基于大數(shù)據(jù)分析的電網(wǎng)多數(shù)據(jù)源實時在線診斷方法

王書領(lǐng)，邵其專，滕偉業(yè)

（云南電力調(diào)度控制中心，云南昆明 650000）

電力設(shè)備故障對智能電網(wǎng)的安全運行起著重要作用，電力系統(tǒng)中的設(shè)備運行時間越長，設(shè)備出現(xiàn)故障的可能性越大[1]。為了保證電力設(shè)備的安全運行，降低損失，必須對電力設(shè)備進行狀態(tài)監(jiān)測與故障診斷，以便及早發(fā)現(xiàn)設(shè)備出現(xiàn)的各種故障，避免災(zāi)害、事故的發(fā)生[2]。傳統(tǒng)的數(shù)據(jù)降維方法主要通過主成分分析(PCA)實現(xiàn)，但在智能電網(wǎng)環(huán)境下，可靠性和實時性較差。在極端惡劣的環(huán)境下，電力設(shè)備經(jīng)常由于監(jiān)測值超標而向監(jiān)測中心發(fā)送報警數(shù)據(jù)，造成監(jiān)測中心在極端惡劣的情況下，出現(xiàn)井噴現(xiàn)象；使用基于混合神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷算法，不能滿足實際數(shù)據(jù)實時接收和處理的需求，造成數(shù)據(jù)丟失和覆蓋。因此，提出了基于大數(shù)據(jù)分析的實時在線診斷方法，在大數(shù)據(jù)平臺上部署電網(wǎng)數(shù)據(jù)，以實現(xiàn)電網(wǎng)特征數(shù)據(jù)的并行故障診斷。

1 電網(wǎng)多數(shù)據(jù)源特征

當電力系統(tǒng)運行時，電力特征量隨系統(tǒng)運行狀態(tài)而變化。在有故障源的情況下，通過特征參數(shù)顯示故障信息[3]。將此信息作為故障測度，可以對系統(tǒng)狀態(tài)進行診斷。電網(wǎng)多數(shù)據(jù)源的信息通過系統(tǒng)特征和狀態(tài)來傳遞，若信息來源只發(fā)出一種狀態(tài)，即為確定量信息，則信息的特征不帶任何資訊，所以信息必然包含未知和不確定性[4-6]。電網(wǎng)多數(shù)據(jù)來源的不確定性與電網(wǎng)每一狀態(tài)發(fā)生的概率有關(guān)[7]。

設(shè)電網(wǎng)出現(xiàn)故障的數(shù)據(jù)集為x(x1,x2,…,xn)，每種故障狀態(tài)出現(xiàn)的概率為P(xi)，則一個數(shù)據(jù)源可以用一個概率空間描述，即：

在上述公式中，各個狀態(tài)空間相互獨立，因此，可得到電網(wǎng)多數(shù)據(jù)源特征為：

1）不確定度是指數(shù)據(jù)源的狀態(tài)數(shù)和其在概率空間的概率分布；

2）在數(shù)據(jù)源的概率空間為等概率分布時，不確定度較大；

3）當分布相等時，不確定度與可能狀態(tài)數(shù)或相應(yīng)概率有關(guān)。隨著狀態(tài)數(shù)的增加，不確定度增大，相應(yīng)概率減?。?/p>

4）通過數(shù)據(jù)源概率倒數(shù)的對數(shù)度量表示數(shù)據(jù)源不確定度，即：

式（3）中，k表示度量數(shù)據(jù)量。該公式用來衡量數(shù)據(jù)量，數(shù)據(jù)量與接收數(shù)據(jù)前后不確定度關(guān)系有關(guān)，數(shù)據(jù)量降低，說明電網(wǎng)接收信息前后，概率空間概率分布發(fā)生變化[8-10]。為此，假定以y表示收到的信息，則不確定度可表示為：

式（4）中，P(x/y)表示接收到的電網(wǎng)信息后驗分布概率；E(x/y)表示異常信息熵，表示電網(wǎng)故障狀態(tài)處于不確定的程度，由此得到的信息量為：

2 實時在線診斷方案設(shè)計

診斷方案的拓撲實現(xiàn)包含兩部分，首先是模型構(gòu)建，然后匹配相關(guān)數(shù)據(jù)，結(jié)合數(shù)據(jù)流處理過程和聚類過程，設(shè)計在線診斷流程。診斷方案的拓撲實現(xiàn)過程如圖1 所示。

圖1 診斷方案的拓撲實現(xiàn)過程

采用歷史數(shù)據(jù)模擬在線數(shù)據(jù)，實時監(jiān)測數(shù)據(jù)源，以便實現(xiàn)電網(wǎng)多數(shù)據(jù)源的在線學習與診斷[11-13]。

2.1 電網(wǎng)多數(shù)據(jù)源多維診斷模型構(gòu)建

結(jié)合電網(wǎng)多數(shù)據(jù)源特征，構(gòu)建了電網(wǎng)多數(shù)據(jù)源診斷的大數(shù)據(jù)多維模型，如圖2 所示。

圖2 大數(shù)據(jù)多維診斷模型

由圖2 可知，電網(wǎng)故障診斷采用多維存儲節(jié)點數(shù)據(jù)，通過大數(shù)據(jù)關(guān)聯(lián)將相同數(shù)據(jù)維度的節(jié)點連接起來。對于多維大網(wǎng)絡(luò)，當一個數(shù)據(jù)節(jié)點被成功觸發(fā)時，對應(yīng)的電力系統(tǒng)診斷數(shù)據(jù)會被激活，從而得到相應(yīng)的診斷結(jié)果[14]。

2.2 匹配維

匹配維是觸發(fā)維和大數(shù)據(jù)多維之間的橋梁，匹配維大數(shù)據(jù)節(jié)點的設(shè)計至關(guān)重要。基于觸發(fā)器大小數(shù)據(jù)，匹配相同大小的大數(shù)據(jù)節(jié)點，具有相同的故障類別、電壓等級和接線方式[15]。與維度匹配的大數(shù)據(jù)節(jié)點主要生成大數(shù)據(jù)多維共有部分，如圖3 所示。

圖3 觸發(fā)多維大數(shù)據(jù)節(jié)點

由圖3 可知，大數(shù)據(jù)節(jié)點代表線路電流差動保護及重合動作，而與大數(shù)據(jù)節(jié)點相同的部分，則是觸發(fā)維度節(jié)點成功匹配時激活的匹配維度。與數(shù)據(jù)多維相同，每個匹配維度都有一個匹配維度的大數(shù)據(jù)與之關(guān)聯(lián)，能夠提高節(jié)點匹配效率。

2.3 數(shù)據(jù)處理

電網(wǎng)特征向量數(shù)據(jù)為無間隔數(shù)據(jù)流，通過向匹配維連續(xù)發(fā)送數(shù)據(jù)，構(gòu)成待處理數(shù)據(jù)流。為便于對診斷結(jié)果的后續(xù)處理，保證元組處理順序一致，每個發(fā)送的元組對每個元組中相應(yīng)的數(shù)據(jù)集進行唯一標識，并將電網(wǎng)多維數(shù)據(jù)源多維診斷模型，按ID 排序相關(guān)計算結(jié)果進行匯總[16]。

為使元組樣本數(shù)據(jù)規(guī)范化，采用了電網(wǎng)設(shè)備特征向量數(shù)據(jù)，每一個數(shù)據(jù)都有多維性特征。通過迭代更新聚類中心，計算每個聚類中心所有樣本點的向量均值，聚類過程為：

步驟1：隨機選擇n個樣本數(shù)據(jù)中的k個不同樣本作為初始聚類中心。

步驟2：對樣本集和各聚類中心之間的矢量距進行計算，選擇矢量距最小的樣本進行分類。K-均值算法一般是用歐氏距離來劃分樣本，公式為：

式（6）中，dij表示大數(shù)據(jù)多維節(jié)點m和n之間的歐式距離，其中mi多維節(jié)點坐標為(mi1,mi2,mi3,…min),nj多維節(jié)點坐標為(nj1,nj2,nj3,…njn)。

步驟3：更新簇中心，計算每一個類中所有樣本數(shù)據(jù)的平均數(shù)，并以這些平均數(shù)為新的簇中心。

步驟4：重復步驟2 和步驟3，直到新的聚類中心不再改變，聚類停止，由此完成數(shù)據(jù)處理。

2.4 實時診斷流程設(shè)計

依據(jù)數(shù)據(jù)處理結(jié)果，對電網(wǎng)多數(shù)據(jù)源異常情況進行診斷，流程如下：

步驟1：在大數(shù)據(jù)多維節(jié)點中，通過大數(shù)據(jù)分析方法，獲取電網(wǎng)多數(shù)據(jù)源處理隊列，并對節(jié)點進行聚類。

步驟2：實時檢測數(shù)據(jù)，得到的各個參量處理隊列，依據(jù)該隊列及時判斷不同時間節(jié)點數(shù)據(jù)是否屬于同一聚類中心。

步驟3：判斷電網(wǎng)多數(shù)據(jù)源處理隊列中是否存在異常數(shù)據(jù)，如果存在，則各個數(shù)據(jù)流中的節(jié)點數(shù)據(jù)屬于正常數(shù)據(jù)。

步驟4：判斷電網(wǎng)多數(shù)據(jù)源處理隊列中是否存在少數(shù)異常數(shù)據(jù)，如果存在，則各個數(shù)據(jù)流中的節(jié)點數(shù)據(jù)既存在正常數(shù)據(jù)，也存在異常數(shù)據(jù)。

步驟5：判斷電網(wǎng)多數(shù)據(jù)源處理隊列中異常數(shù)據(jù)是否超過數(shù)據(jù)總量的1/2，如果是，則各個數(shù)據(jù)流中的節(jié)點異常數(shù)據(jù)比正常數(shù)據(jù)多。

通過上述內(nèi)容，可實現(xiàn)基于大數(shù)據(jù)分析的電網(wǎng)多數(shù)據(jù)源實時在線診斷，這樣可以使計算量達到最小，縮短診斷時間。

3 實驗分析

為了驗證基于大數(shù)據(jù)分析的電網(wǎng)多數(shù)據(jù)源實時在線診斷的實時性和有效性，進行了實驗驗證分析。

3.1 實驗環(huán)境

實驗室建立了一個Storm 云平臺，包括一個主節(jié)點和8 個從節(jié)點，使用了5 臺服務(wù)器形成物理集群，伺服器通過千兆開關(guān)連接，虛擬軟件XenServer 安裝在每個服務(wù)器上。9 個節(jié)點被虛擬化，每個節(jié)點分配兩個CPU 內(nèi)核。Storm 系統(tǒng)被配置為9 個虛擬機。虛擬機①為主要控制節(jié)點，其余8 個虛擬機②為工作節(jié)點，表1 為平臺配置信息。

表1 Storm云平臺信息

部署與系統(tǒng)相關(guān)的外部環(huán)境，在每個工作節(jié)點中分配4 個工作點，每個節(jié)點最多運行4 個進程，通過不同交換機連接實現(xiàn)節(jié)點間通信，由此構(gòu)造一個內(nèi)部網(wǎng)段。

3.2 診斷性能測試

3.2.1 吞吐量測試

吞吐量指在單位時間內(nèi)電網(wǎng)處理的數(shù)據(jù)量，通過測試集群工作節(jié)點，分析吞吐量變化情況。保持集群節(jié)點數(shù)不變，改變組件并發(fā)數(shù)，設(shè)進程數(shù)為5個，不同組件并發(fā)數(shù)下的吞吐量如表2 所示。

表2 不同組件并發(fā)數(shù)下的吞吐量

基于此，分別使用主成分分析法、混合神經(jīng)網(wǎng)絡(luò)算法和基于大數(shù)據(jù)分析方法，分析不同組件并發(fā)數(shù)下的吞吐量，對比結(jié)果如圖4 所示。

圖4 不同方法吞吐量診斷結(jié)果對比分析

由圖4 可知，使用主成分分析法、混合神經(jīng)網(wǎng)絡(luò)算法在不同進程下，與實際值存在一定偏差。其中，使用主成分分析法在進程4 下，與實際值偏差最大，相差200 個并發(fā)數(shù)。使用混合神經(jīng)網(wǎng)絡(luò)算法在進程1 下，與實際值偏差最大，相差300 個并發(fā)數(shù)。而使用基于大數(shù)據(jù)分析方法與實際值一致，誤差為0。

3.2.2 數(shù)據(jù)延遲測試

數(shù)據(jù)延遲指在Storm 架構(gòu)中，數(shù)據(jù)被發(fā)送到其被完全處理的時間，不同元數(shù)據(jù)序號下，預期延遲處理時間如表3 所示。

表3 不同元數(shù)據(jù)序號下預期延遲處理時間

基于此，分別使用主成分分析法、混合神經(jīng)網(wǎng)絡(luò)算法和基于大數(shù)據(jù)分析方法，分析不同元數(shù)據(jù)序號下預期延遲處理時間，對比結(jié)果如圖5 所示。

圖5 不同方法延遲處理時間診斷結(jié)果對比

由圖5 可知，使用主成分分析法、混合神經(jīng)網(wǎng)絡(luò)算法延遲處理時間比實際時間要長，而使用基于大數(shù)據(jù)分析方法與實際時間一致。

4 結(jié)束語

針對傳統(tǒng)診斷方法實時性不足的問題，研究了基于大數(shù)據(jù)分析的電網(wǎng)多數(shù)據(jù)源實時在線診斷方法。實驗表明，基于大數(shù)據(jù)分析的電網(wǎng)多數(shù)據(jù)源實時在線診斷方法能夠滿足電網(wǎng)快速診斷數(shù)據(jù)需求。然而，由于實驗環(huán)境的限制，只能并行診斷電網(wǎng)數(shù)據(jù)，實踐中應(yīng)考慮多種不同因素，引入復雜事件，采用面向服務(wù)的思想，對多源信息實時處理。