依托大數據分析的電網設備狀態測評方法研究

覃兆安

（國網嘉興供電公司，浙江 嘉興 314000）

試驗與研究

依托大數據分析的電網設備狀態測評方法研究

覃兆安

（國網嘉興供電公司，浙江 嘉興 314000）

電網設備的運行狀態關系到電能質量、供電可靠性等電力系統核心指標。在分析傳統設備狀態測評方法的基礎上，提出以時間序列、自適應神經網絡、無監督聚類等方法來深度挖掘運行數據的潛在信息，發現設備向異常狀態發展的趨勢，以提升電力系統運維水平。同時將研究成果應用到具體案例中。結果表明，該構建方法具有一定合理性和有效性，能推廣到輸變電設備的狀態測評中。

大數據；時間序列；神經網絡；狀態測評

盡早發現輸變電設備的異常狀態對提升電力系統供電可靠性具有重大意義。當前的狀態檢修工作主要通過提取設備的部分信息，與固定閾值進行對比后判斷設備的狀態是否正常。這種方法具有局限性［1］。

a.固定閾值沒有時間寬度，從而無法從總體上把握設備運行態勢。其檢測結果從根本上來說是片面的，存在漏檢或誤檢的可能。

b.信息利用率低。目前，在線監測技術蓬勃發展，電力系統運行大數據逐步完備，而閾值判斷的方法無法對大數據進行橫向關聯和縱向挖掘，因此導致大量有用信息的“廢棄化”。

為適應大數據背景下的電力系統運維，建立科學、合理的模型來處理、分析、挖掘電力大數據是必要的，對輸變電設備的異常狀態做好早發現、早處置。

1 單狀態特性數據流的特征挖掘

1.1 時間序列自回歸

輸變電設備運行中產生的大量數據呈現出平穩性和低動態性，符合一階自相關時間序列自回歸模型AR（1）的應用要求。AR（1）的相關公式見式（1）所示［2］。其中，xt為在線監測數據的時間序列，服從正態分布。

假設對應于正常狀態的xt的區間為［a，b］，則要使整個序列均在［a，b］內，只要α小于某個限值α0即可。即設備可能出現了異常，但參量α的檢測值未超標，則單純的AR（1）模型不能察覺該種異常狀態。因此，需要對xt進一步加工。

1.2 自組織神經網絡對時間序列的量化

自組織神經網絡（SOM）基于無監督學習，適用于數據量大、不含標簽的狀態監測數據。量化過程［3］如下。

a.構造SOM的輸入節點和輸出節點，分別對應xt和序列C＝｛C1，C2，…，CN｝。

b.對每一xt進行屬于Cj的訓練，見式（2）。

c.反復循環并修正，確保xt距所屬節點的最小距離，見式（3）。其中：γ（t）在0～1之間，反映學習速率。

d.訓練完成，xt被量化為Ct，見式（4）。Ct表示最接近xt的節點。

1.3 時間序列變化過程的挖掘

SOM神經網絡的特點是每個神經元節點與鄰域內節點關聯性強，與鄰域外節點關聯性弱。基于此，可將量化后的時間序列Ct看作一個神經元到另一神經元的轉移，從而為時間序列特征的深度挖掘提供方法。以下為結合AR（1）與SOM的數據挖掘步驟，具體公式推導參考文獻［4］。

a.求取神經元所屬的概率密度函數。

b.求取神經元之間的轉移概率。

首先截取一定監測點數的某變壓器油溫在線監測數據，如圖1所示。將這些數據經由AR（1）擬合，得到相關參數α＝0.85，μe＝0，λ＝0.01；接著將上述時間序列輸入SOM進行訓練，得到量化輸出，如圖2所示；計算SOM神經元間的轉移概率（12×12矩陣），并將溫度數據隨時間的變化用轉移概率序列描述，如圖3所示。圖3中，大部分時間點對應正常狀態，數據的轉移概率高，表明溫度數據隨時間變化的平穩性；個別時間點的數據出現陡降，說明數據不服從AR分布，此處可能存在異常，應當引起注意。

2 多狀態特性數據流的特征挖掘

與單狀態相對應，某些設備狀態信息需由多維單狀態量耦合得到［5］，如變壓器熱點溫度要綜合底層油溫、頂層油溫、環境溫度和電力負荷等諸多因素。為了充分利用在線監測數據，同時解耦各參量間的復雜關系，可采用基于密度的聚類算法實現對多狀態特性數據流的特征提取。

圖1 某變壓器油溫在線實時監測數據

圖2 油溫數據經由SOM后的量化序列

圖3 油溫數據轉移概率序列

以判斷輸電線路覆冰是否嚴重為例，可將導線軸向張力、導線傾斜角、風速作為數組單元進行聚類。若某個數組到任意簇中點的距離都大于特定值R，則認為出現了異常。

3 輸變電設備異常狀態檢測程序

根據以上研究，形成輸變電設備異常狀態檢測流程，如圖4所示。

圖4 輸變電設備異常狀態檢測流程

a.取歷史數據，運用AR模型、SOM算法計算每個參量的轉移概率矩陣｛X1，X2，…，XN｝；對所有參量使用密度聚類算法，將歷史數據加工m簇。

b.提取最新實時數據代入式（1）中的｛X1，X2，…，XN｝，得到一系列轉移概率序列，并判斷各時點數據是否匹配m簇中某一簇。

c.根據式（2）結果啟動異常檢測邏輯：當各參量的轉移概率不存在零值且各時點數據匹配m簇中某一簇，則認為狀態狀態是正常的；當各參量的轉移概率出現少數零值且少數時點數據全不匹配m簇中的任一簇，則認為是噪聲所致，可忽略；當多個參量的轉移概率為零值，且多個時點數據不匹配m簇中的任一簇，則判斷設備出現異常。

4 案例分析

以嘉興供電公司某臺220 kV變壓器為例，選取2015年6月10—17日的油溫、負載、環境溫度等可監測數據作為訓練樣本，同時以2015年6月18日10：00—18：00的480組在線數據作為對比樣本。油溫、電流、環境溫度的采樣如圖5所示（1 min／組）。

圖5 3類狀態量的采樣值

運用上述構建方法，對變壓器歷史數據生成3個轉移概率矩陣并聚類成3個簇；將每個參量的480組對比數據對應出各自的轉移概率序列（圖6—圖8），然后綜合判別每個時點的數據是否正常，如圖9所示。

a.在T＝80 min，油溫的轉移概率為零，且該時點的監測數據不屬于任一簇；另外，T＝80 min周圍是正常值，因此認為T＝80 min的異常是噪聲（可能由傳感器元器件的隨機漂移所致），可忽略。

b.在T為384～390 min，負荷和油溫的轉移概率都為零；T為390～410 min，負荷和油溫的轉移概率很不平穩且不斷呈現零點，且T為390～500 min間的實測數據大部分不匹配任一簇類。因此認為，變壓器從T＝384 min起發生異常，應提高警惕。

圖6 案例變壓器的負荷轉移概率序列

圖7 案例變壓器的油溫轉移概率序列

圖8 案例變壓器的環境溫度轉移概率序列

圖9 變壓器實時數據聚類情況

調取調度記錄，發現從4：16起允許該變壓器短時超載運行，于5：30左右恢復正常。因此，檢測到的異常狀態是真實的，說明該模型具有一定有效性。若采用傳統的閾值比較方法，需檢測到油溫達到80℃時才報警，說明原方法存在靈敏度不足等問題。

5 結束語

文中綜合運用了時間序列自回歸、自組織神經網絡、密度聚類等多種模型，成功解決了輸變電運行中設備狀態評價的片面性、滯后性、低效性等問題，給出了基于大數據分析的設備異常狀態快速判定方法。一方面提升了電力系統運維水平，另一方面也為大數據應用開辟了新的途徑。算例結果表明，依托大數據分析的電網設備狀態測評方法具有準確性和有效性，值得推廣和應用。

［1］架空輸電線路狀態評價導則：Q／GDW 173—2008［S］.

［2］油浸式變壓器（電抗器）狀態評價導則：Q／GDW 169— 2008［S］.

［3］尹彥民，聶振勇，叢曼穎.電力變壓器絕緣故障及防范措施［J］.東北電力技術，2010，31（3）：35－36.

［4］韓 月，耿寶玄，高 強.智能變電站變電設備在線監測系統研究［J］.東北電力技術，2011，32（1）：17－20.

［5］隋合軾.基于一體機架構的海量數據集中與處理［J］.東北電力技術，2015，36（9）：12－15.

Study on Electricity Grid Equipment Status Evaluation Methods Based on Big Data Analysis

QIN Zhao?an
（State Grid Jiaxing Power Supply Company，Jiaxing，Zhejiang 314000，China）

Running status of electricity grid equipment has respect to power quality，supply reliability and other power system core indi?cators.This paper analyzes the traditional equipment status evaluation method，a method based on time series，adaptive neural net?works，unsupervised clustering methods is proposed.By the depth of mining potential operating data information，development trends of abnormal state for equipment are found，it can enhance the level of power system operation and maintenance.Study results also be ap?plied to specific case studies，the results show that the constructing method is reasonable and effective and can be extended to the status evaluation of transmission change.

Big data；Time series；Neural network；Status evaluation

F426.61

A

1004－7913（2016）06－0008－03

覃兆安（1982—），男，學士，工程師，主要從事電網安全質量監督工作。

2015－12－04）