謝 楠, 馬振國, 唐 兵, 黃煜銘, 張柯琪, 曹丹怡

(國網(wǎng)江蘇省電力有限公司常州供電分公司, 江蘇 常州 213003)

有效的剩余壽命預(yù)測有助于提高系統(tǒng)的穩(wěn)定性,極大程度地減少事故的發(fā)生,并為預(yù)防性維護(hù)[1]提供技術(shù)支持.隨著科技的發(fā)展,基于人工智能的剩余壽命預(yù)測技術(shù)[2]更受重視.對于電力系統(tǒng),復(fù)雜或大型的設(shè)備往往安裝傳感器[3]或其他監(jiān)測裝置,利用人工智能技術(shù)對反饋數(shù)據(jù)進(jìn)行挖掘,獲得大量有價值的信息,比如設(shè)備剩余壽命等.針對這方面國內(nèi)外學(xué)者已做了大量的研究工作.

Chinomona等[4]在充分考慮充放電時的電壓、電流和溫度相關(guān)特性基礎(chǔ)上,利用長短期記憶模型預(yù)測了電池的剩余壽命問題.程成[5]將電網(wǎng)中由傳感器獲得的數(shù)據(jù)分為低維監(jiān)測數(shù)據(jù)和多維監(jiān)測數(shù)據(jù),對低維數(shù)據(jù)利用時間卷積網(wǎng)絡(luò)預(yù)測軸承為代表的設(shè)備剩余壽命,對高維數(shù)據(jù)利用卷積長短時記憶網(wǎng)絡(luò)預(yù)測了發(fā)動機引擎的剩余壽命.李天梅等[6]對若干剩余壽命預(yù)測中出現(xiàn)的局限性和共性難題,提出了一種基于數(shù)模聯(lián)動的大數(shù)據(jù)下設(shè)備剩余壽命的預(yù)測方法.李志剛等[7]采用小波變換將繼電器性能參數(shù)的時序值分解為平穩(wěn)項和隨機項,對平穩(wěn)項采用AR模型進(jìn)行預(yù)測,隨機項通過徑向基神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測,最后通過小波包重構(gòu)得到繼電器的剩余壽命.

綜合上述成果,對電氣設(shè)備的剩余壽命研究都依賴于設(shè)備的監(jiān)測裝置和監(jiān)測數(shù)據(jù).其優(yōu)勢在于大量的數(shù)據(jù)樣本為智能算法提供了強有力的支撐,使得訓(xùn)練模型各項參數(shù)最優(yōu),測試結(jié)果更加準(zhǔn)確.其缺點在于,針對小樣本數(shù)據(jù)或無監(jiān)測裝置設(shè)備的剩余壽命研究,算法的可移植性偏弱,甚至是失效.目前對于無監(jiān)測數(shù)據(jù)設(shè)備的壽命預(yù)測方面的研究非常少見.電力系統(tǒng)是一個完整且龐大的系統(tǒng),有很多繼電保護(hù)設(shè)備,如DC220V電源等,都無法安裝監(jiān)測裝置,其中任何一個小環(huán)節(jié)的故障都有可能導(dǎo)致整個系統(tǒng)的失穩(wěn).所以對這類設(shè)備的剩余壽命的研究,其意義不僅在于改善檢修策略,提高檢修效率,更有利于減少故障率,保障電力系統(tǒng)的安全穩(wěn)定運行.

本文針對JC市電力公司繼電保護(hù)設(shè)備,通過智能技術(shù)研究一類具有共同特征的設(shè)備剩余壽命預(yù)測問題.

1 供電公司中繼電保護(hù)設(shè)備的剩余壽命問題

JC市作為南部一個重要的經(jīng)濟(jì)城市,該市供電公司管轄近200個變電站.目前的檢修方式主要是依賴運維檢修人員手工記錄的文本信息和專家經(jīng)驗.這種檢修方式無法適應(yīng)變電站電氣設(shè)備規(guī)模的快速增長,同時由于檢修效率低,導(dǎo)致了不同程度的過檢與失檢,以致消缺時間過長與資源的浪費.

繼電保護(hù)設(shè)備有幾個主要特征:(1) 種類多,體積小;(2) 在運維消缺時以更換為主;(3) 精密化程度高;(4) 使用壽命受溫度、濕度、極端天氣、生產(chǎn)廠家、設(shè)計壽命、操作班組等因素的影響.

JC市供電公司繼電保護(hù)專業(yè)備品庫存管理系統(tǒng)中,存放了繼電保護(hù)設(shè)備的消缺日志,變量有元器件名稱、廠家、設(shè)計壽命、安裝日期、損壞日期、溫度、濕度、安裝地點、間隔、運維班等10個字段(如表1所列).其中,設(shè)計壽命是數(shù)值型變量,安裝日期和損壞日期是時間型變量,其他是文本型變量.

表1 JC市供電公司部分消缺日志

根據(jù)繼電保護(hù)設(shè)備的特性及現(xiàn)有的消缺日志,本文分別利用支持向量回歸機(support vector regression,SVR)、回歸樹(regression tree,RT)和隨機森林(random forest,RF)三種模型對JC市供電公司繼電保護(hù)設(shè)備的剩余壽命(remaining useful life,RUL)進(jìn)行研究.

2 求解繼電保護(hù)設(shè)備的剩余壽命的算法

為了在三種方法中能夠使用統(tǒng)一的數(shù)據(jù)和提高計算效率,根據(jù)相關(guān)聯(lián)度較高的安裝日期、損壞日期、當(dāng)前日期和設(shè)計壽命,重新定義設(shè)計生命歷程和實際生命歷程.

2.1 數(shù)據(jù)預(yù)處理

由于數(shù)據(jù)中包含異常數(shù)據(jù),同時涉及了三種不同的數(shù)據(jù)格式,因此,先對數(shù)據(jù)進(jìn)行預(yù)處理.下面是關(guān)于數(shù)據(jù)預(yù)處理的算法1.

算法1數(shù)據(jù)預(yù)處理算法

輸入:安裝地點、間隔、廠家、設(shè)計壽命、安裝日期、損壞日期、溫度、濕度、運維班組.

輸出:安裝地點、間隔、廠家、設(shè)計生命歷程、溫度、濕度、運維班組和實際生命歷程,其中設(shè)計生命歷程和實際生命歷程是數(shù)值,其他是標(biāo)簽形式.

Step1,清洗數(shù)據(jù).對第j條記錄的設(shè)計壽命zj4,利用Z-score方法篩選出奇異值,刪除包含奇異值的消缺記錄,Z-score方法的公式如下:

其中:μ與σ是設(shè)計壽命zj4的均值與方差,通常閾值zθ∈(1,3),保留滿足上式的數(shù)據(jù)得到數(shù)據(jù)集矩陣x.

Step2,字段標(biāo)簽化.將文本數(shù)據(jù)安裝地點、間隔、廠家、溫度、濕度、運維班組標(biāo)簽化處理.

Step3,計算數(shù)據(jù)集矩陣x.根據(jù)安裝日期、損壞日期、當(dāng)前日期和設(shè)計壽命,定義設(shè)計生命歷程和實際生命歷程.設(shè)某一類元件的消缺記錄中第i個元件的安裝日期為Date_install[i], 損壞日期為Date_broken[i],設(shè)計壽命為Planed_life[i],設(shè)已損壞且經(jīng)過清洗的元件Ei數(shù)量為n,I為間隔天數(shù):

forifrom 1 ton

j=1

now=Date_install[i]+I

while now

#設(shè)計生命歷程

#實際生命歷程

xr=(安裝地點,間隔,廠家,D[r],溫度,濕度,運維班組)

j=j+1

now=now+I

Step4,數(shù)據(jù)矩陣[x,y]按照4∶1的比例分配訓(xùn)練數(shù)據(jù)[xtrain,ytrain]和測試數(shù)據(jù)[xtest,ytest].

2.2 基于SVR的預(yù)測算法

在機器學(xué)習(xí)[8]中,支持向量回歸機(SVR)是一種非參數(shù)回歸模型,回歸超平面[9]是通過優(yōu)化與附近支持向量的距離來確定的.首先來考慮得到壽命預(yù)測的回歸超平面.

對于給定的訓(xùn)練集D={(x1,y1),(x2,y2),…,(xm,ym)},yi∈(0,1],由于無法確定訓(xùn)練集在原始空間中是否具有線性可分性,因此,設(shè)劃分超平面為

f(x)=wTφ(x)+b

(1)

式中:x=(x1,x2,…,xp);φ(x)表示將x映射后的特征向量;w=(w1,w2,…,wp)T為權(quán)重向量;b為偏差.

求解回歸超平面f(x)問題可以轉(zhuǎn)化為凸優(yōu)化問題,結(jié)合優(yōu)化問題的標(biāo)準(zhǔn)形式、拉格朗日函數(shù)及其KKT條件,可以得到式(1)的最優(yōu)解為

f(x)=w*Tφ(x)+b*

(2)

式(2)即為用來預(yù)測剩余壽命的回歸超平面.

下面根據(jù)SVR給出剩余壽命預(yù)測的算法2.

算法2剩余壽命預(yù)測算法

輸入:調(diào)用算法1得到訓(xùn)練數(shù)據(jù).

輸出:第k個元件的剩余壽命SVR[k].

Step1,調(diào)用算法1獲得訓(xùn)練數(shù)據(jù)[xtrain,ytrain]和測試數(shù)據(jù)[xtest,ytest].

Step2,通過訓(xùn)練數(shù)據(jù)[xtrain,ytrain]得到預(yù)測模型,將某一類元件處理過的數(shù)據(jù)[xtrain,ytrain]輸入到式(2)中,獲得回歸超平面表達(dá)式,即

f(x)=w*Tφ(x)+b*

(3)

Step3,有效性檢驗.令Ttest為測試數(shù)據(jù)的行數(shù),對給定的Δ>0, 若

轉(zhuǎn)到Step4,否則轉(zhuǎn)到式(2)的求解中進(jìn)行調(diào)整懲罰系數(shù),直到滿足為止.

Step4,計算剩余壽命.

Step4.1,將在用設(shè)備的第k條數(shù)據(jù)xk=(安裝地點,間隔,廠家,D[k],溫度,濕度,運維班組)代入式(3),輸出f(xk),即為該元件實際壽命的生命歷程的預(yù)測值.

Step4.2,預(yù)測在用的第k個備品的損壞日期:

Date_predicted_broken[k]=Date_install(k)+

Step4.3,輸出在用第k個備品的壽命剩下的天數(shù)SVR[k]:

SVR[k]=Date_predicted_broken[k]-Date_today

2.3 基于RT模型的預(yù)測算法

回歸樹(RT)[10]是利用決策樹進(jìn)行變量預(yù)測的一種算法,由于其易理解、易構(gòu)建、速度快等特點,被廣泛地應(yīng)用于數(shù)據(jù)挖掘中.該算法的基本思路是輸入訓(xùn)練數(shù)據(jù)集D={(x1,y1),(x2,y2),…,(xm,ym)},yi∈(0,1],輸出回歸樹f(x).在訓(xùn)練數(shù)據(jù)集所在的輸入空間中,遞歸地將每個區(qū)域劃分為兩個子區(qū)域,并決定每個子區(qū)域上的輸出值,構(gòu)建二叉決策樹的算法.

算法3構(gòu)建二叉決策樹

輸入:調(diào)用算法1得到訓(xùn)練數(shù)據(jù).

輸出:第k個元件的剩余壽命RT[k].

Step1,令zi=1-yi,求解

(4)

Step2,用選定的(j,s)劃分區(qū)域并決定相應(yīng)的輸出值:

R1(j,s)={x|x(j)≤s}

R2(j,s)={x|x(j)>s}

Step3,繼續(xù)對兩個子區(qū)域執(zhí)行Step1和Step2,直到滿足每一個分支都不能切分為止.

Step4,利用得到的回歸樹的M個葉子頂點對應(yīng)的M個子區(qū)域R1,R2,…,RM,計算回歸樹表達(dá)式:

(5)

這里區(qū)域Rk上的ck是Rk中所有輸入實例xi對應(yīng)的輸出yi的均值,即

Step5,輸出第k個在用設(shè)備剩余壽命的天數(shù):

RT[k]=f(xk)×Planed_life[k]

其中:Planed_life[k]為第k個元件的設(shè)計壽命(天).

2.4 基于RF的預(yù)測算法

隨機森林(RF)[8]是利用多棵回歸樹對樣本進(jìn)行訓(xùn)練和預(yù)測的集成算法.它有很多優(yōu)點,如生成高維度數(shù)據(jù),不容易過擬合,訓(xùn)練速度比較快.

算法4隨機森林預(yù)測算法

輸入:調(diào)用算法1得到訓(xùn)練數(shù)據(jù).

輸出:第j個元件的剩余壽命RF[j].

Step1,隨機抽樣.利用Bagging思想[8],對訓(xùn)練數(shù)據(jù)集有放回地隨機抽取N個樣本形成樣本子集,每個子集中的樣本數(shù)約為全部訓(xùn)練集中的2/3.

Step2,隨機選取特征.假設(shè)所抽取的樣本子集有K個特征,隨機抽取k(k≤K)個特征作為特征子空間.在樣本子集和特征子空間上,調(diào)用算法3,生成一棵回歸樹Tt,然后利用算法3的式(5)計算回歸樹表達(dá)式fTt(xj),并得到用回歸樹Tt預(yù)測第j個元件的剩余壽命RF_T[t,j]=fTt(xj)×Planed_life[j].

Step3,重復(fù)Step2,對給定的數(shù)值T,直到生成T棵回歸樹為止,這T棵回歸樹構(gòu)成隨機森林.其中用隨機森林中第t棵回歸樹Tt預(yù)測第j個元件的剩余壽命RF_T[t,j].

Step4,輸出用隨機森林預(yù)測第j個元件的剩余壽命:

3 案例分析

根據(jù)JC市供電公司的數(shù)據(jù),利用支持向量回歸、回歸樹和隨機森林模型分別對常用常見的繼電保護(hù)設(shè)備DC220V電源、CPU和顯示屏進(jìn)行預(yù)測,預(yù)測結(jié)果如圖1所示.

首先,根據(jù)圖1分析三種預(yù)測算法對三種設(shè)備的預(yù)測效果.利用回歸樹模型預(yù)測的三種設(shè)備的剩余壽命在真實值附近大幅度波動,尤其是有重要價值的后半段預(yù)測值,誤差較大.其主要原因在于決策樹算法對連續(xù)性字段或者對時間序列數(shù)據(jù)的預(yù)測效果較差,導(dǎo)致三種設(shè)備的預(yù)測效果較差.

圖1 三種方法分別對DC220V電源、CPU和顯示屏的剩余壽命預(yù)測結(jié)果

支持向量回歸模型預(yù)測曲線類似一條直線,其傾斜度與真實值的斜率有一定的偏差,即在真實值和預(yù)測值交點的附近,表現(xiàn)較好,其他時間段內(nèi)表現(xiàn)較差,尤其是這種交點位于時間軸的前半部分時,預(yù)測效果最差.因此,可以認(rèn)為該方法在整體上的表現(xiàn)不能令人滿意.主要原因在于繼電保護(hù)設(shè)備的數(shù)據(jù)集中,只有生命歷程這一個時間變量,其他變量與時

間的關(guān)聯(lián)度較差.因此,很難進(jìn)一步調(diào)整傾斜度,這也是所有繼電保護(hù)類設(shè)備數(shù)據(jù)的局限性所在.

從隨機森林算法的預(yù)測結(jié)果看,盡管在有些元件的剩余壽命預(yù)測的初期表現(xiàn)稍弱,如DC220V電源,但是在三個元件的生命周期的后半段,表現(xiàn)很好,這也有利于體現(xiàn)剩余壽命預(yù)測的價值.隨機森林算法的預(yù)測結(jié)果好的主要原因在于:(1) 隨機森林模型中,特征的隨機選取增加了小樣本的識別率,而且預(yù)測結(jié)果是很多回歸樹模型預(yù)測結(jié)果的平均值,使得總體的預(yù)測結(jié)果更加準(zhǔn)確;(2) 該算法充分利用了繼電保護(hù)設(shè)備數(shù)據(jù)特征及不同特征之間的相關(guān)性,從而使得隨機森林模型利用有限的數(shù)據(jù)充分發(fā)揮模型的挖掘能力.

最后,從誤差角度進(jìn)行模型的有效性分析,討論三種方法下對應(yīng)的均方根差和平均絕對誤差,其計算公式如下:

其中:xp和xa分別表示預(yù)測值和真實值.如果某種算法的RMSE和MAE小,則說明該算法更有效.三種預(yù)測方法的RMSE與MAE如表2所列.

表2 三種預(yù)測方法的誤差比較

從表2可知,隨機森林算法的RMSE和MAE都是最小的,進(jìn)一步說明了隨機森林模型預(yù)測效果的有效性.

綜合上述分析,在目前的數(shù)據(jù)特征下,隨機森林模型對于繼電保護(hù)設(shè)備剩余壽命預(yù)測的效果最佳.

4 結(jié)論

盡管繼電保護(hù)設(shè)備的監(jiān)測數(shù)據(jù)少,但是針對類似于表1的數(shù)據(jù)仍然可以對設(shè)備進(jìn)行較高精度的剩余壽命預(yù)測,三種方法針對三種不同設(shè)備的預(yù)測效果,整體表現(xiàn)較好,尤其基于隨機森林法的預(yù)測精度甚佳.本文雖然只是對三個元器件進(jìn)行了預(yù)測, 但是這種方法可以推廣至類似繼電保護(hù)設(shè)備中.

對繼電保護(hù)設(shè)備的剩余壽命預(yù)測,其實際意義體現(xiàn)在如下幾點:

1) 根據(jù)剩余壽命的預(yù)測結(jié)果,可以在設(shè)備的運維中,做到提前干預(yù)性檢修,提高檢修效率,減小故障率;

2) 根據(jù)在用設(shè)備的剩余壽命預(yù)測值,可以為繼電保護(hù)變設(shè)備備品的庫存提供預(yù)測策略;

3) 剩余壽命的預(yù)測,可以為繼電保護(hù)設(shè)備的故障診斷和狀態(tài)評估提供決策依據(jù);

4) 豐富繼電保護(hù)設(shè)備的全生命周期管理.

致謝:本文得到國網(wǎng)江蘇省電力有限公司科技項目(J2021102)的資助,在此表示感謝.