基于雙曲S變換算法的電能檢測狀態(tài)辨識及故障診斷研究

厲建賓，潘 陽，閆亞俊，趙光輝，高建莉，劉 曼

(國網(wǎng)河北省電力有限公司營銷服務(wù)中心，河北 石家莊 050035)

0 引言

隨著電力設(shè)備的廣泛應(yīng)用,電能檢測技術(shù)得到發(fā)展,實現(xiàn)電力設(shè)備的遠端控制,而電能檢測過程依賴于狀態(tài)辨識和故障診斷技術(shù)。傳統(tǒng)人工技術(shù)對電能狀態(tài)辨識存在誤差,設(shè)備故障診斷效率較差[1],已無法滿足現(xiàn)代化電力發(fā)展進程,因此提出本文的研究。

國外對電能狀態(tài)辨識方法進行研究,通過觀察設(shè)備運行狀態(tài)完成設(shè)計,文獻[2]設(shè)計空間矢量調(diào)制——直接轉(zhuǎn)矩控制(Space Vector Modulation-Direct Torque Control,SVM-DTC)故障辨識模型簡化電能運行狀態(tài)的辨識過程,利用深度置信網(wǎng)絡(luò)形成可檢測數(shù)據(jù),通過重復(fù)脈沖法完成電能辨識波動的歸正,進而確定電能運行狀態(tài)。但這種方式無法解決故障診斷問題,設(shè)計理念過于片面。國內(nèi)電力市場研究部門通過調(diào)研實際設(shè)備故障診斷過程,建立電能檢測診斷結(jié)構(gòu)。文獻[3]建立了有限元分形結(jié)構(gòu)檢測電能狀態(tài),利用多征兆模糊診斷技術(shù)實現(xiàn)設(shè)備的全面診斷,并利用拓撲解析方法統(tǒng)計、整理診斷數(shù)據(jù),提高了診斷效率。但這種方法對電能狀態(tài)的辨識度較差,存在較高的檢測誤差。國外對電能檢測狀態(tài)也進行了相關(guān)研究,文獻[4]通過測量結(jié)構(gòu)噪聲來識別故障帶來的新的挑戰(zhàn)?？紤]如何在計算關(guān)于平均振動特征的異常度量時,與已知的度量進行比較。進一步利用減少的差相關(guān)度量來解決不同階軌道上的異常,從而掃描譜圖以尋找異常重合。該方法通過2類故障(電氣和機械)進行評估。故障不能通過基本順序分析來區(qū)分,因為它們在主勵磁中匹配,需要采用一種包含次級故障激勵的觀點,以便對每個故障進行分類。不同新秩序之間的相互聯(lián)系是明顯可見的,可以對故障進行分類,雖然對檢測存在一定的技術(shù)啟示,但是該技術(shù)無法實現(xiàn)電能規(guī)律的動態(tài)曲線檢測。

針對上述不足,本文構(gòu)建改進雙曲S變換算法模型,并在模型中加入圖卷積神經(jīng)(Graph Convolution Neural,GCN)網(wǎng)絡(luò)模型,以提高電能狀態(tài)分析和故障診斷能力,能夠大大提高設(shè)備電能規(guī)律分析能力,并通過實際應(yīng)用案例提高電能規(guī)律分析能力,下面對該研究進行詳細說明。

1 改進雙曲S變換算法模型的構(gòu)建

改進雙曲S變換算法模型的改進點在于在GCN模型,主要目的是實現(xiàn)電能變換頻率和電能狀態(tài)分析,提高電能監(jiān)控的能力,下面對改進雙曲S變換算法模型進行詳細介紹。

傳統(tǒng)S變換主要針對電能變換頻率進行分析,通常程序輸出頻率為固定波形,但在實際運行中,電能變化往往是不規(guī)律的,因此傳統(tǒng)S變換存在一定的局限性。針對實際電能規(guī)律函數(shù),通過對S變換進行改進,利用不對稱函數(shù)和雙曲函數(shù)實現(xiàn)電能規(guī)律曲線的完美演繹,更好地反映其時頻變化規(guī)律[5]。

對電能檢測圖像進行分析,經(jīng)過算法程序解析和曲線化處理,其變化規(guī)律可以看作S變換函數(shù)形式,即:

(1)

式中:ωh表示電能檢測規(guī)律曲線,τ表示電能檢測周期,t表示檢測過程消耗時間,f表示雙曲函數(shù)變量,α表示函數(shù)曲線前置系數(shù),β表示函數(shù)曲線后置系數(shù),x表示電能矢量變化。從式(1)可以看出,電能檢測數(shù)據(jù)曲線處于不穩(wěn)定狀態(tài),其變化規(guī)律受到多種因素影響,影響因素變量函數(shù)表示為:

(2)

式中:X表示影響因素變量函數(shù),ξ表示數(shù)據(jù)變化幅度,λ表示變量函數(shù)曲率。針對本文檢測的電能狀態(tài)曲線,變化幅度為0～1,幅度計算如下:

(3)

式(3)中, 對于電能波動曲線,若變化幅度為0,則表示函數(shù)曲線穩(wěn)定;若變化幅度不位0,則表示函數(shù)曲線存在波動性。對S變換函數(shù)進行改進[5],通過添加不對稱變量和雙曲變量實現(xiàn)電能檢測數(shù)據(jù)的完美映射,即:

(4)

式中:ωgh表示改進S變換函數(shù)式,g表示不對稱函數(shù)變量。根據(jù)式(4)分析曲線,對于任意檢測單元可以通過改進雙曲S變換進行映射[6],能夠完美顯示所檢測設(shè)備的電能規(guī)律,為后續(xù)診斷提供數(shù)據(jù)保證。

為了提高設(shè)備電能規(guī)律分析能力,還采用GCN模型,以將曲線數(shù)據(jù)信息進行微觀分析,提高電能計量計算能力,其中GCN模型在結(jié)構(gòu)上包括生成模型G和判別模型D,判別模型D的損失是其分配給正確分類的平均對數(shù)概率[7],對真實經(jīng)驗專利樣本x和生成模型輸出的均等混合函數(shù)R(D,G)進行評估:

R(D,G)=E[lnD(x)]+E[ln(1-D(G(z)))],

(5)

式中:G的優(yōu)化方向是使D(x)增大、D(G(z))減小,即欲使判別模型真實專利樣本概率值大,生成模型樣本概率值盡可能小,而D與其理念相反[8]。G作為訓(xùn)練樣本的概率期望回報值V計算如下:

(6)

(7)

式中:Pd表示整個GCN訓(xùn)練出專利樣本的概率,PG表示生成模型G訓(xùn)練出專利樣本的概率。將式(7)帶入式(6)并經(jīng)過轉(zhuǎn)換得到生成模型G訓(xùn)練得到的真實經(jīng)驗專利樣本x為:

G=R(G,D)-2 ln2+2JSD(Pd(x)‖PG(x))。

(8)

式(8)中,判別模型D與生成模型G組合成一個GCN模型。通過GCN模型生成真實經(jīng)驗專利樣本集為:

K=[(s,a),(s′,r)]=[K1,K2],

(9)

式中:(s,a)、(s′,r)為經(jīng)驗樣本集中的樣本數(shù)據(jù),K1、K2為經(jīng)驗樣本集狀態(tài)函數(shù)。本文引入相對熵,即Kullback-Leibler散度(Kullback-Leibler divergence,KL)的概念,用其表示K1、K2二者相似性:

(10)

式中:P1、Q分別為指狀態(tài)函數(shù)與動作函數(shù),p、q分別P和Q中的函數(shù)值,i為相對熵函數(shù)自變量。

2 電能檢測狀態(tài)辨識方法

電力部門信息辨識和故障診斷大數(shù)據(jù)資料顯示,二者運行功能存在一定的延時性。本文通過一體化組態(tài)網(wǎng)絡(luò)完成電能檢測辨識與故障診斷的一體化恢復(fù),并在突發(fā)異常狀況下基于現(xiàn)場可編程門陣列(Field Programmable Gate Array,FPGA)的傳感器網(wǎng)絡(luò)及時辨識故障來源[9],提前發(fā)出組態(tài)控制指令,形成靈活可變的診斷方式,一體化組態(tài)網(wǎng)絡(luò)架構(gòu)設(shè)計如圖1所示。

圖1 一體化組態(tài)網(wǎng)絡(luò)架構(gòu)設(shè)計Fig.1 Architecture design of integrated configuration network

對于電力系統(tǒng)一體化組態(tài)網(wǎng)絡(luò)的設(shè)計,基于Web和項目管理信息系統(tǒng)(Project Management Information System,PMIS)應(yīng)用技術(shù)進行研究,主要運行過程為組態(tài)化運營和結(jié)構(gòu)化組成[10]。組態(tài)化運營通過分析系統(tǒng)暫態(tài)情況,與配置人員通過瀏覽器方式對模式隱馬爾科夫模型(Pattern Hidden Markov Model,PHMM)評估發(fā)出指令請求,由PHMM評估系統(tǒng)做出應(yīng)答,同時在此模塊完成數(shù)據(jù)的路徑選擇和歸一請求。評估結(jié)果通過參數(shù)表示的方式進行請求處理,然后進行組態(tài)解析和模型庫篩選,將組態(tài)解析結(jié)果輸入到應(yīng)答處理結(jié)構(gòu),與PHMM系統(tǒng)形成循環(huán)處理結(jié)構(gòu)[11]。在PHMM處理過程中,通過平臺界面控制視圖模塊和組態(tài)模型,將結(jié)果集合進行模型化解析。在組態(tài)解析過程中由接口池供給能源消耗,同時與判別式控制策略形成集合操作模式,根據(jù)FPGA的音頻數(shù)據(jù)和手動系統(tǒng)的輸入信號,將脈沖信號送入電子控制單元,判別式控制識別電能監(jiān)測運行狀態(tài)。

采用客戶機/服務(wù)器(Client/Server,C/S)、瀏覽器/服務(wù)器(Browser/Server,B/S)和客戶端應(yīng)用程序(Application,App)結(jié)合的架構(gòu)。通過圖模管控平臺確定電能質(zhì)量匹配的數(shù)據(jù)融合結(jié)果,通過圖模增量和狀態(tài)數(shù)據(jù)同步進行管控平臺和電能檢測狀況平臺的數(shù)據(jù)互通?；诒O(jiān)控與數(shù)據(jù)采集(Supervisory Control and Data Acquisition,SCADA)和營銷配變負荷等數(shù)據(jù),通過Web和App的方式在調(diào)度網(wǎng)內(nèi)的任意終端進行業(yè)務(wù)功能的應(yīng)用。電能檢測狀態(tài)辨識系統(tǒng)設(shè)計如圖2所示。

圖2 電能檢測狀態(tài)辨識系統(tǒng)設(shè)計Fig.2 Design of state identification system for electric energy detection

通過網(wǎng)元管理系統(tǒng)(Element Management System,EMS)的饋線實測以及電能檢測狀況輔助決策設(shè)備臺賬,得到系統(tǒng)運行實測數(shù)據(jù)系統(tǒng)消耗電量處理的融合數(shù)據(jù)以及OMS/PMS中的檢修計劃、工單和設(shè)備缺陷等信息,并在數(shù)據(jù)庫中形成標準的輔助決策模型、圖形文件和電能質(zhì)量匹配調(diào)融合運行狀態(tài)等。

在電能表檢測運行狀態(tài)時,通過分析檢測點來控制不同點的電能數(shù)據(jù)信息。電能檢定信號包括電壓信號、電流信號、紋波信息、磁場信號、抗干擾信號、振動信號、聲音信號和通信信號等多種數(shù)據(jù)信息。這些數(shù)據(jù)信息被用于改進雙曲線S變化算法模型進行進一步的分析。系統(tǒng)的運行主要包括自動成圖、圖形渲染、紅黑圖對比、GIS應(yīng)用、電能質(zhì)量匹配模型對應(yīng)、電能檢測狀況決策故障研判、線路事故范圍分析和App后臺管理等[12-13]。通過地調(diào)區(qū)域,將采集到的電能檢測狀況相關(guān)設(shè)備的遙測數(shù)據(jù),以標準E格式同步到省調(diào)區(qū)域系統(tǒng)中,實現(xiàn)狀態(tài)同步。在調(diào)度區(qū)域網(wǎng)內(nèi)的任意終端可進行圖形繪制,通過Web訪問的方式上傳圖形到省調(diào)集中管理。用戶也可以通過App終端的方式,對電能檢測狀況條圖進行查看、簡單修改和同步。對于組態(tài)數(shù)據(jù)處理,主要通過以太網(wǎng)和交換機的形式進行傳輸[14],數(shù)據(jù)經(jīng)過多個服務(wù)器的處理后,通過光纖/GPRS獲取指令,在這個過程中不僅完成了GPS定位和系統(tǒng)的維護,還能夠完成報表的打印。

3 電能檢測狀態(tài)故障診斷方法

為了提高電能檢測狀態(tài)故障診斷能力,本文采用圖模交互與融合技術(shù)將電能狀態(tài)通過圖像的形式進行辨識,增加辨識度的同時實現(xiàn)電能狀態(tài)的圖像化檢測[15-16]。由于電能檢測數(shù)據(jù)變化頻率較高,圖像辨識模型能夠更清晰地展示電能數(shù)據(jù)變化規(guī)律。因此加強電能檢測圖像與辨識模型之間的交互能力,能夠提高電能狀態(tài)檢測精度,使電能狀態(tài)辨識更為精準,圖模交互與融合技術(shù)設(shè)計如圖3所示。

圖3 圖模交互與融合技術(shù)設(shè)計Fig.3 Design of image-model interaction and fusion technology

圖模交互涉及電能辨識圖像和運行數(shù)據(jù)辨識模型之間的互動。這種互動在交互平臺上生成融合文件,然后進行展示。圖模交互結(jié)構(gòu)中電能辨識圖像與辨識模型數(shù)據(jù)同時進行傳輸,其中電能圖像文件主要由電能計算機集成制造(Computer Integrated Manufacturing,CIM)數(shù)據(jù)和辨識圖像兩部分組成,辨識圖像主要負責電能檢測的圖像信息采集[17];辨識模型主要由辨識數(shù)據(jù)輔助交互軟件完成模型數(shù)據(jù)的整合,然后將整合后的辨識模型數(shù)據(jù)傳入圖模交互平臺,在平臺中完成電能圖像文件與辨識模型數(shù)據(jù)的交互,最終輸出融合文件。融合文件的設(shè)計程序為辨識模型CIM文件和圖元定義逗號分隔值(Comma-Separated Values,CSV)文件,經(jīng)過融合文件最終顯示出電能運行規(guī)律。電能檢測狀態(tài)故障診斷方法流程如圖4所示。

圖4中,預(yù)處理原始數(shù)據(jù)序列將包括電壓、電流、紋波、抗干擾信號、聲音、振動和磁場等多種電能計量數(shù)據(jù)信息轉(zhuǎn)換為檢測辨識數(shù)據(jù)信息,對檢測到的數(shù)據(jù)信息進行數(shù)據(jù)信息或者格式轉(zhuǎn)換,利用雙曲S變換算法模型將采集到的參數(shù)數(shù)據(jù)信息分類并轉(zhuǎn)換為模型所識別出的數(shù)據(jù)信息,通過式(1)～式(4)將電能檢測狀態(tài)數(shù)據(jù)信息以曲線的形式進行展現(xiàn)。通過添加不對稱變量和雙曲變量實現(xiàn)電能檢測數(shù)據(jù)的完美映射,消除影響變量對不同電能計量數(shù)據(jù)信息進行診斷與計算,然后對電能數(shù)據(jù)信息進行評估計算,對適應(yīng)性進行評價,觀測電能計量數(shù)據(jù)信息是否滿足評估條件。當不滿足評價條件時,更改屬性,將計算進行返回,重新進行評價適應(yīng)性;當滿足評估條件時,輸出目標函數(shù)。再然后判斷目標函數(shù)是否滿足全局最小值等約束條件。若滿足,則將目標函數(shù)輸入到GCN模型中;若不滿足,則重新輸出目標函數(shù)。最后對輸入的電能計量數(shù)據(jù)信息進行評估,判斷電能計量數(shù)據(jù)信息是否滿足評估條件,滿足評估條件時,評價任務(wù)結(jié)束;不滿足評估條件時,重新輸入GCN模型,以重新提高數(shù)據(jù)信息計算能力。

經(jīng)數(shù)學計算后,通過式(10)的延展推導(dǎo),能滿足以下2個關(guān)鍵定理:

(1)若P=Q,則DKL=0

以上關(guān)鍵要素用文字描述,當生成的狀態(tài)函數(shù)與動作函數(shù)對于生成的后續(xù)狀態(tài)與動作函數(shù)之間的相似性非常高時,二者的相對熵無限趨近于0。同樣地,通過訓(xùn)練F-GCN模型,產(chǎn)生的樣本質(zhì)量也非常高,根據(jù)式(10)演變得出:

W(D,G)=R(D,G)+kDKL,

(11)

式中:k表示權(quán)重參數(shù),W表示GCN模型的目標函數(shù)。當相對熵無限趨近于0時,GCN模型的目標函數(shù)會取得全局最小值。

(2)若PG=Pd,則R(D,G)達到局部最優(yōu)

以上關(guān)鍵要素用公式推導(dǎo),如果PG=Pd,則根據(jù)式(10)得出D(x)=0.5,根據(jù)式(11)得出:

R=-2ln2+2JSD(Pd(x)‖PG)+kDKL。

(12)

如果PG=Pdata,則P=Q,DKL=0,JSD=0,R(D,G)為最小值-2ln2,取得局部最優(yōu)。然而,在實際訓(xùn)練中,G和D取得局部最優(yōu)并不是同時進行,普遍是D先進行優(yōu)化,隨后是G再優(yōu)化。這是因為D的優(yōu)先優(yōu)化更有利于目標函數(shù)R快速收斂,對知識信息的訓(xùn)練速度影響更大。綜上所述,基于F-GCN模型將真實經(jīng)驗專利樣本一分為二,并算出二者的相似性,在狀態(tài)函數(shù)矩陣大的情況下,能顯著提高T-GCN模型的訓(xùn)練速度,繼而實時分析大量電能計量多維度的數(shù)據(jù)信息。

4 試驗與分析

為了驗證本文電能狀態(tài)分析系統(tǒng)的實用性與可靠性,在廣州市某電網(wǎng)公司進行實例測試,實驗環(huán)境參數(shù)與配置軟件如表1所示。

表1 環(huán)境參數(shù)與配置軟件Tab.1 Environment parameters and configuration software

本試驗對電能運行狀態(tài)檢測進行研究,根據(jù)實驗數(shù)據(jù)分析,對同等電壓下電能設(shè)備的參數(shù)辨識度和診斷誤差進行實驗,根據(jù)Proteus仿真軟件對實際工作過程進行仿真演示,電能狀態(tài)分析系統(tǒng)仿真如圖5所示。

圖5 電能狀態(tài)分析系統(tǒng)仿真Fig.5 Simulation of electric energy state analysis system

根據(jù)改進型雙曲S變換算法中的式(4)記錄電能狀態(tài)變化規(guī)律。同時,以文獻[2]所采用的SVM-DTC模型與文獻[3]所采用的有限元分形結(jié)構(gòu)作為參照對比,啟動故障診斷,電能狀態(tài)故障診斷示意如圖6所示。

圖6 電能狀態(tài)故障診斷示意Fig.6 Schematic diagram of power state fault diagnosis

故障診斷結(jié)果示意如圖7所示。

圖7 故障診斷結(jié)果示意Fig.7 Fault diagnosis results

將實驗結(jié)果匯總,最終顯示電能檢測實驗數(shù)據(jù)如表2所示。

表2 電能檢測實驗數(shù)據(jù)Tab.2 Data of electric energy detection experiment

由表2可以看出,本文設(shè)計對電能運行狀態(tài)的檢測研究具有明顯效果,在30～50 kV高壓電廠環(huán)境中,輸出電能最大為2 760.5 kW·h,最佳辨識度為93.2%,診斷誤差最高為1.4%,遠低于文獻[2-3]中采用的算法模型。由此看出,本文對電能運行狀態(tài)的檢測具有較高可行性。

進一步完成對比實驗,分別以電廠輸出電能(2 000～3 000 kW·h)和電能分析數(shù)據(jù)量(0～600 GB)作為自變量,根據(jù)Proteus軟件實現(xiàn)電能分析系統(tǒng)的仿真,得到的系統(tǒng)電能狀態(tài)辨識度曲線如圖8所示。

圖8 電能狀態(tài)辨識度曲線Fig.8 Electric energy state identification degree curve

系統(tǒng)故障診斷誤差曲線如圖9所示。

圖9 系統(tǒng)故障診斷誤差曲線Fig.9 Error curve of system fault diagnosis

由圖8和圖9可以看出,3種系統(tǒng)電能狀態(tài)辨識度變化幅度相對穩(wěn)定,本文系統(tǒng)電能狀態(tài)辨識度遠高于其他2種系統(tǒng),在電能分析數(shù)據(jù)量為600 GB的環(huán)境下,本文系統(tǒng)診斷誤差低至1.4%。綜上所述,本文設(shè)計對電能運行狀態(tài)的檢測具有明顯效果。實驗表明,本文電能數(shù)據(jù)辨識度和系統(tǒng)分析誤差均為最佳,體現(xiàn)出該設(shè)計電能檢測方案的優(yōu)越性。

5 結(jié)束語

本文對電能運行狀態(tài)檢測方法進行研究,通過分析電能數(shù)據(jù)辨識度和系統(tǒng)分析誤差關(guān)系完成方案設(shè)計,主要技術(shù)研究如下:

①利用圖模交互技術(shù)完成電能狀態(tài)圖像的模型辨識,完成數(shù)據(jù)與圖像的融合。將數(shù)據(jù)信息的動態(tài)研究融入到電能狀態(tài)檢測中,大大提高了電能檢測能力。

②通過一體化組態(tài)網(wǎng)絡(luò)完成辨識模型與診斷模型的一體化設(shè)計,將組態(tài)網(wǎng)絡(luò)融入到電能狀態(tài)檢測中。通過人工智能的方式增強數(shù)據(jù)計算和故障診斷能力,從而加強電能檢測效率。

③利用改進雙曲S變換算法分析電能檢測規(guī)律,將動態(tài)曲線規(guī)律應(yīng)用到電能檢測中,通過動態(tài)觀測頻譜曲線,進行電能狀態(tài)辨識和診斷過程規(guī)律化解析,形成S曲線變化方式。

通過對本文電能檢測過程進行測試,將實驗結(jié)果匯總為電能檢測實驗數(shù)據(jù)表,發(fā)現(xiàn)本文電能數(shù)據(jù)辨識度和系統(tǒng)分析誤差均為最佳,通過仿真對比分析,表明該設(shè)計方案具有明顯優(yōu)勢。上述技術(shù)方案為電能檢測狀態(tài)辨識及故障診斷提供新的技術(shù)思路,但是在實驗過程中仍存在問題,如系統(tǒng)程序出錯導(dǎo)致無法辨識、圖像模糊導(dǎo)致的誤差較大等仍待解決。