基于大數(shù)據(jù)背景下電站設備狀態(tài)監(jiān)測及故障檢修管理系統(tǒng)仿真設計

王立峰,馬 超,牛永光 ,蘇 彪,劉祥振,辛思遠

(山東魯軟數(shù)字科技有限公司，山東 濟南 250000)

2020年8月，浙江省杭州市配電網(wǎng)絡實現(xiàn)了全面狀態(tài)檢修，全面啟動10 kV線路的狀態(tài)檢修運行規(guī)則，這是最終實現(xiàn)“大運行、大檢修”理念的標志。城市10 kV配電網(wǎng)絡中，只要實現(xiàn)了全部城區(qū)供電的拉手線路及環(huán)形線路的多電源供電，同時在所有用電單位的電源設計中實現(xiàn)在2條以上拉手線路或者環(huán)形線路中采集電源，則在任何一個35/10變電站或110/10變電站需要停電檢修時，拉手線路中均可實現(xiàn)不停電服務，且任何一條拉手線路或環(huán)形線路不得不停電時，用電單位也均可以從另一條拉手線路或環(huán)形線路中獲得電源支持。

本文重點就電力大數(shù)據(jù)對變電站設備狀態(tài)監(jiān)測分析的支持模式進行分析，設計一套應用于全面狀態(tài)檢修的電力大數(shù)據(jù)獨立系統(tǒng)。

1 電力大數(shù)據(jù)系統(tǒng)的層次化服務模型

從最初在電力管理系統(tǒng)中部署的五防系統(tǒng)及邏輯壓板閉鎖系統(tǒng)，到后來的倒閘專家系統(tǒng)及電子操作票系統(tǒng)、程控遠程倒閘系統(tǒng)，以及在后來的設備狀態(tài)監(jiān)控系統(tǒng)、母線狀態(tài)監(jiān)控系統(tǒng)、變電站全系統(tǒng)狀態(tài)監(jiān)測系統(tǒng)，冗余設備自動投切系統(tǒng)等，這些系統(tǒng)均具有共同點，結果如圖1所示。

圖1 早期智能電網(wǎng)的平行管理系統(tǒng)Fig. 1 Parallel management system of early smart grid

由圖1可知，基于物聯(lián)網(wǎng)的電網(wǎng)數(shù)據(jù)采集系統(tǒng)將所有的互感器數(shù)字化信號、溫度紅外監(jiān)測信號、震動及噪聲監(jiān)測信號等進行采集；同時也利用API服務器與其他相關系統(tǒng)的API服務器之間構建邏輯數(shù)據(jù)鏈接獲取元數(shù)據(jù)庫信息，用于維護數(shù)據(jù)倉庫的底層數(shù)據(jù)。在MySQL、HaDoop、Python、Matlab、CAE、Simu Works等開發(fā)環(huán)境集的支持下，實現(xiàn)對數(shù)據(jù)治理、數(shù)據(jù)挖掘、機器學習、模糊決策等相關模塊的編寫，進一步在LAMP等服務器開發(fā)環(huán)境中，構建桌面端腳本和移動端腳本，實現(xiàn)對系統(tǒng)的開發(fā)。

早期智能電網(wǎng)相關系統(tǒng)的開發(fā)過程中，幾乎所有平行系統(tǒng)均需要獨立對上述開發(fā)工作進行開發(fā)、部署、測試、運行。早期，這種平行開發(fā)模式可以最大限度提升系統(tǒng)的開發(fā)效率，降低開發(fā)成本，減少系統(tǒng)聯(lián)合調試的壓力，且某一個平行系統(tǒng)出現(xiàn)問題時，不會對其他系統(tǒng)帶來直接影響。但是，隨著智能電網(wǎng)的管理信息系統(tǒng)越來越全面，各種平行系統(tǒng)之間存在重復建設的情況，一方面導致數(shù)據(jù)倉庫規(guī)?？焖贁U大，冗余重復信息增多；另一方面，因為多個平行系統(tǒng)的數(shù)據(jù)挖掘算法不同，數(shù)據(jù)混沌效應明顯，導致不同系統(tǒng)容易做出相悖的策略。基于此，在智能電網(wǎng)IDC中構建獨立的數(shù)據(jù)倉庫系統(tǒng)，對包括設備狀態(tài)監(jiān)測系統(tǒng)在內的各平行系統(tǒng)實現(xiàn)統(tǒng)一數(shù)據(jù)支持，將成為未來智能電網(wǎng)IDC建設的基本思路。其構建模式如圖2所示。

由圖2可知，將數(shù)據(jù)倉庫進行分層設計，其中接口層(Interface Layer)包括基于工業(yè)物聯(lián)網(wǎng)數(shù)據(jù)采集功能的物業(yè)物聯(lián)網(wǎng)探頭集、工業(yè)網(wǎng)橋、數(shù)據(jù)采集系統(tǒng)等和基于平行系統(tǒng)API接口管理的元數(shù)據(jù)庫集、以太網(wǎng)接口、數(shù)據(jù)API接口等；存儲介質層(Rigid-disk Layer)包括數(shù)據(jù)倉庫的硬件集用于管理所有的存儲介質及相關的數(shù)據(jù)庫管理軟件(MySQL、HaDoop等)；策略層(Strategy Layer)包括數(shù)據(jù)的治理策略、歸一化策略、去量綱策略、機器學習策略、模糊決策策略等，并包括執(zhí)行相關策略所用到的任務服務器(CPU Servers)、浮點服務器(GPU Servers)、邏輯服務器(TPU Servers)等；環(huán)境層(Environment Layer)包括應用層腳本開發(fā)使用的各種支持軟件，但不限于Python、Matlab、CAE、Simu Works等。

圖2 獨立數(shù)據(jù)倉庫系統(tǒng)架構Fig.2 Schematic diagram of independent data warehouse system architecture

2 變電站設備狀態(tài)檢修管理信息系統(tǒng)構成

2.1 設備狀態(tài)信息的采集

變電站設備，包括母線類設備、觸點類設備、線圈類設備及其他相關設備。母線類設備包括各種電壓等級的母線、連接線纜等，負責實現(xiàn)三相負荷、中性線、接地線等功能。觸點類設備包括斷路器、接觸器、隔離開關、壓板等，重點指相應開關設備中的接觸和滅弧元件。線圈類設備是變電站中分布廣種類多的設備，包括變壓器、互感器、接地滅弧器等。對不同類型設備的大數(shù)據(jù)采集需求，結果如表1所示。

表1 該系統(tǒng)的數(shù)據(jù)采集需求表Tab.1 Schematic diagram of independent data warehouse system architecture

由表1可知，除隔離開關沒有采集設備相關的電壓電流信息外，其他設備的狀態(tài)監(jiān)測系統(tǒng)均會采集設備相關線路的電壓電流信息；變壓器設備、互感器設備等，需要采集多個電壓等級條件下的相關電壓電流信息。對溫度、震動、噪聲、行動位置等信息的采集任務，也會因不同設備運行原理不同而有所不同。

研究上述6種數(shù)據(jù)的實時采集方案，其采集方式和數(shù)據(jù)初步治理方案如表2所示。

由表2可知，電流、電壓、溫度等數(shù)據(jù)，均為建立在時域序列上的離散數(shù)據(jù)；而震動、噪聲數(shù)據(jù)均采用專用聲音處理器進行記錄，記錄頻率為44 MHz，行動位置數(shù)據(jù)的記錄由相應的動作元件的實際動作觸發(fā)，以邏輯型數(shù)據(jù)記錄在時域序列上。所以，上述所有數(shù)據(jù)均以時間戳為主鍵進行記錄，并可根據(jù)時間戳進行聯(lián)動分析。

表2 該系統(tǒng)的數(shù)據(jù)采集方法Tab.2 Data acquisition method table of the system

2.2 該系統(tǒng)對策略集的需求

因為電流、電壓、溫度、震動和噪聲(dB)等數(shù)據(jù)均由量綱影響，所以應對數(shù)據(jù)進行歸一化以實現(xiàn)數(shù)據(jù)去量綱，采用Z-Score算法進行數(shù)據(jù)去量綱治理，如式(1)：

=(-)

(1)

式中：為數(shù)據(jù)序列中第個數(shù)值；為數(shù)據(jù)序列的算數(shù)均值；為數(shù)據(jù)序列的標準差；為經(jīng)過歸一化的數(shù)據(jù)序列。其中：

(2)

式中：為序列的元素個數(shù)；為數(shù)據(jù)序列中第個數(shù)值。

(3)

式中：為序列的元素個數(shù)；為數(shù)據(jù)序列中第個數(shù)值；為數(shù)據(jù)序列的算數(shù)均值。

對于判斷系統(tǒng)的故障狀態(tài)，系統(tǒng)屬于數(shù)據(jù)不完備的模糊推理狀態(tài)，所以有必要使用神經(jīng)網(wǎng)絡對數(shù)據(jù)進行分析處理。單一設備而言，對設備做出狀態(tài)判斷，應有設備的狀態(tài)級別，即將數(shù)據(jù)投影到[0,1]數(shù)據(jù)空間上。當數(shù)據(jù)接近于1時，認為設備接近崩潰；當數(shù)據(jù)接近于0時，認為設備完全正常，此時可使用單一神經(jīng)網(wǎng)絡模塊進行二值化判斷。該系統(tǒng)神經(jīng)網(wǎng)絡結構，具體如圖3所示。

圖3 系統(tǒng)神經(jīng)網(wǎng)絡結構Fig. 3 Neural network structure diagram of the system

由圖3可知，6個輸入量均為一定時間周期的序列數(shù)據(jù)，所以有必要使用基于簡單神經(jīng)網(wǎng)絡模塊的輸入模塊對數(shù)據(jù)進行初步整理。即將一維的數(shù)據(jù)序列值降維到零維數(shù)據(jù)，每一列輸入數(shù)據(jù)降維生成一個Double格式的單一變量以對數(shù)據(jù)的當前狀態(tài)做出標識；此過程為模糊神經(jīng)網(wǎng)絡的數(shù)據(jù)模糊化過程。將經(jīng)過模糊化的數(shù)據(jù)通過神經(jīng)網(wǎng)絡核心模塊進行推算后，形成一個經(jīng)過二值化的[0,1]上的輸出數(shù)據(jù)，并對該數(shù)據(jù)使用模糊矩陣進行解模糊，最終實現(xiàn)數(shù)據(jù)的輸出。

3 神經(jīng)網(wǎng)絡的設計

3.1 輸入模塊的設計

輸入模塊的統(tǒng)計學意義是將數(shù)據(jù)充分降維，即將輸入數(shù)據(jù)序列的256～512個序列集在不超過3層隱藏層處理過程中使其保留大部分數(shù)據(jù)特征的前提下，壓縮成1個Double數(shù)據(jù)。此時，可以使用多項式函數(shù)進行節(jié)點設計，3層隱藏層的節(jié)點數(shù)，分別為512、128和11個，其節(jié)點函數(shù)：

(4)

式中：為第個輸入量；為輸出量；為多項式階數(shù)；為第j階多項式的待回歸變量。

3.2 神經(jīng)網(wǎng)絡核心模塊設計

神經(jīng)網(wǎng)絡核心模塊的功能較為復雜，應對6個輸入變量的數(shù)據(jù)特征充分放大；然后對其數(shù)據(jù)邏輯關系和投影規(guī)則進行整理，進而實現(xiàn)數(shù)據(jù)的充分二值化。即如果采用6層隱藏層設計，則其隱藏層特征應符合如表3所示的結果。

表3 神經(jīng)網(wǎng)絡核心模塊的隱藏層設計Tab. 3 Hidden layer design table of neural network core module

由表3可知，第1層和第2層是充分放大數(shù)據(jù)的細部特征，采用了對數(shù)函數(shù)進行節(jié)點設計；第3層和第4層是對數(shù)據(jù)的邏輯關系和投影規(guī)則進行整理，采用了多項式函數(shù)進行節(jié)點設計；第5層和第6層為實現(xiàn)數(shù)據(jù)的充分二值化，采用了二值化函數(shù)進行節(jié)點設計，式中：為第個輸入量；為輸出量；為自然常數(shù)；、為待回歸變量。

4 獨立數(shù)據(jù)倉庫的應用

根據(jù)前文分析，在早期智能電網(wǎng)開發(fā)策略中，從數(shù)據(jù)采集的物聯(lián)網(wǎng)硬件開始，直到數(shù)據(jù)的可視化桌面端和移動端的展示界面，都進行獨立開發(fā)。但在本文的開發(fā)策略中，該系統(tǒng)直接從獨立數(shù)據(jù)倉庫中獲取相應信息，并在數(shù)據(jù)的策略層(Strategy Layer)開發(fā)2個神經(jīng)網(wǎng)絡模塊和1個模糊策略矩陣；在應用層(Application Layer)中開發(fā)1套可視化腳本，即可完成系統(tǒng)的開發(fā)工作。

該模糊策略矩陣為傳統(tǒng)的單值二維控制矩陣，具體如表4所示。

表4 解模糊矩陣策略Tab.4 Strategy table for resolving fuzzy matrix

由表4可知，當神經(jīng)網(wǎng)絡的輸出值超過0.85且數(shù)據(jù)較上一周期急劇上升時，給出紅色預警；輸出值的分檔線設定在0.85、0.70、0.50共4個區(qū)間，分別給出紅色、橙色、黃色、藍色4種狀態(tài)。其中紅色狀態(tài)會觸發(fā)系統(tǒng)自動倒閘；而藍色狀態(tài)表示系統(tǒng)處于正常運行狀態(tài)。

在觸發(fā)系統(tǒng)自動倒閘時，該過程將傳值給電子操作票生成系統(tǒng)執(zhí)行。此策略在本文獨立數(shù)據(jù)倉庫分層開發(fā)理念指導下進行。

5 真實數(shù)據(jù)下該系統(tǒng)的仿真測試

選擇某變電站近2年的運行大數(shù)據(jù)進行測試，該變電站擁有110/35/10變壓器4臺，110 kV開關設備21臺、35 kV開關設備55臺，10 kV開關設備142臺；其他一二次設備275臺。2年運行期內，出現(xiàn)設備故障233次，分析該系統(tǒng)不同預警狀態(tài)下的故障發(fā)生率，分析系統(tǒng)預警的敏感性和特異性，結果如表5所示。

表5 系統(tǒng)仿真測試結果Tab.5 System simulation test results table

由圖5可知，系統(tǒng)給出紅色、橙色、黃色預警的過程，已經(jīng)涵蓋了所有233處已經(jīng)發(fā)現(xiàn)的故障，可認為，該系統(tǒng)可以基本滿足判斷設備狀態(tài)故障的可能。在其給出紅色預警時，相關設備的故障可能性達到了97.1%，在當前機器學習判斷準確率公認為95%的技術現(xiàn)狀下，此判斷結果可基本達到設計要求。系統(tǒng)給出橙色預警時，可認為需要短時間內對設備進行切除檢修，因為此時判斷敏感性可達到72.2%。系統(tǒng)給出黃色預警時，也有11.6%的敏感性。

系統(tǒng)進行開發(fā)的過程中，使用本文的開發(fā)策略，總開發(fā)周期為96 d，開發(fā)代碼量為1.7萬行，而傳統(tǒng)開發(fā)模式，該系統(tǒng)的總開發(fā)周期預計達到600 d以上，開發(fā)代碼量超過12萬行。且該系統(tǒng)在開發(fā)全過程中未添置任何工業(yè)物聯(lián)網(wǎng)硬件，對IDC硬件的新增量，從傳統(tǒng)模式下的70～90 U減少到了27 U?？烧J為，該開發(fā)策略在較小的開發(fā)量、較小的硬件新增量的前提下，實現(xiàn)了完全滿足開發(fā)需求的開發(fā)任務。

6 結語

在獨立數(shù)據(jù)倉庫支持環(huán)境下的變電站設備狀態(tài)檢修管理信息系統(tǒng)，是適應當前智能變電站開發(fā)需求的一種新型變電站設備檢修管理系統(tǒng)。根據(jù)變電站當前對獨立數(shù)據(jù)倉庫的前置開發(fā)成果，在該開發(fā)策略下，以較小的開發(fā)量、較小的硬件新增量的前提，實現(xiàn)了完全滿足開發(fā)需求的開發(fā)任務。該系統(tǒng)不同預警狀態(tài)均表現(xiàn)出較強的預警判斷敏感性。