王凌云， 楊雨琪， 史磊， 劉釗

(1.三峽大學電氣與新能源學院， 宜昌 443002； 2.國網寧夏電力有限公司， 銀川 750001； 3.國網寧夏電力有限公司檢修公司， 銀川 750001)

隨著特高壓直流輸電的快速發(fā)展，已經有眾多的特高壓直流輸電線路應用到中國的電力系統中。在換流站交直流轉換方面涉及各個環(huán)節(jié)的關鍵設備，其中換流閥占據重要的地位。由于通態(tài)平均電流較高，換流閥在工作過程中會形成較多的熱量，其中，閥冷系統對于換流閥的正常運行發(fā)揮了重要的作用，它能夠保證閥組運行在合適的溫度范圍內。伴隨2005年第一套國產化靈寶背靠背直流工程投運成功，換流閥在中國得到有力發(fā)展。為了保證閥冷系統在全生命周期內的可靠性，根據《國家電網公司直流換流站檢測管理規(guī)定》等條例的要求，換流站每年需要對閥組進行全面測試，并定時對內冷水流量、進出閥溫度、主泵及回水壓力等運行參數進行抄錄。在數據收集的過程中，時常會發(fā)生采樣錯誤，對基于深度學習的數據挖掘過程造成不可忽視的影響。

另外，通過對歷史采樣數據研究發(fā)現，閥冷系統中監(jiān)測到的各類參數與電力負荷相類似，大時段內存在規(guī)律性，小時段內又具有隨機性，是典型的時間序列數據?；谏鲜鰧傩裕绻茉谕晟茢祿幕A上實現對換流閥冷卻系統運維環(huán)節(jié)中部分關鍵參數的有效預測和判斷，便可以更深一步挖掘分析閥冷系統的運行狀態(tài)及冷卻能力。

文獻[1-2]根據換流站冷卻系統日常運維的實際需求，進行包含系統關鍵參數的仿真建模，旨在對閥冷系統運行時各個設備的參數變化進行智能判斷，同時實現工況預測和故障診斷等功能，但是該模型側重于仿真模擬，只能對現有的參數進行輸入分析，并不能發(fā)現閥組運行中潛在的問題。另外，基于換流站日常運維產生的大量監(jiān)測數據也展開了相應的研究分析[3-5]。文獻[6-9]研究的內容主要包括了閥冷系統漏水研究、冷卻能力分析、邏輯控制研究、保護值整定計算等，但都側重于設備狀態(tài)分析，無法對閥冷系統的性能進行有效預測和判斷。

在預測算法方面，文獻[10]研究了城市用電量與季節(jié)、環(huán)境溫度、節(jié)假日、風速等因素的相互關系，并在用電預測的分析建模中引入了長短期記憶網絡(long-short term memory,LSTM)。文獻[11]成功將LSTM方法應用于風力發(fā)電功率的預測中，并將人工神經網絡與支持向量機網絡的優(yōu)缺點進行分析對比，證明在時間序列處理中采用LSTM可以達到較好的效果。文獻[12-13]也指出，將LSTM方法應用到電力負荷預測中，能夠得到較為準確的預測結果。但目前為止，關于換流站閥冷系統各環(huán)節(jié)關鍵參數的預測研究較少，LSTM在處理時序屬性數據方面的優(yōu)勢也未能在換流站中充分體現。

基于上述分析，現以寧夏某換流站閥冷系統的運行參數為例，基于均值填補法對回水壓力、進出閥溫度等進行處理，然后進行特征參數提取的過程。該過程主要利用主成分分析法(principal component analysis, PCA)，同時結合LSTM網絡學習時間維度特征，建立基于PCA-LSTM的換流站閥冷系統時序運行參數預測模型，實現系統冷卻能力的分析與故障判斷，以期幫助換流站運維人員提前發(fā)現并及時處理系統存在的隱患，使換流站閥冷系統能夠獲得更高的安全性。

1 換流站閥冷系統構成及工作原理

閥冷系統總體劃分為三個部分，分別為外冷水系統、內冷水系統、閥冷控制系統，各個部分的功能存在一定的差異性。具體介紹如下。

內冷水系統主要利用液態(tài)水的流動帶走換流閥產生的熱量，其中冷卻介質是去離子水(電導率低于0.5 μS/cm，純度較高)。在結構上，整個系統劃分為主水、穩(wěn)壓以及水處理三大回路。其中主水回路內包括換熱器以及換流閥等部分；穩(wěn)壓回路能夠維持壓力的穩(wěn)定性，并對水容積變化進行緩沖，主要包括氮氣瓶與膨脹管；水處理回路能夠將水中的離子等物質進行過濾，確保內冷水處于較高的質量，一般包括補水泵以及交換器等設備。

外冷水系統包括噴淋泵以及冷卻塔等結構，可以對內冷水進行冷卻，從而達到溫度的要求。該系統在運行過程中，可以將噴淋泵進行蒸發(fā)，使得換熱盤管表面具有適量水分，在水分蒸發(fā)過程中可能帶走一定的熱量，基于這種方式降低閥內冷水的溫度，并再次流動到換流閥中。

閥冷控制系統具有設備運行狀態(tài)監(jiān)控等功能，可觀測到的參數包括電導率、溫度以及壓力等，同時還能夠對冷卻塔以及閥門的運行狀態(tài)進行監(jiān)測，一旦發(fā)現異常狀況可以及時報警，確保各部分處于穩(wěn)定的工作狀態(tài)。該系統的核心控制部分基于可編程邏輯控制器(programmable logic controller, PLC)實現，可以控制內、外冷水系統使各項參數運行在穩(wěn)定工況下。當控制系統監(jiān)測到上述參數值嚴重異常時，PLC將輸出跳閘保護，向閥控發(fā)出閉鎖請求。換流站閥冷系統整體結構如圖1所示。

通信系統主要與數據傳輸的過程有關，它可以實現報警量以及設備運行參數等信息的發(fā)送功能。其中閥冷控制系統內流量、壓力、液位和溫度變送器等儀表傳感器由PLC控制系統進行控制與監(jiān)測，從整體上實現閥冷卻系統的全自動運行[14]。

2 閥冷系統運行參數預處理

2.1 數據預處理

在對換流站閥冷系統運行參數進行周期性采樣的過程中，可能出現的數據缺失問題一般與人為操作失誤以及設備故障有關。在文獻[15]之后定義了不同類型的數據缺失機制，并提出了針對性的處理方法，如缺失填充、元組刪除等。當對閥冷系統的運行參數進行分析時，基于時間序列的采樣數據分析對樣本連續(xù)性要求較高，刪除部分數據對整體樣本集特征的研究會產生不利影響。因此，采用填補類型中的均值填補法對換流閥運行參數進行處理。

均值填補法主要利用精度、方差、標準差等概念進行數學分析。

(1)

(2)

圖1 換流閥冷卻系統工藝結構圖Fig.1 Structure of cooling system of converter valve

(3)

均值填補法的應用具有一定的優(yōu)勢，如果已經明確變量類型以及屬性信息，則處理難度較低，并且能夠達到較高的精度要求，可以滿足實際需求。具體算法步驟如圖2所示。

圖2 均值填補法算法步驟圖Fig.2 Algorithm steps of mean filling method

2.2 算法實例

通過采集寧夏某換流站2019年10月—2020年9月極一低端換流閥組進出閥溫度、冷卻水流量、主泵出水壓力及回水壓力抄錄數據發(fā)現，原始采樣集由于設備傳感器故障，導致數據存在片段狀缺失以及明顯數值異常?；诖耍捎脙?yōu)化后的均值填補法對上述參數進行了批量處理。數據處理結果如圖3～圖5所示。

由圖3～圖5可以看出，經過均值填補法處理后的4類參數范圍皆符合換流站閥冷系統正常運行要求。

選擇合適的模型評價指標，采用均方根誤差(root mean squard error, RMSE)對缺失屬性的預測偏差進行評價。如果該指標較大，則說明采用的模型在數據描述上存在較大的偏差；而如果該指標較小，則說明精度較高。

(4)

式(4)中：n為x在不同取值下，樣本集中所填充數據的個數；actual(x)為實際值；filled(x)為填充值。

由于在真實測量場景下的n是有限的，一般通過“最可信賴值”來取代真實值。處理之后的主泵出水壓力、進出閥溫度、回水壓力和冷卻水流量數值與系統實際運行最優(yōu)值之間的RMSE結果(均值填補法)如表1所示。

圖3 進、出閥溫度采樣值處理Fig.3 Temperature sampling value processing of inlet and outlet valves

圖4 主泵出水壓力及回水壓力采樣值處理Fig.4 Treatment of sampling value of outlet pressure and return water pressure of main pump

由表1可知，所求RMSE皆符合模型精度評價標準，同時滿足閥冷系統運行要求。

綜上可得，采用的數據處理方法可以對閥冷系統中的異常數據進行有效識別，并對缺失數據實現高效準確的填充，為下一步閥冷系統關鍵參數的預測和應用提供了完整而可靠的數據基礎。

圖5 冷卻水流量采樣值處理Fig.5 Treatment of sampling value of cooling water flow

表1 模型評價結果Table 1 Model evaluation results

3 基于PCA-LSTM網絡的閥冷系統時序參數預測模型

為進一步挖掘和利用換流站閥冷系統潛在的數據信息，利用系統運行采樣數據的時序性，以完善后的樣本集為基礎，對閥冷系統關鍵運行參數進行預測，從而對換流閥的冷卻能力進行有效評估，為換流站的維護提供準確的信息，使其能夠保持最佳且安全的運行狀態(tài)。

3.1 相關性分析

閥冷系統采集到的內冷水流量、環(huán)境溫度、出入水溫度、回水壓力和主泵出水壓力等監(jiān)測數據之間有著一定的相關度。因此，基于PCA方法來分析指標的相關性，以此將大量的指標簡化為少數關鍵指標進行分析，提高了計算的效率，降低了模型的復雜度，且對計算結果的精度產生的影響可忽略不計。

計算過程如下。

(5)

(6)

(7)

(2)相關系數矩陣R的計算。

R=(rij)m×m

(8)

(9)

式中：rii=1；rij=rji；rij為第i個指標和第j個指標的相關性系數；i,j=1,2,…,m。

(3)特征值和特征向量的計算。按照高低順序排列特征值，得到R的特征值有λ1≥λ2≥…≥λm≥0，而u1，u2，…，um即為特征向量，uj=(u1j，u2j，…，unj)T，由此可以得到的指標變量為

(10)

式(10)中：y1為第1主成分；ym為第m主成分。

(4)計算主成分貢獻率及累計貢獻率。選取特征值λ1，λ2，…，λm所對應的前p個主成分(m≤p)，并對評價結果進行計算，具體公式為

(11)

(12)

式中：bj為主成分yj的信息貢獻率；ap為主成分y1，y2，…，yp的累計貢獻率。如果αp基本等于1(αp=0.85，0.90，0.95)，那么可以直接將前p個指標作為主成分，在此基礎上進行后續(xù)計算。

(5)計算綜合得分。

(13)

式(13)中：Z為綜合得分值；bj為第j個主成分yj的信息貢獻率。

根據上述算法流程，輸入換流站閥冷系統的入水溫度(x1)、環(huán)境溫度(x2)、主泵出水壓力(x3)、回水壓力(x4)、冷卻水流量(x5)5項指標進行訓練。最終得到的相關系數矩陣，如表2所示。

由表2可以得出每兩個指標之間的相關性。與入水溫度相關系數最高的是冷卻水流量；與環(huán)境溫度相關度最高的是入水溫度；主泵出水壓力與回水壓力相互擁有最高的相關度；與冷卻水流量相關度最高的是主泵出水壓力。

如表3所示，前3個主成分的累積貢獻率達到了86.769 4%>85%(將PCA的貢獻閾值設為85%)，所以在后續(xù)研究中只需要選擇前3個主成分，基于這種方式實現了降維處理，從而簡化計算，提高了計算的效率。計算所得因子得分矩陣如表4所示。

(1)第1主成分y1的表達式中，在標準化變量主泵出水壓力(x3)和回水壓力(x4)中有較大的正載荷，因此可以認為y1是壓力的綜合成分。

表2 相關系數矩陣Table 2 Correlation matrix

表3 主成分表達式系數矩陣Table 3 Principal component expression coefficient matrix

表4 因子得分矩陣Table 4 Factor score matrix

(2)第2主成分y2的表達式中，在入水溫度x1和冷卻水流量x5中有相近且較大的正載荷。通過對運維數據的調查研究和相關資料可知，在換流閥溫度、風機轉速一定時，內冷水入水溫度與閥冷系統冷卻效果成反比，即入水溫度越高，冷卻系統冷卻效果越差，換流閥能夠繼續(xù)承受的負荷越少，因此可以認為閥冷系統的冷卻能力能夠近似通過內冷卻系統的入水溫度直觀反映。故可認為第2主成分y2是冷卻能力的協調成分。

(3)第3主成分y3的表達式中，在入水溫度x1和環(huán)境溫度x2中有比較大的正載荷，可以認為第3個主成分y3是溫度成分。

3.2 時序數據預測方法

蘊含時序屬性的數據預測分析是一類較為復雜的預測建模問題，在眾多預測算法中對蘊含時序屬性的數據應用較多的方法主要有：周期因子法、傳統時序建模方法(如自回歸移動平均模型、差分自回歸移動平均模型等)，此外還可以利用LSTM模型等針對數據組織方式進行調整。RNN(recurrent neural network)網絡引入了時序概念[16]，使得網絡的適用性明顯提高，便于對時序屬性數據進行處理，在RNN的眾多變體中[17]，LSTM作為其中之一，解決了循環(huán)神經網絡存在的諸多不足，如梯度爆炸等，便于應用長距離的時序信息。

3.3 長短期記憶網絡

LSTM方法在網絡中融入了sigmoid函數和雙曲正切函數，通過求和操作等實現數據的長期保留，所以在應用中顯示出明顯的優(yōu)勢。

該網絡模型基本結構如圖6所示。其運行流程可大致分為4部分。

(1)“遺忘門”[18]共有σ層，輸入Ct-1、xt，然后在Ct-1輸出特定的值，處于0～1范圍內；其中0、1

xt為模型輸入；ht為模型輸出；Ct為傳遞神經元細胞狀態(tài)； tanh函數為激活函數圖6 LSTM網絡結構圖Fig.6 LSTM network structure diagram

對應著兩個特殊的狀態(tài)，分別是完全遺忘、完全保留；具體公式為

ft=σ(wf[ht-1,xt]+bf)

(14)

式(14)中：ft為t時刻的遺忘門；σ為sigmoid函數；xt、ht-1分別為t時刻和t-1時刻的輸入層和隱藏層輸出；wf為對應的權重矩陣；bf為對應的偏置項。

(2)“輸入門”選擇模型所需要的數據。該門的σ層決定要更新的數值，由雙曲正切層生成一個新的候選數值并增加到神經元狀態(tài)中。

it=σ(wi[ht-1,xt]+bi)

(15)

C′t=tanh(wc[ht-1,xt]+bc)

(16)

式中：it為t時刻的輸入門；C′t為更新后的神經元細胞狀態(tài);wi、wc為對應的權重矩陣；bi、bc為對應的偏置項。

(3)執(zhí)行神經元狀態(tài)更新的過程，即從Ct-1到Ct，將ft與舊狀態(tài)進行相乘，添加新候選值，公式為

Ct=ft⊙Ct-1+it⊙C′t

(17)

式(16)中：Ct為t時的細胞狀態(tài)。

(4)“輸出門”決定最后的輸出值[19]。

Ot=σ(wο[ht-1,xt]+bο)

(18)

ht=Ot⊙tanh(ct)

(19)

式中：Ot為t時的輸出門；⊙為矩陣元素相乘[20]；wo為對應的權重矩陣；bo為對應的偏置項。

3.4 算法實例

在當前換流站閥冷系統的運維工作中，當監(jiān)測系統觀測到相關設備的運行參數超出保護整定值時，系統會進行故障報警；但若運行參數值在保護定值范圍內，系統便無法準確作出判斷，此時若是出現其他問題或者記錄設備狀態(tài)，便只能以運維人員的經驗為依托進行記錄或是判斷；同時，各類儀器提供的大量設備實時監(jiān)測數據也并未得到合理充分的利用，多數情況下對設備壽命以及運行能力的判斷仍然根據運維人員的經驗或者是生產廠家依據相關規(guī)定設定的告警值。

結合當前運維實際和PCA分析結果，在風機開機臺數固定且轉速保持一致的條件下，保留冷卻水流量為LSTM模型輸入，實現對內冷系統入水溫度的預測，從而對換流閥整體的冷卻能力進行判斷。具體算法結構如圖7所示。

整個框架包含了數據預處理、輸入層、隱藏層、輸出層4個功能模塊，預處理模塊負責對閥冷系統幾類運行參數進行基于均值填補的缺失值處理和基于PCA的指標參數降維，將得到的簡化后的標準數據傳遞給輸入層，輸入層將接收到的數據劃分為訓練數據集和測試數據集，隱藏層基于LSTM(圖6)構建網絡模型，最后將預測的結果輸出[21]。

圖7 基于PCA-LSTM的時間序列預測結構圖Fig.7 Time-series prediction structure chart based on PCA-LSTM

由于在同一個換流站中存在構造相同但接線端口不同的閥組，當運行工況相同時，不同閥組的相同項參數在數值和變化趨勢方面一般差別較小?；诖?，在得出某臺閥組內冷系統的入水溫度預測結果后，可以與其他閥組的運行參數進行橫向對比。若某一閥組內冷系統的入水溫度比其他閥組高，或者在某一時間段內的數值上升速率過快，則表明該閥組的冷卻能力在下降，即系統中可能存在某些故障，需要運維人員進行檢修。

以寧夏某換流站極一低端換流閥組2019年10月—2020年9月的冷卻水流量和內冷水入水溫度兩項共2 728組運行參數為模型輸入，選取數據總量的90%作為訓練集，10%作為驗證集，基于PCA-LSTM方法進行仿真建模，并同ARIMA模型進行對比，兩類模型的輸入數據皆由相同歷史數據集生成，預測結果如圖8所示。

圖8為采用PCA-LSTM和ARIMA模型在300個和3 000個數據集的訓練中得到的進閥溫度預測曲線。

圖9為預測模型結果對比圖。經過對圖10中實際進閥溫度曲線和采用上述兩種方法進行預測的結果曲線對比分析可知， 建立的PCA-LSTM預測模型相比ARIMA而言具有更佳的預測效果。選擇指標進行評價，主要有RMSE、平均絕對百分比誤差(mean absolute percentage error,MAPE)兩項指標，具體的計算結果如表5所示。

由表5可知，在對換流站閥冷系統入水溫度進行預測的過程中，本文中建立的PCA-LSTM模型有著更高的精度，其MAPE比ARIMA模型少了0.508%，同時能夠準確實現閥冷系統入水溫度的預測，有效幫助運維人員提前發(fā)現隱患并及時解決問題，避免發(fā)生更加嚴重的后果。

圖8 PCA-LSTM和ARIMA預測結果圖Fig.8 Prediction result chart of PCA-LSTM and ARIMA

圖9 模型預測結果對比圖Fig.9 Comparison chart of model prediction results

表5 模型預測結果比較Table 5 Comparison of model prediction results

4 結論

提出了一種基于PCA-LSTM網絡的預測方法，通過對換流站閥冷系統入水溫度的有效預測判斷換流閥的冷卻能力，幫助運維人員提前發(fā)現并及時解決系統隱患。通過實際算例分析，可以得出以下結論。

(1)基于均值填補法實現了閥冷系統運行參數中異常值的修正和缺失數據的填補，使樣本采樣集更加貼合換流閥實際運行情況。

(2)在完整可靠樣本集的基礎上，采用PCA對多維影響因子進行降維，從而改善了單一LSTM網絡易造成過擬合的情況。

(3)在所建立的ARIMA、PCA-LSTM兩種模型中，采用后者得到了更佳的預測結果，對應的MAPE為4.96%。

綜上，所建立的模型能夠有效應用于換流站閥冷系統冷卻能力的預測，從整體上提高了閥冷系統運行的安全性、穩(wěn)定性，同時提高了換流站相關保護檢修工作的質量和效率。