泛網(wǎng)智能變電站時(shí)鐘系統(tǒng)的質(zhì)量監(jiān)管模塊設(shè)計(jì)與實(shí)現(xiàn)

付強(qiáng)， 董成， 馬文浩

(1. 國網(wǎng)固原供電公司， 寧夏， 固原 756000； 2. 武漢國電武儀電氣股份有限公司， 湖北， 武漢 430074)

0 引言

為了滿足人們用電需要、提高供電服務(wù)質(zhì)量，泛網(wǎng)智能變電站正在逐漸取代傳統(tǒng)的變電站進(jìn)行供電。智能變電站最大的特點(diǎn)是遠(yuǎn)程控制，通過光纖以太網(wǎng)實(shí)現(xiàn)智能變電站內(nèi)各智能設(shè)備間的通信，因此一旦光纖以太網(wǎng)鏈路出現(xiàn)問題，智能變電站的運(yùn)行可靠性就會(huì)大大降低，甚至消失[1]。為此，提前感知光纖鏈路健康程度對于保證光纖鏈路正常運(yùn)行具有重要的現(xiàn)實(shí)意義。為解決上述問題，泛網(wǎng)智能變電站時(shí)鐘系統(tǒng)被設(shè)計(jì)出來了，該系統(tǒng)工作原理是利用變電站運(yùn)行大數(shù)據(jù)和設(shè)備臺(tái)賬信息，智能分析出虛回路所在光纖通道健康情況，然后智能感知運(yùn)維數(shù)據(jù)并自動(dòng)生成安全措施票工作票，并指導(dǎo)二次運(yùn)維人員更高效地處理泛網(wǎng)智能變電站光纖回路的相關(guān)缺陷[2]。

在泛網(wǎng)智能變電站時(shí)鐘系統(tǒng)當(dāng)中，質(zhì)量監(jiān)管模塊是其中最關(guān)鍵的部分，它是利用一種智能算法判斷光纖鏈路是否存在異常情況。關(guān)于光纖鏈路異常監(jiān)測中智能算法的選擇有很多，如王紅霞等過一種小波分析和改進(jìn)支持向量機(jī)的算法進(jìn)行光纖鏈路異常檢測；牛詠梅通過構(gòu)建正交基神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)光纖網(wǎng)絡(luò)異常檢測；許鵬等將光纖網(wǎng)絡(luò)異常數(shù)據(jù)檢測的問題轉(zhuǎn)換成求取最優(yōu)解的問題,采用改進(jìn)遺傳算法實(shí)現(xiàn)了對光纖網(wǎng)絡(luò)異常檢測。

基于前人研究，本文進(jìn)行泛網(wǎng)智能變電站時(shí)鐘系統(tǒng)質(zhì)量。本研究中以變電站運(yùn)行大數(shù)據(jù)和設(shè)備臺(tái)賬信息為基礎(chǔ)，通過數(shù)據(jù)挖掘算法實(shí)現(xiàn)對光纖鏈路的質(zhì)量監(jiān)管，以期為變電站運(yùn)維提供技術(shù)支撐，并為智能電網(wǎng)其他系統(tǒng)提供服務(wù)和大數(shù)據(jù)支持。

1 泛網(wǎng)智能變電站時(shí)鐘系統(tǒng)質(zhì)量監(jiān)管模塊設(shè)計(jì)

泛網(wǎng)智能變電站站內(nèi)光纜光纖智能設(shè)備光口和對時(shí)裝置的可靠性是變電站網(wǎng)絡(luò)正常運(yùn)行的基礎(chǔ)。由于站內(nèi)眾多的光跳線使用，基于站內(nèi)光纜的基本特性，在變電站內(nèi)環(huán)境變化和人員施工的情況下，可能對光纖造成彎曲、擠壓；另外鼠類啃咬等傷害也不容忽視，因此監(jiān)測光纜和尾纖的運(yùn)行情況和智能設(shè)備光口穩(wěn)定性是當(dāng)前一個(gè)十分必要和迫切的問題[3]。為此，泛網(wǎng)智能變電站時(shí)鐘系統(tǒng)質(zhì)量監(jiān)管模塊的重要任務(wù)之一就是對光纖鏈路及其相關(guān)設(shè)備的健康狀況進(jìn)行識別和判斷。

光纖鏈路中存在2個(gè)時(shí)鐘系統(tǒng)，即發(fā)送時(shí)鐘和接收時(shí)鐘，這些時(shí)鐘中包含了變電站運(yùn)行大數(shù)據(jù)和設(shè)備臺(tái)賬信息，一旦光纖鏈路存在異常，這些數(shù)據(jù)和信息也會(huì)出現(xiàn)異常變化，因此可以通過這些數(shù)據(jù)來判斷光纖鏈路是否存在異常問題，具體過程如圖1所示[4]。

圖1 泛網(wǎng)智能變電站時(shí)鐘系統(tǒng)質(zhì)量監(jiān)管模塊設(shè)計(jì)流程

1.1 歷史數(shù)據(jù)信息處理

歷史數(shù)據(jù)信息采集與分析是進(jìn)行泛網(wǎng)智能變電站站內(nèi)光纜質(zhì)量分析的基礎(chǔ)。在本文中，歷史數(shù)據(jù)信息主要包括變電站運(yùn)行大數(shù)據(jù)和設(shè)備臺(tái)賬信息2種，前者主要為變電站運(yùn)行時(shí)產(chǎn)生的相關(guān)數(shù)據(jù)，后者主要為變電站中光纖衰減和光功率數(shù)據(jù)[5]。以上這些歷史數(shù)據(jù)需要經(jīng)過進(jìn)一步處理才能滿足后續(xù)分析需要，包括數(shù)據(jù)標(biāo)準(zhǔn)化、數(shù)據(jù)降維、數(shù)據(jù)離散化。下面進(jìn)行具體分析。

(1) 數(shù)據(jù)標(biāo)準(zhǔn)化

采集到歷史數(shù)據(jù)量綱不同，在后續(xù)無法進(jìn)行比較分析，因此需要消除數(shù)據(jù)的不同量綱，進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化。目前，標(biāo)準(zhǔn)化方法主要有3種，即Min-Max標(biāo)準(zhǔn)化、正規(guī)化方法和log函數(shù)轉(zhuǎn)換法，如表1所示[6]。

表1 數(shù)據(jù)標(biāo)準(zhǔn)化方法對比表

(2) 數(shù)據(jù)降維

采集到的歷史數(shù)據(jù)來自不同的數(shù)據(jù)庫，因此存在多個(gè)特征變量。多個(gè)特征變量雖然會(huì)提供豐富信息，但是也會(huì)增加計(jì)算量和計(jì)算難度，因此需要進(jìn)行降維，在減少特征變量同時(shí)，盡量保證信息完整性[7]。數(shù)據(jù)降維方法主要有線性映射和非線性映射方法兩大類。在這里采用主成分分析方法進(jìn)行降維。

步驟1：假設(shè)待降維數(shù)據(jù)是一個(gè)包含m個(gè)樣本的n維數(shù)據(jù)集。

步驟2：將數(shù)據(jù)集按照m行n列重新排列，組成矩陣。

步驟3：按列對數(shù)據(jù)集進(jìn)行標(biāo)準(zhǔn)化處理，組成標(biāo)準(zhǔn)化矩陣。

步驟4：計(jì)算標(biāo)準(zhǔn)化矩陣中每列數(shù)據(jù)的協(xié)方差，組成協(xié)方差矩陣。

步驟5：用雅克比方法解協(xié)方差矩陣的特征方程，得到特征值和特征向量。

步驟6：將特征值從大到小排列，選取前k個(gè)特征值對應(yīng)的特征向量，并組成特征向量P。

步驟7：計(jì)算特征向量的累計(jì)貢獻(xiàn)率，選擇超過85%貢獻(xiàn)率的特征向量作為主成分。

步驟8：主成分就是降維后歷史數(shù)據(jù)[8]。

(3) 數(shù)據(jù)離散化

在異常分析中很少將連續(xù)值作為識別模型的特征輸入，而是將連續(xù)特征離散化為一系列01特征，然后輸入到異常識別模型當(dāng)中。以上這一過程就是數(shù)據(jù)離散化過程[9]。在這里引入信息熵理論，進(jìn)行數(shù)據(jù)離散。具體過程如下。

步驟1：假設(shè)待離散數(shù)據(jù)是一個(gè)包含m個(gè)連續(xù)屬性s個(gè)類別的數(shù)據(jù)集。

步驟2：計(jì)算數(shù)據(jù)集的一致性水平Y(jié)1。

步驟3：按照從小到大的順序排列屬性值。其中需要注意的是，相同的屬性值，視為一個(gè)區(qū)間。

步驟4：計(jì)算所有屬性相鄰區(qū)間的合并標(biāo)準(zhǔn)值IMC，該值就被視為一個(gè)斷點(diǎn)。

步驟5：合并最小IMC值的兩個(gè)區(qū)間，即兩個(gè)斷點(diǎn)構(gòu)成一個(gè)區(qū)間。

步驟6：再次計(jì)算當(dāng)前數(shù)據(jù)的一致性水平Y(jié)2。

步驟7：判斷Y1和Y2之間的差值是否小于數(shù)據(jù)可容忍的信息丟失率。若大于，則結(jié)束離散化操作；若小于，則回到步驟5。迭代地合并相鄰區(qū)間，在最小化信息丟失的情況下，將連續(xù)屬性值域轉(zhuǎn)換成小數(shù)目有限的區(qū)間，直至滿足上述迭代終止條件[10]。

1.2 歷史數(shù)據(jù)特征提取

歷史數(shù)據(jù)特征提取是建立關(guān)聯(lián)規(guī)則庫的關(guān)鍵。數(shù)據(jù)特征是進(jìn)行后續(xù)匹配識別的基礎(chǔ)。歷史數(shù)據(jù)特征提取思路是從樣本數(shù)據(jù)中提取出潛在的異常行為模式，產(chǎn)生相應(yīng)的關(guān)聯(lián)規(guī)則，并轉(zhuǎn)換成符合Snort規(guī)則語法的入侵檢測規(guī)則，添加到規(guī)則庫中[11]。在該模塊中，采用遺傳算法進(jìn)行數(shù)據(jù)特征提取，具體過程如下。

步驟1：輸入樣本數(shù)據(jù)庫，隨機(jī)從中選擇一個(gè)特征，并計(jì)算其信息熵。

步驟2：判斷信息熵值是否大于等于設(shè)定的閾值。若超過閾值，則選擇該特征，記為第一個(gè)有效特征x，否則回到步驟1重新進(jìn)行一個(gè)特征，直到信息熵值大于等于設(shè)定的閾值s1[12]。

步驟3：再次從樣本數(shù)據(jù)庫隨機(jī)選擇第二個(gè)特征記為y，并計(jì)算x與y之間的互信息值。

步驟4：判斷x與y之間的互信息值是否大于等于預(yù)定閾值s2。若大于等于預(yù)定閾值s2，則選擇y作為第二個(gè)有效特征，否則回到步驟3重新進(jìn)行選擇，直到選出第二個(gè)有效特征為止。

步驟5：組合x與y構(gòu)成一個(gè)類別C，并計(jì)算其中每個(gè)特征與樣本之間的相關(guān)性，去除其中的不相關(guān)特征和冗余特征，構(gòu)成有效特征集L。

步驟6：對特征集L進(jìn)行偏F檢驗(yàn)，得出L1。

步驟7：以L1構(gòu)建初始群體，并進(jìn)行染色體編碼。

步驟8：計(jì)算每個(gè)個(gè)體的適用度值并排序，選擇適用度值前k個(gè)個(gè)體組成新的群體G。

步驟9：根據(jù)適用度值，進(jìn)行選擇、交叉和變異操作。

步驟10：判斷當(dāng)前個(gè)體適用度值是否達(dá)到最大進(jìn)化代數(shù)，若滿足上述迭代終止條件，則輸出最優(yōu)解；否則回到步驟9，繼續(xù)遺傳操作[13]。

步驟11：根據(jù)輸出的最優(yōu)解選出編碼為“1”的特征構(gòu)成特征集。

1.3 基于數(shù)據(jù)挖掘的光纖鏈路健康狀況判斷

數(shù)據(jù)挖掘的作用是從大數(shù)據(jù)集中發(fā)現(xiàn)目標(biāo)信息。目前數(shù)據(jù)挖掘主要分為五大類，即分類分析、關(guān)聯(lián)規(guī)則分析、序列模式分析、離群點(diǎn)分析和聚類分析。其中，聚類分析是最常用的，典型算法包括密度聚類算法、分層聚類算法、網(wǎng)格聚類算法、k-means算法、模糊聚類算法等。在本章節(jié)選擇k-means算法進(jìn)行光纖鏈路健康狀況判斷，其基本思路是計(jì)算測試樣本與各類特征之間的相似度來判斷，具體過程如圖2所示。

圖2 基于k-means算法的光纖鏈路健康狀況判斷流程

計(jì)算測試樣本X=(x1,x2,…,xn)與各類特征集Y=(y1,y2,…,yn)之間的相似度是k-means算法的關(guān)鍵。目前計(jì)算公式主要有以下幾種。

(1) 歐幾里得距離：

(4)

(2) 曼哈頓距離：

(5)

(3) 明可夫斯基距離：

(6)

式中，p≥1是一個(gè)變量值。

2 仿真測試分析

為測試所研究的泛網(wǎng)智能變電站時(shí)鐘系統(tǒng)質(zhì)量監(jiān)管模塊設(shè)計(jì)的有效性，以引言中前人研究的3種方法作為對比項(xiàng)，即基于小波分析和改進(jìn)支持向量機(jī)的檢測方法、正交基神經(jīng)網(wǎng)絡(luò)模型檢測方法和改進(jìn)遺傳算法的檢測方法，在CPU 為 Intel pentium G630 2．7 GHz，內(nèi)存為 2 GB，操作系統(tǒng)為 Windows XP 的計(jì)算機(jī)中進(jìn)行仿真測試。選擇型號為T5100-S型號的智能時(shí)鐘同步系統(tǒng)，結(jié)合泛網(wǎng)智能變電站數(shù)據(jù)和衛(wèi)星信號，由光纖秒脈沖方式進(jìn)行時(shí)鐘同步，設(shè)置同步精度要求在1 μs/h，ANNONCE報(bào)文每2 s發(fā)送一次，SYNC報(bào)文每500 ms發(fā)送一次。

2.1 光纖鏈路數(shù)據(jù)分布情況

光纖鏈路數(shù)據(jù)分布情況如表2所示。

表2 光纖鏈路數(shù)據(jù)分布情況

2.2 關(guān)則數(shù)據(jù)庫

按照表2，提取數(shù)據(jù)特征，生成關(guān)聯(lián)規(guī)則庫，具體如表3所示。

表3 關(guān)聯(lián)規(guī)則庫(部分)

2.3 測試環(huán)境搭建

為獲取測試樣本需要搭建測試環(huán)境。該測試環(huán)境搭建需要光纖線纜、內(nèi)部總線控制卡、內(nèi)部總線底板、測控板卡和運(yùn)動(dòng)控制卡等幾部分，如圖3所示。

圖3 仿真實(shí)驗(yàn)測試環(huán)境

圖3仿真實(shí)驗(yàn)測試環(huán)境的參數(shù)設(shè)置情況如表4所示。

表4 仿真參數(shù)設(shè)置

2.4 測試數(shù)據(jù)采集

運(yùn)行圖3仿真實(shí)驗(yàn)測試環(huán)境，采集到的測試數(shù)據(jù)分布情況如表5所示。

表5 樣本分布情況 單位：bit

2.5 結(jié)果顯示

將數(shù)據(jù)輸入計(jì)算機(jī)，運(yùn)行所研究的光纖鏈路健康狀況判斷方法，然后輸出結(jié)果。結(jié)果顯示界面如圖4所示。

圖4 光纖鏈路健康狀況判斷結(jié)果顯示界面

2.6 光纖鏈路質(zhì)量監(jiān)管質(zhì)量判斷結(jié)果統(tǒng)計(jì)與分析

相同仿真條件下，對比3種已有的方法進(jìn)行光纖鏈路質(zhì)量判斷，然后統(tǒng)計(jì)所有判斷結(jié)果的漏報(bào)率和誤報(bào)率結(jié)果如表6所示。

表6 光纖鏈路質(zhì)量監(jiān)管質(zhì)量判斷結(jié)果

從表6中可以看出，與3種前人研究的方法相比較，本文所研究方法應(yīng)用下漏報(bào)率和誤報(bào)率都較低，說明所設(shè)計(jì)的質(zhì)量監(jiān)管模塊是有效的。

3 總結(jié)

泛網(wǎng)智能變電站時(shí)鐘系統(tǒng)質(zhì)量監(jiān)控管理模塊的設(shè)計(jì)旨在基于電力物聯(lián)網(wǎng)技術(shù)、對象組件技術(shù)及相關(guān)國家標(biāo)準(zhǔn)等，以全面統(tǒng)一規(guī)劃的技術(shù)架構(gòu)，實(shí)現(xiàn)智能變電站中信息空間和物理空間的無縫連接，提高電網(wǎng)運(yùn)行效率和可靠性，提高效率和經(jīng)濟(jì)效益。為此，針對該模塊的關(guān)鍵，即光纖鏈路健康狀況判斷進(jìn)行研究。經(jīng)測試，證明了本文所研究內(nèi)容的有效性，為泛網(wǎng)智能變電站時(shí)鐘系統(tǒng)中質(zhì)量監(jiān)控管理模塊的完善提供了參考和借鑒。