基于電力大數(shù)據(jù)變電站設備狀態(tài)檢修技術研究

高博, 吳迪, 楊志豪, 鄭濤

(1. 內(nèi)蒙古電力(集團)有限責任公司調(diào)控中心， 內(nèi)蒙古， 呼和浩特 010000；2. 南瑞科技股份有限公司， 江蘇， 南京 210001)

0 引言

隨著國家推進智能電網(wǎng)建設步伐的加快，變電站設備越來越廣泛地應用到電力系統(tǒng)，變電設備運行情況直接反映了電網(wǎng)技術的發(fā)展狀況，因此，就需要對變電設備的運行情況進行檢修。

文獻[1]設計了一種基于DSP和FPGA架構的高速數(shù)據(jù)采集系統(tǒng),該系統(tǒng)通過數(shù)據(jù)采集的方式實現(xiàn)不同數(shù)據(jù)信息的采集與計算，在該技術中通過利用數(shù)字信號處理器(DSP)作為主處理器，實現(xiàn)數(shù)據(jù)信息的計算與處理，通過控制芯片CY7C68013實現(xiàn)DSP與PC的高速傳輸，最終將采集到的信息傳遞到上層進行管理。在電力大數(shù)據(jù)狀態(tài)檢修時， 通過該方法能夠提高數(shù)據(jù)采集能力，但對數(shù)據(jù)融合、定位等方面尚未提及。文獻[2] 通過分類模型實現(xiàn)不同數(shù)據(jù)樣本分類準確度能力，通過閾值自適應調(diào)整方法實現(xiàn)電力大數(shù)據(jù)不同數(shù)據(jù)信息的融合與分類，通過Top-N分類標簽集實現(xiàn)不同數(shù)據(jù)信息的標識。

該方法雖然應用了具體的算法模型，但是無法實現(xiàn)故障的數(shù)據(jù)定位，也提到了數(shù)據(jù)融合前的信息采集。針對現(xiàn)有技術的不足，本研究結合電力大數(shù)據(jù)技術，設計出變電站設備狀態(tài)檢修的智能巡檢系統(tǒng)，并針對多種數(shù)據(jù)類型，提出一種基于多分類融合的故障分類模型，利用行波定位系統(tǒng)對故障進行定位，提高了狀態(tài)檢修的速度和準確性。

1 大數(shù)據(jù)變電站狀態(tài)檢修架構

本研究所提方法的大數(shù)據(jù)變電站設備檢修系統(tǒng)[3-4]整體架構如圖1所示。

本研究設計出的大數(shù)據(jù)架構主要包括變電設備多源數(shù)據(jù)的獲取、多源數(shù)據(jù)的集成與預處理、大數(shù)據(jù)挖掘分析和大數(shù)據(jù)應用等流程，通過上述數(shù)據(jù)處理，實現(xiàn)變電站設備狀態(tài)分析。通過智能巡檢系統(tǒng)實現(xiàn)變電設備運行數(shù)據(jù)信息的獲取，數(shù)據(jù)信息量包括變電器、斷路器或者電容性設備運行數(shù)據(jù)信息，同時也包括設備運行過程中的噪聲、振動、電流負荷、負載、電壓過載等信息，這些數(shù)據(jù)信息將被存儲到專用數(shù)據(jù)庫進行集成和預處理，將雜亂無章數(shù)據(jù)整理成有用數(shù)據(jù)信息，最終獲取較為純凈的數(shù)據(jù)信息。數(shù)據(jù)整合處理完成后采用大數(shù)據(jù)分布式存儲對數(shù)據(jù)進行存儲和高效處理，大數(shù)據(jù)分類算法模型將對這些數(shù)據(jù)進行分析、計算，進而實現(xiàn)變電設備運行信息的分類和定位，本研究的大數(shù)據(jù)分類算法模型融合了分類和定位的功能，在分類的同時，實現(xiàn)數(shù)據(jù)的來源定位，進而實現(xiàn)了變電設備的位置獲取，便于用戶及時全方面地獲取數(shù)據(jù)信息，對于預測和判斷變電站設備故障的發(fā)生發(fā)揮著重要的作用，提高了變電站設備運行的健康狀態(tài)。

2 關鍵技術設計

2.1 用于數(shù)據(jù)采集的智能巡檢系統(tǒng)設計

本研究通過設計出一套智能巡檢系統(tǒng)實現(xiàn)變電站設備運行狀態(tài)數(shù)據(jù)采集。 在本研究的智能巡檢系統(tǒng)中，其包括中央控制器，通過該中央控制器控制并與其連接的工控機、PLC伺服驅(qū)動單元、遙控模塊、通訊模塊和信息融合單元，其系統(tǒng)架構如圖2所示。

變電站設備在運行過程中會輸出各種數(shù)據(jù)信息，比如電壓、電流、功率、紋波等，其運行過程中也會輸出各種數(shù)據(jù)信息，比如噪聲、振動、電流負荷、負載、電壓過載等。如何從多種復雜的數(shù)據(jù)信息中獲取目標數(shù)據(jù)信息，本研究通過各種傳感器采集變電站運行過程中的復雜信息，比如角度傳感器、位移傳感器、轉速傳感器、避障傳感器、電流傳感器、電壓傳感器、紋波傳感器等[5]，這些傳感器能夠采集變電站設備不同類型的模擬數(shù)據(jù)信息。在進行電能數(shù)據(jù)采集時，還采用了基于多通道同步采樣ADCAD7656芯片的信息采集終端，采集終端如圖3所示。

圖3 采集終端架構示意圖

在利用該采集終端時，還采用了Cyclone III系列的FPGA控制芯片，實現(xiàn)數(shù)據(jù)高速采集的控制，該芯片具體為EP3C25Q240C8 N，該芯片消耗的功率小、成本低[6]。該芯片主要采集變電站設備的數(shù)字信息。

在本系統(tǒng)設計中，采集的載體是智能巡檢車，因此，在中央控制器的控制下，驅(qū)動PLC伺服驅(qū)動單元，在PLC伺服驅(qū)動單元驅(qū)動下，通過底盤帶動車身進行智能巡檢，該信息還配置了工業(yè)相機實現(xiàn)圖像信息采集，通過圖像識別實現(xiàn)變電站設備運行狀態(tài)不同角度的數(shù)據(jù)采集[7]。

基于上述原理介紹，下面通過系統(tǒng)的工作流程圖進行說明本研究的巡檢方法。智能巡檢系統(tǒng)流程如圖4所示。

圖4 智能巡檢系統(tǒng)工作流程圖

2.2 大數(shù)據(jù)處理方法

2.2.1 大數(shù)據(jù)融合算法

在檢測變電站數(shù)據(jù)信息時，假設采用n個同類傳感器進行信息感測，在變電站設備運行狀態(tài)中，在相同時間k下，xi(k)為第i個傳感器的監(jiān)測輸出值，xj(k)為第j個傳感器的監(jiān)測輸出值，為了評價第i、j個傳感器的監(jiān)測輸出值之間的關系，提高選擇傳感器的合理性，本研究引出隸屬度支持度函數(shù)sij(k)，該函數(shù)的數(shù)學模型為

sij(k)=2arccot(|xi(k)-xj(k)|)/π

(1)

通過式(1)的數(shù)學模型，能夠計算出不同傳感器之間的關系，進而在選擇傳感器時，具有較好的適應度。

在變電站運行過程中，由于采用的傳感器為多種，為了標準化處理多種傳感器之間的關系計算，提出相互支持度，該函數(shù)通過以下矩陣方程sij(k)來表示。

(2)

式(2)的矩陣表示某些傳感器在檢測變電站設備運行過程中的各種參數(shù)信息時，它與其他傳感器之間的數(shù)據(jù)支持，這樣能夠篩選出比較合適的傳感器。

在多種不同的傳感器(比如上述提到的角度傳感器、位移傳感器、轉速傳感器、避障傳感器、紋波傳感器等)的檢測下，需要將各種數(shù)據(jù)信息進行融合計算，假設wi(k)表示在時間為k下的第i個傳感器感測輸出的數(shù)據(jù)xi(k)在上述所提到的多個傳感器中進行數(shù)據(jù)融合所占權重，此時，可以根據(jù)wi(k)的值對xi(k)通過加權求和的方式[8]進行計算和融合，此時需要定義加權系數(shù)wi(k)，其約束條件為

(3)

最終本研究所提方法的數(shù)據(jù)融合值為

(4)

進一步地，在具體應用時，為了提高數(shù)據(jù)的融合性能和數(shù)據(jù)計算的精確度，需要確定加權系數(shù)。

2.2.2 大數(shù)據(jù)多分類融合的定位模型

本研究采用一種具有行波定位功能的故障分類模型，該分類模塊能夠?qū)崿F(xiàn)變電站設備運行過程中的不同類別的數(shù)據(jù)分類，還能夠進行故障信息定位，因此，該方法兼容了故障分類和定位的功能[9]。

在進行分類時，假設無人巡檢車檢測數(shù)據(jù)庫中，其傳輸?shù)臄?shù)據(jù)種類為m，總量為n，按照分類方法，可以將變電設備運行過程中輸出的分類方法分為若干種，比如變電站運行數(shù)據(jù)，記作X={x1,x2,…,xn} ，變電站故障數(shù)據(jù)記作Y={y1,y2,…,yn} ，變電站維護數(shù)據(jù)Z={z1,z2,…,zn} ，變電站排異數(shù)據(jù)S={s1,s2,…,sn} 等，檢修人員在使用時，通常按照不同的屬性進行分類。上述按照不同的屬性分類的方法分別定義為第一分類模型、第二分類模型、第三分類模型和第四分類模型。將上述所有數(shù)據(jù)信息進行訓練后，得到的結果可以記為

Z={(x1,y1),(x2,y2),…,(xn,yn)}

(5)

式中，x1～xn為樣本數(shù)據(jù)的特征向量，y1～yn為每個樣本數(shù)據(jù)對應的故障類型。如果根據(jù)不同的數(shù)據(jù)屬性對上述數(shù)據(jù)信息進行分類，上述4種模型的分類結果可以輸出為

(6)

式中，h1,1～h1,n表示第一分類模型對變電站設備運行過程過程中輸出的不同數(shù)據(jù)樣本的分類結果，h2,1～h2,n表示第二分類模型對變電站設備運行過程過程中輸出的不同數(shù)據(jù)樣本的分類結果，h3,1～h3,n表示第三分類模型對變電站設備運行過程過程中輸出的不同數(shù)據(jù)樣本的分類結果，h4,1～h4,n表示第四分類模型對變電站設備運行過程過程中輸出的不同數(shù)據(jù)樣本的分類結果。

設置融合標準η

(7)

式中，1表示最終按照一定屬性對變電設備運行過程中輸出樣本信息的第一分類模型的分類結果，2表示最終按照一定屬性對變電設備運行過程中輸出樣本信息的第二分類模型的分類結果，3表示最終按照一定屬性對變電設備運行過程中輸出樣本信息的第三分類模型的分類結果，4表示最終按照一定屬性對變電設備運行過程中輸出樣本信息的第四分類模型的分類結果。當?shù)谝环诸惸Ｐ偷姆诸悳蚀_率大于其他模型時輸出第一分類模型的分類結果，第二分類模型的分類準確率大于其他模型時輸出第二分類模型的分類結果，以此類推。

將樣本數(shù)據(jù)作為訓練集和測試集7比3隨機劃分[10]，用4種分類模型對訓練集進行訓練，訓練完成后，根據(jù)融合標準輸出每類數(shù)據(jù)的分類結果。這種分類方式能夠?qū)Ρ榷喾N模型的分類結果，輸出正確率最大的結果，能夠提高變電站設備狀態(tài)檢修的效率。

在上述分類后，再通過行波定位方法實現(xiàn)故障定位，其中原理示意圖如圖5所示。

圖5 行波定位系統(tǒng)示意圖

圖6 行波定位原理示意圖

在應用具體的行波定位時，在距離變電站設備i的故障距離為dij，啟動的雙端行波故障定位算法式可以為

dij=[(ti-tj)v+Lij]/2

(8)

(9)

由此可見，通過上述公式，實現(xiàn)了故障位置的定位。

3 試驗結果與分析

試驗時，觀察某電力公司一年內(nèi)運行的情況，試驗環(huán)境內(nèi)的硬件環(huán)境數(shù)據(jù)為Intel(R) Core(TM)i7-3770 CPU@ 3.40 GHz，運行內(nèi)存為 16 GB，硬盤內(nèi)存為5T，必要時，通過 Windows Server 2017[11]，采用MATLAB進行仿真分析。由于變電站設備數(shù)據(jù)多樣，為了計算的方便，采用變壓器間的數(shù)據(jù)調(diào)取，其中變壓器的故障類型統(tǒng)計表如表1所示。

表1 故障類型名稱和樣本數(shù)

將故障類型的樣本數(shù)量從高到低排序，其中零序過流、通風設備故障、冷卻設備故障和雷擊故障4種故障類型的樣本數(shù)較少，可以不考慮，將其剔除。將前面8種故障類型編號1～8，故障類型都用編號表示，對應關系如表2所示。

表2 故障類型名稱編號對應表

由于分類算法的種類很多，本研究根據(jù)以上數(shù)據(jù)，以決策樹模型和隨機森林模型融合為例來驗證多分類融合模型的方法，以模型a和b表示。

將上文中的數(shù)據(jù)進行訓練，根據(jù)融合標準(7)得到的結果進行數(shù)據(jù)整理如表3所示。其中，準確率增長是融合后的預測率減去最大預測準確率。根據(jù)表3中數(shù)據(jù)可知，決策樹算法和隨機森林算法對變壓器8類數(shù)據(jù)的故障預測準確率幾乎相等，但是對于某些特定的數(shù)據(jù)決策樹算法和隨機森林算法的準確率異常突出，比如決策樹算法對第5類數(shù)據(jù)的預測準確率高達98.36%，隨機森林算法對第2類數(shù)據(jù)的預測準確率高達98.78%，因此有必要進行分類模型融合進一步提高預測的準確率。

根據(jù)融合標準，數(shù)據(jù)類型1、4、5的最終分類結果以決策樹模型的輸出結果為準，其他數(shù)據(jù)類型的最終分類結果以隨機森林模型的輸出結果為準。

表3 訓練結果數(shù)據(jù)

融合后的各類數(shù)據(jù)的預測準確率都有所增長，說明該方法可以用于變壓器的故障預測，本研究只提到了2種分類模型的融合，如果要融合多種，做出相應的改變即可。

對融合模型預測精度進行試驗分析，采用混淆矩陣對該模型的性能進行評估，混淆矩陣如圖7所示。

圖7 混淆矩陣

TT表示正確預測結果是正向的，實際結果也是正向的；TF表示錯誤預測結果是正向的，實際結果是反向的；FT表示錯誤預測結果是正向的，實際結果是正向的；FF表示錯誤預測結果是反向的，實際結果是反向的?；煜仃嚳梢杂脕碛嬎銣蚀_率、精確率、召回率和F指標，根據(jù)圖7可以得出式(10)～式(13)。

準確率=(TT+FF)/(TT+TF+FT+FF)

(10)

精確率=TT/(TT+TF)

(11)

召回率=TT/(TT+FT)

(12)

F1分數(shù)=2TT/(2TT+TF+FT)

(13)

根據(jù)試運行一年的數(shù)據(jù)和式(11)～式(13)計算得出如表4的融合模型性能數(shù)據(jù)。

表4 融合模型性能數(shù)據(jù)

根據(jù)表4中數(shù)據(jù)可以看出，融合后模型的精確率、召回率和F1分數(shù)都有所提升。由此可以得出，多分類融合模型方法分類準確性比單一分類算法高。

將本研究的信息采集速度和準確率與傳統(tǒng)方式進行對比，將試運行一年的數(shù)據(jù)進行整理分析，得出數(shù)據(jù)如表5所示。

表5 試驗數(shù)據(jù)

根據(jù)表5數(shù)據(jù)可以看出，在采集數(shù)據(jù)數(shù)量和種類相同時，本研究的監(jiān)測方法采集數(shù)據(jù)用時遠遠小于傳統(tǒng)監(jiān)測方法。根據(jù)多分類融合模型的結果對信息采集的正確率進行分析，得出圖8的正確率對比圖。

圖8 正確率對比圖

根據(jù)圖8可以看出，采用本研究的智能巡檢系統(tǒng)采集數(shù)據(jù)的正確率要高于傳統(tǒng)的基站式采集方式，并且隨著時間的推移，基站設備的老化會導致準確率下降，而本研究的智能巡檢系統(tǒng)的采集方式可以根據(jù)采集的結果而增加新模塊不斷地提高數(shù)據(jù)采集的準確性。

綜上所述，智能巡檢系統(tǒng)可以提高變電站設備檢修過程中的數(shù)據(jù)采集速度和準確性，多分類融合模型可以提高大數(shù)據(jù)分類的準確性。

4 總結

針對電力大數(shù)據(jù)變電站設備狀態(tài)檢修問題，提出了一種新型的狀態(tài)檢修方案，設計出大數(shù)據(jù)架構能夠?qū)崿F(xiàn)變電設備多源數(shù)據(jù)的獲取、多源數(shù)據(jù)的集成與預處理、挖掘和應用等一體化功能。通過智能巡檢系統(tǒng)實現(xiàn)變電設備運行數(shù)據(jù)信息的獲取，數(shù)據(jù)信息量包括變電器、斷路器或者電容性設備等，通過構建大數(shù)據(jù)多分類融合定位模型提高了行波定位能力。本文為設備的狀態(tài)檢修技術提供了新的思路和方法。研究成果雖然具有廣闊的應用前景和應用價值，但是在實際運行中仍然存在一些技術弊端，需要進一步的探索和改進。