智能電網(wǎng)監(jiān)控運(yùn)行大數(shù)據(jù)應(yīng)用模型構(gòu)建方法

冷喜武， 陳國平， 蔣 宇， 張家琪， 肖 飛

(1. 國家電網(wǎng)有限公司, 北京市 100031； 2. 國網(wǎng)江蘇省電力有限公司， 江蘇省南京市 210024；3. 國網(wǎng)物資有限公司， 北京市 100120； 4. 國網(wǎng)上海市電力公司， 上海市 200122)

0 引言

近年來，經(jīng)過國家電網(wǎng)有限公司內(nèi)部職責(zé)的重新調(diào)整，傳統(tǒng)調(diào)度機(jī)構(gòu)更名為調(diào)度控制中心(簡稱調(diào)控中心)，其調(diào)管職責(zé)也新增了對(duì)管轄全部設(shè)備的集中監(jiān)視和遙控操作職能，傳統(tǒng)的有人值守變電站模式變?yōu)榱藷o人值守模式。這一電網(wǎng)調(diào)度職責(zé)的變化造成了傳統(tǒng)技術(shù)支撐體系(例如：Open3000,智能調(diào)度控制系統(tǒng)(D5000)、調(diào)度管理系統(tǒng)(OMS))的不適應(yīng)：①傳統(tǒng)技術(shù)支撐體系是從變電站就地監(jiān)視和單一設(shè)備控制演化而來的，對(duì)大規(guī)模變電站遠(yuǎn)程集中監(jiān)視和批量順控業(yè)務(wù)的支撐不足；②隨著設(shè)備集中監(jiān)視、控制新業(yè)務(wù)的拓展和“事前—事中—事后”全維度分析業(yè)務(wù)的開展，需要根據(jù)新業(yè)務(wù)上線新的系統(tǒng)、開發(fā)大量的支撐功能[1-2]。為此，2016年，國家電力調(diào)度控制中心組織五家省級(jí)調(diào)控中心(江蘇、浙江、天津、四川、遼寧)研究并上線運(yùn)行了智能電網(wǎng)監(jiān)控運(yùn)行大數(shù)據(jù)分析系統(tǒng)。

在業(yè)務(wù)應(yīng)用功能的開發(fā)上，傳統(tǒng)方法是依靠人工經(jīng)驗(yàn)的先驗(yàn)知識(shí)建立模型，經(jīng)過數(shù)據(jù)驗(yàn)證其模型的有效性，最后開發(fā)應(yīng)用模型完成對(duì)某設(shè)備、功能的輔助分析或決策。文獻(xiàn)[3-6]根據(jù)人工經(jīng)驗(yàn)，通過采集母線電壓、充電機(jī)電流、電池組內(nèi)阻、支路差流等信息建立直流系統(tǒng)故障檢測模型。文獻(xiàn)[7]根據(jù)經(jīng)驗(yàn)?zāi)Ｐ万?qū)動(dòng)方式，進(jìn)行了主變油溫異常升高的故障診斷與處理的研究。基于人工經(jīng)驗(yàn)的電網(wǎng)設(shè)備異常監(jiān)視、故障診斷模型及應(yīng)用的優(yōu)點(diǎn)有：①通過了長期實(shí)踐驗(yàn)證，可行性高、見效快；②應(yīng)用建模、功能開發(fā)目標(biāo)明確，研發(fā)成本低。

然而，通過國家電網(wǎng)有限公司在五個(gè)省級(jí)調(diào)控中心，開展的監(jiān)控大數(shù)據(jù)系統(tǒng)試點(diǎn)運(yùn)行(2016年7月至2018年4月)可以得出結(jié)論：一方面是傳統(tǒng)監(jiān)控分析應(yīng)用模型，不僅數(shù)量少、分析方法也相對(duì)簡單，遠(yuǎn)不足以支撐國家級(jí)、區(qū)域級(jí)、省級(jí)電網(wǎng)開展大數(shù)據(jù)分析業(yè)務(wù)的需求，制約了電力監(jiān)控應(yīng)用的開發(fā)；電力系統(tǒng)不僅需要建設(shè)龐大的計(jì)算機(jī)硬件架構(gòu)、構(gòu)建嚴(yán)密的計(jì)算機(jī)軟件系統(tǒng)體系，更需要方便、高效地開發(fā)支撐各類調(diào)控、監(jiān)控業(yè)務(wù)的工業(yè)大數(shù)據(jù)應(yīng)用模型、功能[8-9];另一方面，僅試點(diǎn)調(diào)控中心納入集中監(jiān)視的數(shù)據(jù)源就有幾億個(gè)，如果將信息進(jìn)行兩兩組合分析，需要指數(shù)級(jí)的計(jì)算量，如果進(jìn)行更高維度的多元信息挖掘，則耗時(shí)更長。

文獻(xiàn)[10-11]指出電網(wǎng)運(yùn)行數(shù)據(jù)蘊(yùn)含著大量的因果關(guān)系特征。而省級(jí)遠(yuǎn)方、大集中模式下的電網(wǎng)設(shè)備故障異常的趨勢監(jiān)視和主動(dòng)干預(yù)，其實(shí)質(zhì)就是在故障異常(“果”要素)出現(xiàn)之前，對(duì)強(qiáng)關(guān)聯(lián)“因”要素進(jìn)行自動(dòng)偵測和監(jiān)控員的提前處置，以提升大電網(wǎng)運(yùn)行本質(zhì)安全特性。因此，本文提出一種新穎的基于因果概率圖模型的監(jiān)控大數(shù)據(jù)智能挖掘算法框架和一種兩階段的電網(wǎng)監(jiān)控運(yùn)行大數(shù)據(jù)應(yīng)用工程構(gòu)建方法。根據(jù)降低計(jì)算復(fù)雜度和有效挖掘數(shù)據(jù)因果關(guān)系的思路[10-11]，因果關(guān)系智能挖掘算法框架采用了分層計(jì)算的理念。首先，為了減小計(jì)算量，采用相對(duì)簡單的相關(guān)分析模型[12-13]進(jìn)行初篩；然后，再用計(jì)算復(fù)雜的因果檢驗(yàn)?zāi)Ｐ蚚14-15]進(jìn)行精篩，提高分析的精度，并計(jì)算出中間步驟的因果關(guān)系集合；最后，基于上述計(jì)算結(jié)果和因果關(guān)系，統(tǒng)計(jì)出的各關(guān)聯(lián)要素因果概率權(quán)重，再通過構(gòu)建概率圖模型(貝葉斯網(wǎng)絡(luò))[16]形成面向具體業(yè)務(wù)應(yīng)用的因果關(guān)系模型，指導(dǎo)應(yīng)用功能的開發(fā)。

1 監(jiān)控大數(shù)據(jù)因果關(guān)系智能挖掘算法框架

電網(wǎng)大數(shù)據(jù)因果關(guān)系分析，往往既需要選定數(shù)據(jù)序列相互關(guān)系的挖掘方法，又需要設(shè)計(jì)合理可行的大數(shù)據(jù)因果分析模型。

皮爾遜積矩相關(guān)系數(shù)法是相關(guān)性檢驗(yàn)中用來判斷要素是否存在關(guān)聯(lián)性的經(jīng)典方法，具有計(jì)算簡單、速度快的特點(diǎn)，但是該算法的分析結(jié)果容易受噪聲數(shù)據(jù)的干擾，反映的是相關(guān)性的粗粒度特征，并且無法識(shí)別因果關(guān)系[12-13,17]。格蘭杰因果關(guān)系檢驗(yàn)可以判斷相關(guān)要素間的因果關(guān)系，但是，其計(jì)算較為復(fù)雜。當(dāng)全要素集合比較龐大的時(shí)候，利用格蘭杰因果關(guān)系檢驗(yàn)完成全部要素的因果關(guān)系運(yùn)算時(shí)間復(fù)雜度較大[18]。所以將皮爾遜積矩相關(guān)系數(shù)法預(yù)處理數(shù)據(jù)后再實(shí)施格蘭杰因果關(guān)系檢驗(yàn)是一個(gè)可行的優(yōu)化策略。

概率圖模型是用來描述相關(guān)要素間因果推理或關(guān)系結(jié)構(gòu)演變的經(jīng)典機(jī)器學(xué)習(xí)方法。在電網(wǎng)監(jiān)控大數(shù)據(jù)分析中，由于電網(wǎng)監(jiān)控全要素集合數(shù)量龐大，直接進(jìn)行概率圖建模計(jì)算十分復(fù)雜。如何降低電力大數(shù)據(jù)分析概率圖建模難度是一項(xiàng)重要的研究議題。

基于上述研究，本文提出一種基于因果概率圖算法模型的監(jiān)控大數(shù)據(jù)智能挖掘方法。其主要思想是采用皮爾遜積矩相關(guān)系數(shù)法及格蘭杰因果關(guān)系檢驗(yàn)法相結(jié)合的方法對(duì)全要素集合查找強(qiáng)因果關(guān)系，并且上述步驟獲得的要素間因果關(guān)系可以直接應(yīng)用于構(gòu)建電力大數(shù)據(jù)分析概率圖模型，最終實(shí)現(xiàn)指定要素節(jié)點(diǎn)的智能決策[16,19]。

該算法框架整合了相關(guān)性系數(shù)法、格蘭杰因果檢驗(yàn)方法和概率圖模型方法，能夠在電力大數(shù)據(jù)工程環(huán)境下，實(shí)現(xiàn)對(duì)于海量數(shù)據(jù)的有效篩選和高效因果關(guān)系建模。

算法框架流程見圖1。首先，將全要素集合中的要素構(gòu)造為全對(duì)偶組合作為輸入，并且對(duì)所有的對(duì)偶要素組合進(jìn)行相關(guān)性檢驗(yàn)及T檢驗(yàn)[17]，當(dāng)檢測要素相關(guān)性及T檢驗(yàn)都小于預(yù)定閾值時(shí)，則過濾弱相關(guān)要素組合，否則保留強(qiáng)相關(guān)要素組合。然后，通過格蘭杰因果檢測及F檢驗(yàn)[18]確定強(qiáng)相關(guān)要素間的因果位置關(guān)系，作為概率圖模型的節(jié)點(diǎn)與有向邊，進(jìn)而構(gòu)造強(qiáng)相關(guān)要素的有向關(guān)聯(lián)拓?fù)浣Y(jié)構(gòu)。最后，基于上述概率圖的因果拓?fù)潢P(guān)系和各要素節(jié)點(diǎn)間的因果條件概率系數(shù)，完成電力監(jiān)控決策推導(dǎo)模型。

圖1 監(jiān)控運(yùn)行大數(shù)據(jù)因果關(guān)系智能挖掘算法框架Fig.1 Intelligent mining algorithm framework of causal relationship for monitoring big data

本章將對(duì)本算法框架涉及的相關(guān)性分析方法、格蘭杰檢驗(yàn)方法和概率圖模型方法基本原理，進(jìn)行如下簡要介紹。

1.1相關(guān)性分析方法

通常，大數(shù)據(jù)環(huán)境的多維時(shí)序數(shù)據(jù)可記為D={D1,D2,,DM}，其中，M為監(jiān)控?cái)?shù)據(jù)源總數(shù)，Di∈D為數(shù)據(jù)源的任一數(shù)據(jù)序列。

相關(guān)性分析(correlation analysis)是研究現(xiàn)象D內(nèi)部元素之間是否存在某種依存關(guān)系，并對(duì)有依存關(guān)系的現(xiàn)象探討其相關(guān)性強(qiáng)度。相關(guān)性分析作為研究隨機(jī)變量之間相關(guān)關(guān)系的一種統(tǒng)計(jì)方法，在產(chǎn)業(yè)界有著廣泛的應(yīng)用。皮爾遜積矩相關(guān)系數(shù)法[17]是最經(jīng)典的關(guān)系分析方法之一，其相關(guān)性采用R系數(shù)表示，公式定義如下：

(1)

R的絕對(duì)值越大，說明樣本相關(guān)性越強(qiáng)。而根據(jù)上述皮爾遜積矩相關(guān)系數(shù)法獲得的Xi和Yi之間的相關(guān)性還可以采用經(jīng)典的T檢驗(yàn)[17]對(duì)相關(guān)性檢驗(yàn)結(jié)果進(jìn)行驗(yàn)證。

變電站裝設(shè)的數(shù)以億計(jì)的數(shù)據(jù)采集裝置，實(shí)時(shí)向調(diào)控主站系統(tǒng)上傳帶有時(shí)標(biāo)的監(jiān)視信息。這就構(gòu)成了相關(guān)性分析的時(shí)間序列基礎(chǔ)即式(1)中的Xi和Yi。

相關(guān)性分析方法計(jì)算簡單且應(yīng)用成熟，但分析結(jié)果較粗糙，只能反映數(shù)據(jù)源之間具有同步特性的弱聯(lián)系，并不能進(jìn)一步表征數(shù)據(jù)源間是否存在因果關(guān)系的強(qiáng)聯(lián)系。由于電力系統(tǒng)是一個(gè)因果性顯著的系統(tǒng)，因此需要進(jìn)一步挖掘數(shù)據(jù)源之間的因果關(guān)系。

1.2 格蘭杰檢驗(yàn)方法

格蘭杰因果關(guān)系檢驗(yàn)方法，是一種分析變量之間因果關(guān)系的算法，是一種推斷時(shí)間序列數(shù)據(jù)之間因果關(guān)系的統(tǒng)計(jì)檢驗(yàn)方法，在很多行業(yè)都被廣泛采用。例如，文獻(xiàn)[1]在發(fā)電量預(yù)測中使用了格蘭杰因果關(guān)系檢驗(yàn)方法。其主要思想是利用格蘭杰方法檢驗(yàn)式(2)和式(3)，判斷兩個(gè)時(shí)間序列變量之間是否具有邏輯因果關(guān)系。即，若包含了時(shí)序變量X和Y的歷史信息的條件下，對(duì)未來時(shí)刻Y的預(yù)測效果要優(yōu)于單獨(dú)由Y的歷史信息對(duì)Y的預(yù)測的效果，則認(rèn)為X是引致變量Y的原因。

(2)

(3)

式中：XT為相關(guān)變量X在T時(shí)刻的數(shù)據(jù)取值；Xi為變量X在i時(shí)刻的數(shù)據(jù)取值；YT為相關(guān)變量Y在N時(shí)刻的數(shù)據(jù)取值；Yi為變量Y在i時(shí)刻的數(shù)據(jù)取值；μ1和μ2為隨機(jī)白噪音;αi,βj,λi和δj均為參數(shù)。

若通過經(jīng)典的F假設(shè)檢驗(yàn)方法[18]驗(yàn)證式(2)成立，則認(rèn)為數(shù)據(jù)源X是引起Y變化的原因，即存在由X→Y的單向因果關(guān)系，否則該單向因果關(guān)系不成立；同理利用式(3)可以驗(yàn)證數(shù)據(jù)源Y是否是引起X變化的原因。

根據(jù)格蘭杰檢驗(yàn)的結(jié)果，可以進(jìn)一步篩選強(qiáng)相關(guān)要素中，要素“因”和要素“果”的因果位置關(guān)系，去除無因果關(guān)系的要素關(guān)聯(lián)，構(gòu)造有向關(guān)聯(lián)圖。有向關(guān)聯(lián)圖反映了概率圖模型中各節(jié)點(diǎn)依賴關(guān)系特性，明確了各要素間的推理規(guī)則。

1.3 概率圖建模方法

概率圖模型是用圖來表示變量概率依賴關(guān)系的理論，結(jié)合概率論與圖論的知識(shí)，利用圖來表示與模型有關(guān)的變量聯(lián)合概率分布。本文采用的概率圖，也稱為貝葉斯網(wǎng)絡(luò)[19]，其網(wǎng)絡(luò)結(jié)構(gòu)使用有向無環(huán)圖。貝葉斯網(wǎng)絡(luò)是一種概率網(wǎng)絡(luò)，它是基于概率推理的圖形化網(wǎng)絡(luò)，又稱為信念網(wǎng)、概率網(wǎng)絡(luò)、因果網(wǎng)絡(luò)等，其中節(jié)點(diǎn)表示隨機(jī)變量(離散或連續(xù))，有向邊表示節(jié)點(diǎn)之間的相互因果或依賴關(guān)系。每個(gè)節(jié)點(diǎn)都有一個(gè)蘊(yùn)含著概率信息的條件概率表達(dá)式，記為P(Xi|π(Xi))，其中，π(Xi)為所有Xi∈D的父節(jié)點(diǎn)，即以Xi為節(jié)點(diǎn)集合。

具體而言，貝葉斯網(wǎng)絡(luò)可以用一個(gè)二元組〈S,P〉來表示。S為具有拓?fù)潢P(guān)系的各個(gè)節(jié)點(diǎn)序列集合，其對(duì)應(yīng)于數(shù)據(jù)源集合D的某個(gè)子集。在電力大數(shù)據(jù)分析應(yīng)用模型中，概率圖中的“節(jié)點(diǎn)”及其“邊”拓?fù)潢P(guān)系，可以采用式(1)的相關(guān)性檢測和式(2)格蘭杰因果檢驗(yàn)獲得。P為S中任一節(jié)點(diǎn)與其父節(jié)點(diǎn)之間權(quán)重集合，例如：節(jié)點(diǎn)Xi與其父節(jié)點(diǎn)集π(Xi)之間的因果權(quán)重記為P(Xi|π(Xi))，其計(jì)算公式如下：

P(Xi|π(Xi))=P(Xi|X1,X2,,Xi-1)

(4)

式中：π(Xi)為Xi的祖先節(jié)點(diǎn),即{X1,X2,,Xi-1}，集合π(Xi)按照各個(gè)節(jié)點(diǎn)兩兩間的父子偏序關(guān)系進(jìn)行排序。

顯然，基于概率圖的某指定節(jié)點(diǎn)Xi相對(duì)于其所有祖先節(jié)點(diǎn)π(Xi)之間的因果依賴關(guān)系的權(quán)重P(Xi|π(Xi))(即因果決策推理權(quán)重)可以由Xi與其各個(gè)祖先節(jié)點(diǎn)因果權(quán)重累計(jì)獲得。

2 兩階段監(jiān)控大數(shù)據(jù)應(yīng)用模型構(gòu)建方法

在遠(yuǎn)程集中監(jiān)視的情況下，監(jiān)控多源數(shù)據(jù)集從全省各個(gè)系統(tǒng)匯集到調(diào)控中心的大數(shù)據(jù)系統(tǒng)。例如：智能調(diào)度控制系統(tǒng)、調(diào)度管理系統(tǒng)、智能變電站的一體化監(jiān)控系統(tǒng)、大檢修體系范疇的在線監(jiān)測系統(tǒng)、山火系統(tǒng)、覆冰系統(tǒng)，以及外部氣象系統(tǒng)等。這些系統(tǒng)包含了豐富的電網(wǎng)運(yùn)行、設(shè)備運(yùn)行等實(shí)時(shí)數(shù)據(jù)和臺(tái)賬、檢修、缺陷記錄等非實(shí)時(shí)數(shù)據(jù)。傳統(tǒng)人工經(jīng)驗(yàn)驅(qū)動(dòng)的監(jiān)控分析方法已無法適應(yīng)新的業(yè)務(wù)需求。因此，本文提出監(jiān)控大數(shù)據(jù)應(yīng)用模型的構(gòu)建技術(shù)，通過監(jiān)控大數(shù)據(jù)因果關(guān)系智能挖掘算法框架，主動(dòng)對(duì)電網(wǎng)監(jiān)控大數(shù)據(jù)集，開展相關(guān)性分析和因果關(guān)系的挖掘研究，進(jìn)而構(gòu)建電網(wǎng)監(jiān)控運(yùn)行業(yè)務(wù)應(yīng)用功能。以大數(shù)據(jù)模型構(gòu)建技術(shù)替代傳統(tǒng)人工經(jīng)驗(yàn)驅(qū)動(dòng)的方法，是支撐電網(wǎng)智能化水平提升的必然發(fā)展趨勢。

本章基于“數(shù)據(jù)到模型，模型到應(yīng)用”的技術(shù)路線，根據(jù)電網(wǎng)監(jiān)控大數(shù)據(jù)分析相關(guān)技術(shù)研究、以及電網(wǎng)監(jiān)控大數(shù)據(jù)應(yīng)用的實(shí)際需求，提出一套從調(diào)控中心多源多維數(shù)據(jù)集中挖掘故障因果關(guān)系的監(jiān)控大數(shù)據(jù)應(yīng)用構(gòu)建方法。第1階段，應(yīng)用大數(shù)據(jù)分析技術(shù)從海量多源多維數(shù)據(jù)中挖掘出存在強(qiáng)關(guān)聯(lián)關(guān)系的變量集合；第2階段，將人工經(jīng)驗(yàn)與推薦模型相結(jié)合，篩選出功能應(yīng)用集合，生成監(jiān)控業(yè)務(wù)模型。該方法從多源多維數(shù)據(jù)集中，經(jīng)過相關(guān)性檢驗(yàn)和格蘭杰因果關(guān)系檢測分析，生成基于數(shù)據(jù)驅(qū)動(dòng)因果概率圖的業(yè)務(wù)模型，從而支撐電網(wǎng)監(jiān)控實(shí)際生產(chǎn)。

該建模過程如圖2所示,主要分為2個(gè)階段及6個(gè)步驟。即第1階段通過相關(guān)性分析，明確因果關(guān)系要素集，并構(gòu)造電力大數(shù)據(jù)概率圖模型；第2階段人工經(jīng)驗(yàn)與推薦模型相結(jié)合篩選出功能應(yīng)用集合，生成監(jiān)控業(yè)務(wù)模型。

圖2 監(jiān)控運(yùn)行大數(shù)據(jù)應(yīng)用模型構(gòu)建框架Fig.2 Construction framework of big data application model for monitoring

2.1 第1階段：數(shù)據(jù)到模型階段

多源全要素集合，匯聚了調(diào)控中心集中采集到的天氣數(shù)據(jù)(例如：溫度、降雨量、濕度)、主動(dòng)變壓器(以下簡稱主變)負(fù)載、主變油溫、主變線溫、冷卻器是否投入、主變電壓、主變電流、地區(qū)實(shí)時(shí)負(fù)載、主變油位、主變投入使用年限、是否存在滲漏油故障、導(dǎo)線搭頭溫度、聲音、主變色譜、主變絕緣等數(shù)據(jù)。這些多源全要素被認(rèn)為與監(jiān)控業(yè)務(wù)關(guān)注的設(shè)備故障、異常時(shí)間序列之間是隱藏著互為因果的關(guān)系。因此，本文提出應(yīng)用大數(shù)據(jù)分析方法從海量多源多維數(shù)據(jù)中挖掘出存在強(qiáng)因果關(guān)系的變量集合，建立變量的數(shù)學(xué)模型。

步驟1：計(jì)算獲得強(qiáng)相關(guān)數(shù)據(jù)集。采用1.1節(jié)中介紹的皮爾遜積矩相關(guān)系數(shù)法，實(shí)施全要素間的相關(guān)性檢測，對(duì)檢測出大于指定相關(guān)性檢測閾值的強(qiáng)相關(guān)關(guān)系的要素進(jìn)行標(biāo)注，并且刪除不具備強(qiáng)相關(guān)關(guān)系的要素，從而獲得強(qiáng)相關(guān)要素集。

步驟2：計(jì)算獲得因果關(guān)系數(shù)據(jù)集。對(duì)強(qiáng)相關(guān)要素集，使用1.2節(jié)中介紹的格蘭杰因果關(guān)系假設(shè)方法，檢測強(qiáng)相關(guān)要素集中存在的因果關(guān)系。對(duì)檢測大于指定閾值的的強(qiáng)相關(guān)要素對(duì)，進(jìn)行因果關(guān)系標(biāo)注，獲得因果關(guān)系要素集。

步驟3：電力大數(shù)據(jù)概率圖建模?；诓襟E2獲得的因果關(guān)系數(shù)據(jù)集進(jìn)行有向概率圖建模，其節(jié)點(diǎn)為因果關(guān)系要素集中的元素，其節(jié)點(diǎn)間的有向邊為節(jié)點(diǎn)間的因果關(guān)系。

2.2 第2階段：模型到應(yīng)用階段

采用人工經(jīng)驗(yàn)與算法推薦的因果模型相結(jié)合，依據(jù)專家經(jīng)驗(yàn)確定決策模型參數(shù)α，篩選出符合實(shí)踐經(jīng)驗(yàn)的功能應(yīng)用集合，指導(dǎo)監(jiān)控業(yè)務(wù)功能開發(fā)。

步驟5：應(yīng)用人工經(jīng)驗(yàn)與因果依賴關(guān)系推薦模型相結(jié)合建立故障或異常的決策判斷模型。該決策判斷模型計(jì)算公式為：

(5)

步驟6：基于步驟5獲得的決策判斷模型，建立的敏感故障或缺陷趨勢預(yù)警分類器。其輸入為“果”要素的各祖先節(jié)點(diǎn)πj(Xi)(“因”要素)的概率值P(πj(Xi))(根據(jù)歷史值和預(yù)測值的抽樣獲得)，當(dāng)輸出的趨勢預(yù)警系數(shù)H大于指定閾值時(shí)，判斷為故障或異常Xi告警,否則不告警。

3 案例分析

本文提出的電網(wǎng)監(jiān)控大數(shù)據(jù)應(yīng)用模型構(gòu)建方法，能夠有效替代傳統(tǒng)人工經(jīng)驗(yàn)形成的決策知識(shí)，具有長遠(yuǎn)的發(fā)展?jié)摿Α２坏軌蛱嵘娋W(wǎng)工作人員對(duì)多源多維大數(shù)據(jù)的認(rèn)知和分析能力，而且為人工智能在電網(wǎng)的大規(guī)模應(yīng)用打下基礎(chǔ)，本章就兩種具體實(shí)施案例進(jìn)行簡介。

3.1 主變油溫故障趨勢偵測應(yīng)用開發(fā)案例

由于2017年全國多地出現(xiàn)了高溫極端天氣，用電量屢創(chuàng)新高(其中，江蘇電網(wǎng)最高負(fù)荷率先突破1萬億kW)，同時(shí)，全國電網(wǎng)運(yùn)行中主變故障異常高發(fā)，迫使主變停役次數(shù)增多，加劇了區(qū)域電網(wǎng)用電緊張程度。因此需要增加主變故障異常趨勢偵測功能，改變被動(dòng)監(jiān)視的現(xiàn)狀，提高主變故障異常趨勢的主動(dòng)發(fā)現(xiàn)能力。

根據(jù)監(jiān)控大數(shù)據(jù)應(yīng)用模型構(gòu)建框架，具體實(shí)施步驟簡述如下。

步驟1：收集全網(wǎng)歷史數(shù)據(jù)和實(shí)時(shí)數(shù)據(jù)，構(gòu)造大數(shù)據(jù)全數(shù)據(jù)源X1,X2,,Xm。其中既包含五省五年來主變故障時(shí)序數(shù)據(jù)，作為因果推理模型中的“決策要素”即“果”(對(duì)應(yīng)于圖3第Ⅰ部分紅色實(shí)線圓圈標(biāo)識(shí))；還包括了其他的各類主變故障相關(guān)的潛在要素，作為因果推理模型中的“條件要素”即“因”(對(duì)應(yīng)于圖3第Ⅰ部分黑色實(shí)線圓圈標(biāo)識(shí))。

步驟2：因果關(guān)系挖掘過程，如圖3第Ⅱ部分所示，采用了“數(shù)據(jù)到模型”的技術(shù)路線。首先，基于電力大數(shù)據(jù)中全要素集合，針對(duì)主變油溫故障“決策”要素，通過相關(guān)性檢測方法，計(jì)算全要素集中與“決策”要素相關(guān)系數(shù)較高的其他“條件”要素，并篩選出來作為相關(guān)要素。相關(guān)性檢測的部分計(jì)算結(jié)果如表1所示。

本文基于皮爾遜相關(guān)性要素檢測閾值設(shè)為0.7，其T檢驗(yàn)顯著性水平閥值設(shè)為0.05，根據(jù)表1的計(jì)算結(jié)果，從而篩選出與主變油溫具有顯著強(qiáng)相關(guān)的要素集為{環(huán)境溫度，降雨，濕度，主變溫升，冷卻器投入是否故障，直流母線電壓}。

表1 部分要素相關(guān)性檢測結(jié)果Table 1 Results of correlative test for partial factors

然后，使用格蘭杰因果假設(shè)檢驗(yàn)方法對(duì)已篩選出的強(qiáng)相關(guān)要素進(jìn)行因果關(guān)系建模，構(gòu)建強(qiáng)相關(guān)要素間因果關(guān)聯(lián)的有向無環(huán)圖結(jié)構(gòu)。格蘭杰因果檢驗(yàn)的顯著水平閾值為0.05，計(jì)算結(jié)果如表2所示。對(duì)于通過格蘭杰因果檢驗(yàn)的，則認(rèn)為該要素特征是“因”要素特征，會(huì)導(dǎo)致“果”要素特征的發(fā)生，否則就認(rèn)為兩者無因果邏輯關(guān)系。

表2 格蘭杰因果檢測計(jì)算結(jié)果Table 2 Calculation results of Granger causal test

步驟3：基于格蘭杰因果關(guān)系檢驗(yàn)得到的有向無環(huán)圖結(jié)構(gòu)，并根據(jù)歷史電力大數(shù)據(jù)統(tǒng)計(jì)出來的因果要素間條件概率，構(gòu)造概率圖模型，獲得如圖3第Ⅲ部分所示的因果概率圖模型，因果連線的參數(shù)為其因果決策關(guān)系系數(shù)。

概率圖模型描述了降雨、濕度高、主變溫升高及環(huán)境溫度及冷卻器故障這五個(gè)要素是影響主變故障(“果”要素)發(fā)生趨勢的關(guān)聯(lián)“祖先”要素。其中，所有故障發(fā)生的背景如下。

1)由降雨(取降雨量大于1 mm/h)時(shí)導(dǎo)致油溫故障因果依賴關(guān)系系數(shù)為70.27%。

2)由濕度高(濕度大于75%)時(shí)導(dǎo)致油溫故障因果依賴關(guān)系系數(shù)為58.97%。

3)環(huán)境溫度高(溫度大于35 ℃)導(dǎo)致油溫故障因果依賴關(guān)系系數(shù)為58.11%。

4)主變溫升大于65 ℃導(dǎo)致油溫故障因果依賴關(guān)系系數(shù)為55.56%。

5)冷卻器故障導(dǎo)致油溫故障因果依賴關(guān)系系數(shù)為89.74%。

步驟4：由專家組對(duì)建立故障或異常的決策判斷模型進(jìn)行參數(shù)調(diào)整，完成趨勢預(yù)警模型的因果關(guān)系權(quán)重設(shè)置。其中降雨、濕度高、主變溫升高及環(huán)境溫度及冷卻器故障這五個(gè)“祖先”要素的評(píng)估取值分別為0.15,0.2，0.25,0.15和0.25。趨勢預(yù)警系數(shù)H(Xi)的閾值根據(jù)主變油溫故障記錄的統(tǒng)計(jì)和分析設(shè)置初始值為0.80，最終完成“主變故障異常偵測”大數(shù)據(jù)應(yīng)用功能的開發(fā)，其應(yīng)用界面詳見附錄A圖A1。一旦系統(tǒng)偵測到趨勢預(yù)警系數(shù)H越限，會(huì)自動(dòng)發(fā)出油溫故障預(yù)警，方便監(jiān)控員對(duì)相關(guān)要素進(jìn)行處置、干預(yù)，緩解主變故障等異常情況發(fā)生、發(fā)展的條件和趨勢。

3.2 變電站直流系統(tǒng)故障偵測應(yīng)用開發(fā)案例

變電站直流系統(tǒng)的穩(wěn)定可靠是保障變電站安全運(yùn)行的決定性條件之一，對(duì)電網(wǎng)及設(shè)備的安全運(yùn)行起著十分重要的作用。傳統(tǒng)監(jiān)控模式下，調(diào)控中心通過變電站上送的各類告警信號(hào)來判斷現(xiàn)場直流系統(tǒng)的相關(guān)故障。該方法是一種被動(dòng)的故障告警模式，無法主動(dòng)甄別直流系統(tǒng)故障異常的發(fā)生趨勢，做到提前處置。因此需要增加變電站直流系統(tǒng)故障偵測功能,改變傳統(tǒng)被動(dòng)響應(yīng)的監(jiān)視模式，提高直流系統(tǒng)故障趨勢的主動(dòng)研判和提前快速處置能力。

通過相關(guān)性檢測方法，計(jì)算并挖掘出與直流系統(tǒng)故障異常相關(guān)性的要素集為{降雨，濕度，環(huán)境溫度，直流母線電壓，絕緣水平，蓄電池電壓，正極對(duì)地電壓，負(fù)極對(duì)地電壓}。經(jīng)格蘭杰因果假設(shè)檢驗(yàn)方法驗(yàn)證了{(lán)降雨，濕度高，環(huán)境溫度高，直流母線電壓高，直流母線電壓低}這五個(gè)“因”要素發(fā)生是影響直流故障發(fā)生趨勢的主要關(guān)聯(lián)要素。根據(jù)上述主要關(guān)聯(lián)要素，建立如圖2所示的流程，計(jì)算步驟與主變油溫故障趨勢偵測應(yīng)用相同，可以獲得如圖4所示的因果概率圖模型，圖中因果依賴關(guān)系系數(shù)分別為0.809 1，0.633 9，0.418 2，0.814 8和0.752 8。直流故障“果”要素的五個(gè)祖先“因”要素的評(píng)估取值分別為0.15，0.3，0.2，0.15和0.2，趨勢預(yù)警系數(shù)的閾值設(shè)定為0.721。當(dāng)概率圖模型要素特征根據(jù)式(5)計(jì)算結(jié)果超過閾值時(shí)，系統(tǒng)將發(fā)出直流故障預(yù)警。

圖4 變電站直流系統(tǒng)故障趨勢概率Fig.4 Fault trend probabilistic of DC system in substation

4 結(jié)語

依托監(jiān)控大數(shù)據(jù)分析平臺(tái)，基于智能電網(wǎng)監(jiān)控運(yùn)行大數(shù)據(jù)應(yīng)用模型構(gòu)建方法研發(fā)的監(jiān)控運(yùn)行大數(shù)據(jù)分析系統(tǒng)，對(duì)提高大數(shù)據(jù)技術(shù)在電網(wǎng)深度應(yīng)用具有重要的工程意義。本文基于數(shù)據(jù)驅(qū)動(dòng)理論，提出了從多源多維數(shù)據(jù)中通過相關(guān)性分析、因果關(guān)系檢測，生成電網(wǎng)監(jiān)控業(yè)務(wù)大數(shù)據(jù)概率圖模型的構(gòu)造方法。最后通過人工經(jīng)驗(yàn)(行業(yè)專家)完成因果決策模型的參數(shù)篩選，并交付具體監(jiān)控業(yè)務(wù)應(yīng)用進(jìn)行開發(fā)。在工程實(shí)施中，基于本文提出的模型，構(gòu)建了智能電網(wǎng)監(jiān)控運(yùn)行大數(shù)據(jù)分析系統(tǒng)[20-21]，已經(jīng)實(shí)際應(yīng)用于江蘇、浙江、天津、四川、遼寧電網(wǎng)的實(shí)時(shí)監(jiān)控運(yùn)行系統(tǒng)。從2017年12月至2018年4月共發(fā)布1 130項(xiàng)大數(shù)據(jù)預(yù)警，經(jīng)核查其中由設(shè)備異常引起的960項(xiàng)，已全部完成設(shè)備消缺，其余通過加強(qiáng)管理措施完成整改，夯實(shí)了電網(wǎng)運(yùn)行的安全基礎(chǔ)。本文提出的方法在實(shí)踐工作中已經(jīng)得到了充分驗(yàn)證，推動(dòng)了監(jiān)控專業(yè)的兩個(gè)轉(zhuǎn)變：一是監(jiān)控決策業(yè)務(wù)由傳統(tǒng)的經(jīng)驗(yàn)驅(qū)動(dòng)模式往大數(shù)據(jù)模式轉(zhuǎn)變，二是實(shí)現(xiàn)了傳統(tǒng)數(shù)理統(tǒng)計(jì)分析模型向更加精準(zhǔn)的因果型業(yè)務(wù)模型轉(zhuǎn)化，可以有效指導(dǎo)電網(wǎng)實(shí)時(shí)集中監(jiān)視、控制功能的開發(fā)，從而提升電網(wǎng)安全運(yùn)行的技術(shù)支撐水平。

本文提出的方法需要進(jìn)行多次的概率檢驗(yàn)，計(jì)算過程較復(fù)雜不利于編程實(shí)現(xiàn),后續(xù)將研究如何進(jìn)一步提升計(jì)算效率和簡化計(jì)算流程。

附錄見本刊網(wǎng)絡(luò)版(http://www.aeps-info.com/aeps/ch/index.aspx)。