胡福金，梁錦來

(廣東電網(wǎng)有限責(zé)任公司 佛山供電局，廣東 佛山 528000)

電力系統(tǒng)不出現(xiàn)異常運行模式即表明電力系統(tǒng)二次設(shè)備的正常運行，因電力行業(yè)發(fā)展速度逐漸提升，電網(wǎng)結(jié)構(gòu)復(fù)雜度隨之日益增大。二次設(shè)備屬于電力系統(tǒng)的核心設(shè)備，直接影響電力系統(tǒng)的運行狀態(tài)[1]。因此，保證電力系統(tǒng)設(shè)備運行狀態(tài)不出現(xiàn)異常，成為電力部門運維人員關(guān)注的重點問題，相關(guān)學(xué)者研究表明，對二次設(shè)備缺陷數(shù)據(jù)挖掘與分析是判斷電力系統(tǒng)設(shè)備運行狀態(tài)是否正常的基礎(chǔ)。

目前，我國對二次設(shè)備缺陷數(shù)據(jù)挖掘與分析的研究僅處于探索與試驗的階段，即使某些研究資料對二次設(shè)備狀態(tài)分析進(jìn)行了深層次分析，但因為理論基礎(chǔ)不足，資料信息與歷史數(shù)據(jù)欠缺，致使相關(guān)研究方法的適用性較差，可推廣性不足。文獻(xiàn)[2]方法雖然能夠?qū)崿F(xiàn)變電站二次設(shè)備缺陷分析，但是該方法的分析過程較為煩瑣；文獻(xiàn)[3]方法的使用過程雖然操作簡單，但是評估結(jié)果的精度有待進(jìn)一步優(yōu)化。

為此，為了克服上文所述存在的種種問題，本文基于數(shù)據(jù)挖掘技術(shù)，研究電力系統(tǒng)二次設(shè)備缺陷分析方法，具體分析過程分為2步，并分別引入層次聚類算法、XGBoost模型，實現(xiàn)二次設(shè)備狀態(tài)的準(zhǔn)確分析，在實驗中，此方法的使用效果被驗證優(yōu)于文獻(xiàn)[2]、文獻(xiàn)[3]方法。

1 二次設(shè)備缺陷分析方法設(shè)計

為了實現(xiàn)電力系統(tǒng)二次設(shè)備缺陷數(shù)據(jù)分析，在保證數(shù)據(jù)分析準(zhǔn)確的基礎(chǔ)上降低分析耗時，設(shè)計二次設(shè)備缺陷分析方法，具體處理流程如圖1所示。

根據(jù)圖1所示流程，逐一分析處理過程。

1.1 二次設(shè)備缺陷數(shù)據(jù)挖掘方法

基于層次聚類算法的電力系統(tǒng)二次設(shè)備缺陷數(shù)據(jù)挖掘方法操作流程如下。輸入：存在m個e維電力系統(tǒng)二次設(shè)備運行數(shù)據(jù)的數(shù)據(jù)集R；輸出：正常數(shù)據(jù)聚類結(jié)果與缺陷數(shù)據(jù)聚類結(jié)果。

①把電力系統(tǒng)二次設(shè)備運行數(shù)據(jù)集R設(shè)成q個數(shù)據(jù)組，各組存在多個數(shù)據(jù)目標(biāo)；②在各個數(shù)據(jù)組中啟動原子聚類算法；③在原子簇集合中啟動原子簇合并算法；④缺陷數(shù)據(jù)挖掘完畢。

1.1.1 原子聚類算法

原子即為電力系統(tǒng)中隨機(jī)一個二次設(shè)備運行數(shù)據(jù)目標(biāo)，原子聚類算法把數(shù)據(jù)組中的電力系統(tǒng)二次設(shè)備運行數(shù)據(jù)聚類設(shè)置為原子簇[4]，原子聚類算法如圖2所示。

圖2 原子聚類算法示意Fig.2 Schematic diagram of atomic clustering algorithm

輸入：電力系統(tǒng)二次設(shè)備運行數(shù)據(jù)集合R中一個數(shù)據(jù)組，電力系統(tǒng)二次設(shè)備運行數(shù)據(jù)目標(biāo)Q、原子距離參數(shù)dAC；輸出：原子簇集合∑BD。

(1)運算電力系統(tǒng)二次設(shè)備運行數(shù)據(jù)集合中數(shù)據(jù)目標(biāo)q與另一數(shù)據(jù)目標(biāo)p的距離D(q，p)，如果D(q，p)小于原子距離參數(shù)dAC，2個數(shù)據(jù)目標(biāo)則隸屬相同原子簇BD。

(2)原子簇集合得出中心點DBD設(shè)置為每個原子簇的形心。

原子聚類算法屬于一種分類算法，此算法和別的聚類算法之間差異是：原子聚類算法的參數(shù)不具有復(fù)雜性，主要參數(shù)是原子簇數(shù)值的距離閾值dAC，且該算法迭代次數(shù)僅需要一次，操作簡單。

電力系統(tǒng)二次設(shè)備運行數(shù)據(jù)目標(biāo)和原子簇核心點間的距離通過曼哈頓距離運算：

(1)

式中，不同電力系統(tǒng)二次設(shè)備運行數(shù)據(jù)目標(biāo)依次為qj、pj；j為第j個數(shù)據(jù)目標(biāo)。

1.1.2 原子簇合并算法

原子聚類變成原子簇后，啟動原子簇合并算法，把原子簇合并后便可獲取聚類簇[5-7]。原子簇合并算法屬于凝聚聚類算法，可逐步合并近鄰原子簇。

輸入：根據(jù)上述原子聚類算法獲取的原子簇集合∑BD以及原子簇距離參數(shù)dGD；輸出：聚類簇集合∑GD。

(1)運算原子簇集合∑BD中不同原子簇GDj、GDi的距離D(GDj，GDi)，如果D(GDj，GDi)不大于dGD，原子簇GDj、GDi則隸屬相同聚類簇GD。

(2)運算每個聚類簇的密度。原子簇合并算法在運行過程中，若2個聚類簇具有“鄰居”關(guān)系，便把這2個聚類簇相融為一體[8]。2個原子簇間距可看作兩者中心點的密度：

(2)

其中，DGDj、DGDi分別為兩個原子簇的簇心。

1.1.3 基于層次聚類算法的缺陷數(shù)據(jù)識別算法

根據(jù)上述分析，設(shè)計二次設(shè)備缺陷數(shù)據(jù)識別算法流程如下。輸入：不存在電力系統(tǒng)二次設(shè)備運行數(shù)據(jù)分類信息的聚類簇集合∑GD、標(biāo)準(zhǔn)聚類簇密度Es、電力系統(tǒng)二次設(shè)備正常運行數(shù)據(jù)Sm和電力系統(tǒng)二次設(shè)備缺陷數(shù)據(jù)比率參數(shù)Sa；輸出：存在電力系統(tǒng)二次設(shè)備運行數(shù)據(jù)分類信息的聚類簇集合∑GD。①將聚類簇集合∑GD中聚類簇按照從大至小的順序進(jìn)行排列；②運算正常聚類簇的密度；③運算各個聚類簇密度和正常聚類簇密度之比，如果此比值不大于缺陷數(shù)據(jù)比率參數(shù)Sa，則隸屬為缺陷數(shù)據(jù)[9]。

1.2 基于XGBoost的二次設(shè)備缺陷分類模型

1.2.1 特征指標(biāo)集的建立

電力系統(tǒng)二次設(shè)備種類和數(shù)目具有多樣性，為此，在挖掘電力系統(tǒng)二次設(shè)備缺陷數(shù)據(jù)之后，為準(zhǔn)確分類電力系統(tǒng)二次設(shè)備缺陷類型，需要提取缺陷數(shù)據(jù)中的具體數(shù)據(jù)特征，構(gòu)建電力系統(tǒng)二次設(shè)備缺陷特征指標(biāo)集[10]。電力系統(tǒng)二次設(shè)備缺陷分類指標(biāo)集詳情見表1。

表1 電力系統(tǒng)二次設(shè)備缺陷分類指標(biāo)集Tab.1 Details of defect classification index set of secondary equipment in power system

由表1可知，與電力系統(tǒng)二次設(shè)備缺陷存在關(guān)聯(lián)的特征量類型主要是種類特征、數(shù)值特征。

1.2.2 特征和缺陷級別標(biāo)簽的設(shè)置

考慮到XGBoost模型的輸入僅支持?jǐn)?shù)值，必須將二次設(shè)備缺陷數(shù)據(jù)的種類特征實施編碼，把種類特征變換成數(shù)值特征[11-13]。

圍繞輸入的種類特征，因為各個特征存在的屬性數(shù)目較少，本文使用獨熱編碼的模式實現(xiàn)二次設(shè)備缺陷數(shù)據(jù)的種類特征編碼：通過0與1描述此類種類特征，通過M位狀態(tài)寄存器編碼M個狀態(tài)、各個狀態(tài)均存在具有獨立性的寄存器位。

按照我國電力設(shè)備權(quán)限管理的相關(guān)標(biāo)準(zhǔn)，把電力系統(tǒng)二次設(shè)備缺陷根據(jù)嚴(yán)重程度依次設(shè)成A級缺陷、B級缺陷，C級缺陷(表2)。

表2 二次設(shè)備缺陷嚴(yán)重程度Tab.2 Defect severity of secondary equipment

1.2.3 缺陷分類模型

根據(jù)上文分析內(nèi)容，在設(shè)置特征和缺陷級別標(biāo)簽的基礎(chǔ)上，構(gòu)建電力系統(tǒng)二次設(shè)備缺陷分類模型(圖3)。

圖3 缺陷分類模型示意Fig.3 Schematic diagram of defect classification model

根據(jù)圖3缺陷分類模型可知，構(gòu)建模型實現(xiàn)過程如下：①在章節(jié)1.1挖掘的電力系統(tǒng)二次設(shè)備缺陷數(shù)據(jù)中提取缺陷特征設(shè)置為XGBoost模型的輸入數(shù)據(jù)；②去除所輸入電力系統(tǒng)二次設(shè)備缺陷數(shù)據(jù)中不完備特征[19]；③將所輸入電力系統(tǒng)二次設(shè)備缺陷數(shù)據(jù)中的種類特征和缺陷級別標(biāo)簽依次實施編碼；④按照比例把處理完畢的缺陷數(shù)據(jù)集設(shè)成訓(xùn)練集與測試集；⑤把訓(xùn)練數(shù)據(jù)集導(dǎo)入XGBoost模型實施訓(xùn)練，以參數(shù)調(diào)節(jié)的形式，完成模型參數(shù)最優(yōu)化[20]；⑥通過調(diào)優(yōu)后模型對測試集中數(shù)據(jù)實施缺陷級別分類。

2 應(yīng)用性能分析

2.1 實驗設(shè)置

實驗硬件運行環(huán)境：計算機(jī)的中央處理器是i5-5257U(2.7GHz)，內(nèi)存 58 GB；軟件運行環(huán)境為Windows 10，VC++6.0。

為測試本文方法的應(yīng)用性能，在Matlab軟件中，以Gephi數(shù)據(jù)集為測試數(shù)據(jù)集，對本文方法的應(yīng)用性能進(jìn)行仿真測試。此數(shù)據(jù)集中存在50 000個二次設(shè)備運行數(shù)據(jù)目標(biāo)，數(shù)據(jù)來源于某電力公司某年度的電壓表、電流表、功率表、繼電器、蓄電池組、直流發(fā)電機(jī)、高頻阻波器7種二次設(shè)備的缺陷數(shù)據(jù)。在實驗過程中本文將該電力公司某年度的二次設(shè)備缺陷數(shù)據(jù)進(jìn)行預(yù)處理后，隨機(jī)提取2 000個數(shù)據(jù)目標(biāo)作為本文方法挖掘與分析的數(shù)據(jù)。

(1)按照章節(jié)1.1提出的基于層次聚類算法的電力系統(tǒng)二次設(shè)備缺陷數(shù)據(jù)挖掘結(jié)果形成二次設(shè)備缺陷數(shù)據(jù)庫。

(2)補(bǔ)全缺失數(shù)據(jù)。由于電力系統(tǒng)二次設(shè)備具備高可靠性，二次設(shè)備缺陷類型具備分散性。在此情況下，盲目刪除部分屬性缺失的記錄會縮小樣本，易丟失一些小樣本包含的關(guān)聯(lián)規(guī)則，因此本文不刪除部分屬性缺失的記錄，而是通過查詢檢修報告補(bǔ)全缺失數(shù)據(jù)。

(3)統(tǒng)計缺陷原因。經(jīng)統(tǒng)計，二次設(shè)備缺陷原因包括“調(diào)試質(zhì)量不良”“制造質(zhì)量不良”“設(shè)備老化”“運行維護(hù)不良”“其他缺陷原因分類”5種類型，以設(shè)備老化為主要測試指標(biāo)，分別利用不同方法進(jìn)行挖掘測試。

(4)輸出測試結(jié)果。

2.2 缺陷數(shù)據(jù)挖掘結(jié)果

為測試本文方法對電力系統(tǒng)二次設(shè)備數(shù)據(jù)挖掘性能是否具有優(yōu)勢，以文獻(xiàn)[2]、文獻(xiàn)[3]方法作為對比，測試3種方法在隨機(jī)提取的2 000個二次設(shè)備運行數(shù)據(jù)中對缺陷數(shù)據(jù)的挖掘效果。挖掘效果主要以缺陷數(shù)據(jù)樣本的挖掘量作為描述，對比結(jié)果見表3。分析表3數(shù)據(jù)后可知，本文方法、文獻(xiàn)[2]方法、文獻(xiàn)[3]方法對電壓表、電流表、功率表、繼電器、蓄電池組、直流發(fā)電機(jī)、高頻阻波器7種二次設(shè)備的缺陷數(shù)據(jù)挖掘結(jié)果存在差異。對比之下，本文方法的挖掘結(jié)果和實際缺陷數(shù)據(jù)樣本數(shù)一致，文獻(xiàn)[2]方法、文獻(xiàn)[3]方法的挖掘結(jié)果和實際缺陷數(shù)據(jù)樣本數(shù)分別存在1個、5個偏差，本文方法的挖掘結(jié)果最精準(zhǔn)。

表3 對二次設(shè)備缺陷數(shù)據(jù)的挖掘結(jié)果對比Tab.3 Mining results of secondary equipment defect data

2.3 缺陷數(shù)據(jù)分析結(jié)果

為測試本文方法對電力系統(tǒng)二次設(shè)備數(shù)據(jù)分析性能是否具有優(yōu)勢，以文獻(xiàn)[2]方法、文獻(xiàn)[3]方法作為對比，測試3種方法在隨機(jī)提取的2 000個二次設(shè)備運行數(shù)據(jù)中對缺陷數(shù)據(jù)的分析效果。分析效果主要通過3種方法對7種二次設(shè)備的缺陷級別識別效果體現(xiàn)，識別效果需要通過準(zhǔn)確率Q1、召回率Q2、F1值3種指標(biāo)進(jìn)行分析。

(3)

(4)

(5)

式中，MTP、MFP、MFN分別為真正類、真負(fù)類、假正類。

3種方法的準(zhǔn)確率、召回率、F1值測試結(jié)果如圖4所示。分析圖4數(shù)據(jù)后可知，本文方法、文獻(xiàn)[2]方法、文獻(xiàn)[3]方法對電壓表、電流表、功率表、繼電器、蓄電池組、直流發(fā)電機(jī)、高頻阻波器7種二次設(shè)備的缺陷級別識別后，本文方法對電力系統(tǒng)二次設(shè)備缺陷的識別結(jié)果準(zhǔn)確率、召回率、F1值高達(dá)0.99，均高于對比方法，由此可知代表本文方法對二次設(shè)備缺陷識別級別識別精度極高。

圖4 3種方法對二次設(shè)備缺陷級別識別效果Fig.4 Effect of three methods on defect level identification of secondary equipment

識別耗時主要體現(xiàn)了3種方法的操作難度，操作難度小，則識別耗時短。3種方法對7種二次設(shè)備的缺陷級別識別耗時測試結(jié)果如圖5所示。分析圖5數(shù)據(jù)后可知，本文方法、文獻(xiàn)[2]方法、文獻(xiàn)[3]方法對7種二次設(shè)備的缺陷級別識別耗時差異較為明顯，本文方法的識別耗時低于400 ms，文獻(xiàn)[2]方法、文獻(xiàn)[3]方法的識別耗時均大于500 ms，對比之下，本文方法的識別耗時最短，表示本文方法在識別電力系統(tǒng)二次設(shè)備缺陷級別時操作難度最小。

圖5 對7種二次設(shè)備的缺陷級別識別耗時測試結(jié)果Fig.5 Test results for defect level identification of seven kinds of secondary equipment

綜上所述，本文方法對電力系統(tǒng)二次設(shè)備缺陷數(shù)據(jù)的挖掘與分析性能占有優(yōu)勢。

3 結(jié)論

文章以電力系統(tǒng)二次設(shè)備缺陷數(shù)據(jù)挖掘與分析為研究內(nèi)容，提出利用缺陷數(shù)據(jù)挖掘的方法，實現(xiàn)高精準(zhǔn)度快速的缺陷數(shù)據(jù)挖掘與分析。在實驗測試中，本文研究方法對電壓表、電流表、功率表、繼電器、蓄電池組、直流發(fā)電機(jī)、高頻阻波器7種二次設(shè)備缺陷數(shù)據(jù)挖掘并分析后，挖掘的缺陷數(shù)據(jù)樣本數(shù)量和實際樣本數(shù)量一致，挖掘精度高于對比方法，對7種二次設(shè)備缺陷級別的識別精度也大于對比方法，可優(yōu)化電力系統(tǒng)二次設(shè)備缺陷問題的分析效果。