陶文偉，吳金宇，江澤銘，曹 揚，仇偉杰

(中國南方電網有限責任公司，廣東 廣州 510530)

0 引 言

常規(guī)的智能電網故障處置方法一般在故障發(fā)生后，依靠電力調控員憑借經驗手動排查電網故障，現場判斷故障類型，制定應急措施，因此需要很多時間，且無法保證處置措施為最佳策略，可能造成處置措施無用或加重故障的情況[1-2]。因此，傳統的電網故障處置模式已然無法緊跟時代高速發(fā)展的步伐。

電網規(guī)模不斷壯大，而電網又與全民息息相關，保障供電質量成為基礎建設，國家非常重視電網智能輔助決策系統的發(fā)展。電網智能輔助決策系統針對電力大數據多樣化、孤島化等特點[3-4]，對海量數據進行挖掘，快速提取有價值數據，必不可少的環(huán)節(jié)便是數據聚類[5]；通過自動化工具及技術，發(fā)掘電力數據間潛在關聯或異常等；參考調控員處置故障角度，融合調度經驗及故障預案，迅速做出故障處置輔助決策。該系統提升了調控員處理故障的效率，將誤判及事故概率降至最低[6-7]，促使電網在最短時間內恢復平穩(wěn)運行。

儲卓等[8]提出智能輔助決策系統，采用大數據及自動化技術實時巡檢電網運行安全，實現精細化巡檢，減少損失，但該系統在數據處理方面存在漏洞，可能出現數據孤島，數據聚類效果較差；詹銳烽等[9]提出電網調度輔助決策系統，挖掘電網數據中的異常、故障數據，判斷故障類型后做出調度策略，該系統在處理電網數據時較為冗余，能耗控制效果方面有待提升。

針對上述方法對故障數據難以聚類，能耗控制效果較差的問題，本文搭建基于數據挖掘的智能電網故障處置輔助決策系統。針對主電網在硬件設計上創(chuàng)新性地選用單片結構的DS18B20數字溫度傳感器，省去以往的A/D轉換環(huán)節(jié)，保證傳感數據的高精度和抗擾動；選用8 b單片機C8051F020提高調試兼容性；故障檢測子模塊核心控制單元選用C8051F020提升檢測精度效率；軟件設計上利用卷積神經網絡將故障信息進行實時聚類，防止數據不完全造成的漏洞?；诠收蠑祿瑒?chuàng)新性地設計輔助決策模塊，基于經驗法則，利用離線潮流運算，展開循環(huán)校驗，從中選取最佳處置決策。實驗結果表明，本文方法能夠助力調控員處理電網故障，推動智能電網高效運作。

1 智能電網故障處置輔助決策系統

利用數據挖掘技術，高效提取電網海量數據中的故障數據，并進行聚類及故障類型診斷，依據不同故障類型做出相應的輔助決策，實時保存故障視頻及自動生成故障預案，以便調控員調閱，掌握電網運行各項信息，保障電網運行安全，提升調控員處置電網故障效率。

1.1 智能電網故障處置輔助決策系統總體架構

利用數據挖掘技術實時采集電網運行設備信息，搭建智能電網故障處置輔助決策系統，用圖1 描述智能電網故障處置輔助決策系統總體結構。

圖1 智能電網故障處置輔助決策系統總體結構

系統由信息生成、信息處理、告警信息展示、故障處置輔助決策、在線離線分析以及用戶6大模塊構成，信息生成模塊通過溫度傳感器、位移傳感器及電壓傳感器采集原始數據，其中，溫度傳感器采用DS18B20數字溫度傳感器。通過各傳感器實時采集電網各項運行設備信息，并將生成的信息傳輸至信息處理模塊，進行信息識別過濾，篩選冗余信息保留告警信息，將這些告警信息匯總后進行分類操作，歸類后的告警信息傳輸至告警信息展示模塊進行故障告警信息集中展示，故障處置輔助決策模塊接收告警信息后，即刻展開故障檢測，故障檢測子模塊的核心部件為主控單元，利用K-means聚類算法將告警信息進行聚類，獲取故障信息聚類結果后，輸入至卷積神經網絡訓練，判斷故障類型，輔助決策子模塊依據故障類型展開處置決策預案，提供給調控員；在線、離線分析模塊接收到系統故障輔助決策信號后，實時保存故障視頻，存儲于可視化故障回放子模塊，并針對同類型故障自動生成故障預案，以供下次故障產生時系統自動判別處置方案；各類相關信息傳輸至用戶模塊，通過用戶界面可進行報表查詢，主要包含電網運行設備故障類型、決策信息、調控預案姓名等各類詳細信息，方便用戶實時查閱。

1.2 溫度傳感器

溫度傳感器位于信息生成模塊中，采用數字溫度傳感器采集電網運行各項設備的溫度信息，選用單片結構的DS18B20數字溫度傳感器，該傳感器可直接輸出各項設備溫度數值，省去以往的A/D轉換環(huán)節(jié)，其優(yōu)勢為精度高、輕便、抗擾動能力極強等[10]，該傳感器的核心特征詳述如下：

1)能夠測量區(qū)間在-55 ℃～+125 ℃內的溫度；

2)典型轉換耗時范圍在200 ms～400 ms內；

3)輸出各項設備溫度數值為9 bit數字量且?guī)в蟹枺?/p>

4)指令及溫度信息的輸入、輸出通過同一信號線即可完成，各傳感器中含有各自的地址序列數字，一條數據線可同時支持若干傳感器使用；

5)同時具備寄生電源及外接電源兩項功能。

用圖2 描述該數字溫度傳感器內部構造，核心構造為64 b ROM地址、溫度高限觸發(fā)器等，內部寄生電容器為數據線提供電源，或者利用外接電源進行供電。實時統計溫敏振蕩器生成各項電網運行設備的溫度值，并通過存儲控制器存放于筆記本內。

圖2 數字溫度傳感器內部構造

1.3 故障檢測子模塊

故障檢測子模塊位于故障處置輔助決策模塊中，用圖3 描述故障檢測子模塊結構。

圖3 故障檢測子模塊結構圖

故障檢測子模塊通過主控單元實現故障檢測，該主控單元選用8 b單片機C8051F020，C8051F系列作為綜合性能的高速單片機，能夠將數據信號匯聚進行模擬操作，該單片機具備較高的兼容性，在內部擁有獨立的調試電路，采用4腳接口進行調試，高效控制故障檢測子模塊的能耗[11]，故障檢測子模塊核心控制單元選用C8051F020，具備64個I/Q接口且該接口為可編程，同時具備FLASH存儲器，以便將檢測精度效率大幅度提升。通過電參數測量及一次/測量PT，CT提升主控單元的工作精度，蓄電池及電源單元保障工作時間長達48 h以上，看門狗能夠避免主控單元受到外界干擾而出現死機現象，時鐘則為故障檢測子模塊做出時間記錄，實時加載故障檢測時間。無線傳輸單元采用具備覆蓋范圍廣、傳輸穩(wěn)定優(yōu)勢的GPRS/CDMA1x網絡，通過提供UDP和TCO/IP連接，為遙測終端提供無線通訊功能。

1.4 輔助決策子模塊

分析電網設備故障信息并對故障處置做出相應輔助決策，是輔助決策子模塊的核心功能。詳述如下：

1)及時追蹤電網各項設備的運行狀態(tài)，通過綜合分析非故障停電范圍的最佳復電方式，實現高效管控電網事故的發(fā)展態(tài)勢，急劇縮減故障時長，將電網事故隱患造成的損失控制在最小范圍[12]。

2)迅速做出該項故障設備停運的處置措施，為調控員精準處置電網故障提供強有力的信息支撐。

3)依據經驗法則，結合離線潮流運算，并融合預測氣溫、濕度變化等各項因素展開循環(huán)校驗，從中選取最佳處置決策。

系統輔助決策子模塊能夠將調控預案把控電網設備故障及應急處置能力大幅度提升，提供更加快速、多元化、智能的輔助決策支撐，將電網系統由傳統的調度決策轉換為智能分析型電網，用圖4 描述輔助決策子模塊提供的輔助決策方案。

圖4 輔助決策子模塊的輔助決策方案

事故預警即依據故障定義等信息及時評估電網運行狀態(tài)，提醒可能出現的安全隱患；安全隱患識別即在接收到預警信號后，進行全面檢測，定位安全隱患具體位置；設備狀態(tài)估計即實時監(jiān)測安全隱患設備，預估其運行狀態(tài)；保護整定維護是將故障區(qū)域進行維護，使設定實時保障故障區(qū)域處于安全狀態(tài)[13]；故障調度建議是將擇取備用供電路徑、隔離故障等意見提供給調控員；設備故障分析即通過獲取的歷史信息及各類運行參數，對故障信息進行線上線下分析；最優(yōu)調度策略通過求解網損、修復成本等各項數據，保障最牢靠的恢復供電，為調控員做出相應的調度策略；負荷預警斷電為當系統預判到故障處置方案實施過程中出現超負荷時，則立即斷電，避免周圍電網設備受到損害；電網全景展現能夠將各類運行狀態(tài)及環(huán)境數據融合電網構造圖及地理信息等及時展現，以供調控員實時掌握詳細的運行信息。

1.5 故障信息診斷方法

故障檢測為輔助決策提供基礎信息支持，精準檢測出具體故障信息，才能對其進行最佳預案，通過數據挖掘技術中的聚類分析將故障信息進行實時聚類，防止數據不完全造成的漏洞，實時挖掘電網故障信息，聚類后輸入至卷積神經網絡進行故障類型判別。

采用K-means聚類算法對智能電網故障信號進行處理，使得這些故障信號成為無類標數據[14]。用圖5 描述聚類分析流程。

圖5 聚類分析流程

K-means聚類算法聚類分析流程詳述如下：

1)磁場、電網故障、諧波等構成的告警信息樣本數據中提取K個故障樣本數據，以此作為初始簇的中心點，該過程包含預處理及擬定迭代次數閾值等環(huán)節(jié)。

2)將樣本簇點拆分，并把距離初始簇中心點相對而言較為靠近的中心點歸為同類，用式(1)描述距離求解公式

(1)

式中：各類樣本用x，y描述；故障信息樣本維度則用n描述；歐幾里德距離用d(x,y)代表。通過求解距離獲取各故障數據的聚類樣本中心點，并以此求解各故障信號樣本數據距離中心點的遠近，把對應的故障數據依據最小距離原則重新歸類。

3)樣本簇的中心點用樣本數據點中的中心點來描述，且這些樣本數據來自不相同的樣本簇。參考各種參數信息，依據各樣聚類信息樣本數據的中心點求解各中心點至聚類信息數據中心的距離，依據最近距離再次歸類對應的故障信息樣本。用式(2)描述歷次求解最小數據構成的矩陣

(2)

式中：求解的最小值合集用x描述。

4)判定需要迭代運算與否，若此時迭代次數為設置閾值，無需進行迭代運算，若不等于設置閾值，則此時需將參數調整，并返回上一步驟，循環(huán)運算直至迭代次數為設置閾值結束。

故障信息誤差準則函數最低的簇利用K-means聚類算法獲取，將電網告警信息以k個點作為中心進行聚類，將距離中心點最近的故障數據歸為同類，并進行循環(huán)迭代操作，依次更新每個聚類中心數值，將全部故障信息進行最佳聚類后，輸出結果。將聚類結果輸至卷積神經網絡進行訓練，判定故障類型。

利用K-means聚類算法處理后，通過卷積神經網絡將復雜的故障樣本無類標數據實時映射，化解其中的非線性關系。鑒于卷積神經網絡具有極高準確度、學習效率等優(yōu)勢，促使故障數據能夠更為精準地被判別。用圖6 描述卷積神經網絡構造。

圖6 卷積神經網絡構造

卷積神經網絡經過若干卷積層、池化層的卷積計算，能夠將輸入的故障信息聚類結果自適應進行提取特征，再進行降維操作，判定故障類型，降低計算復雜度，大幅度縮減求解時間。

1)輸入層：輸入故障信息聚類后結果。

2)卷積層：對輸入的故障信息聚類結果展開卷積計算，實現故障信息的初次最近距離特征提取，卷積計算通過共享權值達到縮減原始信號噪聲的目的。

3)池化層：該層包含最大池化、均值池化，鑒于池化層無須留存參數，因此選取恒定的函數，以此進行卷積計算，通過最大池化構建池化層，促使網格參數降低，在此過程需保障卷積層中輸出的最近距離特征信息最大程度上留存，同時對最近距離特征維數進行縮減，提升訓練效率。

4)全連接層：全連接層通過全連接實現與上層神經元的相連，該過程采用Sigmoid函數作為激活函數。

5)輸出層：通過Softmax分類器歸類故障信息[15]，并輸出故障檢測結果，完成故障診斷。

2 實驗分析

選取某市級電力企業(yè)作為實驗對象，采用LabView實驗平臺，驗證本文系統的性能、能耗控制效果及數據挖掘效果，前期需準備該市級電網企業(yè)近兩年收集的主電網故障記錄以備實驗使用，其中，能耗控制效果、數據挖掘效果兩項實驗需將本文系統與文獻[8]自動化輔助決策系統、文獻[9]電網調度智能輔助決策系統對比驗證。

2.1 系統性能

開展仿真實驗，從該市級電力企業(yè)主電網線路中隨機制造兩處人為故障，采用本文系統進行故障診斷及輔助決策判斷，用圖7 描述故障診斷結果及故障處置輔助決策界面圖。

圖7 故障診斷結果及故障處置輔助決策界面圖

觀察圖7 可知，本文系統能夠檢測到兩處電網故障詳細信息為3號主變器過載、15號線路附近出現倒桿。準確記錄故障發(fā)生時間，并給出相應的故障處置輔助決策為：(1)負荷預警斷電操作；(2)故障安全隱患識別；(3)保護整定維護。該輔助決策為調控員選取最優(yōu)應急策略提供強有力的信息支撐，證明本文系統擁有較好的性能，可放心投入實際使用。

2.2 能耗控制效果

將本文系統與其他兩種系統進行對比驗證，隨著運行時間的增長，統計系統能耗數據，用圖8 描述3種系統能耗控制效果。

分析圖8 可知，文獻[8]系統能耗呈直線上升趨勢，由70W上升至140 W，能耗過高，長期使用系統可能出現安全隱患；文獻[9]系統隨著運行時長的增加能耗飛速增長，系統能耗在運行16 h時高達190 W，能耗控制效果較差，不利于長期使用；本文系統在運行前6 h內能耗呈緩慢增長趨勢，后續(xù)能耗未見增長，始終保持在20 W～40 W能耗，明顯低于前兩種系統，證明本文系統在能耗控制方面表現突出，這是由于本文系統采用高速單片機的主控單元，有助于提升系統能耗控制效果。

圖8 3種系統能耗控制效果

2.3 數據挖掘效果

對卷積神經網絡相關參數設置與訓練，卷積神經網絡求解時，設置的相關參數如下：

timesteps(時間步長)：35；

units(神經網絡單元的數量)：185；

predictsteps(預測多少單位時間)：50；

訓練精度：0.001；

LSTM最大迭代次數：1000；

K-means聚類算法的最大迭代次數：100；

種群規(guī)模：50，100，200，500；

交叉率：0.52；

變異率：0.01；

染色體長度：6+6+8；

從該市級電力企業(yè)近兩年收集的故障記錄中挑選1 000條諧波、電流、負荷3種類型故障信息作為數據挖掘訓練集樣本，對LSTM進行訓練。訓練完成后采用其中325條信息作為測試樣本，驗證本文系統的聚類效果，如圖9 所示。

觀察圖9 可知，本文系統能夠將諧波、電流、負荷3類故障信息進行歸類，聚類結果清晰準確，聚類效果良好。

圖9 故障信息聚類結果

為驗證數據挖掘效果，從325條故障記錄中隨機抽取120條故障數據，另外準備40條無故障及40條有冗余數據，進行數據挖掘效果測試，依次開展5次實驗：①僅輸入120條故障數據；②添加20條冗余信息；③融入20條無故障數據；④融入10條無故障信息及30條有冗余信息；⑤融入20條無故障信息及40條有冗余信息；在這5種情況下挖掘故障數據，并將本文系統對比其他兩種系統進行驗證，表1 為數據挖掘結果。

表1 3種系統的數據挖掘結果

分析表1 可知，文獻[8]系統在可信度閾值固定情況下，隨著有冗余信息及無故障信息的增加，挖掘出的故障數據逐漸減少，較易受到干擾，數據挖掘效果不理想；文獻[9]系統在固定可信度閾值情況下，挖掘故障數據受到其他信息干擾，在降低可信度閾值后，挖掘故障數據下降幅度較大，整體數據挖掘效果不佳；采用本文系統挖掘故障數據始終穩(wěn)定，伴隨小幅度調整可信度閾值，挖掘故障數據未見大幅度波動，證明該系統具備優(yōu)秀的數據挖掘效果，在遭受其他干擾信息時能夠自動濾除。

3 結 論

利用大數據挖掘技術采集主電網設備運行信息，搭建智能電網故障處置輔助決策系統，該系統由信息生成、信息處理、故障信息展示、故障處置輔助決策、在線離線分析以及用戶界面構成，在收到故障信號之后輔助決策子模塊實時運轉，以K-means聚類算法改進卷積神經網絡的特征提取過程，以最快的速度做出最優(yōu)策略，提供給調控員。實驗結果表明，該系統擁有較好的性能，能夠實時檢測故障數據并做出相應輔助決策，由于本系統采用高速單片機的主控單元，能耗控制效果方面表現突出，針對故障數據的聚類效果良好，且數據挖掘效果優(yōu)秀，可放心投入實際應用。