基于模糊控制和大數(shù)據(jù)算法模型的電力運維故障診斷設(shè)備方法

金海勇，吳其樂，劉騰澤

(1.上海樂研電氣有限公司，上海 201802； 2.江蘇大全長江電器股份有限公司，江蘇 揚中 361024；3.湖北科技學院，湖北 咸寧 437100)

0 引言

隨著計算機時代的到來，信息網(wǎng)絡(luò)正在飛速的發(fā)展，人工智能技術(shù)廣泛應用于制造領(lǐng)域當中[1]。在這樣的大背景之下，電力市場隨之不斷擴大，但電力異常問題也頻繁發(fā)生，比如電力營銷異常、電力運行異常、電力用戶異常等問題，若不及時解決將給電力系統(tǒng)和用戶帶來損失，嚴重時將帶來安全風險[2]。在電力運維領(lǐng)域中，以往的故障診斷方案已經(jīng)落后，工作效率低下無法滿足需求，如何高質(zhì)高效地完成電力運維設(shè)備故障數(shù)據(jù)的預測與診斷工作，是目前亟待完善的難題[3]。

針對上述問題，國內(nèi)外許多學者也在不斷的進行相關(guān)研究，其中文獻[4]提出一種基于定量遞歸分析的電力運維設(shè)備故障的預測及診斷方法，該方法通過相空間重構(gòu)提取電力運維異常時間序列的非線性特征，進行定量遞歸圖構(gòu)建，實現(xiàn)對電力運維故障特征參數(shù)的定量遞歸分析。但該方法需要在高維空間中進行時間序列重構(gòu)，計算量較大，實時性不好。文獻[5]提出了一種線性指數(shù)時間序列預測及診斷方法，該方法能夠?qū)Χ虝r非線性電力運維設(shè)備故障的診斷，但該方法在出現(xiàn)包絡(luò)振蕩時，診斷精度不高。

此外，文獻[6]采用了基于實驗室虛擬儀器工程平臺的大數(shù)據(jù)分析聚類算法，用于電力運維設(shè)備故障診斷方案中。這種方法雖然能夠聚類過程簡單迅速，但是需要建立一個數(shù)據(jù)模型專門進行管理，比較復雜，文獻[7]公開了一種局部異常因子算法以分析異常電能數(shù)據(jù)，通過將數(shù)據(jù)點的局部密度與其k距離鄰域內(nèi)的對象進行比較來推導出電力運維設(shè)備故障數(shù)據(jù)的異常程度。但當多維故障數(shù)據(jù)的維度之間存在相關(guān)性時，該算法故障診斷過程則會經(jīng)常失敗。

該研究設(shè)計了一種新型故障診斷方，將模糊控制計算器與大數(shù)據(jù)算法模型相結(jié)合，并采用實時布線的方法減少診斷面積，基于改進型大數(shù)據(jù)算法模型提取電力運維設(shè)備故障數(shù)據(jù)特征，對電力運維設(shè)備運行工況構(gòu)建診斷網(wǎng)絡(luò)，通過分析電力運維設(shè)備工況的功能系統(tǒng)完成數(shù)據(jù)診斷，該方法的診斷靈敏度和準確性與以往方法相比有顯著提升，有效解決了現(xiàn)有技術(shù)中對電力運維故障檢測靈敏度低、診斷誤差大等問題。

1 電力運維故障診斷算法模型

為了快速準確地診斷電網(wǎng)故障，該研究將PID模糊控制[8-10]計算器與大數(shù)據(jù)算法模型相結(jié)合，并采用實時布線的方法減少診斷面積，基于改進型大數(shù)據(jù)算法模型提取電力運維設(shè)備故障數(shù)據(jù)特征，對電力運維設(shè)備運行工況構(gòu)建診斷網(wǎng)絡(luò)，通過分析電力運維設(shè)備工況完成數(shù)據(jù)診斷。首先，采用PID模糊控制計算電力運維設(shè)備電荷流動工況如圖1所示。

圖1 PID模糊控制計算流程結(jié)構(gòu)

在電力運維設(shè)備運行工況診斷中對各項參數(shù)以相對比例值的形式進行收錄，對收錄的不同比例的參數(shù)進行標定值換算。利用供能電力運維設(shè)備流通電流存在的隨機性對收錄的各項參數(shù)進行等效變換[11-12]。采用模糊控制PID方式完成擾動計算解決設(shè)備運行診斷過程中產(chǎn)生的波動電路。計算周期內(nèi)電力運維設(shè)備運行電流，利用積分方程推算結(jié)果：

(1)

式(1)中，Qd、Qc均是診斷工況設(shè)備流動電荷量，Id、Ic均是積分等效電流，σd、σc均是診斷周期內(nèi)電流波動，Td、Tc表示電力運維設(shè)備診斷周期，i表示電力運維設(shè)備工況診斷感應電流，t表示時間。為進一步確定電力運維設(shè)備故障特征參數(shù)數(shù)據(jù)，對其運行周期內(nèi)的特性進行分析，根據(jù)其特性電流波動量確定電力運維設(shè)備的穩(wěn)定情況[13]。根據(jù)電力運維設(shè)備組特性分析結(jié)果進行工況修正，其修正函數(shù)為：

(2)

(3)

式(3)中，x是一種電力運維設(shè)備故障特征參數(shù)的值，α和β是形狀參數(shù)。故障特征參數(shù)值是連續(xù)的，但采用數(shù)據(jù)挖掘算法需要離散輸入。因此，該研究提出了一種基于設(shè)備狀態(tài)分布概率的參數(shù)離散化方法，將電力運維設(shè)備的運行狀態(tài)分為正常狀態(tài)、注意狀態(tài)、異常狀態(tài)和嚴重狀態(tài)，收集所有同類型設(shè)備的實際狀態(tài)數(shù)據(jù)后，計算不同狀態(tài)的分布概率P=[P1、P2、P3、P4]，則累積分布概率F=[F1、F2、F3、1]通過累積分布概率P獲得。F1、F2和F3根據(jù)方程(4)中表示的威布爾分布模型，帶入逆累積概率分布函數(shù)[16]：

x=α[-ln(1-F)]1/β

(4)

根據(jù)方程(4)計算三個值[x1x2x3]，并獲得四個離散區(qū)間s1(0～x1)、s2(x1～x2)、s3(x2～x3)和s4(x3～ +∞)。根據(jù)不同的離散區(qū)間輸入電力運維設(shè)備故障特征參數(shù)。

不同的故障模式將對故障特征參數(shù)的變化趨勢產(chǎn)生不同的影響，這些故障特征離散參數(shù)通過Apriori算法進行量化。Apriori算法掃描每個訓練循環(huán)中的整個電力運維故障數(shù)據(jù)庫，以計算電力運維故障候選項集的置信度。假設(shè)故障數(shù)據(jù)集為Df=[df1，df2，…，df m]，df是故障特征參數(shù)，分為m個數(shù)據(jù)集。設(shè)置置信度C為：

(5)

式(5)中，count()是項目集的計數(shù)函數(shù)。置信度用于衡量關(guān)聯(lián)規(guī)則在整個數(shù)據(jù)集中的統(tǒng)計重要性，置信度越高，項目集在Df中出現(xiàn)的頻率就越高。根據(jù)Apriori算法中得到的電力設(shè)備運維故障參數(shù)置信度，可以計算出前文中所提到的4種不同故障模式的隸屬函數(shù)[17]。這些不同的隸屬函數(shù)對故障診斷措施的失效概率有不同的貢獻。因此，每種診斷措施失效概率通過加權(quán)方法計算，例如，第j個診斷措施的失效概率Pj由公式(7)計算：

(7)

式(7)中，Vij和wij分別是第i個故障特征參數(shù)到第j個故障模式的隸屬函數(shù)和重要權(quán)重。為了保證權(quán)重結(jié)果的合理性，提出了一種樣本差異計算權(quán)重模型：首先，獲取不同運維故障特征參數(shù)的差異值；其次，計算特征參數(shù)Nij大于或等于等式(8)中所示差異值的樣本數(shù)(N)：

(8)

式(8)中，Nij是第i個運維故障特征參數(shù)到第j個故障模式的樣本數(shù)，Nmg是第m個運維故障特征數(shù)據(jù)集到第j個m個運維故障特征數(shù)據(jù)集的樣本數(shù)。第j個故障模式的所有故障特征參數(shù)的重要權(quán)重通過公式(9)中的歸一化計算得出[18]：

(9)

根據(jù)式(8)和式(9)，重要權(quán)重W的計算結(jié)果是基于故障數(shù)據(jù)和差異值數(shù)量的計算，而不是基于傳統(tǒng)評價專家的經(jīng)驗，以確保準確性和合理性。

綜上所述，該研究采用多種算法結(jié)合，提出改進的大數(shù)據(jù)算法模型，總體算法流程如圖2所示。

圖2 改進的大數(shù)據(jù)算法模型整體流程

對每種類型的電力運維故障模式及其診斷概率之間建立串聯(lián)網(wǎng)絡(luò)，通過計算得到設(shè)備故障診斷措施失效概率Pe為：

(10)

通過改進大數(shù)據(jù)算法模型結(jié)合第2節(jié)故障診斷設(shè)備，能夠得出完善的電力運維故障診斷方案。

2 電力運維故障診斷系統(tǒng)實現(xiàn)

為了快速診斷電力運維故障，該研究設(shè)計了一種故障診斷設(shè)備，以故障檢測技術(shù)為核心實現(xiàn)全面檢測，采用集成芯片化設(shè)計和算法程序，減小體積的同時保證檢測結(jié)果的準確性，該故障診斷設(shè)備功能如圖3所示。

圖3 電力運維故障診斷設(shè)備功能示意圖

電力運維設(shè)備性能檢測利用多個計算機連接網(wǎng)絡(luò)，通過顯示屏展示芯片處理內(nèi)容，便于分析和統(tǒng)計。檢測系統(tǒng)的數(shù)據(jù)處理由SX1276芯片完成，主要功能為設(shè)備需求數(shù)據(jù)分析、檢測信號響應、測試信息顯示、故障推算結(jié)果和現(xiàn)場處理方式，通過對上述多種數(shù)據(jù)的處理，使檢測系統(tǒng)全面掌握能源控制器運行狀態(tài)，為后續(xù)檢測和模型驗證提供數(shù)據(jù)支持。檢測架構(gòu)中建立如V/H傳感多個通道，負責數(shù)據(jù)的互通，使整個故障診斷設(shè)備運行能夠整體化調(diào)度和控制。故障診斷設(shè)備的調(diào)度通過采用芯片集成電路的方式實現(xiàn)數(shù)據(jù)的有效處理。故障診斷設(shè)備融合智能化報警裝置，對異常的情況進行報警并將故障信息以短信的形式發(fā)送給技術(shù)人員，技術(shù)人員在接收到報警信息后能夠及時的處理故障監(jiān)控機發(fā)送的信息。故障監(jiān)控機接收命令消息的流程圖如圖4所示。

圖4 故障監(jiān)控機接收到命令消息的流程圖

在收到固定二進制碼的故障信號信息后，故障監(jiān)控機會通過解碼器進行解碼，并進行自動識別有效或者無效信息，經(jīng)過對碼識別后，工作人員會判斷電力運維設(shè)備對應哪一臺故障監(jiān)控機發(fā)出報警信號。關(guān)于故障診斷設(shè)備主控面板示意圖如圖5所示。

圖5 故障監(jiān)控機的主控面板示意圖

圖5中故障監(jiān)控機的主控面板由電源開關(guān)區(qū)域、接線柱區(qū)域、鍵盤區(qū)域、菜單區(qū)域、控制面板組成。其中電源開關(guān)控制電源的打開和關(guān)閉。接線柱區(qū)域的輸入和輸出接線柱是防護區(qū)域內(nèi)接入工作電源時外接電源的輸入和輸出端，可接入220 V或者380 V的交流電壓，最大通過電流為30 A；報警接線柱在接入后如遇異常情況則指示燈會發(fā)亮；撥號接線柱接入后可在鍵盤區(qū)域進行撥號。在菜單區(qū)域用戶可通過鍵盤區(qū)域的*鍵和#鍵選擇設(shè)置項，按“確認”鍵設(shè)置需要的選項。系統(tǒng)設(shè)置必須在待機狀態(tài)下進行，設(shè)置過程中不發(fā)出任何報警信息；設(shè)置完成后退出界面[19]。故障診斷設(shè)備的控制是通過多個傳感器感知電力運維設(shè)備的工況完成的，其控制電路如圖6所示。

圖6 控制電路

在圖6中，LF398是采樣保持電路，在其工作中引導加載外部電容，當采樣開關(guān)S/H處于高輸入電平時，開關(guān)接通。SX1276處理芯片運行為收發(fā)器形式，通過轉(zhuǎn)變運行中的變化規(guī)律實現(xiàn)信號的傳遞。COMP引腳作為補償電容，可以外接補償元件，減少芯片內(nèi)部輸出信號誤差；Vref連接C3和安全電路，保持芯片電壓的恒定；VCC引腳連接電源，控制芯片的總電壓，利用按鈕控制芯片的啟動；PWM引腳負責整理信號形態(tài)，對轉(zhuǎn)化電流進行脈沖控制，便于識別；GND引腳連接接地裝置，負責電力運維設(shè)備的線路保護。在將模擬信號轉(zhuǎn)換為數(shù)字離散信號時，轉(zhuǎn)換器輔助帶來量化誤差。低輸出阻抗不會影響后面的電路。為了獲得較高精度的電能數(shù)據(jù)，保證數(shù)字接地端和模擬點接地端之間的連接，即高輸入電壓信號和內(nèi)部電路之間的絕緣，轉(zhuǎn)換器模數(shù)轉(zhuǎn)換器在接地信號傳輸中采用隔離接地設(shè)計方案，接地信號傳輸?shù)膽每梢詼p少采樣信號對輸入雜波的干擾[20-21]，提高測量精度。最后，經(jīng)過終端裝置進行數(shù)據(jù)預處理，運維人員進行分析并設(shè)計出相應的診斷方案。

3 實驗與分析

在本節(jié)中，該研究將通過實驗來證實分布式電網(wǎng)故障診斷方法的適用性與有效性。實驗設(shè)立在江蘇南瑞國家電網(wǎng)公司內(nèi)部進行，通過搭建物聯(lián)網(wǎng)電網(wǎng)系統(tǒng)對接公司內(nèi)網(wǎng)獲得數(shù)據(jù)。關(guān)于實驗計算機硬件環(huán)境為Pentium(R)CPU、8核16G內(nèi)存，電腦的硬盤容量為512G的硬件環(huán)境，軟件的操作系統(tǒng)Windows10。該研究中用作實驗系統(tǒng)架構(gòu)主要工具是Raspberry Pi Model 2，其主要功能是執(zhí)行電力運維故障信息采集，并作為云服務(wù)器的互聯(lián)網(wǎng)網(wǎng)關(guān)。物聯(lián)網(wǎng)網(wǎng)關(guān)采用下載速率1 024 kbps、向云服務(wù)器發(fā)送數(shù)據(jù)。在云系統(tǒng)中實現(xiàn)了Web和數(shù)據(jù)庫應用服務(wù)器，實驗架構(gòu)如圖7所示。

圖7 故障診斷實驗架構(gòu)

故障診斷實驗架構(gòu)分解為若干個子系統(tǒng)，每個子系統(tǒng)再分為若干個分子系統(tǒng)；在子系統(tǒng)中采用機理分析法、系統(tǒng)辨識法等建立各個子系統(tǒng)模型，即建立內(nèi)部邏輯方程組；根據(jù)各個子系統(tǒng)模型之間的關(guān)聯(lián)，建立關(guān)聯(lián)模型即建立外部邏輯方程組；將各個子系統(tǒng)有機集成形成系統(tǒng)總模型，同時借助圖形化的故障樹(如圖8所示)分析工具生成故障診斷的信息平臺。案例庫記錄了故障診斷過程中的所有故障及其處理的相關(guān)信息，包括診斷時機、故障現(xiàn)象、故障原因、故障處理方法、故障結(jié)論、新故障原因及相關(guān)人員，專家意見以及專家簽名等信息。

圖8 故障樹圖示

電力運維故障診斷系統(tǒng)采用演繹法建樹,故障樹的頂事件為故障發(fā)生率最低事件，頂事件的孩子節(jié)點為直接導致頂事件發(fā)生的各種可能因素或因素組合，根據(jù)各種因素再找出產(chǎn)生各種因素的原因作為頂事件孫子節(jié)點，逐級向下演繹，一直查找到引起電力運維故障診斷系統(tǒng)發(fā)生故障的全部原因,即查找到不需要繼續(xù)查找原因的底事件為止。把各級事件用邏輯關(guān)系的門與頂事件相聯(lián)接，建成一棵以頂事件為根節(jié)點、中間事件為子節(jié)點、底事件為葉的具有若干級的倒置故障樹。如圖8所示：圖中是一個具有A、B、C ，3個底事件的故障樹；故障樹的頂事件T有5個割集: {A}, {B， C}, {A, B, C}，{A, B}, {A, C}。割集是指故障樹中一些底事件的集合,當這些底事件同時發(fā)生時，頂事件必然發(fā)生。最小割集是指:割集中去掉任意-一個底事件, 頂事件不會發(fā)生。這里{A}和{B, C}是最小割集。故障樹定性分析的任務(wù)就是尋找最小割集。

本研究采用江蘇南瑞國家電網(wǎng)公司管轄下的X變電站運維系統(tǒng)數(shù)據(jù)庫，針對電網(wǎng)電力運維設(shè)備故障基于Simulink軟件建立了仿真模型。在構(gòu)建實驗硬軟件環(huán)境之后，通過故障診斷設(shè)備對電力運維特征數(shù)據(jù)的誤差和靈敏度進行測試，采用文獻[4]故障診斷方法與文獻[5]故障診斷方法作為實驗對比，將故障診斷的實驗結(jié)果匯總數(shù)據(jù)表，如表1所示。

表1 檢測結(jié)果實驗測試表

通過表1數(shù)據(jù)分析，設(shè)置的電力運維設(shè)備故障檢測數(shù)量最高上限為100臺，可以看出，文獻[4]方法的靈敏度為125 dBm，其差異性為2.36%，診斷誤差為13.3%，文獻[5]方法的靈敏度為96 dBm，其差異性為4.21%，診斷誤差為18.4%，在三種方法中文獻[5]方法各項指標數(shù)據(jù)最差，而該研究方法平均每臺電力運維設(shè)備故障診斷的靈敏度為148 dBm，差異性為1.29%，且診斷誤差僅為1.4%，表現(xiàn)遠優(yōu)于文獻[4]和文獻[5]中所使用的方法。為了進一步體現(xiàn)該研究方法的優(yōu)勢，在不同設(shè)備數(shù)量環(huán)境下通過對比故障檢測靈敏度分析三種不同方案性能，得到實驗結(jié)果如表2所示。

表2 三種診斷方案故障檢測靈敏度對比 (單位：dBm)

通過表2的數(shù)據(jù)分析可以看出，隨著設(shè)備數(shù)量的逐漸增多，三種方法的故障檢測靈敏度也隨之提升，本文研究方法的靈敏度仍然始終優(yōu)于文獻[4]和文獻[5]所使用的故障診斷方法。

將各診斷方法靈敏度數(shù)據(jù)用仿真曲線的形式描述，得到檢測結(jié)構(gòu)靈敏度分析曲線如圖9所示。

圖9 檢測結(jié)構(gòu)靈敏度分析

圖9中該研究方法對電力運維故障檢測靈敏度上升趨勢較為明顯，在0～50臺靈敏度增速達到2.8，50～100臺時，平均檢測靈敏度穩(wěn)定在140 dBm，明顯高于其他兩種方法，體現(xiàn)了該研究設(shè)計的電力運維故障診斷方案的實用性。

通過對比各研究模型驗證結(jié)果準確性進一步完成對比實驗，在不同設(shè)備數(shù)量環(huán)境下通過對比三種方法診斷準確率，得到實驗結(jié)果如表3所示。

表3 三種診斷方案準確率對比 %

通過表3的數(shù)據(jù)分析可以看出，隨著設(shè)備數(shù)量的逐漸增多，三種方法的故障檢測準確率也隨之提升，且本文研究方法的故障檢測準確率始終優(yōu)于文獻[4]和文獻[5]所使用的診斷方法。

根據(jù)計算機處理結(jié)果進行仿真對比，得到驗證結(jié)果準確性對比如圖10所示。

圖10 驗證結(jié)果準確性對比

通過對比圖10發(fā)現(xiàn)該研究方法故障診斷準確率較高，在數(shù)量達到20臺時，準確性超過90%，90～103臺期間存在波動，在100臺時最高為98.6%，均高于其他兩種方法，顯示了該研究設(shè)計的電力運維故障診斷方案的可靠性。

4 結(jié)束語

對于電網(wǎng)公司存在運維系統(tǒng)故障異常的現(xiàn)象，該研究提出了一種基于改進大數(shù)據(jù)算法模型的電力運維故障診斷方案，采用多種算法結(jié)合的方式對電力運維故障特征參數(shù)進行整合處理，并提出多種診斷措施，對每種類型的電力運維故障模式及其診斷概率之間建立串聯(lián)網(wǎng)絡(luò)，通過計算得到設(shè)備故障診斷措施失效概率，進而篩選出合理地診斷步驟完成方案設(shè)計。該研究在某電網(wǎng)公司進行了實驗數(shù)據(jù)的調(diào)取與測試，結(jié)果證明該研究提出的方法具有較好的設(shè)備故障檢測靈敏度和準確率，大大提升了電網(wǎng)運維效率。最終結(jié)果體現(xiàn)了該研究方法的實用性與可靠性，但同時發(fā)現(xiàn)信息傳遞方面存在信號干擾問題，未來會對診斷方案進一步的加強和完善。