā)的開源框架，采用分布式的HDFS 系統(tǒng)和MapReduce 模塊。HDFS 存儲(chǔ)方式對(duì)于單個(gè)Datenote 的計(jì)算機(jī)硬件規(guī)格要求不高，也從一定程度上降低了智能電網(wǎng)系統(tǒng)硬件一次性投入成本。MapReduce 模塊是Hadoop 數(shù)據(jù)分析系統(tǒng)的核心部分，MapReduce 模塊采用節(jié)點(diǎn)任務(wù)分配機(jī)制，模塊的工作執(zhí)行機(jī)制，如圖1 所示。

圖1 故障診斷模塊Hadoop框架數(shù)據(jù)分析的工作機(jī)制

在Hadoop 數(shù)據(jù)分析框架下，基礎(chǔ)架構(gòu)支持、電力故障數(shù)據(jù)采集、數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)計(jì)算與結(jié)果顯示都會(huì)用到不同的工具類型，每種工具類型的分配會(huì)影響到系統(tǒng)對(duì)于故障信號(hào)的檢測和預(yù)警精度[14]。

3）人機(jī)交互模塊的主要功能貫穿于監(jiān)控信號(hào)處理的全過程，當(dāng)系統(tǒng)出現(xiàn)警報(bào)時(shí)人機(jī)交互模塊發(fā)出警報(bào)提醒后臺(tái)的管理人員。報(bào)警同時(shí)故障區(qū)域電網(wǎng)內(nèi)部的終端傳感器會(huì)將大量的故障信息送至后臺(tái)中心，在短時(shí)間內(nèi)導(dǎo)致數(shù)據(jù)通道的擁塞。利用人機(jī)交互模塊，后臺(tái)管理員根據(jù)數(shù)據(jù)的總量排序，利用MapReduce 模塊的數(shù)據(jù)并行處理功能，去除干擾數(shù)據(jù)、噪聲數(shù)據(jù)，判斷出發(fā)生異常的電網(wǎng)準(zhǔn)確位置。

4）結(jié)果顯示模塊的功能主要用于顯示最終的故障定位與識(shí)別效果。電網(wǎng)故障數(shù)據(jù)集被分類檢測和特征提取之后，可以定位出故障發(fā)生的網(wǎng)絡(luò)區(qū)域，但系統(tǒng)還會(huì)存在誤操作和誤啟動(dòng)的風(fēng)險(xiǎn)[15]。為了避免在無障礙的條件下由于系統(tǒng)重啟帶來的Hadoop 拓?fù)浣Y(jié)構(gòu)的更新和變化，基于人機(jī)交互模塊事先設(shè)置故障的識(shí)別與診斷功能，通過各種參數(shù)值的設(shè)定鎖定Hadoop 系統(tǒng)的拓?fù)浣Y(jié)構(gòu)，并設(shè)置系統(tǒng)的故障識(shí)別與診斷功能，避免出現(xiàn)重復(fù)預(yù)警、誤預(yù)警的情況發(fā)生[16]。故障預(yù)警與識(shí)別系統(tǒng)具有手動(dòng)模式和全自動(dòng)模式供管理員選擇，可以根據(jù)實(shí)際需要選擇適合的方式。

3 算法選擇與優(yōu)化

在大數(shù)據(jù)的總體框架下要針對(duì)海量源數(shù)據(jù)的特征，對(duì)故障數(shù)據(jù)做深度挖掘，從故障數(shù)據(jù)集中提取有價(jià)值的故障信息。Hadoop 系統(tǒng)環(huán)境下卷積神經(jīng)網(wǎng)絡(luò)模型的層次關(guān)系主要包括卷積層和池化層，在分類處理故障數(shù)據(jù)的過程中卷積層和池化層發(fā)揮著不同的功能。其中模型卷積層主要用于提取故障特征，池化層主要負(fù)責(zé)對(duì)特征的抽象和細(xì)化處理。卷積層和池化層配合工作，從整體上縮短了數(shù)據(jù)處理的時(shí)間，也提高了Hadoop 系統(tǒng)模型的數(shù)據(jù)擬合程度，輸出故障數(shù)據(jù)的映射過程描述為：

其中，y(t)表示經(jīng)過分類處理后的輸出項(xiàng)，?表示深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)模型的核函數(shù)，x表示經(jīng)過去噪和預(yù)處理的輸入數(shù)據(jù)。卷積神經(jīng)網(wǎng)絡(luò)模型本質(zhì)上也是一種包含多層次的神經(jīng)網(wǎng)絡(luò)，具體包括輸入層、輸出層和中間隱含層。對(duì)于一個(gè)包含4 個(gè)卷積核函數(shù)的卷積模型，4 個(gè)層次的卷積結(jié)果分別為(1,0,0,0)、(0,1,0,0)、(0,0,1,0)、(0,0,0,1)，深度神經(jīng)網(wǎng)絡(luò)卷積模型的4 個(gè)卷積層次，所對(duì)應(yīng)的首層次卷積結(jié)果為(1,0,0)、(0,1,0)、(0,0,1)、(0,0,0)，同理可以按照要求計(jì)算出其他層次的卷積結(jié)果，不同的卷積代表不同類型的故障類別，基于此能夠區(qū)分出不同類別的故障。假定智能電網(wǎng)中的故障類別包括開路故障、短路故障、接地故障、變電站故障、跳線故障等，依據(jù)卷積神經(jīng)網(wǎng)絡(luò)模型故障的數(shù)據(jù)結(jié)果，4 個(gè)層次的結(jié)果輸出如表1 所示。

表1 卷積神經(jīng)網(wǎng)絡(luò)故障結(jié)果輸出

調(diào)用最佳的屬性選擇算法作為故障類別的分類準(zhǔn)則，最佳屬性分類細(xì)則僅僅屬于一個(gè)類別，輸出結(jié)果的屬性準(zhǔn)則具體測試過程選用熵值法，求解公式如式（2）所示。

其中，n代表故障類別總數(shù)量，pi代表第i個(gè)故障類別出現(xiàn)的概率，如果將輸出結(jié)果的熵值lny(t)作為分類屬性，則輸入故障數(shù)據(jù)集合X可以被分為多個(gè)數(shù)據(jù)組，原始故障數(shù)據(jù)的分類過程為：

lny(t)與lnX(t)之間的差值即為信息增益，當(dāng)兩者之間的差出現(xiàn)最小值的條件下，即為最優(yōu)的分類點(diǎn)，該組數(shù)據(jù)中如果包含不同的故障類別，基于信息增益差值的大小能夠做出準(zhǔn)確的區(qū)分和篩選。在Hadoop 系統(tǒng)環(huán)境已經(jīng)完成了對(duì)原始故障數(shù)據(jù)的去噪和預(yù)處理，避免了數(shù)據(jù)量過大造成的誤操作。而對(duì)于多層次的卷積神經(jīng)網(wǎng)絡(luò)而言，在卷積核函數(shù)的選擇及模型參數(shù)調(diào)整中能夠節(jié)省大量的時(shí)間，基于熵值法做最后的故障類別篩選，根據(jù)信息增益的變化情況確定故障的類別，在數(shù)據(jù)篩選的準(zhǔn)確性方面也具有一定優(yōu)勢。

4 系統(tǒng)測試

智能電網(wǎng)故障監(jiān)控信號(hào)預(yù)警系統(tǒng)的監(jiān)控模塊、診斷模塊、人機(jī)交互模塊及數(shù)據(jù)顯示模塊，分別由監(jiān)控管理服務(wù)器、應(yīng)用程序服務(wù)、用戶終端服務(wù)器和數(shù)據(jù)庫服務(wù)器控制，包括各服務(wù)器及總交換機(jī)的基本功能及基礎(chǔ)硬件配置。系統(tǒng)在軟件層面與操作系統(tǒng)上選擇Windows10 專業(yè)版系統(tǒng)，其他相關(guān)的系統(tǒng)應(yīng)用軟件還包括SQL Server、Websphere7、Proxy 等。

性能測試階段首先利用文中設(shè)計(jì)的監(jiān)控系統(tǒng)隨機(jī)采集3 組電壓信號(hào)和3 組電流信號(hào)，其中電壓信號(hào)為方波信號(hào)、電流信號(hào)為正弦波信號(hào)，信號(hào)的時(shí)間采樣周期變化存在差異，如圖2 所示。

圖2 故障預(yù)警電壓信號(hào)波形圖

上圖中a、b、c 分別表示采樣周期為0.1 s、0.3 s 和0.5 s 信號(hào)周期條件下電壓信號(hào)波形的變化情況，如圖所示在3 種不同的采樣周期下，電壓信號(hào)并未出現(xiàn)異常波動(dòng)，證明信號(hào)預(yù)警系統(tǒng)具有良好的濾波性能。電流信號(hào)的波形變化情況，如圖3 所示。

圖3 故障預(yù)警電流信號(hào)波形圖

從3 種采樣周期條件下故障信號(hào)電流波形的變化結(jié)果可知，電流信號(hào)的周期性變化平穩(wěn)、周期性的峰值變化平穩(wěn)，未出現(xiàn)異常變化，表明系統(tǒng)的信號(hào)處理功能穩(wěn)定，故障信號(hào)濾波效果較好。基于Hadoop系統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)模型在智能電網(wǎng)故障電壓信號(hào)、電流信號(hào)的降噪和濾波處理方面具有明顯優(yōu)勢，可以保證故障信號(hào)特征提取的準(zhǔn)確性和完整性。從智能電網(wǎng)故障電壓信號(hào)和電流信號(hào)集合中，分別選取10 個(gè)采樣點(diǎn)觀測真實(shí)值與監(jiān)測值之間的差距，同時(shí)引入基于模糊理論的預(yù)警系統(tǒng)參與對(duì)比，統(tǒng)計(jì)結(jié)果如表2 和表3 所示。

表2 故障信號(hào)電壓的監(jiān)控?cái)?shù)據(jù)

表3 故障信號(hào)電流的監(jiān)控?cái)?shù)據(jù)

經(jīng)過數(shù)據(jù)統(tǒng)計(jì)分析，基于數(shù)據(jù)分析的故障信號(hào)預(yù)警系統(tǒng)的電壓采樣方差值為0.005 4 和0.001 3，遠(yuǎn)低于傳統(tǒng)基于模糊理論系統(tǒng)的0.014 5 和0.0126 7，這表明文中系統(tǒng)在故障信號(hào)控制穩(wěn)定性和預(yù)警效率方面優(yōu)于傳統(tǒng)系統(tǒng)。

5 結(jié)束語

智能電網(wǎng)能否穩(wěn)定運(yùn)行，將直接影響到電力用戶的經(jīng)濟(jì)損失與人身安全，為實(shí)時(shí)監(jiān)控智能電網(wǎng)的運(yùn)行情況，并在海量故障源數(shù)據(jù)條件下，提高對(duì)監(jiān)控信號(hào)的預(yù)警準(zhǔn)確率，文中在Hadoop 環(huán)境下基于數(shù)據(jù)分析模型設(shè)計(jì)了一種針對(duì)智能電網(wǎng)的故障信號(hào)預(yù)警系統(tǒng)。在系統(tǒng)硬件設(shè)計(jì)方面以Hadoop 為框架設(shè)計(jì)了各模塊的構(gòu)成和功能，在預(yù)警算法方面基于卷積神經(jīng)網(wǎng)絡(luò)模型和熵值法對(duì)采集到的故障數(shù)據(jù)精確分類，并提取故障信號(hào)的電流與電壓特征，系統(tǒng)測試結(jié)果驗(yàn)證了文中預(yù)警系統(tǒng)的有效性與可靠性。