繼電保護(hù)設(shè)備剩余壽命預(yù)測(cè)的智能算法研究

謝 楠, 馬振國(guó), 唐 兵, 黃煜銘, 張柯琪, 曹丹怡

(國(guó)網(wǎng)江蘇省電力有限公司常州供電分公司, 江蘇 常州 213003)

有效的剩余壽命預(yù)測(cè)有助于提高系統(tǒng)的穩(wěn)定性,極大程度地減少事故的發(fā)生,并為預(yù)防性維護(hù)[1]提供技術(shù)支持.隨著科技的發(fā)展,基于人工智能的剩余壽命預(yù)測(cè)技術(shù)[2]更受重視.對(duì)于電力系統(tǒng),復(fù)雜或大型的設(shè)備往往安裝傳感器[3]或其他監(jiān)測(cè)裝置,利用人工智能技術(shù)對(duì)反饋數(shù)據(jù)進(jìn)行挖掘,獲得大量有價(jià)值的信息,比如設(shè)備剩余壽命等.針對(duì)這方面國(guó)內(nèi)外學(xué)者已做了大量的研究工作.

Chinomona等[4]在充分考慮充放電時(shí)的電壓、電流和溫度相關(guān)特性基礎(chǔ)上,利用長(zhǎng)短期記憶模型預(yù)測(cè)了電池的剩余壽命問(wèn)題.程成[5]將電網(wǎng)中由傳感器獲得的數(shù)據(jù)分為低維監(jiān)測(cè)數(shù)據(jù)和多維監(jiān)測(cè)數(shù)據(jù),對(duì)低維數(shù)據(jù)利用時(shí)間卷積網(wǎng)絡(luò)預(yù)測(cè)軸承為代表的設(shè)備剩余壽命,對(duì)高維數(shù)據(jù)利用卷積長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)預(yù)測(cè)了發(fā)動(dòng)機(jī)引擎的剩余壽命.李天梅等[6]對(duì)若干剩余壽命預(yù)測(cè)中出現(xiàn)的局限性和共性難題,提出了一種基于數(shù)模聯(lián)動(dòng)的大數(shù)據(jù)下設(shè)備剩余壽命的預(yù)測(cè)方法.李志剛等[7]采用小波變換將繼電器性能參數(shù)的時(shí)序值分解為平穩(wěn)項(xiàng)和隨機(jī)項(xiàng),對(duì)平穩(wěn)項(xiàng)采用AR模型進(jìn)行預(yù)測(cè),隨機(jī)項(xiàng)通過(guò)徑向基神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè),最后通過(guò)小波包重構(gòu)得到繼電器的剩余壽命.

綜合上述成果,對(duì)電氣設(shè)備的剩余壽命研究都依賴于設(shè)備的監(jiān)測(cè)裝置和監(jiān)測(cè)數(shù)據(jù).其優(yōu)勢(shì)在于大量的數(shù)據(jù)樣本為智能算法提供了強(qiáng)有力的支撐,使得訓(xùn)練模型各項(xiàng)參數(shù)最優(yōu),測(cè)試結(jié)果更加準(zhǔn)確.其缺點(diǎn)在于,針對(duì)小樣本數(shù)據(jù)或無(wú)監(jiān)測(cè)裝置設(shè)備的剩余壽命研究,算法的可移植性偏弱,甚至是失效.目前對(duì)于無(wú)監(jiān)測(cè)數(shù)據(jù)設(shè)備的壽命預(yù)測(cè)方面的研究非常少見.電力系統(tǒng)是一個(gè)完整且龐大的系統(tǒng),有很多繼電保護(hù)設(shè)備,如DC220V電源等,都無(wú)法安裝監(jiān)測(cè)裝置,其中任何一個(gè)小環(huán)節(jié)的故障都有可能導(dǎo)致整個(gè)系統(tǒng)的失穩(wěn).所以對(duì)這類設(shè)備的剩余壽命的研究,其意義不僅在于改善檢修策略,提高檢修效率,更有利于減少故障率,保障電力系統(tǒng)的安全穩(wěn)定運(yùn)行.

本文針對(duì)JC市電力公司繼電保護(hù)設(shè)備,通過(guò)智能技術(shù)研究一類具有共同特征的設(shè)備剩余壽命預(yù)測(cè)問(wèn)題.

1 供電公司中繼電保護(hù)設(shè)備的剩余壽命問(wèn)題

JC市作為南部一個(gè)重要的經(jīng)濟(jì)城市,該市供電公司管轄近200個(gè)變電站.目前的檢修方式主要是依賴運(yùn)維檢修人員手工記錄的文本信息和專家經(jīng)驗(yàn).這種檢修方式無(wú)法適應(yīng)變電站電氣設(shè)備規(guī)模的快速增長(zhǎng),同時(shí)由于檢修效率低,導(dǎo)致了不同程度的過(guò)檢與失檢,以致消缺時(shí)間過(guò)長(zhǎng)與資源的浪費(fèi).

繼電保護(hù)設(shè)備有幾個(gè)主要特征:(1) 種類多,體積小;(2) 在運(yùn)維消缺時(shí)以更換為主;(3) 精密化程度高;(4) 使用壽命受溫度、濕度、極端天氣、生產(chǎn)廠家、設(shè)計(jì)壽命、操作班組等因素的影響.

JC市供電公司繼電保護(hù)專業(yè)備品庫(kù)存管理系統(tǒng)中,存放了繼電保護(hù)設(shè)備的消缺日志,變量有元器件名稱、廠家、設(shè)計(jì)壽命、安裝日期、損壞日期、溫度、濕度、安裝地點(diǎn)、間隔、運(yùn)維班等10個(gè)字段(如表1所列).其中,設(shè)計(jì)壽命是數(shù)值型變量,安裝日期和損壞日期是時(shí)間型變量,其他是文本型變量.

表1 JC市供電公司部分消缺日志

根據(jù)繼電保護(hù)設(shè)備的特性及現(xiàn)有的消缺日志,本文分別利用支持向量回歸機(jī)(support vector regression,SVR)、回歸樹(regression tree,RT)和隨機(jī)森林(random forest,RF)三種模型對(duì)JC市供電公司繼電保護(hù)設(shè)備的剩余壽命(remaining useful life,RUL)進(jìn)行研究.

2 求解繼電保護(hù)設(shè)備的剩余壽命的算法

為了在三種方法中能夠使用統(tǒng)一的數(shù)據(jù)和提高計(jì)算效率,根據(jù)相關(guān)聯(lián)度較高的安裝日期、損壞日期、當(dāng)前日期和設(shè)計(jì)壽命,重新定義設(shè)計(jì)生命歷程和實(shí)際生命歷程.

2.1 數(shù)據(jù)預(yù)處理

由于數(shù)據(jù)中包含異常數(shù)據(jù),同時(shí)涉及了三種不同的數(shù)據(jù)格式,因此,先對(duì)數(shù)據(jù)進(jìn)行預(yù)處理.下面是關(guān)于數(shù)據(jù)預(yù)處理的算法1.

算法1數(shù)據(jù)預(yù)處理算法

輸入:安裝地點(diǎn)、間隔、廠家、設(shè)計(jì)壽命、安裝日期、損壞日期、溫度、濕度、運(yùn)維班組.

輸出:安裝地點(diǎn)、間隔、廠家、設(shè)計(jì)生命歷程、溫度、濕度、運(yùn)維班組和實(shí)際生命歷程,其中設(shè)計(jì)生命歷程和實(shí)際生命歷程是數(shù)值,其他是標(biāo)簽形式.

Step1,清洗數(shù)據(jù).對(duì)第j條記錄的設(shè)計(jì)壽命zj4,利用Z-score方法篩選出奇異值,刪除包含奇異值的消缺記錄,Z-score方法的公式如下:

其中:μ與σ是設(shè)計(jì)壽命zj4的均值與方差,通常閾值z(mì)θ∈(1,3),保留滿足上式的數(shù)據(jù)得到數(shù)據(jù)集矩陣x.

Step2,字段標(biāo)簽化.將文本數(shù)據(jù)安裝地點(diǎn)、間隔、廠家、溫度、濕度、運(yùn)維班組標(biāo)簽化處理.

Step3,計(jì)算數(shù)據(jù)集矩陣x.根據(jù)安裝日期、損壞日期、當(dāng)前日期和設(shè)計(jì)壽命,定義設(shè)計(jì)生命歷程和實(shí)際生命歷程.設(shè)某一類元件的消缺記錄中第i個(gè)元件的安裝日期為Date_install[i], 損壞日期為Date_broken[i],設(shè)計(jì)壽命為Planed_life[i],設(shè)已損壞且經(jīng)過(guò)清洗的元件Ei數(shù)量為n,I為間隔天數(shù):

forifrom 1 ton

j=1

now=Date_install[i]+I

while now

#設(shè)計(jì)生命歷程

#實(shí)際生命歷程

xr=(安裝地點(diǎn),間隔,廠家,D[r],溫度,濕度,運(yùn)維班組)

j=j+1

now=now+I

Step4,數(shù)據(jù)矩陣[x,y]按照4∶1的比例分配訓(xùn)練數(shù)據(jù)[xtrain,ytrain]和測(cè)試數(shù)據(jù)[xtest,ytest].

2.2 基于SVR的預(yù)測(cè)算法

在機(jī)器學(xué)習(xí)[8]中,支持向量回歸機(jī)(SVR)是一種非參數(shù)回歸模型,回歸超平面[9]是通過(guò)優(yōu)化與附近支持向量的距離來(lái)確定的.首先來(lái)考慮得到壽命預(yù)測(cè)的回歸超平面.

對(duì)于給定的訓(xùn)練集D={(x1,y1),(x2,y2),…,(xm,ym)},yi∈(0,1],由于無(wú)法確定訓(xùn)練集在原始空間中是否具有線性可分性,因此,設(shè)劃分超平面為

f(x)=wTφ(x)+b

(1)

式中:x=(x1,x2,…,xp);φ(x)表示將x映射后的特征向量;w=(w1,w2,…,wp)T為權(quán)重向量;b為偏差.

求解回歸超平面f(x)問(wèn)題可以轉(zhuǎn)化為凸優(yōu)化問(wèn)題,結(jié)合優(yōu)化問(wèn)題的標(biāo)準(zhǔn)形式、拉格朗日函數(shù)及其KKT條件,可以得到式(1)的最優(yōu)解為

f(x)=w*Tφ(x)+b*

(2)

式(2)即為用來(lái)預(yù)測(cè)剩余壽命的回歸超平面.

下面根據(jù)SVR給出剩余壽命預(yù)測(cè)的算法2.

算法2剩余壽命預(yù)測(cè)算法

輸入:調(diào)用算法1得到訓(xùn)練數(shù)據(jù).

輸出:第k個(gè)元件的剩余壽命SVR[k].

Step1,調(diào)用算法1獲得訓(xùn)練數(shù)據(jù)[xtrain,ytrain]和測(cè)試數(shù)據(jù)[xtest,ytest].

Step2,通過(guò)訓(xùn)練數(shù)據(jù)[xtrain,ytrain]得到預(yù)測(cè)模型,將某一類元件處理過(guò)的數(shù)據(jù)[xtrain,ytrain]輸入到式(2)中,獲得回歸超平面表達(dá)式,即

f(x)=w*Tφ(x)+b*

(3)

Step3,有效性檢驗(yàn).令Ttest為測(cè)試數(shù)據(jù)的行數(shù),對(duì)給定的Δ>0, 若

轉(zhuǎn)到Step4,否則轉(zhuǎn)到式(2)的求解中進(jìn)行調(diào)整懲罰系數(shù),直到滿足為止.

Step4,計(jì)算剩余壽命.

Step4.1,將在用設(shè)備的第k條數(shù)據(jù)xk=(安裝地點(diǎn),間隔,廠家,D[k],溫度,濕度,運(yùn)維班組)代入式(3),輸出f(xk),即為該元件實(shí)際壽命的生命歷程的預(yù)測(cè)值.

Step4.2,預(yù)測(cè)在用的第k個(gè)備品的損壞日期:

Date_predicted_broken[k]=Date_install(k)+

Step4.3,輸出在用第k個(gè)備品的壽命剩下的天數(shù)SVR[k]:

SVR[k]=Date_predicted_broken[k]-Date_today

2.3 基于RT模型的預(yù)測(cè)算法

回歸樹(RT)[10]是利用決策樹進(jìn)行變量預(yù)測(cè)的一種算法,由于其易理解、易構(gòu)建、速度快等特點(diǎn),被廣泛地應(yīng)用于數(shù)據(jù)挖掘中.該算法的基本思路是輸入訓(xùn)練數(shù)據(jù)集D={(x1,y1),(x2,y2),…,(xm,ym)},yi∈(0,1],輸出回歸樹f(x).在訓(xùn)練數(shù)據(jù)集所在的輸入空間中,遞歸地將每個(gè)區(qū)域劃分為兩個(gè)子區(qū)域,并決定每個(gè)子區(qū)域上的輸出值,構(gòu)建二叉決策樹的算法.

算法3構(gòu)建二叉決策樹

輸入:調(diào)用算法1得到訓(xùn)練數(shù)據(jù).

輸出:第k個(gè)元件的剩余壽命RT[k].

Step1,令zi=1-yi,求解

(4)

Step2,用選定的(j,s)劃分區(qū)域并決定相應(yīng)的輸出值:

R1(j,s)={x|x(j)≤s}

R2(j,s)={x|x(j)>s}

Step3,繼續(xù)對(duì)兩個(gè)子區(qū)域執(zhí)行Step1和Step2,直到滿足每一個(gè)分支都不能切分為止.

Step4,利用得到的回歸樹的M個(gè)葉子頂點(diǎn)對(duì)應(yīng)的M個(gè)子區(qū)域R1,R2,…,RM,計(jì)算回歸樹表達(dá)式:

(5)

這里區(qū)域Rk上的ck是Rk中所有輸入實(shí)例xi對(duì)應(yīng)的輸出yi的均值,即

Step5,輸出第k個(gè)在用設(shè)備剩余壽命的天數(shù):

RT[k]=f(xk)×Planed_life[k]

其中:Planed_life[k]為第k個(gè)元件的設(shè)計(jì)壽命(天).

2.4 基于RF的預(yù)測(cè)算法

隨機(jī)森林(RF)[8]是利用多棵回歸樹對(duì)樣本進(jìn)行訓(xùn)練和預(yù)測(cè)的集成算法.它有很多優(yōu)點(diǎn),如生成高維度數(shù)據(jù),不容易過(guò)擬合,訓(xùn)練速度比較快.

算法4隨機(jī)森林預(yù)測(cè)算法

輸入:調(diào)用算法1得到訓(xùn)練數(shù)據(jù).

輸出:第j個(gè)元件的剩余壽命RF[j].

Step1,隨機(jī)抽樣.利用Bagging思想[8],對(duì)訓(xùn)練數(shù)據(jù)集有放回地隨機(jī)抽取N個(gè)樣本形成樣本子集,每個(gè)子集中的樣本數(shù)約為全部訓(xùn)練集中的2/3.

Step2,隨機(jī)選取特征.假設(shè)所抽取的樣本子集有K個(gè)特征,隨機(jī)抽取k(k≤K)個(gè)特征作為特征子空間.在樣本子集和特征子空間上,調(diào)用算法3,生成一棵回歸樹Tt,然后利用算法3的式(5)計(jì)算回歸樹表達(dá)式fTt(xj),并得到用回歸樹Tt預(yù)測(cè)第j個(gè)元件的剩余壽命RF_T[t,j]=fTt(xj)×Planed_life[j].

Step3,重復(fù)Step2,對(duì)給定的數(shù)值T,直到生成T棵回歸樹為止,這T棵回歸樹構(gòu)成隨機(jī)森林.其中用隨機(jī)森林中第t棵回歸樹Tt預(yù)測(cè)第j個(gè)元件的剩余壽命RF_T[t,j].

Step4,輸出用隨機(jī)森林預(yù)測(cè)第j個(gè)元件的剩余壽命:

3 案例分析

根據(jù)JC市供電公司的數(shù)據(jù),利用支持向量回歸、回歸樹和隨機(jī)森林模型分別對(duì)常用常見的繼電保護(hù)設(shè)備DC220V電源、CPU和顯示屏進(jìn)行預(yù)測(cè),預(yù)測(cè)結(jié)果如圖1所示.

首先,根據(jù)圖1分析三種預(yù)測(cè)算法對(duì)三種設(shè)備的預(yù)測(cè)效果.利用回歸樹模型預(yù)測(cè)的三種設(shè)備的剩余壽命在真實(shí)值附近大幅度波動(dòng),尤其是有重要價(jià)值的后半段預(yù)測(cè)值,誤差較大.其主要原因在于決策樹算法對(duì)連續(xù)性字段或者對(duì)時(shí)間序列數(shù)據(jù)的預(yù)測(cè)效果較差,導(dǎo)致三種設(shè)備的預(yù)測(cè)效果較差.

圖1 三種方法分別對(duì)DC220V電源、CPU和顯示屏的剩余壽命預(yù)測(cè)結(jié)果

支持向量回歸模型預(yù)測(cè)曲線類似一條直線,其傾斜度與真實(shí)值的斜率有一定的偏差,即在真實(shí)值和預(yù)測(cè)值交點(diǎn)的附近,表現(xiàn)較好,其他時(shí)間段內(nèi)表現(xiàn)較差,尤其是這種交點(diǎn)位于時(shí)間軸的前半部分時(shí),預(yù)測(cè)效果最差.因此,可以認(rèn)為該方法在整體上的表現(xiàn)不能令人滿意.主要原因在于繼電保護(hù)設(shè)備的數(shù)據(jù)集中,只有生命歷程這一個(gè)時(shí)間變量,其他變量與時(shí)

間的關(guān)聯(lián)度較差.因此,很難進(jìn)一步調(diào)整傾斜度,這也是所有繼電保護(hù)類設(shè)備數(shù)據(jù)的局限性所在.

從隨機(jī)森林算法的預(yù)測(cè)結(jié)果看,盡管在有些元件的剩余壽命預(yù)測(cè)的初期表現(xiàn)稍弱,如DC220V電源,但是在三個(gè)元件的生命周期的后半段,表現(xiàn)很好,這也有利于體現(xiàn)剩余壽命預(yù)測(cè)的價(jià)值.隨機(jī)森林算法的預(yù)測(cè)結(jié)果好的主要原因在于:(1) 隨機(jī)森林模型中,特征的隨機(jī)選取增加了小樣本的識(shí)別率,而且預(yù)測(cè)結(jié)果是很多回歸樹模型預(yù)測(cè)結(jié)果的平均值,使得總體的預(yù)測(cè)結(jié)果更加準(zhǔn)確;(2) 該算法充分利用了繼電保護(hù)設(shè)備數(shù)據(jù)特征及不同特征之間的相關(guān)性,從而使得隨機(jī)森林模型利用有限的數(shù)據(jù)充分發(fā)揮模型的挖掘能力.

最后,從誤差角度進(jìn)行模型的有效性分析,討論三種方法下對(duì)應(yīng)的均方根差和平均絕對(duì)誤差,其計(jì)算公式如下:

其中:xp和xa分別表示預(yù)測(cè)值和真實(shí)值.如果某種算法的RMSE和MAE小,則說(shuō)明該算法更有效.三種預(yù)測(cè)方法的RMSE與MAE如表2所列.

表2 三種預(yù)測(cè)方法的誤差比較

從表2可知,隨機(jī)森林算法的RMSE和MAE都是最小的,進(jìn)一步說(shuō)明了隨機(jī)森林模型預(yù)測(cè)效果的有效性.

綜合上述分析,在目前的數(shù)據(jù)特征下,隨機(jī)森林模型對(duì)于繼電保護(hù)設(shè)備剩余壽命預(yù)測(cè)的效果最佳.

4 結(jié)論

盡管繼電保護(hù)設(shè)備的監(jiān)測(cè)數(shù)據(jù)少,但是針對(duì)類似于表1的數(shù)據(jù)仍然可以對(duì)設(shè)備進(jìn)行較高精度的剩余壽命預(yù)測(cè),三種方法針對(duì)三種不同設(shè)備的預(yù)測(cè)效果,整體表現(xiàn)較好,尤其基于隨機(jī)森林法的預(yù)測(cè)精度甚佳.本文雖然只是對(duì)三個(gè)元器件進(jìn)行了預(yù)測(cè), 但是這種方法可以推廣至類似繼電保護(hù)設(shè)備中.

對(duì)繼電保護(hù)設(shè)備的剩余壽命預(yù)測(cè),其實(shí)際意義體現(xiàn)在如下幾點(diǎn):

1) 根據(jù)剩余壽命的預(yù)測(cè)結(jié)果,可以在設(shè)備的運(yùn)維中,做到提前干預(yù)性檢修,提高檢修效率,減小故障率;

2) 根據(jù)在用設(shè)備的剩余壽命預(yù)測(cè)值,可以為繼電保護(hù)變?cè)O(shè)備備品的庫(kù)存提供預(yù)測(cè)策略;

3) 剩余壽命的預(yù)測(cè),可以為繼電保護(hù)設(shè)備的故障診斷和狀態(tài)評(píng)估提供決策依據(jù);

4) 豐富繼電保護(hù)設(shè)備的全生命周期管理.

致謝:本文得到國(guó)網(wǎng)江蘇省電力有限公司科技項(xiàng)目(J2021102)的資助,在此表示感謝.