基于多維度數(shù)據(jù)融合的電網(wǎng)機組故障自動診斷系統(tǒng)

吳建勛，宗緒東，林西國，萬松森，周東陽

(1.華電鄒縣發(fā)電有限公司，山東 鄒城 273522； 2.華電國際技術(shù)服務(wù)分公司，山東 濟南 250000；3.西安熱工研究院有限公司，陜西 西安 710054)

眾所周知配電網(wǎng)是維護人民生產(chǎn)生活的必要設(shè)施之一，配電網(wǎng)安全與否涉及范圍廣、影響程度大[1]，為此針對配電網(wǎng)機組故障診斷是很多該領(lǐng)域?qū)W者重點關(guān)注的課題之一。如陳泗貞等[2]和張黎元等[3]分別研究了電力系統(tǒng)多源故障數(shù)據(jù)融合分析方法和有源配電網(wǎng)故障診斷方法，前者基于電網(wǎng)多源故障數(shù)據(jù)，使用相關(guān)性分析方法分析電網(wǎng)故障數(shù)據(jù)的關(guān)聯(lián)性，對關(guān)聯(lián)后的電網(wǎng)故障數(shù)據(jù)進(jìn)行時間對齊處理后，實現(xiàn)電網(wǎng)故障診斷，但該方法受電網(wǎng)數(shù)據(jù)時間不統(tǒng)一影響，在對其進(jìn)行對齊處理時，時間相同但故障數(shù)據(jù)不同的數(shù)據(jù)被篩除掉，使其最終的故障診斷結(jié)果不夠精準(zhǔn)；而后者則通過計算電網(wǎng)故障特征向量方式實現(xiàn)電網(wǎng)故障診斷，但該方法受其誤判規(guī)則影響，使其故障診斷步驟較多，診斷電網(wǎng)機組故障存在延時性，因此應(yīng)用效果不佳。

由于電網(wǎng)機組數(shù)據(jù)采集的時間不同，格式不同，需將不同時間與格式的電網(wǎng)機組數(shù)據(jù)進(jìn)行融合，因此多維數(shù)據(jù)融合技術(shù)被應(yīng)用到電網(wǎng)故障診斷過程中。多維度數(shù)據(jù)融合技術(shù)可將具備不同維度特征的數(shù)據(jù)進(jìn)行統(tǒng)一處理[4]，使其在時間與空間上保持一致，也可去除多維數(shù)據(jù)內(nèi)的冗余數(shù)據(jù)，為后續(xù)的數(shù)據(jù)調(diào)用與運算提供高質(zhì)量的數(shù)據(jù)基礎(chǔ)。在此利用多維數(shù)據(jù)融合技術(shù)，設(shè)計基于多維度數(shù)據(jù)融合的電網(wǎng)機組故障自動診斷系統(tǒng)，以保障電網(wǎng)系統(tǒng)的安全。

1 電網(wǎng)機組故障自動診斷系統(tǒng)

1.1 系統(tǒng)結(jié)構(gòu)

電網(wǎng)機組故障自動診斷系統(tǒng)總體結(jié)構(gòu)如圖1所示。

圖1 電網(wǎng)機組故障自動診斷系統(tǒng)結(jié)構(gòu)Fig.1 Schematic of structure of automatic fault diagnosis system for power grid units

電網(wǎng)機組故障自動診斷系統(tǒng)由數(shù)據(jù)采集層、網(wǎng)絡(luò)通信層、數(shù)據(jù)存儲層、服務(wù)層、邏輯層以及人機交互層構(gòu)成，其中數(shù)據(jù)采集層利用采集器采集高、低壓進(jìn)線和出線、變壓器、變電柜、配電盒與電表等實時數(shù)據(jù)，利用移動智能終端采集電網(wǎng)機組圖像數(shù)據(jù)，通過網(wǎng)絡(luò)通信層將采集電力機組數(shù)據(jù)傳輸至數(shù)據(jù)存儲層；網(wǎng)絡(luò)通信層利用控制基站和GPRS構(gòu)建電力通信局域網(wǎng)，負(fù)責(zé)傳輸電網(wǎng)相關(guān)數(shù)據(jù)至數(shù)據(jù)存儲層；數(shù)據(jù)存儲層利用SQL數(shù)據(jù)庫存儲電力機數(shù)據(jù)，并對電網(wǎng)維護數(shù)據(jù)以及故障類型數(shù)據(jù)進(jìn)行獨立存儲；服務(wù)層主要負(fù)責(zé)調(diào)用數(shù)據(jù)存儲層內(nèi)相關(guān)機組數(shù)據(jù)，為用戶提供數(shù)據(jù)推送、用戶查詢消息請求響應(yīng)以及故障查詢功能；邏輯層則依據(jù)服務(wù)層提供的電力機組數(shù)據(jù)，使用深度置信網(wǎng)絡(luò)建立多維度數(shù)據(jù)決策融合模型，并利用該模型融合多維電力機組數(shù)據(jù)后，計算電網(wǎng)機組故障權(quán)重數(shù)值，利用推理機對機組故障進(jìn)行診斷并輸出機組故障診斷結(jié)果至人機交互層，該層將機組數(shù)據(jù)以可視化形式呈現(xiàn)給用戶，生成日志，用戶也可利用人機交互層實現(xiàn)電力機組業(yè)務(wù)數(shù)據(jù)錄入和查詢等功能。

1.2 系統(tǒng)硬件構(gòu)成

1.2.1 智能移動終端設(shè)計

智能移動終端作為電網(wǎng)機組故障自動診斷系統(tǒng)數(shù)據(jù)采集層的重要組成部分，負(fù)責(zé)采集機組圖像數(shù)據(jù)以及手動輸入機組數(shù)據(jù)。移動智能終端依托安卓平臺，利用嵌入式技術(shù)將藍(lán)牙芯片、無線傳感器、攝像頭傳感器等嵌入集中式主板內(nèi)，利用無線網(wǎng)絡(luò)與電網(wǎng)機組故障自動診斷系統(tǒng)相連[5]，具備數(shù)據(jù)采集實時性。智能移動終端的技術(shù)架構(gòu)如圖2所示。

圖2 智能移動終端技術(shù)架構(gòu)Fig.2 Schematic of technical architecture of smart mobile terminals

智能移動終端通過無線網(wǎng)與電網(wǎng)機組故障自動診斷系統(tǒng)相連。該終端由操作模塊、邏輯模塊、展示模塊以及數(shù)據(jù)存儲模塊構(gòu)成，其中操作模塊基于安卓操作平臺構(gòu)建，該模塊內(nèi)具備攝像頭接口，無線網(wǎng)接口，負(fù)責(zé)傳輸攝像頭拍攝的圖像和手動輸入的電網(wǎng)機組數(shù)據(jù)；邏輯模塊主要負(fù)責(zé)業(yè)務(wù)邏輯處理，數(shù)據(jù)交互等功能，該模塊也具備接口，通過接口與其他模塊相連；數(shù)據(jù)存儲模塊具備獨立SQLite數(shù)據(jù)庫，負(fù)責(zé)存儲拍攝的電網(wǎng)機組圖像和手動輸入的相關(guān)數(shù)據(jù)；展示模塊由超文本標(biāo)記語言Html5和數(shù)據(jù)驅(qū)動精靈Qm1構(gòu)成，使用超文本標(biāo)記語言向用戶展示電網(wǎng)機組圖像和數(shù)據(jù)，使用Qm1調(diào)動電網(wǎng)機組數(shù)據(jù)。

1.2.2 網(wǎng)絡(luò)通信層設(shè)計

網(wǎng)絡(luò)通信層是電網(wǎng)機組故障自動診斷系統(tǒng)內(nèi)最基礎(chǔ)且最為關(guān)鍵的一層，網(wǎng)絡(luò)通信性能的好壞直接影響整個系統(tǒng)對電網(wǎng)機組故障診斷的及時性。為保障系統(tǒng)網(wǎng)絡(luò)的有效性和流暢性，利用GPRS局域網(wǎng)技術(shù)連接局部網(wǎng)絡(luò)和系統(tǒng)主體之間的通信。網(wǎng)絡(luò)通信層的技術(shù)架構(gòu)如圖3所示。

圖3 網(wǎng)絡(luò)通信層的技術(shù)架構(gòu)Fig.3 Technical architecture of network communication layer

網(wǎng)絡(luò)通信層與電網(wǎng)機組故障自動診斷系統(tǒng)內(nèi)的數(shù)據(jù)存儲層相連，利用GPRS局域網(wǎng)技術(shù)連接無線傳感器[6]，通過無線傳感器將電網(wǎng)機組數(shù)據(jù)傳送至電力數(shù)據(jù)網(wǎng)內(nèi)，通過串行通信接口與控制基站相連，最后將電網(wǎng)機組數(shù)據(jù)輸送至數(shù)據(jù)存儲層內(nèi)。

1.3 系統(tǒng)軟件設(shè)計

1.3.1 機組故障數(shù)據(jù)融合

由于電網(wǎng)機組數(shù)據(jù)是由采集器和智能移動終端共同采集，因此所采集到的電網(wǎng)機組數(shù)據(jù)格式并不相同且數(shù)據(jù)維度也不統(tǒng)一[7]。為順應(yīng)電網(wǎng)機組故障診斷技術(shù)的發(fā)展，系統(tǒng)邏輯層使用多維度數(shù)據(jù)融合技術(shù)模型融合電網(wǎng)機組多維數(shù)據(jù)。多維度數(shù)據(jù)融合技術(shù)模型分為數(shù)據(jù)、特征和決策等融合模型，模型不同則融合信息的抽象程度和信息融合的容錯性不同。在此使用決策融合模型融合電網(wǎng)機組數(shù)據(jù)。利用深度置信網(wǎng)絡(luò)構(gòu)建決策融合模型，深度神經(jīng)網(wǎng)絡(luò)是基于非監(jiān)督數(shù)據(jù)上的多層神經(jīng)網(wǎng)絡(luò)，適用于多維度數(shù)據(jù)融合分析[8-9]，可處理受獨立因素影響造成電網(wǎng)故障中存在的不確定因素。電網(wǎng)機組故障自動診斷系統(tǒng)的邏輯層使用深度置信網(wǎng)絡(luò)建立決策融合模型，將電網(wǎng)機組數(shù)據(jù)輸入至該模型內(nèi)，輸出融合后的電網(wǎng)機組數(shù)據(jù)。獲取到融合后的電網(wǎng)機組數(shù)據(jù)后，使用因子分析算法計算電網(wǎng)機組數(shù)據(jù)的融合權(quán)重，為后續(xù)電網(wǎng)機組故障診斷提供參考依據(jù)。因子分析算法是分析電網(wǎng)機組故障參量矩陣的內(nèi)部相關(guān)關(guān)系，搜尋變量屬性的公共因子[10]，利用公共因子關(guān)聯(lián)程度對電網(wǎng)機組故障類型進(jìn)行分組，同一組別內(nèi)電網(wǎng)機組故障類屬同一類。因子分析算法獲取電網(wǎng)機組故障過程為：

假設(shè)電網(wǎng)機組故障類型為局部放電、低能放電、高溫過熱、高能放電、低溫過熱，利用上述5種電網(wǎng)機組故障類型建立標(biāo)準(zhǔn)矩陣。每個電網(wǎng)機組各種均通過n個指標(biāo)進(jìn)行診斷，其指標(biāo)集合由[o1，o2，…，on]表示，假設(shè)因子分析需要m個電網(wǎng)機組指標(biāo)集合，利用點機組集合構(gòu)建階樣本矩陣，將該樣本矩陣簡化后由B=AF表示，其中，F(xiàn)為公共因子，B為簡化后的n×m階樣本矩陣，A為因子載荷矩陣。將因子荷載矩陣進(jìn)行逆矩陣處理后[11]，可獲取到因子得分系數(shù)矩陣。hj表示公共因子方差貢獻(xiàn)數(shù)值，計算公式為：

(1)

式中，j=1，2，…，n；i=1，2，…，m；q為電網(wǎng)機組數(shù)據(jù)變量個數(shù)；a為因子得分系數(shù)。

通過該公式可描述公共因子的比例。

依據(jù)式(1)結(jié)果，建立指標(biāo)矩陣由B表示，對該指標(biāo)矩陣進(jìn)行標(biāo)準(zhǔn)化處理，其表達(dá)公式如下：

(2)

根據(jù)相關(guān)系數(shù)矩陣獲取特征值和特征向量后，計算第i個電網(wǎng)機組指標(biāo)集合公共因子Fi的累計貢獻(xiàn)率數(shù)值，計算公式為：

(3)

式中，ζ為特征值，依據(jù)該公式，選取電網(wǎng)機組數(shù)據(jù)的公共因子數(shù)量，為使電網(wǎng)機組數(shù)據(jù)故障重要程度更為精準(zhǔn)[12]，置信區(qū)間設(shè)置為0.90～0.98。

Cj為電網(wǎng)機組數(shù)據(jù)融合權(quán)重，計算公式為：

(4)

式中，Gj=aj1ζ1+aj2ζ2+…+ajnζn。

通過上述步驟，可獲取電網(wǎng)機組數(shù)據(jù)融合后的權(quán)重數(shù)值，為機組故障診斷提供可靠依據(jù)。

1.3.2 機組故障診斷

基于1.3.1小節(jié)獲取到的電網(wǎng)機組權(quán)重數(shù)值，利用推理機診斷電網(wǎng)機組故障。推理機診斷電網(wǎng)機組故障流程如圖4所示。推理機在診斷電網(wǎng)機組故障時，將電網(wǎng)機組故障數(shù)據(jù)輸入到推理機內(nèi)，將多維度電網(wǎng)機組故障數(shù)據(jù)進(jìn)行降維處理后，選取電網(wǎng)機組故障數(shù)據(jù)并進(jìn)行歸一化處理[13]，同時調(diào)取融合后電網(wǎng)機組故障權(quán)重，依據(jù)該權(quán)重數(shù)值計算電網(wǎng)機組故障類型因子，將該因子與故障類型庫內(nèi)數(shù)據(jù)進(jìn)行對比后，確認(rèn)故障類型，若是則輸出故障診斷結(jié)果，反之重新計算故障類型因子，經(jīng)過迭代輸出最終電網(wǎng)機組故障診斷結(jié)果。

圖4 推理機診斷電網(wǎng)機組故障流程Fig.4 Inference engine diagnoses fault process of power grid unit

推理機在計算電網(wǎng)機組故障因子時，將局部放電、低能放電、高溫過熱、高能放電、低溫過熱電網(wǎng)機組故障類型劃分為放電故障和過熱故障，對其進(jìn)行歸一化處理之后，計算電網(wǎng)機組故障因子，其表達(dá)式如下：

(5)

式中，C為上述因子分析獲取融合權(quán)重；Dh、De分別為過熱故障類型因子和放電故障類型因子，該數(shù)值越接近1，則表示該故障發(fā)生概率越大[14-15]。

利用式(5)結(jié)果，經(jīng)過對比故障和確認(rèn)故障后，輸出電網(wǎng)機組故障診斷結(jié)果。

2 具體實例分析

為驗證本文系統(tǒng)的實際應(yīng)用效果，將該系統(tǒng)應(yīng)用于某省電網(wǎng)維護中，使用Matlab仿真軟件模擬該省電網(wǎng)機組架設(shè)環(huán)境，從系統(tǒng)通信性能、多維數(shù)據(jù)融合性能和電網(wǎng)機組故障診斷角度對其進(jìn)行驗證。

2.1 通信性能測試

系統(tǒng)的通信性能是衡量系統(tǒng)穩(wěn)定性指標(biāo)之一，設(shè)置系統(tǒng)通信損失值最高為0.8，測試在不同通信隊列長度時本文系統(tǒng)的通信性能，結(jié)果如圖5所示。分析圖5可知，本文系統(tǒng)通信時的損失值隨著通信傳輸時間的增加而降低，在通信時間為5 ms時，通信隊列長度雖然不同，但通信損失值數(shù)值較為接近。隨著通信傳輸時間的增量，通信隊列長度較短的通信損失數(shù)值下降幅度較快，在傳輸時間為25 ms時，不同長度通信隊列的通信損失值開始保持平衡狀態(tài)，其中通信隊列長度為600 Bytes時，系統(tǒng)的通信損失數(shù)值維持在0.4左右，通信隊列長度為200 Bytes時，通信損失數(shù)值為0.17左右，且在時間超過15 ms后，不同通信隊列長度的通信損失值均低于0.8。該結(jié)果表明，本文系統(tǒng)通信損失值較低，較大程度地保障了電網(wǎng)機組數(shù)據(jù)的完整性，具備較強的通信性能。

圖5 通信性能測試結(jié)果Fig.5 Communication performance test results

2.2 多維數(shù)據(jù)融合測試

多維數(shù)據(jù)融合效果是影響系統(tǒng)診斷電網(wǎng)機組故障的重要因素，以融合后數(shù)據(jù)剩余比作為描述多維數(shù)據(jù)融合指標(biāo)，測試本文系統(tǒng)融合多維電網(wǎng)機組數(shù)據(jù)能力，結(jié)果如圖6所示。分析圖6可知，本文系統(tǒng)融合多維電網(wǎng)機組數(shù)據(jù)后，其有效數(shù)據(jù)剩余百分比與數(shù)據(jù)量呈成正比，即多維度數(shù)據(jù)量越多，融合后的有效數(shù)據(jù)就越多。在數(shù)據(jù)量為100條時，融合后的有效數(shù)據(jù)剩余百分比為39%左右，較數(shù)據(jù)量為800條時低約41%左右，且融合后有效數(shù)據(jù)剩余百分比數(shù)值最高約為80%，表明多維數(shù)據(jù)內(nèi)存在20%的冗余數(shù)據(jù)已被融合掉，綜上所述本文系統(tǒng)可有效融合多維電網(wǎng)機組數(shù)據(jù)，且融合效果較好。

圖6 多維數(shù)據(jù)融合結(jié)果Fig.6 Multi-dimensional data fusion results

2.3 故障診斷測試

在Matlab仿真軟件模擬的該省電網(wǎng)機組架設(shè)環(huán)境，設(shè)置不同次數(shù)的局部放電和低溫過熱機組故障，為更好地呈現(xiàn)本文系統(tǒng)診斷電網(wǎng)機組故障能力，為電網(wǎng)機組數(shù)據(jù)添加噪聲干擾，測試在不同程度噪聲干擾情況下本文系統(tǒng)診斷電網(wǎng)機組故障能力，結(jié)果見表1。

表1 故障診斷結(jié)果Tab.1 Fault diagnosis results

分析表1可知，在不同機組故障和設(shè)置不同故障次數(shù)情況下，本文系統(tǒng)在診斷的電網(wǎng)機組局部放電故障次數(shù)與實際故障次數(shù)完全相同，而在診斷電網(wǎng)機組低溫過熱故障時，在干擾噪聲為100 dB之前診斷的電網(wǎng)機組低溫過熱故障次數(shù)與實際故障次數(shù)相同，僅在干擾噪聲為100 dB時出現(xiàn)一次診斷錯誤情況，但診斷低溫過熱故障的精度依然高達(dá)94%，該結(jié)果表明本文系統(tǒng)可有效診斷電網(wǎng)機組故障，受干擾噪聲影響較小。

2.4 應(yīng)用測試

將本文系統(tǒng)應(yīng)用于該省電網(wǎng)機組維護，統(tǒng)計應(yīng)用本文系統(tǒng)一年后該省電網(wǎng)機組異常運維次數(shù)和去年同期該省電網(wǎng)機組異常運維次數(shù)，以該異常運維此時描述其應(yīng)用性，結(jié)果如圖7所示。分析圖7可知，應(yīng)用本文系統(tǒng)后，該省的電網(wǎng)機組故障較去年同期相比異常運維次數(shù)明顯降低，尤其是低能放電故障，由去年同期的12次下降到2次，統(tǒng)計總異常運維次數(shù)發(fā)現(xiàn)，應(yīng)用本文系統(tǒng)后的總異常運維次數(shù)為20次，而去年同期未應(yīng)用本文系統(tǒng)時，該省電網(wǎng)總異常運維次數(shù)為64次，該結(jié)果表明本文系統(tǒng)可有效診斷電網(wǎng)機組故障，降低電網(wǎng)異常運維次數(shù)，具備較強的應(yīng)用性。

圖7 異常運維次數(shù)統(tǒng)計Fig.7 Statistics of abnormal operation and maintenance times

3 結(jié)語

本文設(shè)計基于多維度數(shù)據(jù)融合的電網(wǎng)機組故障自動診斷系統(tǒng)，并通過仿真實驗和實際實驗對其進(jìn)行了測試，測試結(jié)果表明該系統(tǒng)傳輸電網(wǎng)機組數(shù)據(jù)的損失值較小，通信能力好；診斷電網(wǎng)故障精度最低為94%，電網(wǎng)機組故障診斷能力卓越；可有效降低電網(wǎng)異常運維次數(shù)，提升電網(wǎng)的安全性。