基于數(shù)據(jù)挖掘的智能電網(wǎng)故障處置輔助決策系統(tǒng)

陶文偉，吳金宇，江澤銘，曹 揚，仇偉杰

(中國南方電網(wǎng)有限責(zé)任公司，廣東 廣州 510530)

0 引 言

常規(guī)的智能電網(wǎng)故障處置方法一般在故障發(fā)生后，依靠電力調(diào)控員憑借經(jīng)驗手動排查電網(wǎng)故障，現(xiàn)場判斷故障類型，制定應(yīng)急措施，因此需要很多時間，且無法保證處置措施為最佳策略，可能造成處置措施無用或加重故障的情況[1-2]。因此，傳統(tǒng)的電網(wǎng)故障處置模式已然無法緊跟時代高速發(fā)展的步伐。

電網(wǎng)規(guī)模不斷壯大，而電網(wǎng)又與全民息息相關(guān)，保障供電質(zhì)量成為基礎(chǔ)建設(shè)，國家非常重視電網(wǎng)智能輔助決策系統(tǒng)的發(fā)展。電網(wǎng)智能輔助決策系統(tǒng)針對電力大數(shù)據(jù)多樣化、孤島化等特點[3-4]，對海量數(shù)據(jù)進行挖掘，快速提取有價值數(shù)據(jù)，必不可少的環(huán)節(jié)便是數(shù)據(jù)聚類[5]；通過自動化工具及技術(shù)，發(fā)掘電力數(shù)據(jù)間潛在關(guān)聯(lián)或異常等；參考調(diào)控員處置故障角度，融合調(diào)度經(jīng)驗及故障預(yù)案，迅速做出故障處置輔助決策。該系統(tǒng)提升了調(diào)控員處理故障的效率，將誤判及事故概率降至最低[6-7]，促使電網(wǎng)在最短時間內(nèi)恢復(fù)平穩(wěn)運行。

儲卓等[8]提出智能輔助決策系統(tǒng)，采用大數(shù)據(jù)及自動化技術(shù)實時巡檢電網(wǎng)運行安全，實現(xiàn)精細(xì)化巡檢，減少損失，但該系統(tǒng)在數(shù)據(jù)處理方面存在漏洞，可能出現(xiàn)數(shù)據(jù)孤島，數(shù)據(jù)聚類效果較差；詹銳烽等[9]提出電網(wǎng)調(diào)度輔助決策系統(tǒng)，挖掘電網(wǎng)數(shù)據(jù)中的異常、故障數(shù)據(jù)，判斷故障類型后做出調(diào)度策略，該系統(tǒng)在處理電網(wǎng)數(shù)據(jù)時較為冗余，能耗控制效果方面有待提升。

針對上述方法對故障數(shù)據(jù)難以聚類，能耗控制效果較差的問題，本文搭建基于數(shù)據(jù)挖掘的智能電網(wǎng)故障處置輔助決策系統(tǒng)。針對主電網(wǎng)在硬件設(shè)計上創(chuàng)新性地選用單片結(jié)構(gòu)的DS18B20數(shù)字溫度傳感器，省去以往的A/D轉(zhuǎn)換環(huán)節(jié)，保證傳感數(shù)據(jù)的高精度和抗擾動；選用8 b單片機C8051F020提高調(diào)試兼容性；故障檢測子模塊核心控制單元選用C8051F020提升檢測精度效率；軟件設(shè)計上利用卷積神經(jīng)網(wǎng)絡(luò)將故障信息進行實時聚類，防止數(shù)據(jù)不完全造成的漏洞。基于故障數(shù)據(jù)，創(chuàng)新性地設(shè)計輔助決策模塊，基于經(jīng)驗法則，利用離線潮流運算，展開循環(huán)校驗，從中選取最佳處置決策。實驗結(jié)果表明，本文方法能夠助力調(diào)控員處理電網(wǎng)故障，推動智能電網(wǎng)高效運作。

1 智能電網(wǎng)故障處置輔助決策系統(tǒng)

利用數(shù)據(jù)挖掘技術(shù)，高效提取電網(wǎng)海量數(shù)據(jù)中的故障數(shù)據(jù)，并進行聚類及故障類型診斷，依據(jù)不同故障類型做出相應(yīng)的輔助決策，實時保存故障視頻及自動生成故障預(yù)案，以便調(diào)控員調(diào)閱，掌握電網(wǎng)運行各項信息，保障電網(wǎng)運行安全，提升調(diào)控員處置電網(wǎng)故障效率。

1.1 智能電網(wǎng)故障處置輔助決策系統(tǒng)總體架構(gòu)

利用數(shù)據(jù)挖掘技術(shù)實時采集電網(wǎng)運行設(shè)備信息，搭建智能電網(wǎng)故障處置輔助決策系統(tǒng)，用圖1 描述智能電網(wǎng)故障處置輔助決策系統(tǒng)總體結(jié)構(gòu)。

圖1 智能電網(wǎng)故障處置輔助決策系統(tǒng)總體結(jié)構(gòu)

系統(tǒng)由信息生成、信息處理、告警信息展示、故障處置輔助決策、在線離線分析以及用戶6大模塊構(gòu)成，信息生成模塊通過溫度傳感器、位移傳感器及電壓傳感器采集原始數(shù)據(jù)，其中，溫度傳感器采用DS18B20數(shù)字溫度傳感器。通過各傳感器實時采集電網(wǎng)各項運行設(shè)備信息，并將生成的信息傳輸至信息處理模塊，進行信息識別過濾，篩選冗余信息保留告警信息，將這些告警信息匯總后進行分類操作，歸類后的告警信息傳輸至告警信息展示模塊進行故障告警信息集中展示，故障處置輔助決策模塊接收告警信息后，即刻展開故障檢測，故障檢測子模塊的核心部件為主控單元，利用K-means聚類算法將告警信息進行聚類，獲取故障信息聚類結(jié)果后，輸入至卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練，判斷故障類型，輔助決策子模塊依據(jù)故障類型展開處置決策預(yù)案，提供給調(diào)控員；在線、離線分析模塊接收到系統(tǒng)故障輔助決策信號后，實時保存故障視頻，存儲于可視化故障回放子模塊，并針對同類型故障自動生成故障預(yù)案，以供下次故障產(chǎn)生時系統(tǒng)自動判別處置方案；各類相關(guān)信息傳輸至用戶模塊，通過用戶界面可進行報表查詢，主要包含電網(wǎng)運行設(shè)備故障類型、決策信息、調(diào)控預(yù)案姓名等各類詳細(xì)信息，方便用戶實時查閱。

1.2 溫度傳感器

溫度傳感器位于信息生成模塊中，采用數(shù)字溫度傳感器采集電網(wǎng)運行各項設(shè)備的溫度信息，選用單片結(jié)構(gòu)的DS18B20數(shù)字溫度傳感器，該傳感器可直接輸出各項設(shè)備溫度數(shù)值，省去以往的A/D轉(zhuǎn)換環(huán)節(jié)，其優(yōu)勢為精度高、輕便、抗擾動能力極強等[10]，該傳感器的核心特征詳述如下：

1)能夠測量區(qū)間在-55 ℃～+125 ℃內(nèi)的溫度；

2)典型轉(zhuǎn)換耗時范圍在200 ms～400 ms內(nèi)；

3)輸出各項設(shè)備溫度數(shù)值為9 bit數(shù)字量且?guī)в蟹枺?/p>

4)指令及溫度信息的輸入、輸出通過同一信號線即可完成，各傳感器中含有各自的地址序列數(shù)字，一條數(shù)據(jù)線可同時支持若干傳感器使用；

5)同時具備寄生電源及外接電源兩項功能。

用圖2 描述該數(shù)字溫度傳感器內(nèi)部構(gòu)造，核心構(gòu)造為64 b ROM地址、溫度高限觸發(fā)器等，內(nèi)部寄生電容器為數(shù)據(jù)線提供電源，或者利用外接電源進行供電。實時統(tǒng)計溫敏振蕩器生成各項電網(wǎng)運行設(shè)備的溫度值，并通過存儲控制器存放于筆記本內(nèi)。

圖2 數(shù)字溫度傳感器內(nèi)部構(gòu)造

1.3 故障檢測子模塊

故障檢測子模塊位于故障處置輔助決策模塊中，用圖3 描述故障檢測子模塊結(jié)構(gòu)。

圖3 故障檢測子模塊結(jié)構(gòu)圖

故障檢測子模塊通過主控單元實現(xiàn)故障檢測，該主控單元選用8 b單片機C8051F020，C8051F系列作為綜合性能的高速單片機，能夠?qū)?shù)據(jù)信號匯聚進行模擬操作，該單片機具備較高的兼容性，在內(nèi)部擁有獨立的調(diào)試電路，采用4腳接口進行調(diào)試，高效控制故障檢測子模塊的能耗[11]，故障檢測子模塊核心控制單元選用C8051F020，具備64個I/Q接口且該接口為可編程，同時具備FLASH存儲器，以便將檢測精度效率大幅度提升。通過電參數(shù)測量及一次/測量PT，CT提升主控單元的工作精度，蓄電池及電源單元保障工作時間長達48 h以上，看門狗能夠避免主控單元受到外界干擾而出現(xiàn)死機現(xiàn)象，時鐘則為故障檢測子模塊做出時間記錄，實時加載故障檢測時間。無線傳輸單元采用具備覆蓋范圍廣、傳輸穩(wěn)定優(yōu)勢的GPRS/CDMA1x網(wǎng)絡(luò)，通過提供UDP和TCO/IP連接，為遙測終端提供無線通訊功能。

1.4 輔助決策子模塊

分析電網(wǎng)設(shè)備故障信息并對故障處置做出相應(yīng)輔助決策，是輔助決策子模塊的核心功能。詳述如下：

1)及時追蹤電網(wǎng)各項設(shè)備的運行狀態(tài)，通過綜合分析非故障停電范圍的最佳復(fù)電方式，實現(xiàn)高效管控電網(wǎng)事故的發(fā)展態(tài)勢，急劇縮減故障時長，將電網(wǎng)事故隱患造成的損失控制在最小范圍[12]。

2)迅速做出該項故障設(shè)備停運的處置措施，為調(diào)控員精準(zhǔn)處置電網(wǎng)故障提供強有力的信息支撐。

3)依據(jù)經(jīng)驗法則，結(jié)合離線潮流運算，并融合預(yù)測氣溫、濕度變化等各項因素展開循環(huán)校驗，從中選取最佳處置決策。

系統(tǒng)輔助決策子模塊能夠?qū)⒄{(diào)控預(yù)案把控電網(wǎng)設(shè)備故障及應(yīng)急處置能力大幅度提升，提供更加快速、多元化、智能的輔助決策支撐，將電網(wǎng)系統(tǒng)由傳統(tǒng)的調(diào)度決策轉(zhuǎn)換為智能分析型電網(wǎng)，用圖4 描述輔助決策子模塊提供的輔助決策方案。

圖4 輔助決策子模塊的輔助決策方案

事故預(yù)警即依據(jù)故障定義等信息及時評估電網(wǎng)運行狀態(tài)，提醒可能出現(xiàn)的安全隱患；安全隱患識別即在接收到預(yù)警信號后，進行全面檢測，定位安全隱患具體位置；設(shè)備狀態(tài)估計即實時監(jiān)測安全隱患設(shè)備，預(yù)估其運行狀態(tài)；保護整定維護是將故障區(qū)域進行維護，使設(shè)定實時保障故障區(qū)域處于安全狀態(tài)[13]；故障調(diào)度建議是將擇取備用供電路徑、隔離故障等意見提供給調(diào)控員；設(shè)備故障分析即通過獲取的歷史信息及各類運行參數(shù)，對故障信息進行線上線下分析；最優(yōu)調(diào)度策略通過求解網(wǎng)損、修復(fù)成本等各項數(shù)據(jù)，保障最牢靠的恢復(fù)供電，為調(diào)控員做出相應(yīng)的調(diào)度策略；負(fù)荷預(yù)警斷電為當(dāng)系統(tǒng)預(yù)判到故障處置方案實施過程中出現(xiàn)超負(fù)荷時，則立即斷電，避免周圍電網(wǎng)設(shè)備受到損害；電網(wǎng)全景展現(xiàn)能夠?qū)⒏黝愡\行狀態(tài)及環(huán)境數(shù)據(jù)融合電網(wǎng)構(gòu)造圖及地理信息等及時展現(xiàn)，以供調(diào)控員實時掌握詳細(xì)的運行信息。

1.5 故障信息診斷方法

故障檢測為輔助決策提供基礎(chǔ)信息支持，精準(zhǔn)檢測出具體故障信息，才能對其進行最佳預(yù)案，通過數(shù)據(jù)挖掘技術(shù)中的聚類分析將故障信息進行實時聚類，防止數(shù)據(jù)不完全造成的漏洞，實時挖掘電網(wǎng)故障信息，聚類后輸入至卷積神經(jīng)網(wǎng)絡(luò)進行故障類型判別。

采用K-means聚類算法對智能電網(wǎng)故障信號進行處理，使得這些故障信號成為無類標(biāo)數(shù)據(jù)[14]。用圖5 描述聚類分析流程。

圖5 聚類分析流程

K-means聚類算法聚類分析流程詳述如下：

1)磁場、電網(wǎng)故障、諧波等構(gòu)成的告警信息樣本數(shù)據(jù)中提取K個故障樣本數(shù)據(jù)，以此作為初始簇的中心點，該過程包含預(yù)處理及擬定迭代次數(shù)閾值等環(huán)節(jié)。

2)將樣本簇點拆分，并把距離初始簇中心點相對而言較為靠近的中心點歸為同類，用式(1)描述距離求解公式

(1)

式中：各類樣本用x，y描述；故障信息樣本維度則用n描述；歐幾里德距離用d(x,y)代表。通過求解距離獲取各故障數(shù)據(jù)的聚類樣本中心點，并以此求解各故障信號樣本數(shù)據(jù)距離中心點的遠近，把對應(yīng)的故障數(shù)據(jù)依據(jù)最小距離原則重新歸類。

3)樣本簇的中心點用樣本數(shù)據(jù)點中的中心點來描述，且這些樣本數(shù)據(jù)來自不相同的樣本簇。參考各種參數(shù)信息，依據(jù)各樣聚類信息樣本數(shù)據(jù)的中心點求解各中心點至聚類信息數(shù)據(jù)中心的距離，依據(jù)最近距離再次歸類對應(yīng)的故障信息樣本。用式(2)描述歷次求解最小數(shù)據(jù)構(gòu)成的矩陣

(2)

式中：求解的最小值合集用x描述。

4)判定需要迭代運算與否，若此時迭代次數(shù)為設(shè)置閾值，無需進行迭代運算，若不等于設(shè)置閾值，則此時需將參數(shù)調(diào)整，并返回上一步驟，循環(huán)運算直至迭代次數(shù)為設(shè)置閾值結(jié)束。

故障信息誤差準(zhǔn)則函數(shù)最低的簇利用K-means聚類算法獲取，將電網(wǎng)告警信息以k個點作為中心進行聚類，將距離中心點最近的故障數(shù)據(jù)歸為同類，并進行循環(huán)迭代操作，依次更新每個聚類中心數(shù)值，將全部故障信息進行最佳聚類后，輸出結(jié)果。將聚類結(jié)果輸至卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，判定故障類型。

利用K-means聚類算法處理后，通過卷積神經(jīng)網(wǎng)絡(luò)將復(fù)雜的故障樣本無類標(biāo)數(shù)據(jù)實時映射，化解其中的非線性關(guān)系。鑒于卷積神經(jīng)網(wǎng)絡(luò)具有極高準(zhǔn)確度、學(xué)習(xí)效率等優(yōu)勢，促使故障數(shù)據(jù)能夠更為精準(zhǔn)地被判別。用圖6 描述卷積神經(jīng)網(wǎng)絡(luò)構(gòu)造。

圖6 卷積神經(jīng)網(wǎng)絡(luò)構(gòu)造

卷積神經(jīng)網(wǎng)絡(luò)經(jīng)過若干卷積層、池化層的卷積計算，能夠?qū)⑤斎氲墓收闲畔⒕垲惤Y(jié)果自適應(yīng)進行提取特征，再進行降維操作，判定故障類型，降低計算復(fù)雜度，大幅度縮減求解時間。

1)輸入層：輸入故障信息聚類后結(jié)果。

2)卷積層：對輸入的故障信息聚類結(jié)果展開卷積計算，實現(xiàn)故障信息的初次最近距離特征提取，卷積計算通過共享權(quán)值達到縮減原始信號噪聲的目的。

3)池化層：該層包含最大池化、均值池化，鑒于池化層無須留存參數(shù)，因此選取恒定的函數(shù)，以此進行卷積計算，通過最大池化構(gòu)建池化層，促使網(wǎng)格參數(shù)降低，在此過程需保障卷積層中輸出的最近距離特征信息最大程度上留存，同時對最近距離特征維數(shù)進行縮減，提升訓(xùn)練效率。

4)全連接層：全連接層通過全連接實現(xiàn)與上層神經(jīng)元的相連，該過程采用Sigmoid函數(shù)作為激活函數(shù)。

5)輸出層：通過Softmax分類器歸類故障信息[15]，并輸出故障檢測結(jié)果，完成故障診斷。

2 實驗分析

選取某市級電力企業(yè)作為實驗對象，采用LabView實驗平臺，驗證本文系統(tǒng)的性能、能耗控制效果及數(shù)據(jù)挖掘效果，前期需準(zhǔn)備該市級電網(wǎng)企業(yè)近兩年收集的主電網(wǎng)故障記錄以備實驗使用，其中，能耗控制效果、數(shù)據(jù)挖掘效果兩項實驗需將本文系統(tǒng)與文獻[8]自動化輔助決策系統(tǒng)、文獻[9]電網(wǎng)調(diào)度智能輔助決策系統(tǒng)對比驗證。

2.1 系統(tǒng)性能

開展仿真實驗，從該市級電力企業(yè)主電網(wǎng)線路中隨機制造兩處人為故障，采用本文系統(tǒng)進行故障診斷及輔助決策判斷，用圖7 描述故障診斷結(jié)果及故障處置輔助決策界面圖。

圖7 故障診斷結(jié)果及故障處置輔助決策界面圖

觀察圖7 可知，本文系統(tǒng)能夠檢測到兩處電網(wǎng)故障詳細(xì)信息為3號主變器過載、15號線路附近出現(xiàn)倒桿。準(zhǔn)確記錄故障發(fā)生時間，并給出相應(yīng)的故障處置輔助決策為：(1)負(fù)荷預(yù)警斷電操作；(2)故障安全隱患識別；(3)保護整定維護。該輔助決策為調(diào)控員選取最優(yōu)應(yīng)急策略提供強有力的信息支撐，證明本文系統(tǒng)擁有較好的性能，可放心投入實際使用。

2.2 能耗控制效果

將本文系統(tǒng)與其他兩種系統(tǒng)進行對比驗證，隨著運行時間的增長，統(tǒng)計系統(tǒng)能耗數(shù)據(jù)，用圖8 描述3種系統(tǒng)能耗控制效果。

分析圖8 可知，文獻[8]系統(tǒng)能耗呈直線上升趨勢，由70W上升至140 W，能耗過高，長期使用系統(tǒng)可能出現(xiàn)安全隱患；文獻[9]系統(tǒng)隨著運行時長的增加能耗飛速增長，系統(tǒng)能耗在運行16 h時高達190 W，能耗控制效果較差，不利于長期使用；本文系統(tǒng)在運行前6 h內(nèi)能耗呈緩慢增長趨勢，后續(xù)能耗未見增長，始終保持在20 W～40 W能耗，明顯低于前兩種系統(tǒng)，證明本文系統(tǒng)在能耗控制方面表現(xiàn)突出，這是由于本文系統(tǒng)采用高速單片機的主控單元，有助于提升系統(tǒng)能耗控制效果。

圖8 3種系統(tǒng)能耗控制效果

2.3 數(shù)據(jù)挖掘效果

對卷積神經(jīng)網(wǎng)絡(luò)相關(guān)參數(shù)設(shè)置與訓(xùn)練，卷積神經(jīng)網(wǎng)絡(luò)求解時，設(shè)置的相關(guān)參數(shù)如下：

timesteps(時間步長)：35；

units(神經(jīng)網(wǎng)絡(luò)單元的數(shù)量)：185；

predictsteps(預(yù)測多少單位時間)：50；

訓(xùn)練精度：0.001；

LSTM最大迭代次數(shù)：1000；

K-means聚類算法的最大迭代次數(shù)：100；

種群規(guī)模：50，100，200，500；

交叉率：0.52；

變異率：0.01；

染色體長度：6+6+8；

從該市級電力企業(yè)近兩年收集的故障記錄中挑選1 000條諧波、電流、負(fù)荷3種類型故障信息作為數(shù)據(jù)挖掘訓(xùn)練集樣本，對LSTM進行訓(xùn)練。訓(xùn)練完成后采用其中325條信息作為測試樣本，驗證本文系統(tǒng)的聚類效果，如圖9 所示。

觀察圖9 可知，本文系統(tǒng)能夠?qū)⒅C波、電流、負(fù)荷3類故障信息進行歸類，聚類結(jié)果清晰準(zhǔn)確，聚類效果良好。

圖9 故障信息聚類結(jié)果

為驗證數(shù)據(jù)挖掘效果，從325條故障記錄中隨機抽取120條故障數(shù)據(jù)，另外準(zhǔn)備40條無故障及40條有冗余數(shù)據(jù)，進行數(shù)據(jù)挖掘效果測試，依次開展5次實驗：①僅輸入120條故障數(shù)據(jù)；②添加20條冗余信息；③融入20條無故障數(shù)據(jù)；④融入10條無故障信息及30條有冗余信息；⑤融入20條無故障信息及40條有冗余信息；在這5種情況下挖掘故障數(shù)據(jù)，并將本文系統(tǒng)對比其他兩種系統(tǒng)進行驗證，表1 為數(shù)據(jù)挖掘結(jié)果。

表1 3種系統(tǒng)的數(shù)據(jù)挖掘結(jié)果

分析表1 可知，文獻[8]系統(tǒng)在可信度閾值固定情況下，隨著有冗余信息及無故障信息的增加，挖掘出的故障數(shù)據(jù)逐漸減少，較易受到干擾，數(shù)據(jù)挖掘效果不理想；文獻[9]系統(tǒng)在固定可信度閾值情況下，挖掘故障數(shù)據(jù)受到其他信息干擾，在降低可信度閾值后，挖掘故障數(shù)據(jù)下降幅度較大，整體數(shù)據(jù)挖掘效果不佳；采用本文系統(tǒng)挖掘故障數(shù)據(jù)始終穩(wěn)定，伴隨小幅度調(diào)整可信度閾值，挖掘故障數(shù)據(jù)未見大幅度波動，證明該系統(tǒng)具備優(yōu)秀的數(shù)據(jù)挖掘效果，在遭受其他干擾信息時能夠自動濾除。

3 結(jié) 論

利用大數(shù)據(jù)挖掘技術(shù)采集主電網(wǎng)設(shè)備運行信息，搭建智能電網(wǎng)故障處置輔助決策系統(tǒng)，該系統(tǒng)由信息生成、信息處理、故障信息展示、故障處置輔助決策、在線離線分析以及用戶界面構(gòu)成，在收到故障信號之后輔助決策子模塊實時運轉(zhuǎn)，以K-means聚類算法改進卷積神經(jīng)網(wǎng)絡(luò)的特征提取過程，以最快的速度做出最優(yōu)策略，提供給調(diào)控員。實驗結(jié)果表明，該系統(tǒng)擁有較好的性能，能夠?qū)崟r檢測故障數(shù)據(jù)并做出相應(yīng)輔助決策，由于本系統(tǒng)采用高速單片機的主控單元，能耗控制效果方面表現(xiàn)突出，針對故障數(shù)據(jù)的聚類效果良好，且數(shù)據(jù)挖掘效果優(yōu)秀，可放心投入實際應(yīng)用。