邱漢民

（廣東電網(wǎng)揭陽普寧供電局，廣東 普寧 515300）

通過大量的研究分析，可以得知配網(wǎng)設(shè)備中的故障問題一般發(fā)生在配電系統(tǒng)中，但是由于大多數(shù)故障問題發(fā)生在不同區(qū)域，因此需要設(shè)計一定的故障自動診斷方法。如果不能及時解決配網(wǎng)中的故障問題，可能會威脅民眾的人身安全。因此如何實現(xiàn)配網(wǎng)設(shè)備故障的自動診斷，并最大限度地保證用戶的穩(wěn)定用電成為目前亟待解決的問題。如果配網(wǎng)出現(xiàn)故障問題，在配網(wǎng)線路的影響下，同時隨著環(huán)境和其他因素的干擾，配網(wǎng)設(shè)備的繼電保護設(shè)備不可避免地會被啟動，配網(wǎng)設(shè)備在故障期間的信息傳輸也會受影響，并增加配網(wǎng)工作人員的工作量。因此，為了實現(xiàn)快速診斷配網(wǎng)故障，就需要在一定程度上脫離工作人員的實時診斷，使配網(wǎng)設(shè)備能進行自動診斷。配網(wǎng)設(shè)備的故障自動診斷是通過測量和分析故障后的配網(wǎng)設(shè)備的電壓、電流等保護設(shè)備開關(guān)量的信息變化，自動對故障情況進行判斷的[1]。

1 配網(wǎng)設(shè)備故障自動診斷方法

1.1 聚類配網(wǎng)設(shè)備故障信息

選擇聚類對信息進行收集和處理能夠提高數(shù)據(jù)質(zhì)量，有助于及時發(fā)現(xiàn)和解決配網(wǎng)設(shè)備故障，提高其可靠性和穩(wěn)定性。通過將新的故障數(shù)據(jù)與已有的聚類簇進行對比，可以判斷故障類型。因此，該文選擇使用聚類來對信息進行收集和處理，該方法的具體實現(xiàn)過程包括如下步驟。

先設(shè)置不同的樣本數(shù)據(jù)xm（m=1，2，…，m），將其作為聚類中心的候選集合，然后對數(shù)據(jù)進行密度指標(biāo)的計算，如公式（1）所示。

式中：Di表示數(shù)據(jù)的密度指標(biāo)；xi表示聚類中心合集中的第i個數(shù)據(jù)點；xj表示聚類中心集合中的第j個數(shù)據(jù)點；σa表示常數(shù)，取值范圍σa≥0。

然后計算故障信息的密度指標(biāo)，將指標(biāo)最高的一個點設(shè)置為聚類中心xc1，并對數(shù)據(jù)點的指標(biāo)進行修正，再對指標(biāo)進行判斷。如果當(dāng)前的密度指標(biāo)比初始密度指標(biāo)小，則忽略剩余數(shù)據(jù)，并將當(dāng)前指標(biāo)作為聚類中心。聚類信息的目的是使數(shù)據(jù)樣本之間相距盡可能大，以便能夠?qū)收项愋瓦M行判斷，并使故障定位更準(zhǔn)確。而簇內(nèi)數(shù)據(jù)樣本之間相距盡可能小，以便可以對相同位置的故障問題進行統(tǒng)一計算，節(jié)約后續(xù)流程中模型判斷故障的用時，減少故障診斷延時，使診斷方法可以達到最優(yōu)效果[2]。

1.2 定位配網(wǎng)設(shè)備故障點

通過上述對配網(wǎng)設(shè)備故障信息進行聚類，可根據(jù)所提供的數(shù)據(jù)基礎(chǔ)，經(jīng)過分析定位配網(wǎng)設(shè)備的故障點。該文選擇全局定位算法來定位故障點，這種定位的平衡性是智能算法正常運行的核心所在，而該階段轉(zhuǎn)化的重點是故障問題所代表的逃逸因子。逃逸因子是導(dǎo)致故障發(fā)生或擴大的根本原因，在配網(wǎng)設(shè)備故障自動診斷過程中，逃逸因子包括設(shè)備老化、操作失誤以及外界環(huán)境變化等多個方面的因素，它們可能相互作用并導(dǎo)致故障發(fā)生。通過分析逃逸因子，可以幫助工作人員更好地理解故障的本質(zhì)原因，并采取相應(yīng)措施防止類似故障再次發(fā)生。設(shè)置逃逸因子為E，如公式（2）所示。

而E0的取值范圍是（-1，1）中的隨機數(shù)，因此E0的算法如公式（3）所示。

式中：E0代表直流電路初始狀態(tài)的能量存儲；E1代表在定位范圍內(nèi)的適應(yīng)因子；T代表最大定位重置效率。

當(dāng)|E|≥1 時，全局定位算法進入定位階段。當(dāng)|E|≤1 時，算法進入局部定位層面。在該層面中，不再拘泥于一種行為策略，根據(jù)故障的逃跑傾向，該文引入了4 種策略來模擬定位行為。

進行故障定位時，|E|≥1 且|E|的絕對值越高，故障問題所擁有的定位空間就越大，其相對應(yīng)的對故障問題的定位能力也就更優(yōu)秀。而當(dāng)|E|≤1 時，對故障的定位會根據(jù)故障狀況進行實時更新?？墒窃摱ㄎ恍Ч⒎峭耆硐耄捎诙ㄎ徊呗暂^復(fù)雜，并且對不同的定位狀況有不同的解決方式，結(jié)果的優(yōu)劣程度并不是根據(jù)|E|的數(shù)值來評判，因此該文引用了針對定位狀況的定位因子E1，計算方法如公式（4）所示。

改進后的E1不僅擴大了全局的定位范圍，提高了定位能力，還可對不同類型的故障診斷進行針對性變換[3]。

1.3 基于數(shù)據(jù)挖掘構(gòu)建故障診斷模型

不同的故障點定位信息來自不同的測量單位和量度方式，例如坐標(biāo)系、距離單位等。未經(jīng)過歸一化處理的數(shù)據(jù)可能存在量綱差異，會給后續(xù)的故障自動診斷帶來困擾。因此，將上述得到的故障點定位信息進行歸一化處理，將數(shù)據(jù)映射到合適范圍內(nèi)，消除量綱影響，使不同屬性的數(shù)據(jù)能夠在同一尺度上進行比較和處理。由于故障信息中很可能存在離群數(shù)據(jù)，因此該文選擇標(biāo)準(zhǔn)化的轉(zhuǎn)換函數(shù)，如公式（5）所示。

式中：μ為所有故障樣本數(shù)據(jù)的均值；σ為所有故障數(shù)據(jù)的標(biāo)準(zhǔn)差。

進而對數(shù)據(jù)進行特征選擇。數(shù)據(jù)挖掘算法的種類豐富，需要根據(jù)不同問題選擇最合適的算法。決策樹方法適用于既包括離散特征（如設(shè)備狀態(tài)、故障類型）又包括連續(xù)特征（如傳感器數(shù)據(jù)）的數(shù)據(jù)集，并且決策樹能夠自動處理混合數(shù)據(jù)類型，無須進行特征轉(zhuǎn)換或離散化，減少了數(shù)據(jù)處理的計算量。因此，根據(jù)上述設(shè)備故障中收集和處理過的數(shù)據(jù)量，用決策樹的方法構(gòu)建故障診斷模型。

先隨機抽取數(shù)據(jù)集合中的部分?jǐn)?shù)據(jù)，進行子集訓(xùn)練，確定子集中的樣本分類是否相同。然后根據(jù)結(jié)果選擇指標(biāo)，進而在訓(xùn)練數(shù)據(jù)集中進行如上所述的特征集提取。對于每個集內(nèi)目標(biāo)，存在m個取值，并且判斷特征集是否為空集。再對其唯一性進行檢測，選擇數(shù)據(jù)集中占比最多的類。對樣本集中的類設(shè)置信息熵，并對每個屬性內(nèi)的信息熵進行計算。將配網(wǎng)的設(shè)備狀態(tài)量屬性設(shè)置為a，經(jīng)過劃分后判斷屬性的連續(xù)性，并通過離散化處理排列數(shù)據(jù)的組別。設(shè)置每組數(shù)據(jù)的平均值并將其設(shè)為中點，對數(shù)據(jù)進行再次劃分。計算電網(wǎng)設(shè)備狀態(tài)量的屬性a的增益，獲得屬性a對應(yīng)的分類信息，并測定其他數(shù)據(jù)。

如果出現(xiàn)錯誤分類，就對數(shù)據(jù)重新進行樣本集的信息熵計算，然后根據(jù)數(shù)據(jù)結(jié)果生成決策樹，判斷樹中的特征是否都已被選擇，進而生成數(shù)據(jù)子集，最后生成葉節(jié)點。將每個輸出視為一個獨立的決策樹，在上述決策樹生成后，即累積構(gòu)建了m棵樹。將每棵樹作為一個分類器，通過組合分類器，獲得隨機森林模型的最終輸出，并對故障信息進行指標(biāo)評價和方法計算[4]。

1.4 優(yōu)化自動診斷方法

上述過程中，基于數(shù)據(jù)挖掘技術(shù)選擇其中一項算法來對配網(wǎng)設(shè)備的故障進行診斷，對故障診斷模型進行訓(xùn)練和仿真，來檢測模型中存在的不足之處。為了擴大對配電設(shè)備故障中故障區(qū)域以及故障類型的診斷，該文對方法的優(yōu)化過程如下。

先更新決策樹的葉枝分量，通過初試決策樹決定故障問題的位置可能性，更新加入新的樹枝走向，并更新樹木隨機性。將更新結(jié)果反饋至已有模型，并計算適應(yīng)度。在適應(yīng)度的計算中，隨機抽取更新完成決策樹，對樹木的目標(biāo)取值進行界定。然后檢測決策樹的判斷特征集。特征集如果為空集，則不符合適應(yīng)度條件，需要對決策樹重新更新。如果更新后的決策樹不是空集，說明其符合適應(yīng)度條件。

通過更新森林整體，求取動態(tài)邊界。利用森林的隨機性學(xué)習(xí)新的模擬分量，再次計算適應(yīng)度，并更新樹木的葉子集。最后判斷森林中的數(shù)據(jù)子集是否符合條件，滿足條件則停止優(yōu)化流程，否則再對模型進行重復(fù)優(yōu)化[5]，以實現(xiàn)多目標(biāo)故障診斷。

2 試驗論證

2.1 試驗說明

為了驗證在配網(wǎng)設(shè)備中，該文設(shè)計的診斷方法能夠?qū)收线M行有效的自動診斷，采用在仿真環(huán)境中對故障進行診斷的對比方法。通過搭建仿真試驗環(huán)境，在仿真環(huán)境中將該文所用方法與基于CNN 算法的診斷方法進行故障診斷準(zhǔn)確性的比較。為了使試驗具有簡明性，設(shè)置該文的基于數(shù)據(jù)挖掘的配網(wǎng)設(shè)備故障自動診斷方法為試驗組，基于CNN 算法的配網(wǎng)設(shè)備故障自動診斷方法為對照組Ⅰ，基于超聲波的配網(wǎng)設(shè)備故障自動診斷方法為對照組Ⅱ。

試驗中設(shè)置5 組配網(wǎng)設(shè)備樣本，即樣本1、樣本2、樣本3、樣本4 和樣本5，樣本中將會產(chǎn)生的故障次數(shù)分別為50、100、150、200 和300 次。為了避免仿真試驗故障頻率過快造成診斷方法失真，需要間隔進行故障診斷，在多次樣本的試驗下獲得試驗結(jié)果。

2.2 試驗準(zhǔn)備

該文對數(shù)據(jù)的處理基于MATLAB 2019a 軟件，對配網(wǎng)設(shè)備的數(shù)據(jù)進行采集分析，并在配網(wǎng)的節(jié)點結(jié)構(gòu)中進行診斷方法的驗證。對故障進行定位來實現(xiàn)對信息的初步收集。該軟件的應(yīng)用流程如圖1 所示。

圖1 故障診斷流程

在試驗環(huán)境中，相關(guān)過電流的保護時序的整定值結(jié)果見表1。

表1 相關(guān)配網(wǎng)設(shè)備過電流保護時序整定值

設(shè)備發(fā)生故障時，配網(wǎng)的保護裝置會產(chǎn)生一定的過電流保護。表1 排列了配網(wǎng)中不同位置的保護時序的整定值。當(dāng)設(shè)備出現(xiàn)一定的延遲保護時，也會對仿真試驗產(chǎn)生一定影響。因此，為保證測試的真實性，該文選擇某省電力環(huán)境中的歷史故障數(shù)據(jù)為測試對象，按照時間編號來展示電力數(shù)據(jù)信號。以幅度為1、頻率為0.55Hz 的正弦波為基礎(chǔ)，調(diào)取電力數(shù)據(jù)采集窗口下的電壓數(shù)據(jù)，得到含有異常周期性序列的電壓數(shù)據(jù)值，見表2。

表2 時間序列下的電壓數(shù)據(jù)

根據(jù)表2 所示，以該配網(wǎng)的常規(guī)化運行情況為標(biāo)準(zhǔn)，當(dāng)電壓數(shù)據(jù)超過49.5V 時，表示配網(wǎng)出現(xiàn)異常，會影響整個設(shè)備的運行安全。分別將選定的數(shù)據(jù)上傳至測試平臺，分別連接3 組方法，對出現(xiàn)的故障問題進行診斷。

由于配網(wǎng)設(shè)備故障出現(xiàn)的復(fù)雜性，因此在調(diào)取的電壓數(shù)據(jù)過程中無法展示全部數(shù)據(jù)。設(shè)定待測試的樣本故障共5 組，在對配網(wǎng)設(shè)備的自動診斷過程中，不僅需要正確診斷故障問題，還需要對故障問題進行分類并上傳數(shù)據(jù)，以便不斷訓(xùn)練學(xué)習(xí)診斷方法，進而進行針對性優(yōu)化。

2.3 試驗結(jié)果

該文試驗比較了3 種故障自動診斷方法，在多次故障自動診斷試驗中，既做到了仿真模擬，也對相應(yīng)的電壓時序進行了延遲保護。不同診斷方法的自動診斷結(jié)果見表3。

表3 3 種配網(wǎng)設(shè)備故障自動診斷對比結(jié)果

根據(jù)表3 的試驗結(jié)果可知，5 組樣本自動診斷的平均精確度為97.25%，對照組Ⅰ自動診斷的平均精確度為79.44%，對照組Ⅱ自動診斷的平均精確度為81.32%。樣本1 中存在50 組故障數(shù)據(jù)，試驗組能對其進行準(zhǔn)確診斷。但是隨著樣本中故障次數(shù)的增多，試驗組的診斷精度有所下降。因為該文試驗是為了驗證診斷方法的精確度，所以設(shè)置了較多的故障次數(shù)，而在實際情況中，通常不會出現(xiàn)大量、多次的短間隔故障問題。而對照組Ⅰ和對照組Ⅱ的自動診斷存在不穩(wěn)定性，隨著故障次數(shù)增加，其不穩(wěn)定性也表現(xiàn)得更明顯。上述試驗結(jié)果驗證了該文所設(shè)計的配網(wǎng)設(shè)備故障自動診斷方法的有效性，保證了自動診斷精確度。

3 結(jié)語

該文對配網(wǎng)設(shè)備中的故障自動診斷進行了方法設(shè)計，先對配網(wǎng)設(shè)備中故障信息進行聚類，然后對故障數(shù)據(jù)進行分析，在數(shù)據(jù)分析和特征分析的基礎(chǔ)上對配網(wǎng)的設(shè)備故障點進行定位，最后在數(shù)據(jù)挖掘的基礎(chǔ)上構(gòu)建故障的診斷模型，檢測模型的有效性并進行優(yōu)化，以完成診斷方法的設(shè)計。在試驗結(jié)果的輔助下，對比試驗，對設(shè)計方法進行了有效性和診斷準(zhǔn)確度的驗證。但是該文在診斷模型的構(gòu)建中缺少一定的細節(jié)，沒有對模型中的約束條件進行權(quán)重分析，存在一定的不足之處，今后的研究將針對該環(huán)節(jié)的設(shè)計進行深入分析。