一種新型變電站智能運(yùn)維平臺(tái)的設(shè)計(jì)及應(yīng)用

(國(guó)網(wǎng)湖北省電力有限公司宜昌供電公司,湖北 宜昌 443000)

1 前言

近年來(lái)，隨著國(guó)家電網(wǎng)公司“大檢修”體系建設(shè)完成，變電站規(guī)模數(shù)量劇增，電網(wǎng)結(jié)構(gòu)日益復(fù)雜，突發(fā)事件偶然性等內(nèi)外部原因，設(shè)備故障時(shí)有發(fā)生[1]。主要原因有：變電站線路、設(shè)備運(yùn)行狀態(tài)信息數(shù)據(jù)量大，且數(shù)據(jù)分散，沒有有效集中以進(jìn)行線路和設(shè)備異常、故障分析和決策支持；變電站設(shè)備巡檢主要依靠人工巡檢，智能化程度低，無(wú)法避免人為因素造成的影響，且不利于巡檢數(shù)據(jù)存檔。當(dāng)發(fā)現(xiàn)輸電線路、設(shè)備異?；蚬收蠒r(shí)，需要運(yùn)維人員到現(xiàn)場(chǎng)操作設(shè)備進(jìn)行控制，不能進(jìn)行在線預(yù)測(cè)預(yù)警。

本文設(shè)計(jì)了一種變電站智能運(yùn)維系統(tǒng)，自動(dòng)巡檢變電站設(shè)備，自動(dòng)采集變電站線路、設(shè)備運(yùn)行狀態(tài)信息并進(jìn)行匯總，將異?；蚬收闲畔l(fā)到到運(yùn)維人員手持終端，能進(jìn)行遠(yuǎn)程控制將故障設(shè)備隔離。

2 設(shè)計(jì)方案

設(shè)備故障影響因素?cái)?shù)據(jù)可分為連續(xù)、分類、非結(jié)構(gòu)化三種類型[2]。針對(duì)不同的數(shù)據(jù)類型特點(diǎn)，依次選用Pearson相關(guān)分析、單因素方差分析、統(tǒng)計(jì)對(duì)比三種方法，對(duì)故障影響因素進(jìn)行相關(guān)性分析，通過(guò)數(shù)據(jù)收集、數(shù)據(jù)處理、相關(guān)性分析、模型計(jì)算、策略輸出進(jìn)行設(shè)計(jì)，如下所示。

本文以某地市公司變電設(shè)備管理現(xiàn)狀為基礎(chǔ)，利用Logistic回歸、深度學(xué)習(xí)、風(fēng)險(xiǎn)矩陣分析等方法，對(duì)變電設(shè)備故障及其影響因素等數(shù)據(jù)進(jìn)行深度分析與挖掘，構(gòu)建一種故障預(yù)測(cè)識(shí)別與風(fēng)險(xiǎn)評(píng)估模型，提出一種故障預(yù)測(cè)識(shí)別與風(fēng)險(xiǎn)評(píng)級(jí)相結(jié)合的變電站設(shè)備差異化運(yùn)維策略，指導(dǎo)公司變電設(shè)備檢修運(yùn)維精益化管理工作。

圖1 設(shè)計(jì)框架

3 模型及算法

本文采用Logistic回歸故障預(yù)測(cè)模型，邏輯回歸就是對(duì)定性變量的回歸分析。即研究某一事件發(fā)生的概率p=P(Y=1)與若干因素之間的關(guān)系[3-5]。

本文是對(duì)設(shè)備運(yùn)行風(fēng)險(xiǎn)進(jìn)行分析，響應(yīng)變量Y(故障是否發(fā)生)是定性變量，僅有發(fā)生故障(Y=1)與不發(fā)生故障(Y=0)兩種狀態(tài)。故障發(fā)生的影響因素有投運(yùn)年限、負(fù)載率、油溫、生產(chǎn)廠家、溫度等，分別用x1,…,xk表示。故本文建立Logistic回歸故障風(fēng)險(xiǎn)預(yù)測(cè)模型如下：

其中β0,β1,…，βk是各影響因素對(duì)應(yīng)的回歸系數(shù)[6-7]。

從而得到故障發(fā)生概率p的計(jì)算公式：

利用Python軟件，編程調(diào)用Logistic模型，利用極大似然估計(jì)法求解回歸系數(shù)；將2016年1～12月的143832條記錄作為訓(xùn)練樣本，2017年1～3月的數(shù)據(jù)作為測(cè)試數(shù)據(jù)。利用Python軟件，編程調(diào)用Logistic模型，設(shè)置不同的臨界概率p，得到如表1所示。

綜合考慮模型準(zhǔn)確率和命中率，選用p=0.5作為分類臨界概率，從而得到回歸系數(shù)。借助上述建立的Logistic回歸故障風(fēng)險(xiǎn)預(yù)測(cè)模型，對(duì)2017年4～5月的樣本進(jìn)行預(yù)測(cè)。利用Logistic模型得到各樣本的預(yù)測(cè)結(jié)果，得到各故障等級(jí)的設(shè)備數(shù)量如表2所示。

表1 不同概率p的訓(xùn)練結(jié)果明細(xì)表

表2 變電站故障預(yù)測(cè)誤差分析

注:0表示未發(fā)生故障，1表示發(fā)生故障；i-j表示把i識(shí)別成j的數(shù)量(i=0,1，j=0,1)。

由上表預(yù)測(cè)結(jié)果可知：預(yù)測(cè)樣本總預(yù)測(cè)準(zhǔn)確率為90.45%，所預(yù)測(cè)的兩個(gè)月的預(yù)測(cè)準(zhǔn)確率都在85%以上，可見預(yù)測(cè)模型準(zhǔn)確率非常高。

4 硬件結(jié)構(gòu)

2017年，某地市公司利用本課題研究的成果，成功搭建了變電站智能運(yùn)維輔助決策大數(shù)據(jù)平臺(tái)。該平臺(tái)包括本地監(jiān)控后臺(tái)、運(yùn)維中心、多個(gè)智能機(jī)器人、多個(gè)手持終端、多個(gè)控制器、多個(gè)斷路器、多個(gè)變壓器監(jiān)測(cè)單元、多個(gè)互感器、多個(gè)避雷器監(jiān)測(cè)儀和氣象信息采集裝置；智能機(jī)器人、變壓器監(jiān)測(cè)單元、互感器、避雷器監(jiān)測(cè)儀、SF6氣壓表、液壓表、控制器分別與本地監(jiān)控后臺(tái)連接；氣象信息采集裝置與運(yùn)維中心連接；所述手持終端經(jīng)無(wú)線網(wǎng)和運(yùn)維中心連接；運(yùn)維中心經(jīng)硬件防火墻與本地監(jiān)控后臺(tái)連接；斷路器控制端與控制器輸出端連接；智能機(jī)器人能在變電站場(chǎng)所自由行走，能自主避障，對(duì)變電站設(shè)備進(jìn)行紅外成像。

圖2 智能決策平臺(tái)硬件結(jié)構(gòu)

本系統(tǒng)能夠?qū)崿F(xiàn)設(shè)備故障的準(zhǔn)確預(yù)測(cè)，并自動(dòng)給出決策建議，輔助差異化精益運(yùn)維管理。從某地市供電公司應(yīng)用成效看，設(shè)備故障預(yù)警模型準(zhǔn)確度可達(dá)到90%以上，較以往人工經(jīng)驗(yàn)預(yù)判準(zhǔn)確度提升約20倍。通過(guò)量化該區(qū)域內(nèi)的運(yùn)維承載力，對(duì)人力、物資、財(cái)力等成本進(jìn)行科學(xué)估算及評(píng)估。據(jù)統(tǒng)計(jì)，實(shí)行差異化運(yùn)維策略后，每站巡視節(jié)約了3.33人時(shí)，在提高運(yùn)維效率的同時(shí)，大大降低綜合運(yùn)維成本。

5 結(jié)論

本課題利用Logistic回歸、深度學(xué)習(xí)等方法，提出一種故障預(yù)測(cè)與風(fēng)險(xiǎn)評(píng)級(jí)相結(jié)合的變電站設(shè)備差異化運(yùn)維策略。本課題是“大數(shù)據(jù)”和“互聯(lián)網(wǎng)+”發(fā)展戰(zhàn)略落地的有效實(shí)踐，該成果已在某網(wǎng)省電力公司101座變電站得到成功應(yīng)用，設(shè)備狀態(tài)監(jiān)視運(yùn)行情況便捷，缺陷隱患、故障發(fā)現(xiàn)和推送及時(shí)，處理高效。通過(guò)歷史數(shù)據(jù)以及地域、天氣等多源數(shù)據(jù)分析，能夠準(zhǔn)確預(yù)測(cè)出在特定環(huán)境下設(shè)備故障出現(xiàn)概率，提前部署運(yùn)維搶修力量，大大提高優(yōu)質(zhì)服務(wù)質(zhì)量和供電服務(wù)水平，提升公司品牌形象和社會(huì)影響力。該平臺(tái)能夠?yàn)槠髽I(yè)提供智慧決策方案，現(xiàn)場(chǎng)巡檢方面具有廣闊的推廣前景。