杜 濤，王朝龍，朱 靖，趙健勃，馬 麒，劉勃君

(1.國網(wǎng)青海省電力公司 西寧供電公司，青海 西寧 813000；2.國網(wǎng)青海省電力公司，青海 西寧 813000； 3.國網(wǎng)青海省電力公司 信息通信公司，青海 西寧 813000；4.上海邁內(nèi)能源科技有限公司，上海 200000)

因變壓設(shè)備在線監(jiān)測數(shù)據(jù)具有類型繁多、體量大等特點，引用大數(shù)據(jù)技術(shù)開展在線監(jiān)測數(shù)據(jù)異常檢測過程中，便于深入挖掘在線監(jiān)測數(shù)據(jù)中的異常信息。近些年，大數(shù)據(jù)技術(shù)在互聯(lián)網(wǎng)、物流等多個領(lǐng)域得到廣泛的應(yīng)用，展現(xiàn)出較高的應(yīng)用價值。對電力設(shè)備進行異常檢測過程中，引入大數(shù)據(jù)技術(shù)能夠為設(shè)備異常檢測準(zhǔn)確性提供新的解決思路和方法，便于及時解決傳統(tǒng)閾值方式難以輕易提取故障預(yù)警特征的不足之處。為有效解決變電站變壓設(shè)備在線監(jiān)測多元數(shù)據(jù)開展異常檢測，文中提出一種基于k-means聚類算法創(chuàng)建多元特征量數(shù)據(jù)點中的異常檢測模型，便于及時檢出異常點，確保電力系統(tǒng)穩(wěn)定的運行。

1 變壓設(shè)備異常常用的診斷方式

在電力系統(tǒng)各類電氣設(shè)備內(nèi)，變壓器是電力系統(tǒng)重要的樞紐設(shè)備，其能夠正常的運行是確保電力系統(tǒng)安全工作的關(guān)鍵。因變壓器長時間連續(xù)的運行，不可避免的會出現(xiàn)一系列故障。加之，變壓器結(jié)構(gòu)比較復(fù)雜，出現(xiàn)異常均會引發(fā)多種故障，一種異常也會在不同程度上出現(xiàn)多種故障狀態(tài)?；诖?，設(shè)法減少、預(yù)防變壓器出現(xiàn)故障，確保變壓器正常的運行，成為電力企業(yè)迫切需要解決的問題。外觀檢查、高壓電氣實驗等均是收集變壓器狀態(tài)信息常用的檢測方法，上述方式所獲取的信息比較滯后。所謂滯后信息，就是變壓器出現(xiàn)故障或者事故后獲取的狀態(tài)信息。檢測變壓器異常傳統(tǒng)方式多種多樣，但上述方式難以掌握變壓器實時狀態(tài)信息，無法達到設(shè)備狀態(tài)維護現(xiàn)代化發(fā)展需求。為解決傳統(tǒng)收集方式存在的不足之處，越來越多的學(xué)者開始進行變壓器狀態(tài)監(jiān)測，即對變壓器開展實時、全面的狀態(tài)監(jiān)測工作。為避免故障對變壓器帶來不良的影響，需要全面了解變壓器內(nèi)部絕緣情況，也就要求通過變壓器在線監(jiān)測及異常診斷實現(xiàn)。如果能夠及早發(fā)現(xiàn)變壓器出現(xiàn)的異常情況，有利于減少變壓器維護費用，對于延長變壓器使用壽命、提高經(jīng)濟效益具有重要的意義。而對變壓器異常情況診斷時，傳統(tǒng)推理診斷方式無法準(zhǔn)確展現(xiàn)復(fù)雜系統(tǒng)的本質(zhì)特性。油中溶解氣體分析(DGA)作為變壓器異常診斷的主要方法，大型變壓器均通過油進行絕緣和散熱，實際運行中，變壓器內(nèi)部絕緣油與油內(nèi)有機絕緣材料受到放電等因素的影響慢慢老化、分解，出現(xiàn)少量一氧化碳等氣體。DGA是指依托分析油中溶解氣體組分比值及其含量對變壓器異常狀況展開診斷的方式，在電力系統(tǒng)中得到廣泛的使用[1-2]。常規(guī)DGA方式包含IEC比值法、無編碼比值法、特征氣體法等。由于傳統(tǒng)異常狀況診斷方法診斷準(zhǔn)確率不高，這是因傳統(tǒng)診斷方式診斷結(jié)果準(zhǔn)確度依賴經(jīng)驗積累而來。變壓器發(fā)生異常是由某一異常情況引發(fā)多個異常導(dǎo)致的突發(fā)性故障，因此，傳統(tǒng)診斷方式無法達到模糊性、復(fù)雜場合要求。隨著模糊理論、K-means聚類算法等理論的發(fā)展，通過大數(shù)據(jù)技術(shù)開展變壓器異常診斷獲得良好的效果。隨著不同智能方式的應(yīng)用，只采用一種智能方式對變壓器異常進行診斷存在一定的局限性，把2種或多種智能方式聯(lián)合起來開展異常診斷成為其發(fā)展的必然趨勢。

2 設(shè)計變壓設(shè)備異常檢測模型

2.1 基于滑動窗口候選異常數(shù)據(jù)集

時間序列X代表通過記錄時間、記錄值構(gòu)成的元素有序集合，X={(t0,x0),(t1,x1)…,(ti,xi)…}。假定實際運行階段數(shù)據(jù)點X與Z相關(guān)，這種假設(shè)情況下，變壓器實時運行階段狀態(tài)量隨著時間量的動態(tài)改變，且滿足實際序列特性。正常條件下，如果時間Z取值比較近，X并未出現(xiàn)較大的改變，均勻分布于當(dāng)前時間窗中全部X值中的平均值avg(X)附近。如果某一個數(shù)據(jù)點Q中的X數(shù)值與avg(X)發(fā)生明顯的偏離，Q點出現(xiàn)異常的可能性比較大?；诖?，文中依托固定長度條件下滑動時間窗口對時間序列局部數(shù)段開展閾值判定，并對數(shù)據(jù)流實施預(yù)處理及其異常模式評估。

本次研究定義Sw[t-w:t]當(dāng)做數(shù)據(jù)流時間間隔(w)的滑動窗口，t、w單位相同，t>w。這一滑動窗口中相應(yīng)的數(shù)據(jù)點代表為Sw(xt(w))={xt-w,xt-w+1…,xt-1,xi}。挑選有待識別的數(shù)據(jù)點Q作為t時刻的xt，具體評估異常模式操作：

(2)求解滑動窗口內(nèi)至數(shù)據(jù)點空間中心這一階段的平均距離：

(1)

式中：d(xt)為t這一時間段數(shù)據(jù)點xt至數(shù)據(jù)點空間中心之間的距離。

(3)求解得出：zt=|d(xt)-d(xt-1)|：

(2)

進一步求解預(yù)測出處于均值周圍xt數(shù)值：

(3)

重復(fù)上述步驟，直至整個時間序列篩選完成為止，獲得存在候選異常數(shù)據(jù)集D。

通過上述分析可知，滑動窗口篩選候選異常數(shù)值算法受閾值τ、時間窗寬度w這2項參數(shù)的影響。為確保實驗結(jié)果，挑選閾值應(yīng)根據(jù)實驗及其工程實驗得到最佳值，依托500多組變壓器異常數(shù)據(jù)點結(jié)果設(shè)置候選異常數(shù)據(jù)的閾值，綜合分析全部的異常數(shù)據(jù)發(fā)現(xiàn)，τ取值為0.13。與此同時，本次研究使用異常數(shù)據(jù)檢測準(zhǔn)確率a，進一步判定滑動窗口的w對最終異常監(jiān)測結(jié)果產(chǎn)生的影響，計算公式為：

(4)

式中：Noutlier代表最終檢測出來的異常數(shù)據(jù)量；NT表示有待檢測數(shù)據(jù)中存在異常的總數(shù)量，實驗結(jié)果如圖1所示。由圖1可知，由于w數(shù)值不斷增大，檢測準(zhǔn)確率隨之上升；若w≥8后，檢測結(jié)果準(zhǔn)確率慢慢趨向穩(wěn)定。分析發(fā)現(xiàn)，如果滑動窗口寬度比較小，數(shù)據(jù)點X鄰近具有較少的數(shù)據(jù)點，無法依托歷史數(shù)據(jù)展開有效的閾值判定。由于w值增多，數(shù)據(jù)流包含大量的狀態(tài)信息，使得算法檢測準(zhǔn)確性趨于穩(wěn)定。這種情況下，從算法時間及其空間成本分析，文中設(shè)定w=8。

圖1 滑動時間窗口寬度影響檢測準(zhǔn)確率Fig.1 Sliding time window width affects detection accuracy

2.2 基于K-means聚類算法異常數(shù)據(jù)檢測

K-means聚類算法作為一種迭代求解算法，其操作在于隨機挑選K個對象當(dāng)做初始的聚類中心，隨之，求解每一個對象與不同種子聚類中心的聚類，將每一個對象分配至距離最近的聚類中心[3-4]。K-means聚類算法是依托劃分的聚類算法，嘗試找到促使平方誤差函數(shù)最小的k個劃分。如果簇與簇之間存在明顯的特征區(qū)別，且結(jié)果簇比較密集，K-means聚類算法得到的結(jié)果最好。K-means聚類算法優(yōu)點如下：K-means聚類算法操作簡單、快速；K-means聚類算法對于挖掘大數(shù)據(jù)集效率較高，且展現(xiàn)出可伸縮性的特點[5-6]。

聚類分析就是在不知情條件下進行類型劃分，選取相似度當(dāng)做量化標(biāo)準(zhǔn)，對變壓器運行情況展開評估[7-8]。這一評估操作依托求解不同類之間的相似度，按照相似度具體排名，對設(shè)備運行狀況進行分析。本次研究所選K-means聚類算法，依據(jù)最小的相似度進行數(shù)據(jù)分析，對不同數(shù)據(jù)之間的關(guān)系實施簡化處理，在一定程度上減輕數(shù)據(jù)分析工作量。

假定集合U的數(shù)據(jù)點數(shù)量是N，空間維度用M代表，對這一集合實施拆分處理，分為k個子集以此組成K-聚類，每一個聚類包含1個簇，求解N個聚類簇的平均數(shù)值。采用建立聚類目標(biāo)函數(shù)，對其質(zhì)量進行評估,公式為：

(5)

式中:G代表有待檢測對象所處位置相對聚類中心之間的距離和；dij(xj,cj)表示聚類中心與待檢測對象間的歐式距離。數(shù)據(jù)檢測對象緊密度會隨G的減小更為緊密。在G值處于最小的狀態(tài)，聚類中心最好。

本次開展異常數(shù)據(jù)檢測模型構(gòu)建過程中，挑選環(huán)境溫度、負(fù)荷等指標(biāo)當(dāng)做集合維度指標(biāo)，向著K-means聚類中心輸入500多組數(shù)據(jù)，獲得相應(yīng)的聚類簇數(shù)量，用k代表。假定閾值是P、k聚類簇中心與上述維度指標(biāo)間的距離超過P值，判定這一數(shù)組未出現(xiàn)在簇內(nèi)。因此，使用本模型檢測異常數(shù)據(jù)，可查看不同維度數(shù)據(jù)點與簇中心間的距離情況實施判斷，獲得設(shè)備是否出現(xiàn)異常的檢測結(jié)果。

3 變壓器運行狀態(tài)檢測操作步驟

3.1 數(shù)據(jù)預(yù)處理分析

對變壓器運行狀態(tài)進行檢測時，必須根據(jù)不同標(biāo)準(zhǔn)展開判斷，極易發(fā)生閾值過小容易忽略的情況。因此，必須對數(shù)據(jù)采取特征開展預(yù)處理，從而提升數(shù)據(jù)的魯棒性。開展數(shù)據(jù)預(yù)處理時，涉及平均絕對偏差等方面的計算，求解公式為：

1)平均絕對偏差

(6)

2)特征屬性值

求解公式：

(7)

3.2 異常狀態(tài)分析步驟

待檢測設(shè)備數(shù)據(jù)屬性值給予預(yù)處理后，遵循下列步驟開展檢測：(1)利用K-聚類數(shù)據(jù)劃分方式把歷史數(shù)據(jù)分成n個聚類簇，明確各聚類簇中心；(2)根據(jù)獲取的在線監(jiān)測數(shù)據(jù)篩選相應(yīng)的異常數(shù)據(jù)，這一環(huán)節(jié)把數(shù)據(jù)分成多個時間序列，自序列內(nèi)找到相應(yīng)的異常數(shù)據(jù)。對異常數(shù)據(jù)進行標(biāo)記，把篩選的數(shù)據(jù)納入集合D內(nèi)；(3)遵循聚類簇判定標(biāo)準(zhǔn)，依據(jù)包含關(guān)系，對D內(nèi)數(shù)據(jù)點實施判斷，若數(shù)據(jù)點不包括聚類簇集合，認(rèn)定這一數(shù)據(jù)是狀態(tài)異常數(shù)據(jù)點；(4)選取上述3步判斷結(jié)果為依據(jù)，查看異常數(shù)據(jù)點相鄰條件下數(shù)據(jù)點所屬狀況，獲取多元時間序列數(shù)據(jù)異常結(jié)果。

4 應(yīng)用實例分析

為進一步檢驗這種算法對于多元時間序列出現(xiàn)異常情況檢測的有效性，選取變壓器為對象，對其在線監(jiān)測數(shù)據(jù)出現(xiàn)異常情況實施檢測。一般先把對負(fù)荷影響較大的因素考慮在內(nèi)，對電力負(fù)荷產(chǎn)生影響的各項因素，溫度上升、下降對負(fù)荷改變產(chǎn)生重要的影響。而開展異常數(shù)據(jù)監(jiān)測有利于其判定噪聲數(shù)據(jù)，改善傳感器傳統(tǒng)閾值判定方面的問題。本次研究將負(fù)荷、環(huán)境溫度、甲烷(CH4)及其乙炔(C2H2)氣體考慮在內(nèi)，判斷其對于變壓器故障產(chǎn)生的影響。選用某變電站一臺主變壓器為對象，以2020年6月500多組負(fù)荷、環(huán)境溫度、CH4等指標(biāo)在線監(jiān)測歷史數(shù)據(jù)，當(dāng)做訓(xùn)練樣本開展正常的數(shù)據(jù)聚類。并選取2020年7月6日00：00G至2020年7月7日01:00這一時間段的數(shù)據(jù)，共有25 h，每隔5 min作為相應(yīng)的時間間隔(有300個時間間隔)，以這段時間的數(shù)據(jù)當(dāng)做異常檢測樣本。

對500多組歷史在線監(jiān)測數(shù)據(jù)展開分析，正確聚類簇數(shù)量k、閾值P選定對最終異常數(shù)據(jù)監(jiān)測產(chǎn)生重要的影響。基于此，對聚類簇k，考慮溫度類型根據(jù)時間的周期性展開操作，按照正常數(shù)據(jù)類型取值k=3。對于出現(xiàn)異常數(shù)據(jù)的判定閾值P，根據(jù)已經(jīng)聚類的正常簇類中心至其簇正常部位的最大距離值，其檢測正確率結(jié)果如表1所示。最終根據(jù)穩(wěn)定下來的數(shù)值，選定D=(r1,r2,r3)=(0.7,0.8,0.78)。

表1 所選閾值對異常檢測數(shù)據(jù)的影響Tab.1 Influence of selected thresholds on anomaly detection data

對由表1可知，對所選300組待檢測數(shù)據(jù)選出相應(yīng)的異常數(shù)據(jù)集，判定候選異常數(shù)據(jù)集每一個時間點的數(shù)據(jù)是否在3個正常簇內(nèi)，如果不屬于，則判定為異常數(shù)據(jù)點。分析結(jié)果可知，在0～300這一范圍的數(shù)據(jù)流內(nèi)，大致劃分為3類數(shù)據(jù)：

(1)當(dāng)T處于100～110，出現(xiàn)一小片連續(xù)的異常數(shù)據(jù)點，說明變壓器在這一階段發(fā)生不穩(wěn)定的異常運行情況，需要對設(shè)備健康狀況展開進一步的評估；(2)當(dāng)T=240后，發(fā)現(xiàn)這一連續(xù)時間段之內(nèi)多數(shù)數(shù)據(jù)不屬于任何一個正常的簇類，得到下列結(jié)論：設(shè)備在這一時刻后出現(xiàn)可能的故障預(yù)兆，需要盡快對相關(guān)模塊設(shè)備狀況進行評估；(3)當(dāng)數(shù)據(jù)處在某些時刻(例如：T=50、T=200)的數(shù)據(jù)點不隸屬于3個聚類簇，但其鄰近時刻數(shù)據(jù)點顯示為正常數(shù)據(jù)，可知這一時刻出現(xiàn)明顯的異常點數(shù)據(jù)噪聲。分析其原因發(fā)現(xiàn)，因某個傳感器不穩(wěn)定引起的，可予以忽略。分析實際情況發(fā)現(xiàn)，處在2020年7月6日08：15(T=87)這一時刻，受到天氣因素的影響，變壓器受到短暫的雷擊發(fā)生放電，使得C2H2數(shù)值短時間內(nèi)快速升高，CH4數(shù)值略微上升。這個變壓器在2020年7月6日21:40(T=237)出現(xiàn)超預(yù)定值運行的情況，負(fù)荷慢慢升高，隨著頂層油溫逐漸升高及油內(nèi)CH4含量略微上升。通過深入分析這一變壓器異常狀況與實際運行狀況相符合，提示變壓器異常運行情況會隨著多種狀態(tài)量發(fā)生改變，選取單一特征值閾值判斷方式無法及時檢出異常情況，極易受到噪聲的影響。而本文所用方法對變壓器異常狀態(tài)實施檢測展現(xiàn)出實效性、有效性等特點，可根據(jù)在線監(jiān)測的數(shù)據(jù)流內(nèi)迅速檢出異常情況，及時消除傳統(tǒng)閾值檢測方式中因噪聲數(shù)據(jù)引起的誤判情況，具有較高的應(yīng)用價值。

5 結(jié)語

針對變壓器傳統(tǒng)檢測方法的不足之處，本文中圍繞變壓器異常狀態(tài)數(shù)據(jù)展開分析，建立相應(yīng)的檢測模型，依托分析異常多元數(shù)據(jù)點相鄰時間段之內(nèi)存在異常數(shù)據(jù)點數(shù)量，評估設(shè)備運行狀況。研究結(jié)果說明，所用模型不僅能準(zhǔn)確檢出變壓器出現(xiàn)的異常數(shù)據(jù)點，也達到數(shù)據(jù)檢測實時性方面的要求。