智能化技術(shù)在變電運(yùn)維安全管控中的應(yīng)用研究

摘 要：變電站的廣泛分布帶來了較高的運(yùn)維成本，人力維護(hù)復(fù)雜苛刻條件下研究者更關(guān)注智能自動(dòng)化運(yùn)維模式，本文基于此分析和討論了變電站關(guān)鍵設(shè)備的實(shí)時(shí)監(jiān)測(cè)與運(yùn)維管理。本文構(gòu)建的變電站運(yùn)維安全管控模型收集環(huán)境溫濕度和電壓電流等傳感器數(shù)據(jù)，使用LightGBM算法進(jìn)行分析，相應(yīng)實(shí)現(xiàn)智能響應(yīng)。結(jié)果顯示，模型能夠有效支持其較低的錯(cuò)誤率和誤判樣本量，且有較好的泛化能力，AUC達(dá)到0.9783。研究結(jié)果能夠驗(yàn)證模型的良好表現(xiàn)，從而實(shí)現(xiàn)此類智能化技術(shù)在變電站運(yùn)行維護(hù)和安全管控中的應(yīng)用價(jià)值。

關(guān)鍵詞：智能化；LightGBM模型；變電站；運(yùn)維；安全管控

中圖分類號(hào)：TM 63 文獻(xiàn)標(biāo)志碼：A

為了提高變電運(yùn)維安全性和效率，智能化技術(shù)被引入其中。唐浩等[1]研究公共建筑智能化運(yùn)維平臺(tái)，指出其在提升運(yùn)維效率和降低成本方面具有重要作用。姚毓瑾等[2]設(shè)計(jì)懸掛式單軌道岔智能化運(yùn)維系統(tǒng)，強(qiáng)調(diào)其通過GIS與BIM建模實(shí)現(xiàn)實(shí)時(shí)監(jiān)控與預(yù)測(cè)分析的技術(shù)創(chuàng)新。景強(qiáng)等[3]探討港珠澳大橋智能化運(yùn)維技術(shù)，提出了多項(xiàng)基于物聯(lián)網(wǎng)與無人機(jī)技術(shù)的運(yùn)維解決方案。臧釗[4]研究了基于BIM+GIS的京張高速鐵路空地一體“數(shù)字孿生”智能化運(yùn)維技術(shù)。賀莉娜等[5]提出基于人工智能和大數(shù)據(jù)的城市軌道交通智能化運(yùn)維生態(tài)系統(tǒng)。吳建國(guó)等[6]研究了面向能源互聯(lián)網(wǎng)的智能化運(yùn)維管控平臺(tái)。汪杰等[7]通過云計(jì)算和大數(shù)據(jù)技術(shù)設(shè)計(jì)了貴州煤礦智能化系統(tǒng)運(yùn)維服務(wù)平臺(tái)。張鶴等[8]分析了城市軌道交通車輛智能化運(yùn)維檢測(cè)技術(shù)的應(yīng)用。周正欽等[9]研發(fā)了分層分布的變電站帶電運(yùn)維智能化技術(shù)。倪輝等[10]提出基于移動(dòng)應(yīng)用平臺(tái)的變電站智能化現(xiàn)場(chǎng)運(yùn)維系統(tǒng)。本文將探討智能化技術(shù)在變電運(yùn)維安全管控中的應(yīng)用研究。

1 模型構(gòu)建

模型收集構(gòu)建了包括電壓、電流、溫度和濕度等特征的數(shù)據(jù)集，由此構(gòu)成輸入數(shù)據(jù)x，并設(shè)定簡(jiǎn)單規(guī)則確定狀態(tài)y，即正?；虍惓！Ｈ缓髮?shù)據(jù)分為訓(xùn)練集和測(cè)試集，并利用LightGBM庫構(gòu)建模型。其中，決策樹是一種重要組成部分，在LightGBM算法中被作為基礎(chǔ)分類器，其結(jié)構(gòu)如公式（1）所示。

y=wroot+wleft（x）+wright（x） （1）

式中：y為特征空間內(nèi)輸入數(shù)據(jù)x映射出來的最終輸出結(jié)果；wroot、wleft（x）、wright（x）分別為決策樹節(jié)點(diǎn)包括根節(jié)點(diǎn)和左右子節(jié)點(diǎn)上所設(shè)定權(quán)重或者閾值條件。

這一決策樹結(jié)構(gòu)可幫助識(shí)別關(guān)鍵特征以及異常情況下采取正確行動(dòng)?；诖髷?shù)據(jù)分析和人工智能算法構(gòu)建風(fēng)險(xiǎn)預(yù)警模型，可以幫助管理人員快速、準(zhǔn)確地評(píng)估潛在故障風(fēng)險(xiǎn)，并制定有效應(yīng)對(duì)策略。例如，當(dāng)檢查傳感器數(shù)據(jù)時(shí)，可以利用不同閾值判定當(dāng)前環(huán)境是否存在危險(xiǎn)因素，例如超壓、漏電等事項(xiàng)；該方法有助于制定精準(zhǔn)報(bào)警規(guī)則并快速響應(yīng)問題。繼而，基于此構(gòu)建損失函數(shù)，損失函數(shù)是一個(gè)衡量模型預(yù)測(cè)結(jié)果與實(shí)際標(biāo)簽之間差異的指標(biāo)，針對(duì)本文的二元分類問題，常用交叉熵?fù)p失（Binary Cross Entropy Loss）來衡量錯(cuò)誤率，如公式（2）所示。

（2）

式中：y為運(yùn)維決策；p為對(duì)應(yīng)模型輸出概率值；L（y，p）為基于特定運(yùn)維決策和概率的模型損失。

在變電站監(jiān)測(cè)系統(tǒng)中，利用這種二元交叉熵?fù)p失函數(shù)可以評(píng)估異常狀態(tài)檢測(cè)算法的性能。通過比較實(shí)際觀察事件（例如故障、過載等）和模型預(yù)測(cè)得到事件發(fā)生可能性之間差距來提高敏感度和準(zhǔn)確度。

Boosting是一種集成學(xué)習(xí)技術(shù)，在每次迭代過程都會(huì)優(yōu)化弱分類器，從而提高整體效果，每一輪的訓(xùn)練過程中，Boosting算法更新參數(shù)，以減少殘差，并逐步改善模型預(yù)測(cè)效果。模型通過設(shè)置參數(shù)并創(chuàng)建LightGBM數(shù)據(jù)集，在100次迭代中訓(xùn)練了模型，實(shí)現(xiàn)遠(yuǎn)程監(jiān)測(cè)、故障診斷與遠(yuǎn)程操作，在保證生產(chǎn)正常運(yùn)行的同時(shí)，提高工作效率，對(duì)測(cè)試集進(jìn)行預(yù)測(cè)并計(jì)算準(zhǔn)確率。

2 性能測(cè)試

2.1 樣本數(shù)據(jù)特征

電力系統(tǒng)中，特別是對(duì)電力傳輸和配電網(wǎng)絡(luò)來說，線路的電壓、電流、溫度和濕度等參數(shù)具有關(guān)鍵性的影響。這些參數(shù)的穩(wěn)定和合適范圍內(nèi)的分布對(duì)保證電網(wǎng)的安全運(yùn)行和有效性至關(guān)重要。為了研究電力系統(tǒng)中關(guān)鍵參數(shù)的影響及其在故障預(yù)測(cè)中的作用，本文實(shí)驗(yàn)設(shè)計(jì)依托于真實(shí)場(chǎng)景的數(shù)據(jù)采集與處理。具體而言，本文收集了18條實(shí)際電力網(wǎng)絡(luò)故障事件的關(guān)鍵數(shù)據(jù)，涵蓋電壓、電流、溫度和濕度等參數(shù)。同時(shí)，為了構(gòu)建對(duì)照組，選取了與故障事件匹配的18條正常運(yùn)行數(shù)據(jù)，共同構(gòu)成性能測(cè)試所使用的樣本集。通過這種設(shè)計(jì)，實(shí)驗(yàn)數(shù)據(jù)能夠反映正常運(yùn)行狀態(tài)與故障狀態(tài)的典型特征差異，為模型的訓(xùn)練和測(cè)試提供可靠依據(jù)。整理這一輸入樣本的分布數(shù)據(jù)如圖1所示。

檢測(cè)結(jié)果顯示，樣本數(shù)據(jù)中的溫濕度和電壓電流數(shù)據(jù)分布特征基本正常。輸電線路常見的電壓等級(jí)為100kV或330kV及以上，中部區(qū)間空缺，高壓輸電線路的電流一般不會(huì)超過25kA，溫度范圍通?？刂圃?0℃～40℃，過高或過低的溫度都可能會(huì)對(duì)電力系統(tǒng)的穩(wěn)定性和安全性造成影響，檢測(cè)結(jié)果顯示，樣本數(shù)據(jù)中的溫濕度和電壓電流數(shù)據(jù)分布特征基本正常?；趥鞲衅鲾?shù)據(jù)的可靠溫度范圍尤為重要，異常高溫提示線路老化、短路和自然風(fēng)險(xiǎn)。濕度范圍主要分布在30%～70%，這個(gè)范圍內(nèi)的濕度對(duì)維持電力設(shè)備的正常運(yùn)行和長(zhǎng)期穩(wěn)定性非常關(guān)鍵。過高或過低的濕度都可能導(dǎo)致設(shè)備性能下降或損壞，因此定期監(jiān)測(cè)和調(diào)節(jié)濕度水平，保持在適當(dāng)?shù)臐穸确秶潜匾拇胧┲弧?/p>

樣本數(shù)據(jù)顯示的溫濕度和電壓電流數(shù)據(jù)基本符合正常范圍，但仍需要密切關(guān)注中部區(qū)間的電壓等級(jí)情況以及定期監(jiān)測(cè)和維護(hù)溫濕度水平，以確保電力系統(tǒng)的穩(wěn)定性和安全性。在高壓輸電線路中，電流控制在合理范圍內(nèi)是至關(guān)重要的，同時(shí)保持適當(dāng)?shù)臏貪穸纫彩蔷S持設(shè)備長(zhǎng)期穩(wěn)定運(yùn)行的關(guān)鍵因素。通過持續(xù)的監(jiān)測(cè)和調(diào)節(jié)，可以確保電力系統(tǒng)的正常運(yùn)行并最大程度地減少潛在風(fēng)險(xiǎn)。

2.2 預(yù)測(cè)性能評(píng)估

在試驗(yàn)方法上，采用對(duì)照試驗(yàn)設(shè)計(jì)，將正常運(yùn)行數(shù)據(jù)與故障前后的運(yùn)行數(shù)據(jù)進(jìn)行對(duì)比。在這一常規(guī)水平的樣本規(guī)模下，進(jìn)一步處理其信息。由于樣本總體規(guī)模較小，因此針對(duì)這一樣本數(shù)據(jù)選擇手工添加其故障標(biāo)簽y，相應(yīng)形成訓(xùn)練和測(cè)試所使用的總體樣本，如公式（3）所示。

A=[（x1，y1），x2，y2，…，（xn，yn）] （3）

試驗(yàn)對(duì)不同故障類型的預(yù)測(cè)能力進(jìn)行了測(cè)試和驗(yàn)證。分類器的設(shè)計(jì)以決策樹為基礎(chǔ)，通過集成學(xué)習(xí)方法構(gòu)建隨機(jī)森林來整合，將多個(gè)基礎(chǔ)分類器的預(yù)測(cè)結(jié)果整合起來，以提高整體的預(yù)測(cè)準(zhǔn)確性和魯棒性。

為了評(píng)估分類模型的性能，試驗(yàn)采用混淆矩陣、OOB錯(cuò)誤率和ROC曲線等多種分析指標(biāo)。這些指標(biāo)不僅能夠全面揭示模型在不同類別上的表現(xiàn)，還能反映模型在不同參數(shù)設(shè)置下的穩(wěn)定性與準(zhǔn)確性。同時(shí)，為了驗(yàn)證模型的泛化能力，試驗(yàn)設(shè)計(jì)了交叉驗(yàn)證流程，以最大程度避免過擬合問題。

混淆矩陣（Confusion Matrix）是評(píng)估分類模型性能的一種表格，它對(duì)分類器的預(yù)測(cè)結(jié)果與實(shí)際標(biāo)簽之間的關(guān)系進(jìn)行總結(jié)，根據(jù)樣本序號(hào)，整理預(yù)測(cè)結(jié)果和實(shí)際標(biāo)簽，通過對(duì)比將樣本分為4個(gè)不同的類別，使用熱圖可視化，從而可以展示分類器在不同類別上的預(yù)測(cè)準(zhǔn)確性和錯(cuò)誤情況。混淆矩陣結(jié)果如圖2所示。

由圖2可知，針對(duì)預(yù)測(cè)值為1（正常）的樣本，有17例被分類器正確地預(yù)測(cè)為正例。只有1例（1/18）將異常值識(shí)別為正常值，這意味只有很少一部分異常樣本被錯(cuò)誤分類，顯著較低的錯(cuò)誤率反映了異常檢測(cè)模型在識(shí)別變電站設(shè)備運(yùn)行異常方面的高效性和有效性。與此同時(shí)，針對(duì)18例故障數(shù)據(jù)，分類器正確地預(yù)測(cè)為負(fù)例，無一例錯(cuò)誤地將正例預(yù)測(cè)為負(fù)例。通過混淆矩陣，可以更全面地評(píng)估分類器的性能，識(shí)別分類器在不同類別上的弱點(diǎn)，并進(jìn)一步優(yōu)化模型，以提高分類準(zhǔn)確性。就現(xiàn)有數(shù)據(jù)表現(xiàn)來看，模型的假陰性率相對(duì)較低，說明它能夠較好地捕捉并標(biāo)識(shí)變電站設(shè)備可能存在的問題或異常情況，有助于提前預(yù)警和進(jìn)行適當(dāng)?shù)木S修或保養(yǎng)。這對(duì)電力系統(tǒng)的穩(wěn)定性和安全性至關(guān)重要，因?yàn)榧皶r(shí)發(fā)現(xiàn)和處理設(shè)備問題可以有效減少潛在的故障風(fēng)險(xiǎn)和運(yùn)營(yíng)中斷。

基于混淆矩陣，模型分析結(jié)果的性能表現(xiàn)可以使用多種方式展現(xiàn)，以平衡其性能選擇。如ROC曲線呈現(xiàn)分類器靈敏度與假陽性率之間的關(guān)系，AUC值表示分類器質(zhì)量，其結(jié)果如圖3所示。

考慮ROC曲線，當(dāng)假陽性率較低時(shí)，真陽性率保持在95%附近高位，說明模型在識(shí)別正樣本時(shí)有相當(dāng)高的靈敏度和準(zhǔn)確度，在大多數(shù)情況下可以有效地捕獲真實(shí)異常值。當(dāng)假陽性率超過0.3時(shí)，ROC曲線上揚(yáng)，其真陽性率也隨之上升，但這一準(zhǔn)確性的提升代價(jià)較高，對(duì)電力系統(tǒng)運(yùn)維環(huán)境來說，意味顯著較高的誤報(bào)率。當(dāng)假陽性率升至50%以上后，真陽性率已達(dá)到100%。這意味即使存在更多誤報(bào)或誤判情況（高假警報(bào)），模型仍然能夠?qū)⒔^大部分正例正確識(shí)別為異常值，并且避免錯(cuò)過任何重要異常。但面向使用場(chǎng)景，此類高水平的誤報(bào)率必然將使變電站運(yùn)維的錯(cuò)誤動(dòng)作保持高位，也即意味系統(tǒng)長(zhǎng)期被判斷為異常狀態(tài)，假警報(bào)易導(dǎo)致應(yīng)急響應(yīng)系統(tǒng)虛設(shè)，這對(duì)整體發(fā)生概率較低的故障信息捕捉尤為不利，在實(shí)踐中的應(yīng)用價(jià)值有限。通過降低真陽性率和假陽性率，其對(duì)故障的捕捉能力仍保持較高水平，能夠極大地削減虛假預(yù)警的發(fā)生概率。AUC是ROC曲線下面積的一個(gè)指標(biāo)，通常用來量化分類器質(zhì)量。AUC值接近于1表示該分類器具有很好的區(qū)分能力，在不同閾值下正確預(yù)測(cè)結(jié)果的水平較高。

2.3 隨迭代次數(shù)變化的性能表現(xiàn)

可視化結(jié)果可以更好地展示學(xué)習(xí)曲線，以觀察錯(cuò)誤率變化，OOB（Out-of-Bag）錯(cuò)誤率是隨機(jī)森林模型中用于評(píng)估預(yù)測(cè)準(zhǔn)確性的指標(biāo)，它衡量了模型在未使用的數(shù)據(jù)上的預(yù)測(cè)誤差。對(duì)每個(gè)樣本來說，記錄它被多少棵樹作為Out-of-Bag樣本，使用其所在的決策樹進(jìn)行預(yù)測(cè)，并對(duì)這些預(yù)測(cè)結(jié)果進(jìn)行平均，從而與人工標(biāo)記的實(shí)際標(biāo)簽進(jìn)行比較，計(jì)算錯(cuò)誤率。將所有決策樹的OOB錯(cuò)誤率進(jìn)行平均，得到整體的OOB錯(cuò)誤率。

因此，本文通過觀察OOB錯(cuò)誤率可以了解隨機(jī)森林模型在訓(xùn)練過程中對(duì)新樣本進(jìn)行預(yù)測(cè)時(shí)的表現(xiàn)，其結(jié)果如圖4所示。

當(dāng)開始迭代時(shí)，OOB錯(cuò)誤率較高，約為0.3，意味模型在早期迭代階段對(duì)未見樣本進(jìn)行預(yù)測(cè)時(shí)存在一定程度的偏差或誤差。隨著迭代次數(shù)上升，OOB錯(cuò)誤率下降，迭代5到10次時(shí)其已經(jīng)快速降至0.1水平，整體來看，迭代次數(shù)增長(zhǎng)顯著抑制了OOB錯(cuò)誤率，這種情況表明隨機(jī)森林模型通過更多輪次迭代習(xí)得了更多特征和關(guān)系，并且能夠更準(zhǔn)確地對(duì)新樣本進(jìn)行分類和識(shí)別異常值。后續(xù)迭代次數(shù)增加后，OOB錯(cuò)誤率的繼續(xù)下降有限，迭代20次后OOB錯(cuò)誤率已經(jīng)降至0.05以下，而在迭代次數(shù)超過50次時(shí)有所上升，反映模型對(duì)變電運(yùn)維環(huán)境的傳感器數(shù)據(jù)挖掘能力不足，現(xiàn)有信息量難以支持更精細(xì)化的模型分析結(jié)果，易出現(xiàn)過擬合現(xiàn)象。在這一過程中，上升后難以進(jìn)一步降低的預(yù)測(cè)精度也提示局部最優(yōu)的存在，此類因素也反映模型自身的局限性難以應(yīng)對(duì)更高水平的預(yù)測(cè)精度。

3 結(jié)語

本文使用LightGBM模型在變電站運(yùn)維中參與數(shù)據(jù)分析和處理，提供安全管控服務(wù)。性能測(cè)試結(jié)果顯示，主要檢測(cè)數(shù)據(jù)的分布范圍符合變電站運(yùn)行基本特征，模型能夠有效預(yù)測(cè)其狀態(tài)的可靠性，從而相應(yīng)達(dá)成較低的錯(cuò)誤率，其結(jié)果在迭代20余次后基本穩(wěn)定，而ROC曲線也反映出良好的真陽性率水平?？傮w來說，此類依賴變電站內(nèi)部環(huán)境監(jiān)測(cè)和傳感器數(shù)據(jù)的智能化運(yùn)維管控能夠降低操作風(fēng)險(xiǎn)，提高設(shè)備安全性，對(duì)智慧電網(wǎng)系統(tǒng)的發(fā)展也有積極意義。

參考文獻(xiàn)

[1]唐浩，余娟，耿陽，等.公共建筑智能化運(yùn)維平臺(tái)應(yīng)用現(xiàn)狀調(diào)研[J].建筑科學(xué)，2024，40（6）：130-137.

[2]姚毓瑾，李琦，李卓然.懸掛式單軌道岔智能化運(yùn)維系統(tǒng)設(shè)計(jì)及關(guān)鍵技術(shù)研究[J].鐵道標(biāo)準(zhǔn)設(shè)計(jì)，2023，67（10）：101-107.

[3]景強(qiáng)，鄭順潮，梁鵬，等.港珠澳大橋智能化運(yùn)維技術(shù)與工程實(shí)踐[J].中國(guó)公路學(xué)報(bào)，2023，36（6）：143-156.

[4]臧釗.基于BIM+GIS的京張高速鐵路空地一體“數(shù)字孿生”智能化運(yùn)維技術(shù)研究[J].鐵道運(yùn)輸與經(jīng)濟(jì)，2022，44（9）：139-145.

[5]賀莉娜，郭澤闊.基于人工智能和大數(shù)據(jù)的城市軌道交通智能化運(yùn)維生態(tài)系統(tǒng)研究[J].城市軌道交通研究，2022，25（9）：79-84，89.

[6]吳建國(guó)，徐銘，廖清陽，等.面向能源互聯(lián)網(wǎng)的智能化運(yùn)維管控平臺(tái)研究[J].電子器件，2022，45（3）：744-752.

[7]汪杰，王春華，李曉華，等.貴州煤礦智能化系統(tǒng)運(yùn)維服務(wù)平臺(tái)設(shè)計(jì)[J].煤礦安全，2021，52（9）：161-166.

[8]張鶴，伊宏偉，曹琦.城市軌道交通車輛智能化運(yùn)維檢測(cè)[J].城市軌道交通研究，2020，23（4）：89-93.

[9]周正欽，杜振波，王文瑞，等.基于分層分布的變電站帶電運(yùn)維智能化技術(shù)及應(yīng)用[J].電力系統(tǒng)保護(hù)與控制，2019，47（1）：150-157.

[10]倪輝，胡文山，徐進(jìn)霞，等.基于移動(dòng)應(yīng)用平臺(tái)的變電站智能化現(xiàn)場(chǎng)運(yùn)維系統(tǒng)[J].電測(cè)與儀表，2018，55（6）：35-41.