模糊證據(jù)推理下的智能變電站運(yùn)行態(tài)勢異常實(shí)時(shí)在線告警仿真

舒斐,李永光,趙亮,於湘濤

(1.國網(wǎng)新疆電力有限公司電力科學(xué)研究院,新疆 烏魯木齊 835011;2.國網(wǎng)新疆電力有限公司,新疆 烏魯木齊 830018;3.中國科學(xué)院沈陽計(jì)算技術(shù)研究所有限公司,遼寧 沈陽 110168)

每個(gè)變電站均有著信息高度集成共享的規(guī)則[1-2],各個(gè)電力線路監(jiān)測得到的信息量中帶有海量設(shè)備狀態(tài)數(shù)據(jù),若利用目前異常告警對海量信息量進(jìn)行檢測,會出現(xiàn)告警不及時(shí)的問題[3],工作人員無法在短時(shí)間內(nèi)得知發(fā)生故障的線路,從而耽誤線路維修,最終造成不必要的影響。

線路監(jiān)測和警告是相輔相成的,只有及時(shí)監(jiān)測到變電站存在故障變電站才能及時(shí)告警。張?jiān)堑萚4]首先預(yù)測變電站的實(shí)際運(yùn)行狀態(tài),模擬出實(shí)時(shí)狀態(tài)下變電站的各項(xiàng)參數(shù),對運(yùn)行過程中正常運(yùn)行狀態(tài)和實(shí)際運(yùn)行的電力狀態(tài)進(jìn)行對比,判斷目前兩種狀態(tài)間是否存在差異,若出現(xiàn)異常則及時(shí)發(fā)出告警。王宇飛等[5]首先根據(jù)原始電力攻擊觀測序列識別出所有預(yù)警,同時(shí)使用動態(tài)計(jì)算方法計(jì)算出預(yù)警的信息物理協(xié)同判據(jù),縮小變電站告警范圍,并對該范圍線路進(jìn)行檢測同時(shí)加以告警。但是在實(shí)際告警過程中沒有對智能變電站可能發(fā)生故障和異常情況進(jìn)行預(yù)測,導(dǎo)致異常檢測范圍過大,加大工作量,獲取的異常線路特征單一且冗余量大,存在識別率低、態(tài)勢分析耗時(shí)長以及噪聲干擾下告警時(shí)間延長的問題。為此,提出了模糊證據(jù)推理下的智能變電站運(yùn)行態(tài)勢異常實(shí)時(shí)在線告警仿真。

1 挖掘運(yùn)行態(tài)勢異常特征

1.1 提取變電站運(yùn)行數(shù)據(jù)特征

將RVM視為分類器的輸入向量[6-9],由于數(shù)據(jù)中不可避免帶有一些冗余數(shù)據(jù)[10-11],這會影響特征提取、分類以及最終的異常檢測結(jié)果,因此需要對變電站的數(shù)據(jù)特征進(jìn)行選擇,選取出對檢測結(jié)果影響較小的特征。

RVM是目前常用的分類算法,它的優(yōu)點(diǎn)是帶有極強(qiáng)的稀疏性,可自行選擇影響較小的特征,同時(shí)保證特征提取以及分類是在同一個(gè)優(yōu)化函數(shù)內(nèi),以此生成更加優(yōu)越的分類結(jié)果。

假設(shè)變電站特征訓(xùn)練樣本的向量集合為{ym,zm},則RVM分類算法的優(yōu)化函數(shù)表達(dá)式為:

(1)

式中,M代表變電站數(shù)據(jù)特征訓(xùn)練樣本數(shù)量,m=1,2,…,M,ym代表變電站數(shù)據(jù)特征向量,zm代表特征類別編號,α代表變電站數(shù)據(jù)中的高斯白噪聲,K(y,ym)代表核函數(shù),wm代表第m個(gè)特征的權(quán)重,y和ω均代表準(zhǔn)備計(jì)算的變量。

在sigmoid函數(shù)的幫助下通過RVM分類算法估計(jì)輸入特征為目標(biāo)結(jié)果的概率[12],似然函數(shù)的計(jì)算公式為:

{1-β[f(ym,m)]}1-zm

(2)

其中,β代表沖擊函數(shù)。

重新建立模型內(nèi)參數(shù)的先驗(yàn)分布,以此生成最完整的貝葉斯模型[13],若變量ω的均值以及方差均為高斯分布χ-1,且χ-1以及噪聲方差γ-1的先驗(yàn)分布均為伽馬分布,其表達(dá)式為:

(3)

式中,c和d代表超參數(shù),χ代表χ-1的逆,χm代表第m個(gè)逆χ的分量,γ代表γ-1的倒數(shù)。

在實(shí)際計(jì)算過程中χ會被無限放大,對應(yīng)的分量ω會無限接近于0,保證權(quán)值向量的稀疏化[14],當(dāng)?shù)Ｖ购?權(quán)值不等于0的特征向量即為故障特征選取結(jié)果。

1.2 判斷運(yùn)行態(tài)勢異常

為了能夠及時(shí)發(fā)現(xiàn)異常運(yùn)行情況,利用馬爾可夫模型對變電站實(shí)際運(yùn)行過程中態(tài)勢進(jìn)行預(yù)測,通過詳細(xì)分析變電站的異常機(jī)制,可定義出變電站中較為薄弱的環(huán)節(jié)參數(shù),將參數(shù)引入模型中,得出變電站運(yùn)行的可靠性模型δ,其表達(dá)式為:

(4)

式中,a代表各個(gè)子系統(tǒng)對應(yīng)的故障率,b代表各個(gè)子系統(tǒng)對應(yīng)的故障修復(fù)率,n表示總子系統(tǒng)數(shù)量。

利用式(1)可生成變電站運(yùn)行的可靠性,以此定義出變電站穩(wěn)定域運(yùn)行的閾值,當(dāng)式(1)結(jié)果不在閾值范圍內(nèi),說明變電站中存在線路運(yùn)行異常,否則反之。

2 告警變電站運(yùn)行態(tài)勢異常

根據(jù)模糊證據(jù)推理原理可知[15],變電站運(yùn)行態(tài)勢異常告警需要分成三個(gè)步驟:第一步,計(jì)算異常目標(biāo)運(yùn)行態(tài)勢的模糊隸屬函數(shù);第二步,根據(jù)證據(jù)理論合成所有目標(biāo)對象的隸屬函數(shù);第三步,依據(jù)判決準(zhǔn)則檢測異常并加以告警。

目前發(fā)生異常運(yùn)行情況時(shí),因智能變電站的特性,會導(dǎo)致與異常子系統(tǒng)相連部分的系統(tǒng)也發(fā)生運(yùn)行錯誤,進(jìn)而生成大量錯誤的告警信息。一般情況下,系統(tǒng)會用0和1來表示變電站是否發(fā)生故障。模糊證據(jù)推理方法是比較模糊的一種故障判斷方法,所以僅僅用0和1來表示是否發(fā)生故障比較片面,為此使用區(qū)間[0,1]之間的任意數(shù)來表示發(fā)生故障的概率。在實(shí)際監(jiān)測過程中,會引入最大隸屬法,對告警信息實(shí)施模糊相關(guān)性的分析,進(jìn)而得出最精準(zhǔn)的告警描述。

假設(shè)變電站的論域?yàn)閁,模糊數(shù)據(jù)集合為A,則A在U上的映射uA表達(dá)式為:

(5)

式中,uA代表集合A的隸屬度函數(shù)。

將這種方法使用于智能變電站中,對變電站的異常態(tài)勢數(shù)據(jù)實(shí)施特征提取等預(yù)處理后,計(jì)算出異常數(shù)據(jù)的隸屬度,并依據(jù)實(shí)際的數(shù)據(jù)性質(zhì),選取模糊分布的形式。

不同的變電站中因設(shè)備的不同,其模糊集合也不盡相同,因此隸屬度函數(shù)針對每個(gè)變電站設(shè)備均是不同的,常規(guī)的隸屬度函數(shù)有三角形以及梯形等,其中三角形隸屬度函數(shù)的計(jì)算公式為:

(6)

其中,a′和c′代表三角形隸屬度函數(shù)的參數(shù),b′代表三角形隸屬度函數(shù)“峰”的參數(shù)。

梯形隸屬度函數(shù)的計(jì)算公式為:

(7)

其中,a″和d″均代表梯形隸屬度函數(shù)“腳”的參數(shù),b″和c″均代表梯形隸屬度函數(shù)“肩膀”的參數(shù)。

假設(shè)變電站的全部運(yùn)行態(tài)勢異常集合為θ={θ1,θ2,…,θn},集合中的某個(gè)節(jié)點(diǎn)A′的告警證據(jù)集合為eA′={e1,e2,…,eNA′},則告警對故障的支持度計(jì)算公式為:

(8)

其中,NA′,θi代表確實(shí)為需要告警的異常運(yùn)行姿態(tài)個(gè)數(shù),NA′代表變電站設(shè)備異常運(yùn)行姿態(tài)告警的總數(shù)。

根據(jù)式(8)生成變電站設(shè)備對運(yùn)行姿態(tài)異常的支持度集合表達(dá)式為:

uA′={uA′(θ1),uA′(θ2),…,uA′(θn)}

(9)

在上升函數(shù)S形隸屬度函數(shù)的基礎(chǔ)上,得出智能變電站運(yùn)行態(tài)勢異常告警證據(jù)的隸屬度函數(shù)計(jì)算公式:

fA′(θi)=

(10)

式中,a?和b?均代表S形隸屬度函數(shù)的參數(shù)。

在式(10)的幫助下,得出變電站中每種設(shè)備針對不同異常姿態(tài)的支持度模糊隸屬度[16-17],生成下列支持度集合表達(dá)式:

fA′={fA′(θ1),fA′(θ2),…,fA′(θn)}

(11)

為了更好地統(tǒng)一變電站運(yùn)行姿態(tài)的隸屬度,對支持度集合進(jìn)行歸一化處理,將所有帶有量綱隸屬度轉(zhuǎn)化成無量綱的,更加直觀地比較隸屬度結(jié)果,隸屬度的歸一化公式為:

(12)

經(jīng)過歸一化處理后的隸屬度,就可以輕易完成整合處理,最終對其中的異常進(jìn)行選取并加以告警即可。

根據(jù)變電站的異常姿態(tài)預(yù)測以及特征處理,得出變電站目前可能存在的異?，F(xiàn)象,將異常態(tài)勢的隸屬度計(jì)算出并加以整合后,工作人員可以直接了解需要告警的事件,同時(shí)還要對告警故障實(shí)施事件化處理,在告警指令序列的輔助下詳細(xì)描述告警事件,其中包含異常現(xiàn)象的發(fā)生時(shí)間、變電站名稱以及線路位置等,同時(shí)還需要將告警事件序列分類成實(shí)體以及告警虛體,因?yàn)橹悄茏冸娬局g的設(shè)備存在著大量聯(lián)系,所以告警序列的相關(guān)信息間十分相似,為了盡可能提高告警精度和效率,需進(jìn)一步提煉關(guān)鍵詞,同時(shí)在系統(tǒng)中添加語言處理技術(shù),語言的分析和處理如下所示。

第1步,統(tǒng)計(jì)所有告警本體,對相應(yīng)詞性進(jìn)行標(biāo)注,構(gòu)建出本體詞典。

第2步,將異常姿態(tài)樣本特征數(shù)據(jù)實(shí)時(shí)向量化處理,對異常姿態(tài)的詞語進(jìn)行區(qū)分,構(gòu)建出異常樣本向量。

根據(jù)以上步驟將告警指令實(shí)施序列事件化處理,針對物理設(shè)備和虛擬化資源制定資源控制接口,實(shí)現(xiàn)資源狀態(tài)的實(shí)時(shí)管理、更新,在線設(shè)備識別,運(yùn)行狀態(tài)異常告警,構(gòu)成4項(xiàng)資源管控接口制定報(bào)告,通過Tdengine電力運(yùn)維平臺自動發(fā)出告警。

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證模糊證據(jù)推理下的智能變電站運(yùn)行態(tài)勢異常實(shí)時(shí)在線告警方法的整體有效性,現(xiàn)和故障監(jiān)測與預(yù)警方法、電網(wǎng)級聯(lián)故障預(yù)警方法,進(jìn)行態(tài)勢異常識別率、告警耗費(fèi)時(shí)間以及加入噪聲后的告警時(shí)延測試。

假設(shè)實(shí)驗(yàn)過程中共選取15組數(shù)據(jù)樣本進(jìn)行實(shí)驗(yàn),每組樣本中帶有2000條告警信息的訓(xùn)練集,將每組實(shí)驗(yàn)進(jìn)行編號,分別為編號1～編號15,通過三種方法對數(shù)據(jù)進(jìn)行訓(xùn)練,得出告警的真實(shí)情況。

3.1 態(tài)勢異常識別率與虛警率

變電站異常監(jiān)測的精度直接關(guān)系最終告警的精度,所以將故障監(jiān)測識別率、虛警率視為告警精度的評價(jià)指標(biāo),計(jì)算公式如下所示:

(13)

(14)

在實(shí)驗(yàn)過程中保證所有方法所處的外界環(huán)境以及干擾全部一致,排除所有可能帶來誤差的因素,僅僅比較三種方法對異常現(xiàn)象的識別率,從而驗(yàn)證本文方法的有效性,實(shí)驗(yàn)結(jié)果如表1所示。

表1 三種方法的異?，F(xiàn)象識別率(%)

由表1可知,識別率最高的是本文方法,均在90%以上,最低93.4%,最高99.8%;虛警率最低的是本文方法,最高1.4%,最低0.3,總體表現(xiàn)優(yōu)于其他兩種方法。其他兩種對比方法沒有對智能變電站可能發(fā)生故障和異常情況進(jìn)行預(yù)測,致使異常檢測范圍過大,其獲取的異常線路特征單一且冗余量大,因此識別率較本文方法低。根據(jù)實(shí)驗(yàn)結(jié)果,說明本文方法對異常姿態(tài)的在線警告精度較高,能夠及時(shí)提示工作人員變電站發(fā)生故障以及對變電站實(shí)施維修處理,保證變電站的壽命。

這是因?yàn)楸疚姆椒ㄌ崆邦A(yù)測智能變電站可能發(fā)生的故障以及異常情況,能夠提示工作人員及時(shí)關(guān)注可能發(fā)生故障的線路,并第一時(shí)間監(jiān)測到該線路的實(shí)際運(yùn)行情況,從而及時(shí)發(fā)出告警,加強(qiáng)告警識別率。但識別率未達(dá)到100%、虛警率未達(dá)到0,是因?yàn)樵摲椒ㄖ衅漕A(yù)測過程還無法保證100%的準(zhǔn)確性,但已能夠大幅改善對智能變電站可能發(fā)生故障和異常情況的識別率以及虛警率。

3.2 告警全周期耗時(shí)

識別精度的高低是驗(yàn)證態(tài)勢異常告警方法的重要指標(biāo),但保證精度的同時(shí),也需要告警全周期耗時(shí)。在上述環(huán)境下隨機(jī)選取出5組實(shí)驗(yàn)樣本,分別計(jì)算出三種方法所需的告警時(shí)間,實(shí)驗(yàn)結(jié)果如圖1所示。

由圖1可知,本文方法耗時(shí)均在5s以內(nèi),其余兩種方法遠(yuǎn)遠(yuǎn)大于5s。得出本文方法的性能無論是識別精度或是告警耗時(shí)均優(yōu)于其余兩種方法,再一次證明了本文方法的告警能力。這是因?yàn)楸疚姆椒ㄟx取其中不會影響告警結(jié)果的特征,這降低了監(jiān)測數(shù)據(jù)量,加強(qiáng)了監(jiān)測精度,同時(shí)減少了告警所需時(shí)間。

圖1 三種方法的告警全周期耗時(shí)

3.3 抗噪能力分析

全周期耗時(shí)是在完全無干擾情況下得出的理想結(jié)果,但是變電站本身具有大量電磁干擾,影響檢測及告警結(jié)果,為了進(jìn)一步驗(yàn)證本文方法的抗噪能力性,在實(shí)驗(yàn)過程中,對實(shí)驗(yàn)樣本數(shù)據(jù)添加不同的高斯白噪聲,生成帶有不同信噪比的樣本,判斷三種方法告警的穩(wěn)定性,即是否能夠及時(shí)發(fā)出告警,實(shí)驗(yàn)結(jié)果如圖2所示。

圖2 三種方法的抗噪能力分析

由圖2可知,本文方法的抗噪能力最強(qiáng),其余兩種方法的抗噪能力均較差,不利于異常態(tài)勢檢測精度,以上實(shí)驗(yàn)充分說明本文方法的告警效果更優(yōu)。

4 結(jié) 論

變電站數(shù)量不斷增加,同時(shí)也在不斷更新變電站系統(tǒng),模糊證據(jù)推理下的智能變電站運(yùn)行態(tài)勢異常實(shí)時(shí)在線告警方法,對變電站數(shù)據(jù)進(jìn)行故障預(yù)測以及特征提取處理,通過模糊證據(jù)推理和信息事件化方法,完成異常告警,解決了識別率低、告警異常情況所需時(shí)間長以及抗噪能力差的問題,加強(qiáng)新型電力系統(tǒng)工作能力,可大大加長電力系統(tǒng)各設(shè)備的使用壽命,為保證用戶的用電安全以及穩(wěn)定性,幫助工作人員及時(shí)發(fā)現(xiàn)問題并及時(shí)維修發(fā)生故障的節(jié)點(diǎn)。接下來的研究方向是進(jìn)一步加快實(shí)時(shí)告警效率,以及提前預(yù)測每段線路可能發(fā)生故障的概率,提前對線路進(jìn)行檢修,降低故障發(fā)生率。