呂大青，楊歡紅，杜浩良，李策策，徐良凱，朱子葉

基于小波KPCA與Bi-LSTM的特高壓換流站測控裝置健康評估和預(yù)測

呂大青1，楊歡紅2，杜浩良1，李策策1，徐良凱1，朱子葉2

(1.國網(wǎng)浙江省電力有限公司金華供電公司，浙江 金華 321000；2.上海電力大學(xué)，上海 200090)

特高壓換流站測控裝置作為模擬量非線性、傳輸轉(zhuǎn)換高要求的二次設(shè)備，目前的評估和預(yù)測方法不完全適用于測控裝置的健康分析。提出了一種基于小波核主元(kernel principal component analysis, KPCA)分析和雙向長短期記憶網(wǎng)絡(luò)(bi-directional long short-term memory, Bi-LSTM)結(jié)合的健康評估和預(yù)測方法。通過引入小波核函數(shù)，以提高KPCA對健康狀態(tài)影響因素進行特征提取的能力。通過第一核主元建立健康指數(shù)，以評估測控裝置狀態(tài)變化。通過構(gòu)建Bi-LSTM網(wǎng)絡(luò)模型以輸入特征信息達到健康預(yù)測目的。以浙江某換流站采集到的真實數(shù)據(jù)作為樣本，通過實驗數(shù)據(jù)進行了對比分析。結(jié)果表明，該方法可以提升多維健康監(jiān)測數(shù)據(jù)的準確評估和預(yù)測精度，為檢修人員制定檢修策略提供科學(xué)參考。

特高壓換流站測控裝置；小波核主元；雙向長短期記憶網(wǎng)絡(luò)；健康評估預(yù)測

0 引言

隨著能源建設(shè)的不斷加快，特高壓換流站運行可靠性愈加重要[1-3]。測控裝置作為特高壓換流站的關(guān)鍵設(shè)備之一，經(jīng)長時間高強度運行易導(dǎo)致隱患，造成健康狀態(tài)下降，危及換流站安全運行。特高壓換流站具有模擬量信號種類多、弱電信號多及信號實時性要求高的特點，對測控裝置提出更高的要求。測控裝置無法同標準繼電保護設(shè)備一樣進行頻繁校驗，然而日常運維不容忽視，且如果測控裝置存在潛在異常，將給換流站的監(jiān)控與操作帶來較大隱患。因此，特高壓換流站測控裝置健康狀態(tài)的準確評估和預(yù)測，對于提高換流站穩(wěn)定性、降低運維成本具有現(xiàn)實意義。

特高壓換流站測控裝置作為模擬量非線性、傳輸轉(zhuǎn)換高要求的二次設(shè)備，目前的評估和預(yù)測研究不完全適用于測控裝置的健康分析。現(xiàn)有的技術(shù)方法主要為層次分析法[4-5]和數(shù)據(jù)驅(qū)動法[6-8]。層次分析法主要通過建立評價指標，計算指標權(quán)重，或引入模糊評價模型，基于對權(quán)重矩陣和評價矩陣的融合計算達到狀態(tài)評估的目的。但其指標權(quán)重值的確定主觀性較大，降低了科學(xué)嚴謹性。數(shù)據(jù)驅(qū)動法從設(shè)備或系統(tǒng)外部特性的歷史數(shù)據(jù)中挖掘性能變化規(guī)律，然而對于多成分的模擬量不能有效提取特征信息。上述文獻方法增加了監(jiān)測數(shù)據(jù)計算的復(fù)雜性，同時忽略了數(shù)據(jù)點之間的時序關(guān)聯(lián)性，降低了數(shù)據(jù)的利用率。

近年來，成分分析和神經(jīng)網(wǎng)絡(luò)的發(fā)展為評估預(yù)測方法提供了新思路并取得了理想效果[9-12]。主成分分析(principal component analysis, PCA)對于線性高維數(shù)據(jù)的特征提取表現(xiàn)良好，而對于工程非線性數(shù)據(jù)存在局限[13]。文獻[14]提出一種基于PCA原理的核電廠傳感器狀態(tài)監(jiān)測技術(shù)，改善了物理冗余方法的缺點；進而，有學(xué)者提出核主元分析(kernel principal component analysis, KPCA)，為非線性系統(tǒng)的特征提取給予解決方案。文獻[15]利用KPCA對運行狀態(tài)參數(shù)數(shù)據(jù)約簡，降維后選取重要特征參數(shù)建立評估指標。循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)兼具考慮當前時刻輸入和上一時刻反饋的特點，在時間序列預(yù)測方面更具有優(yōu)越性，多適用于短期時間序列。為了解決長序列在RNN訓(xùn)練過程中的梯度消失和梯度爆炸問題，文獻[16-17]提出了一種基于長短期記憶網(wǎng)絡(luò)(long short- term memory, LSTM)模型的時間序列預(yù)測方法。LSTM可有效克服訓(xùn)練過程中長期依賴的問題[18-19]。雙向長短時記憶(bi-directional long short-term memory, Bi-LSTM)預(yù)測方法兼具考慮預(yù)測時刻數(shù)據(jù)信息的前后規(guī)律，進一步提高了預(yù)測精度，與LSTM網(wǎng)絡(luò)相比，數(shù)據(jù)的時序性更強。

基于此，本文提出一種利用多特征指標的測控裝置健康狀態(tài)評估與預(yù)測方法。通過引入小波核函數(shù)，以提高KPCA對健康狀態(tài)影響因素進行特征提取的能力；通過第一核主元建立健康指數(shù)，評估測控裝置狀態(tài)變化；通過構(gòu)建Bi-LSTM網(wǎng)絡(luò)模型，以輸入特征信息達到健康預(yù)測目的。將本文方法應(yīng)用于浙江某特高壓換流站實際案例中，通過實驗數(shù)據(jù)對比分析表明，本文所提方法評估準確、預(yù)測良好。

1 基于小波KPCA的健康評估

1.1 裝置特征集構(gòu)建

為保證測控裝置運行的穩(wěn)定性，在系統(tǒng)內(nèi)布置了數(shù)量較多的模擬量測點。單個測控裝置約有50個模擬量通道，100個開關(guān)量通道?？紤]特高壓換流站外部運行環(huán)境隨機因素的影響，監(jiān)測到的參數(shù)(包括裝置運行溫濕度、電磁噪聲及環(huán)境濕度等)出現(xiàn)波動，致使健康參數(shù)存在失穩(wěn)。健康指數(shù)表征測控裝置健康變化趨勢的量化指標，而不同測控裝置的監(jiān)測信號中包含的種類和數(shù)目有差異，同時包含大量無法表征下降趨勢的模擬信息。因此，本節(jié)對通道信號做了初步特征提取，保留了能夠反映變化趨勢的單調(diào)性特征參數(shù)，保證了構(gòu)建裝置特征集的有效性。

對于長度為的信號，時域上包含均值、標準差、偏度、峰度、峰峰值、均方根、能量、脈沖因子、波峰因子、形狀因子和邊際因子在內(nèi)的11種常用特征；對信號作短時傅里葉變換后，頻域上包含sk均值、sk標準差、sk偏度、sk峰度4種特征[23-25]。設(shè)備特征量的單調(diào)性(Monotonicity)判斷公式如式(1)所示。

換流站運行40天，每天定時對測控裝置信號采集存數(shù)，對不能反映換流站測控裝置運行工況的指標參數(shù)剔除處理，選取單調(diào)性突出的5種特征參數(shù)。

1.2 小波KPCA分析法

核主元分析是在主成分分析的基礎(chǔ)上進行改良的。PCA法對于特高壓換流站在工程實踐中非線性過程的應(yīng)用效果不理想。而KPCA法利用非線性映射函數(shù)可將原始數(shù)據(jù)映射至高維空間后進行主元提取。為更好地對裝置整體健康影響因素進行特征提取，對本節(jié)構(gòu)建的特征集選取適當?shù)暮撕瘮?shù)進行核主元分析。

設(shè)原始輸入數(shù)據(jù)集，構(gòu)成原始空間，利用非線性核函數(shù)映射到高維線性特征空間，則中的協(xié)方差矩陣表示為

則其對應(yīng)的特征方差可表示

引入小波核函數(shù)提高KPCA的非線性數(shù)據(jù)處理能力，并由Morlet母小波函數(shù)推導(dǎo)得出，Morlet母小波函數(shù)如式(4)所示。

由式(2)、式(3)、式(6)、式(7)可得到式(8)。

1.3 健康指數(shù)構(gòu)建及健康評估

健康指數(shù)值越高表示測控裝置運行工況的健康狀態(tài)越好。1表示裝置運行處于最佳狀態(tài)，0表示裝置完全失靈。根據(jù)現(xiàn)場運行工況，對健康指數(shù)進行等級劃分，由于存在對于通信誤碼率、電源卡件穩(wěn)壓精度等均缺失考核依據(jù)的情況，依據(jù)運行經(jīng)驗對健康指數(shù)進行分級，一般而言，1到3級狀態(tài)下裝置仍舊能正常工作，僅出現(xiàn)非直接功能缺失的健康度下滑征兆，如卡件運行溫度偏高、通信誤碼率短期顯著升高等；4級以上則伴隨裝置自檢能發(fā)現(xiàn)的異?；蚬收希缒M量測量超差或模擬量開關(guān)量個別通道完全失效(一般需要搶修才能恢復(fù))。因此，將健康指數(shù)定量評估與運行狀態(tài)定性評價等級進行映射，特高壓換流站測控裝置運行工況的健康狀況可劃分為5個等級，如表1所示。

表1 健康指數(shù)等級劃分

2 基于Bi-LSTM的健康預(yù)測

2.1 Bi-LSTM網(wǎng)絡(luò)

對特高壓換流站測控裝置運行的健康狀態(tài)進行預(yù)測是根據(jù)換流站的當前狀態(tài)預(yù)測發(fā)展趨勢，為后續(xù)維修計劃提供依據(jù)，保障換流站的安全可靠運行。

LSTM網(wǎng)絡(luò)通過對細胞狀態(tài)中信息的遺忘和新信息的記憶，傳遞后續(xù)時刻計算的有效信息，達到利用已知數(shù)據(jù)推出未知信息的目的，提高時間序列的處理性能[26]，序列信息經(jīng)過記憶單元時，其正向傳播如式(11)—式(16)所示[27]。LSTM網(wǎng)絡(luò)單元示意圖如圖1所示。

圖1 LSTM網(wǎng)絡(luò)單元示意圖

Bi-LSTM則由兩個方向相反的LSTM網(wǎng)絡(luò)構(gòu)成，包含過去時刻的信息規(guī)律和未來序列的有效預(yù)測，其網(wǎng)絡(luò)單元示意圖如圖2所示。在測控裝置運行工況監(jiān)測過程中，采集存數(shù)表現(xiàn)出時序性，因此可基于Bi-LSTM網(wǎng)絡(luò)對裝置運行工況的健康狀態(tài)進行預(yù)測。輸出結(jié)果如式(17)—式(19)所示。

圖2 Bi-LSTM 網(wǎng)絡(luò)單元示意圖

2.2 評價指標

3 算法框架

根據(jù)前文所述，本文總的流程可分為對換流站測控裝置的健康評估和健康預(yù)測兩個階段，如圖3所示。具體步驟如下。

圖3 總體算法流程

1) 獲取1.2節(jié)所述特高壓測控裝置樣本數(shù)據(jù)，進行預(yù)處理，并構(gòu)建特征參數(shù)序列。

3) 根據(jù)表1分級對各測控裝置進行健康狀態(tài)評估，按照測控裝置狀態(tài)發(fā)出對應(yīng)報告，包括裝置失靈、嚴重警報、普通警報、提示和正常運行。

4) 構(gòu)建Bi-LSTM網(wǎng)絡(luò)，狀態(tài)激勵函數(shù)采用sigmoid函數(shù)，門激勵函數(shù)采用tanh函數(shù)，具體如式(22)和式(23)所示。

5) 利用前向LSTM計算初始時刻至?xí)r刻每個單元的輸出；利用后向LSTM計算反向時刻輸出，結(jié)合以上輸出最終結(jié)果。

4 算例分析

4.1 參數(shù)選取

為驗證基于小波KPCA和Bi-LSTM的健康指數(shù)評估和預(yù)測方法的有效性，本文以浙江某±800 kV特高壓換流站的部分真實運行數(shù)據(jù)作為樣本進行驗證。包含該換流站極1低端閥廳18套測控裝置C01—C18的5個特征指標全部測點。該換流站測點的測控裝置于2021年8月16日經(jīng)人工巡查發(fā)現(xiàn)某測控裝置故障，并及時更換，選取2021年8月2日—9月10日共40天的指標采樣數(shù)據(jù)。

4.2 測控裝置健康評估

監(jiān)測數(shù)據(jù)的單調(diào)性計算結(jié)果如表2所示。選取單調(diào)性突出的5種特征參數(shù)進行核主元分析。其方差貢獻率和累計方差貢獻率如表3所示。分析可知當核主元個數(shù)為3個時，累計方差貢獻率達93.587%，其中換流站測控裝置運行工況的第一核主元KPCA1的貢獻率為90.589%，包含了裝置工況特征集的大部分信息；第二、三核主元KPCA2、KPCA3的貢獻率分別為2.362%和0.636%，因此第一核主元KPCA1可表示測控裝置運行工況的健康狀態(tài)變化過程。

表2 特征單調(diào)性

表3 KPCA貢獻率

根據(jù)表1對換流站的健康指數(shù)劃分，選取圖4中3個具有代表性的測控裝置(C02，C08和C15)數(shù)據(jù)進行健康指數(shù)分析?？梢钥闯?，C02在40天內(nèi)的健康指數(shù)良好，測控裝置保持穩(wěn)定運行，受外界物理因素影響，數(shù)據(jù)發(fā)生輕微浮動；C08初期呈現(xiàn)異常，從第10天開始健康指數(shù)急劇下降，測控裝置嚴重故障甚至完全失靈，因此數(shù)據(jù)出現(xiàn)大范圍波動，應(yīng)進行維修或更換裝置；C15運行狀況優(yōu)于C08，但仍需保持關(guān)注，采取保養(yǎng)或做相應(yīng)調(diào)整。

圖4 健康指數(shù)曲線

4.3 測控裝置健康預(yù)測

采用Bi-LSTM對特高壓換流站測控裝置健康狀態(tài)曲線趨勢預(yù)測效果的評價指標，如表4所示。Bi-LSTM網(wǎng)絡(luò)采用第4.2節(jié)40天數(shù)據(jù)的前30組數(shù)據(jù)構(gòu)建訓(xùn)練集，對第30～40天的健康指數(shù)變化趨勢進行預(yù)測。Bi-LSTM網(wǎng)絡(luò)參數(shù)設(shè)置如下：模型訓(xùn)練迭代次數(shù)為500，學(xué)習(xí)率為0.005。計算機性能參數(shù)：Intel(R)Core(TM) i7-8700 3.20 GHz，16 G內(nèi)存。

不同核函數(shù)的預(yù)測結(jié)果相對誤差分析如表5所示。由表5可知，經(jīng)小波KPCA的各模型預(yù)測性能比經(jīng)高斯KPCA的各模型預(yù)測性能更優(yōu)，且經(jīng)小波KPCA的LSTM、Bi-LSTM的預(yù)測結(jié)果相對誤差平均值比經(jīng)高斯KPCA分別降低了1.6469%和0.6295%，反映了小波KPCA在特征提取方面的優(yōu)越性。

表4 測控裝置健康指數(shù)預(yù)測結(jié)果評價指標

表5 不同核函數(shù)健康指數(shù)下降速率相對誤差分析

LSTM與Bi-LSTM的網(wǎng)絡(luò)模型預(yù)測結(jié)果評價指標對比如表6所示，其中LSTM網(wǎng)絡(luò)選用相同的網(wǎng)絡(luò)參數(shù)設(shè)置。3組樣本結(jié)果顯示：Bi-LSTM方均根誤差小于LSTM的方均根誤差，Bi-LSTM判定系數(shù)大于LSTM的判斷系數(shù)；Bi-LSTM的判定系數(shù)平均值在0.99以上，趨近于1。此外，從圖5可以看出，Bi-LSTM 算法的預(yù)測結(jié)果對比LSTM更好。由此證明，該方法預(yù)測效果更佳，適用于特高壓換流站測控裝置的健康預(yù)測。

表6 兩種網(wǎng)絡(luò)模型預(yù)測結(jié)果評價指標

5 結(jié)語

準確評估和預(yù)測換流站測控裝置的健康狀態(tài)能夠保證特高壓換流站安全可靠運行。本文提出了一種基于小波KPCA與Bi-LSTM的特高壓換流站測控裝置健康評估和預(yù)測方法。

1) 通過小波KPCA對特征集分析和數(shù)據(jù)約簡，特征提取能力優(yōu)于高斯KPCA。降維后第一核主元構(gòu)建健康指數(shù)能較準確地反映特高壓換流站測控裝置的健康狀態(tài)。構(gòu)建Bi-LSTM網(wǎng)絡(luò)模型預(yù)測健康狀態(tài)變化，較傳統(tǒng)LSTM網(wǎng)絡(luò)預(yù)測法效果更佳。

2) 經(jīng)實際工程算例驗證了該狀態(tài)評估方法能夠客觀合理地評估測控裝置健康狀態(tài)，同時能夠較準確地進行健康預(yù)測，為檢修人員制定檢修策略提供科學(xué)參考。

[1] 張偉晨, 熊永新, 李程昊, 等. 基于改進VDCOL的多饋入直流系統(tǒng)連續(xù)換相失敗抑制及協(xié)調(diào)恢復(fù)[J]. 電力系統(tǒng)保護與控制, 2020, 48(13): 63-72.

ZHANG Weichen, XIONG Yongxin, LI Chenghao, et al. Continuous commutation failure suppression and coordinated recovery of multi-infeed DC system based on improved VDCOL[J]. Power System Protection and Control, 2020, 48(13): 63-72.

[2] 李欣悅, 李鳳婷, 尹純亞, 等. 直流雙極閉鎖故障下送端系統(tǒng)暫態(tài)過電壓計算方法[J]. 電力系統(tǒng)保護與控制, 2021, 49(1): 1-8.

LI Xinyue, LI Fengting, YIN Chunya, et al. Transient overvoltage calculation method of HVDC sending-end system under DC bipolar blocking[J]. Power System Protection and Control, 2021, 49(1): 1-8.

[3] 莫靜山, 顏偉, 文旭, 等. 考慮換流站獨立控制約束的交直流系統(tǒng)靜態(tài)無功優(yōu)化方法[J]. 電力系統(tǒng)自動化, 2021, 45(15): 77-84.

MO Jingshan, YAN Wei, WEN Xu, et al. Optimization method for static reactive power of AC/DC system considering independent control constraints of converter station[J]. Automation of Electric Power Systems, 2021, 45(15): 77-84.

[4] 劉軼, 張毅明, 高昆, 等. 基于安全風(fēng)險概率的雙特高壓直流饋入網(wǎng)架關(guān)鍵斷面通道檢修評估方法研究[J]. 電力系統(tǒng)保護與控制, 2021, 49(17): 57-64.

LIU Yi, ZHANG Yiming, GAO Kun, et al. Research on a maintenance evaluation method of the key section channel of a double UHVDC feed in a grid based on safety risk probability[J]. Power System Protection and Control, 2021, 49(17): 57-64.

[5] 魏雯. 基于權(quán)重調(diào)整-AHP法的電能表黑屏共因失效關(guān)鍵因素評價[J]. 電測與儀表, 2021, 58(9): 180-186.

WEI Wen. Evaluation of CCF of electric energy meter with black screen based on weight adjustment-AHP method[J]. Electrical Measurement & Instrumentation, 2021, 58(9): 180-186.

[6] 劉月峰, 張公, 張晨榮, 等. 鋰離子電池RUL預(yù)測方法綜述[J]. 計算機工程, 2020, 46(4): 11-18.

LIU Yuefeng, ZHANG Gong, ZHANG Chenrong, et al. Review of RUL prediction method for lithium-ion batteries[J]. Computer Engineering, 2020, 46(4): 11-18.

[7] 黃天恩, 郭慶來, 孫宏斌, 等. 模型-數(shù)據(jù)混合驅(qū)動的電網(wǎng)安全特征選擇和知識發(fā)現(xiàn)關(guān)鍵技術(shù)與工程應(yīng)用[J]. 電力系統(tǒng)自動化, 2019, 43(1): 95-101, 208.

HUANG Tian’en, GUO Qinglai, SUN Hongbin, et al. Hybrid model and data driven concepts for power system security feature selection and knowledge discovery: key technologies and engineering application[J]. Automation of Electric Power Systems, 2019, 43(1): 95-101, 208.

[8] 黃燾, 彭科, 程旭, 等. 車聯(lián)網(wǎng)環(huán)境下充電樁健康狀態(tài)綜合評估與短期預(yù)測方法研究[J]. 電力信息與通信技術(shù), 2022, 20(7): 109-116.

HUANG Tao, PENG Ke, CHENG Xu, et al. Research on comprehensive evaluation and prediction method of health status of charging pile in internet of vehicles environment[J]. Electric Power Information and Communication Technology, 2022, 20(7): 109-116.

[9]MING H, XIA B, LEE K Y, et al. Prediction and assessment of demand response potential with coupon incentives in highly renewable power systems[J]. Protection and Control of Modern Power Systems, 2020, 5(2): 124-137.

[10]MADHIARASAN M. Accurate prediction of different forecast horizons wind speed using a recursive radial basis function neural network[J]. Protection and Control of Modern Power Systems, 2020, 5(3): 230-238.

[11] 趙允文, 李鵬, 孫煜皓, 等. 基于相空間重構(gòu)和隨機配置網(wǎng)絡(luò)的電力負荷短期預(yù)測[J]. 電力建設(shè), 2021, 42(9): 120-128.

ZHAO Yunwen, LI Peng, SUN Yuhao, et al. Short-term power load forecasting based on phase space reconstruction and stochastic configuration networks[J]. Electric Power Construction, 2021, 42(9): 120-128.

[12] 王鵬翔, 沈娟, 王菁旸, 等. 基于PCA-LMD-WOA- ELM的短期光伏功率預(yù)測[J]. 智慧電力, 2022, 50(6): 72-78.

WANG Pengxiang, SHEN Juan, WANG Jingyang, et al. Short term photovoltaic power prediction based on PCA-LMD-WOA-ELM[J]. Smart Power, 2022, 50(6): 72-78.

[13]鄔程歡, 賀民, 龔明波, 等. 基于極限區(qū)間與改進PCA-SOM的電氣運行參數(shù)對專變健康影響的量化評價方法[J]. 電力系統(tǒng)保護與控制, 2021, 49(17): 101-108.

WU Chenghuan, HE Min, GONG Mingbo, et al. Quantitative evaluation based on limit interval and improved PCA-SOM of electrical operating parameter health status of a special transformer[J]. Power System Protection and Control, 2021, 49(17): 101-108.

[14] 于海波, 王春雨, 袁曉蕾, 等. 基于PCA-SVR的電能計量裝置誤差評估算法[J]. 電測與儀表, 2020, 57(19): 140-145.

YU Haibo, WANG Chunyu, YUAN Xiaolei, et al. Error assessment algorithms for electric energy metering devices based on PCA-SVR[J]. Electrical Measurement & Instrumentation, 2020, 57(19): 140-145.

[15] 姜興華, 韓萬里, 茅大鈞. 基于核主元分析和GRU神經(jīng)網(wǎng)絡(luò)的電站輔機故障預(yù)警研究[J]. 熱能動力工程, 2021, 36(7): 93-98.

JIANG Xinghua, HAN Wanli, MAO Dajun. Research on fault warning of power station auxiliary equipment based on kernel principal component analysis and GRU neural network[J]. Journal of Engineering for Thermal Energy and Power, 2021, 36(7): 93-98.

[16] ZHANG B, ZHANG S H, LI W H. Bearing performance degradation assessment using long short-term memory recurrent network[J]. Computers in Industry, 2019, 106: 14-29.

[17] LI X Q, JIANG H K, XIONG X, et al. Rolling bearing health prognosis using a modified health index based hierarchical gated recurrent unit network[J]. Mechanism and Machine Theory, 2019, 133: 229-249.

[18] LEE G S, SU S B, MANTOOTH H A, et al. Condition monitoring of 154 kV HTS cable systems via temporal sliding LSTM networks[J]. IEEE Access, 2020, 8:144352-144361.

[19] 薛溟楓, 毛曉波, 潘湧濤, 等. 基于LSTM神經(jīng)網(wǎng)絡(luò)的電動汽車充電站需求響應(yīng)特性封裝及配電網(wǎng)優(yōu)化運行[J]. 電力建設(shè), 2021, 42(6): 76-85.

XUE Mingfeng, MAO Xiaobo, PAN Yongtao, et al. Demand response package model of electric vehicle charging station based on LSTM neural network and optimal operation of distribution network[J]. Electric Power Construction, 2021, 42(6): 76-85.

[20] ZHENG S, RISTOVSKI K, FARAHAT A, et al. Long short-term memory network for remaining useful life estimation[C] // International Conference on Prognostics and Health Management, June 19-21, 2017, Dallas, TX, USA: 88-95.

[21] 陳錦鵬, 胡志堅, 陳緯楠, 等. 二次模態(tài)分解組合DBiLSTM-MLR的綜合能源系統(tǒng)負荷預(yù)測[J]. 電力系統(tǒng)自動化, 2021, 45(13): 85-94.

CHEN Jinpeng, HU Zhijian, CHEN Weinan, et al. Load prediction of integrated energy system based on combination of quadratic modal decomposition and deep bidirectional long short-term memory and multiple linear regression[J]. Automation of Electric Power Systems, 2021, 45(13): 85-94.

[22] 謝小瑜, 周俊煌, 張勇軍, 等. 基于W-BiLSTM的可再生能源超短期發(fā)電功率預(yù)測方法[J]. 電力系統(tǒng)自動化, 2021, 45(8): 175-184.

XIE Xiaoyu, ZHOU Junhuang, ZHANG Yongjun, et al. W-BiLSTM based ultra-short-term generation power prediction method of renewable energy[J]. Automation of Electric Power Systems, 2021, 45(8): 175-184.

[23] 李振恩, 張新燕, 胡威, 等. 基于健康指數(shù)的風(fēng)電機組高速軸軸承狀態(tài)評估與預(yù)測[J]. 太陽能學(xué)報, 2021, 42(10): 290-297.

LI Zhen'en, ZHANG Xinyan, HU Wei, et al. State assessments and prediction of wind turbine high speed shaft bearing based on health index[J]. Acta Energiae Solaris Sinica, 2021, 42(10): 290-297.

[24] 彭躍輝, 武艷蒙, 王巖妹, 等. 基于半監(jiān)督學(xué)習(xí)的斷路器彈簧機構(gòu)機械特性監(jiān)測及狀態(tài)評估技術(shù)研究[J]. 高壓電器, 2022, 58(5): 95-102, 111.

PENG Yuehui, WU Yanmeng, WANG Yanmei, et al. Research on mechanical characteristics monitoring and condition assessment technology of spring mechanism for circuit breaker based on semi supervised learning[J]. High Voltage Apparatus, 2022, 58(5): 95-102, 111.

[25] 周玉彬, 肖紅, 王濤, 等. 基于動作周期退化相似性度量的機械軸健康指標構(gòu)建與剩余壽命預(yù)測[J]. 計算機應(yīng)用, 2021, 41(11): 3192-3199.

ZHOU Yubin, XIAO Hong, WANG Tao, et al. Health index construction and remaining useful life prediction of mechanical axis based on action cycle degradation similarity measurement[J]. Journal of Computer Applications, 2021, 41(11): 3192-3199.

[26] 莊家懿, 楊國華, 鄭豪豐, 等. 基于多模型融合的CNN-LSTM-XGBoost短期電力負荷預(yù)測方法[J]. 中國電力, 2021, 54(5): 46-55.

ZHUANG Jiayi, YANG Guohua, ZHENG Haofeng, et al. Short-term load forecasting method based on multi- model fusion using CNN-LSTM-XGBoost framework[J]. Electric Power, 2021, 54(5): 46-55.

[27]楊龍, 吳紅斌, 丁明, 等. 新能源電網(wǎng)中考慮特征選擇的Bi-LSTM網(wǎng)絡(luò)短期負荷預(yù)測[J]. 電力系統(tǒng)自動化, 2021, 45(3): 166-173.

YANG Long, WU Hongbin, DING Ming, et al. Short-term load forecasting in renewable energy grid based on bi-directional long short-term memory network considering feature selection[J]. Automation of Electric Power Systems, 2021, 45(3): 166-173.

[28] 梁海峰, 袁芃, 高亞靜. 基于CNN-Bi-LSTM網(wǎng)絡(luò)的鋰離子電池剩余使用壽命預(yù)測[J]. 電力自動化設(shè)備, 2021, 41(10): 213-219.

LIANG Haifeng, YUAN Peng, GAO Yajing. Remaining useful life prediction of lithium-ion battery based on CNN-Bi-LSTM network[J]. Electric Power Automation Equipment, 2021, 41(10): 213-219.

[29] 馮斌, 張又文, 唐昕, 等. 基于BiLSTM-Attention神經(jīng)網(wǎng)絡(luò)的電力設(shè)備缺陷文本挖掘[J]. 中國電機工程學(xué)報, 2020, 40(增刊1): 1-10.

FENG Bin, ZHANG Youwen, TANG Xin, et al. Power equipment defect record text mining based on BiLSTM- Attention neural network[J]. Proceedings of the CSEE, 2020, 40(S1): 1-10.

Health status assessment and prediction of operational condition of a measurement and control device in a UHV converter station based on KPCA and Bi-LSTM

Lü Daqing1, YANG Huanhong2, DU Haoliang1, LI Cece1, XU Liangkai1, ZHU Ziye2

(1. Jinhua Power Supply Company, State Grid Zhejiang Electric Power Co., Ltd., Jinhua 321000, China; 2. Shanghai University of Electric Power, Shanghai 200090, China)

The measurement and control device of a UHV converter station is a piece of secondary equipment with nonlinear analog and high requirements for transmission and conversion. The current evaluation and prediction methods are not fully suitable for the analysis of such a device. A health assessment and prediction method based on wavelet kernel principal component analysis (KPCA) and a bidirectional long-term and short-term memory network (Bi-LSTM) is proposed. The wavelet kernel function is introduced to improve KPCA's feature extraction of influencing factors on the state of health. A health index is established through the first nuclear principal component to evaluate the state change of the device. The purpose of health prediction is achieved by constructing a Bi-LSTM network model to input characteristics information. Taking the real data collected by a converter station in Zhejiang as the sample, the experimental data are compared and analyzed. The results show that this method can improve the accurate evaluation and prediction accuracy of multidimensional health monitoring data, and provide a scientific reference for maintenance personnel in formulating maintenance strategies.

UHV converter station measurement and control device; wavelet kernel principal component; bidirectional long-term and short-term memory network; health assessment and prediction

10.19783/j.cnki.pspc.220031

國家自然科學(xué)基金項目資助(51777119)

This work is supported by the National Natural Science Foundation of China (No. 51777119).

2022-02-08；

2022-07-03

呂大青(1973—)，男，碩士，高級工程師，主要研究方向為電力工程及設(shè)備的設(shè)計及安裝調(diào)試，新能源發(fā)電技術(shù)。E-mail: 478090368@qq.com

楊歡紅(1965—)，女，碩士，副教授，碩士生導(dǎo)師，主要研究方向為電力系統(tǒng)優(yōu)化調(diào)度與控制，可再生能源發(fā)電技術(shù)。E-mail: yanghuanhong0907@163.com

(編輯 姜新麗)