周源，魏國富，李亞錦，劉英男，張國新，于大洋

(1.中國南方電網(wǎng)超高壓輸電公司昆明局,云南 昆明 650000；2.山東大學(xué) 電氣工程學(xué)院，山東 濟(jì)南 250061)

0 引 言

在特高壓直流輸電工程中，直流測量系統(tǒng)為控制和保護(hù)提供輸入信號，其測量的準(zhǔn)確性直接影響高壓直流輸電系統(tǒng)的安全穩(wěn)定運(yùn)行。目前，直流光測量系統(tǒng)故障是近年來南方電網(wǎng)直流輸電系統(tǒng)運(yùn)行面臨的主要疑難問題之一，當(dāng)驅(qū)動電流或電壓量測量發(fā)生較大偏差時(shí)，可能會引起保護(hù)系統(tǒng)動作，從而影響換流站正常運(yùn)行[1]。

目前在直流換流站日常運(yùn)維工作中，直流測量系統(tǒng)運(yùn)行狀態(tài)主要通過運(yùn)行維護(hù)人員對直流測量數(shù)據(jù)監(jiān)盤和閾值判斷來進(jìn)行監(jiān)視，無法提前預(yù)判直流測量系統(tǒng)運(yùn)行狀態(tài)。且在直流測量數(shù)據(jù)未超出告警值時(shí)，其異常(如緩慢增長趨勢)可能被掩蓋在正常監(jiān)控信號的波動中，人工監(jiān)盤情況下難以準(zhǔn)確識別。同時(shí)，由于直流測量系統(tǒng)采集頻率高，數(shù)據(jù)量大，僅依賴人工進(jìn)行統(tǒng)計(jì)分析，耗時(shí)費(fèi)力。因此有必要開展針對直流測量數(shù)據(jù)趨勢的預(yù)測和智能分析，為直流測量系統(tǒng)的狀態(tài)評估提供輔助依據(jù)。

基于人工智能的多特征融合是提高大數(shù)據(jù)分析和缺陷診斷可靠性的有效手段[2]，目前已應(yīng)用于換流變[3]、開關(guān)[4]和避雷器[5-6]等設(shè)備運(yùn)維檢修中，但針對直流測量數(shù)據(jù)趨勢的預(yù)測與分析暫無相應(yīng)研究。另外，現(xiàn)有研究中對于設(shè)備狀態(tài)預(yù)測的方法包括基于時(shí)間序列的回歸分析模型[6-7]、支持向量機(jī)[8]和深度學(xué)習(xí)[9]等算法。但由于直流測量系統(tǒng)監(jiān)測狀態(tài)量特征因素多樣且具有非線性特性，上述兩種算法并不能精確預(yù)測。相比之下，長短時(shí)記憶網(wǎng)絡(luò)(long short-term memory,LSTM)具備長時(shí)記憶能力且方便序列建模，在設(shè)備狀態(tài)時(shí)序預(yù)測中有更強(qiáng)的適應(yīng)性和優(yōu)勢。

在上述背景下，本文從在線監(jiān)測數(shù)據(jù)源出發(fā)，研究多維度時(shí)序趨勢分析和相關(guān)性分析算法，并將LSTM應(yīng)用到直流測量數(shù)據(jù)趨勢預(yù)測中，建立多維度分析的直流測量系統(tǒng)狀態(tài)評價(jià)和趨勢預(yù)測模型，識別出測量系統(tǒng)中傳能光纖和遠(yuǎn)端模塊缺陷。最后，結(jié)合±800 kV直流測量系統(tǒng)采集現(xiàn)場數(shù)據(jù)，驗(yàn)證了所提方法的有效性和可行性。

1 直流測量原理分析

換流站直流光測量系統(tǒng)結(jié)構(gòu)如圖1所示。直流測量系統(tǒng)一般采用光電混合的方式采集和傳輸信號。一次設(shè)備的高壓測量狀態(tài)量通過降壓處理，利用遠(yuǎn)端模塊將測量狀態(tài)量的模擬信號轉(zhuǎn)化為光信號，由光纖傳送至合并單元，并按一定的通信協(xié)議將數(shù)據(jù)傳輸給控制保護(hù)系統(tǒng)。遠(yuǎn)端模塊、合并單元的工作狀態(tài)以及光纖回路的通斷環(huán)節(jié)出現(xiàn)問題會造成測量異常，可能導(dǎo)致?lián)Q流站控制保護(hù)系統(tǒng)動作。

圖1 換流站直流光測量系統(tǒng)結(jié)構(gòu)圖

引起直流測量數(shù)據(jù)異常的原因包括測量裝置的異常和直流系統(tǒng)本身異常，具體數(shù)據(jù)類型如表1所示。由于周期性試驗(yàn)數(shù)據(jù)無法實(shí)時(shí)在線獲取，難以滿足系統(tǒng)在線實(shí)時(shí)分析的需求，因此本文從在線監(jiān)測數(shù)據(jù)出發(fā)，重點(diǎn)分析驅(qū)動電流和數(shù)據(jù)電平狀態(tài)量，為運(yùn)維人員監(jiān)盤提供決策依據(jù)。

表1 多源數(shù)據(jù)模型

2 狀態(tài)評估算法

2.1 多維度評價(jià)算法

直流輸電系統(tǒng)同一極下一般配置AB兩面屏柜，針對同一監(jiān)測點(diǎn)配置4套監(jiān)測裝置，采集的關(guān)鍵狀態(tài)量包括驅(qū)動電流和數(shù)據(jù)電平。本文利用縱向和橫向的統(tǒng)計(jì)分析方法、時(shí)序趨勢分析方法和離群點(diǎn)異常識別方法[10]從不同維度綜合評估直流測量系統(tǒng)狀態(tài)。

統(tǒng)計(jì)分析方法流程如圖2所示。

圖2 統(tǒng)計(jì)分析方法

另外，基于數(shù)據(jù)集的密度，通過計(jì)算數(shù)據(jù)集的局部離群因子(LOF)，對比閾值來進(jìn)行離群點(diǎn)異常檢測，具體流程如圖3所示。

圖3 LOF離群點(diǎn)檢測算法流程圖

P、O表示樣本集中的檢測樣本點(diǎn)，維度為m，O={xi1,xi2,…,xim}，P={xj1,xj2,…,xjm}。

(1)

dk(O,P)=max{d(O,P),dk(O)}

(2)

(3)

(4)

式中：d(O,P)為OP之間的歐幾里得距離;dk(O,P)為點(diǎn)P到點(diǎn)O的第k可達(dá)距離;dk(O)為點(diǎn)O的第k距離;ρk(O)、LOFk(O)分別為點(diǎn)O的局部可達(dá)密度和局部離群因子。

通過離群點(diǎn)檢測方法識別出異常測量點(diǎn)，檢查對應(yīng)傳能光纖和遠(yuǎn)端模塊是否正常。

2.2 基于LSTM的驅(qū)動電流趨勢預(yù)測

高壓直流輸電系統(tǒng)中電壓相對穩(wěn)定，驅(qū)動電流跟隨系統(tǒng)運(yùn)行功率動態(tài)調(diào)整，因此本文重點(diǎn)分析驅(qū)動電流的趨勢狀態(tài)。

1) 基本原理

LSTM網(wǎng)絡(luò)模型包括遺忘門、輸入門和輸出門。輸入門層則以當(dāng)前層的輸入xt和上一時(shí)刻隱單元的輸出ht-1作為輸入，輸出結(jié)果it作為將要更新的信息；遺忘門層，讀取ht-1和xt，輸出ft。

it=σ(Wxixi+Whiht-1+bi)

(5)

ft=σ(Wxfxt+Whfht-1+bf)

(6)

(7)

(8)

輸出門層運(yùn)行一個(gè)sigmoid層決定輸出哪部分細(xì)胞狀態(tài)，隱藏狀態(tài)ht的更新由兩部分組成，第一部分是ot的獲取，第二部分則由ot和激活函數(shù)組成。

ot=σ(Wxoxt+Whoht-1+bo)

(9)

ht=ot×tanh(Ct)

(10)

式中:σ、tanh為激活函數(shù)；Wxi、Wxf、Wxc、Wxo分別為輸入層到隱含層的權(quán)重系數(shù)；Whi、Whf、Whc、Who分別為遞歸連接的權(quán)重系數(shù)；bi、bf、bc、bo分別為偏置。

2) 實(shí)現(xiàn)流程

本文基于LSTM模型擬合溫度、運(yùn)行功率、數(shù)據(jù)電平和驅(qū)動電流之間的關(guān)系，實(shí)現(xiàn)驅(qū)動電流的預(yù)測，具體訓(xùn)練流程如圖4所示。

圖4 預(yù)測流程圖

在訓(xùn)練過程中，選擇平均絕對誤差(MAE)評價(jià)模型的精確性，MAE計(jì)算公式為：

(11)

式中:n為驅(qū)動電流的個(gè)數(shù);xt為t時(shí)刻驅(qū)動電流的真實(shí)值;yt為基于時(shí)間序列所建立的預(yù)測模型所預(yù)測的t時(shí)刻的驅(qū)動電流的預(yù)測值。

3 算例分析

3.1 多維度評價(jià)

本文搜集某換流站直流測量實(shí)際數(shù)據(jù)作為樣本集。雙極直流輸電系統(tǒng)中包括180個(gè)測點(diǎn)，樣本集涵蓋2018年12月—2019年10月運(yùn)維抄錄數(shù)據(jù)，樣本間隔1 h。狀態(tài)量包括驅(qū)動電流、數(shù)據(jù)電平、溫度以及有功功率。其中極一高端直流測量驅(qū)動電流監(jiān)測趨勢如圖5所示。

圖5 極一高端驅(qū)動電流監(jiān)測數(shù)據(jù)

3.2 驅(qū)動電流預(yù)測

在某換流站樣本數(shù)據(jù)搜集的基礎(chǔ)上，搭建基于LSTM算法模型和仿真環(huán)境，對數(shù)據(jù)進(jìn)行離線化訓(xùn)練，訓(xùn)練后的模型封裝嵌入到預(yù)警系統(tǒng)。

模型訓(xùn)練中，采用ADAM優(yōu)化算法，模型學(xué)習(xí)率初值定為0.01，輸入維度為4，輸出節(jié)點(diǎn)為1，將所有矩陣初始化，誤差閾值設(shè)定為2×10-2，迭代次數(shù)epoch為80次，dropout為0.2，batch size為50。當(dāng)訓(xùn)練樣本小于誤差閾值時(shí)，得到輸出驅(qū)動電流值，訓(xùn)練結(jié)束。

以其中一個(gè)測點(diǎn)的驅(qū)動電流為例進(jìn)行分析，圖6為測試集和訓(xùn)練集在80次迭代過程中的平均誤差曲線?？梢钥闯觯谟?xùn)練達(dá)到40個(gè)epoch之后，損失保持穩(wěn)定在1.83%。

圖6 平均誤差曲線圖

將數(shù)據(jù)導(dǎo)入模型進(jìn)行預(yù)測，并與真實(shí)值對比，且同時(shí)以自回歸移動平均預(yù)測模型(ARIMA)作為對照組進(jìn)行試驗(yàn)來驗(yàn)證LSTM預(yù)測模型的精確性，預(yù)測及對比結(jié)果如圖7所示。

圖7 不同模型預(yù)測結(jié)果

從圖7可以看出，兩種預(yù)測模型均可模擬出驅(qū)動電流的變化趨勢。LSTM預(yù)測模型能夠很好地跟蹤驅(qū)動電流的變化趨勢，只是在波峰與波谷處與真實(shí)曲線的擬合存在較小偏差，整體預(yù)測誤差為2.608 9%；而ARIMA模型在驅(qū)動電流實(shí)際值發(fā)生波動并持續(xù)降低時(shí)，預(yù)測結(jié)果與實(shí)際值之間存在較大偏差，其測試集MAE評價(jià)指標(biāo)結(jié)果為36 mA，遠(yuǎn)高于LSTM的9.27 mA。

造成這種現(xiàn)象的原因主要是ARIMA模型依賴于數(shù)據(jù)或差分后數(shù)據(jù)的規(guī)律性，受隨機(jī)波動數(shù)據(jù)的影響較大，且ARIMA模型不具備“選擇性遺忘”能力，故在該數(shù)據(jù)集下的模型精確度不夠高。相比之下基于LSTM的預(yù)測誤差較低，精度更高，可以更好地?cái)M合出實(shí)際驅(qū)動電流結(jié)果值的變化趨勢。

4 結(jié)束語

本文針對直流測量監(jiān)測量狀態(tài)估計(jì)和趨勢預(yù)測問題，提出了一種基于多維度分析和長短期記憶網(wǎng)絡(luò)的預(yù)測算法。通過理論研究和算例分析可得如下結(jié)論。

(1) 從工程應(yīng)用角度出發(fā)，在現(xiàn)有運(yùn)維閾值診斷基礎(chǔ)上，針對直流測量的驅(qū)動電流和數(shù)據(jù)電平采用時(shí)序趨勢分析和離群點(diǎn)檢測方法進(jìn)行診斷并識別異常測點(diǎn)，輔助運(yùn)維檢修人員決策和檢修。

(2) 針對趨勢預(yù)測，以實(shí)際換流站直流測量數(shù)據(jù)為樣本，結(jié)合運(yùn)行功率，構(gòu)建了一種多輸入-單輸出的LSTM驅(qū)動電流預(yù)測模型，對比同一樣本集下的傳統(tǒng)時(shí)間序列預(yù)測模型，平均絕對誤差降低33 mA，驗(yàn)證了模型的有效性和可行性。