基于大數(shù)據(jù)分析的輸變電設(shè)備狀態(tài)數(shù)據(jù)異常檢測措施

鐘燕

摘要：文章結(jié)合相關(guān)的研究工作，提出了一種基于大數(shù)據(jù)分析手段下的檢測方法，由數(shù)據(jù)的演進過程、數(shù)據(jù)關(guān)聯(lián)等角度實現(xiàn)了對于異常情況有效檢測，并進一步提出了異常檢測體系，使其能夠使用在輸變電設(shè)備的狀態(tài)監(jiān)測數(shù)據(jù)流中，促使數(shù)據(jù)流當中的異常狀況能夠得以及時測出。

關(guān)鍵詞：大數(shù)據(jù)；輸變電設(shè)備；異常檢測；時間序列；神經(jīng)網(wǎng)絡(luò) 文獻標識碼：A

中圖分類號：TM764 文章編號：1009-2374（2016）29-0128-02 DOI：10.13535/j.cnki.11-4406/n.2016.29.058

在輸變電設(shè)備的日常運行過程中常常會遭受到負荷、過電壓、內(nèi)部絕緣老化、自然環(huán)境等多方面異常狀況的影響，此類異常狀況往往會致使設(shè)備出現(xiàn)缺陷情況，因而針對設(shè)備狀態(tài)實施異常檢測十分重要，應(yīng)當引起人們的重視與思考。

1 單狀態(tài)量數(shù)據(jù)流特征量提取

1.1 自回歸模型

時間序列的自回歸模型大多應(yīng)用在許多工業(yè)過程之中，其主要的特點即為具備有極強記憶能力的AR系統(tǒng)，在時間維度的t值上往往需借助于從前時刻行為，這和設(shè)備運行過程當中的低動態(tài)性完全符合。輸變電設(shè)備在日常運行過程當中其一部分狀態(tài)量的改變程度相對較小，例如導線拉力、接地電流等內(nèi)容，這些狀態(tài)量的數(shù)據(jù)信息往往從屬于平穩(wěn)序列，能夠直接應(yīng)用于AR擬合；此外還有一部分的狀態(tài)量會伴隨時間的推移而呈現(xiàn)出周期性的改變，但改變的幅度相對較小，例如油溫、環(huán)境溫度等情況，將其日周期性的改變因素排除后亦可借助于AR進行擬合，因而針對狀態(tài)數(shù)據(jù)則可利用一階AR進行模型擬合。

1.2 時間序列量化

自組織神經(jīng)網(wǎng)絡(luò)具體的運行機制是借助于無監(jiān)督學習方式，來促使競爭層當中不同的神經(jīng)元可以利用競爭和輸入模式予以匹配，最終僅保留一項神經(jīng)元即為獲勝者，此種獲得神經(jīng)元的輸入方法即為輸入模式分類法。因為無監(jiān)督學習的訓練樣本不具備有期望輸出情況，沒有任何的經(jīng)驗知識，因而較適用在數(shù)據(jù)量大、不含有標簽的狀態(tài)監(jiān)測數(shù)據(jù)當中。

采用SOM可以實時無監(jiān)督分類，進而促使整體序列成為SOM的一項輸出節(jié)點，其中序列是其中一項輸出節(jié)點，針對每一項訓練其專屬于節(jié)點的公式可表述為：

進行持續(xù)性的循環(huán)與改進，以保障距離所屬節(jié)點的距離值能夠達到最小。

1.3 時間序列變化過程

與徑向基、反饋型等神經(jīng)網(wǎng)絡(luò)所不同的是，SOM神經(jīng)網(wǎng)絡(luò)的輸出節(jié)點之間是互相關(guān)聯(lián)的，其相互間的關(guān)系可以借助于網(wǎng)絡(luò)拓撲結(jié)構(gòu)來表達。在拓撲結(jié)構(gòu)中，因為SOM在訓練過程當中的競爭性，使得每一項神經(jīng)元節(jié)點和鄰域當中的節(jié)點存在明顯的關(guān)聯(lián)性，和鄰域外部的節(jié)點關(guān)聯(lián)性較弱。也正是基于SOM神經(jīng)網(wǎng)絡(luò)的此種特性，在量化之后的時間序列可被視作為拓撲結(jié)構(gòu)中一項神經(jīng)元到另一項神經(jīng)元的轉(zhuǎn)移，進而挖掘出數(shù)據(jù)伴隨時間發(fā)生改變的規(guī)律性。

第一，計算神經(jīng)元所屬概率密度函數(shù)。借助于第一階段的轉(zhuǎn)移概率P值來達標神經(jīng)元間的相關(guān)性，AR模型當中神經(jīng)元的一階轉(zhuǎn)換概率可表述為，據(jù)此可求出AR模型在位于一階轉(zhuǎn)移之時的概率即為。

第二，計算神經(jīng)元間的轉(zhuǎn)移概率。因為AR過程較為穩(wěn)定，距離相對較近的神經(jīng)元之間發(fā)生轉(zhuǎn)移的概率也就相對較大，距離較遠的神經(jīng)元之間出現(xiàn)轉(zhuǎn)移的概率相對較小。利用變壓器油溫正常狀況之下的在線監(jiān)測數(shù)據(jù)進行舉例說明，首先使數(shù)據(jù)可以借助于AR模型予以擬合表述，進而得出相應(yīng)的模型參數(shù)值即為，，，而后將數(shù)量點的溫度數(shù)據(jù)值錄入至包含有12項神經(jīng)元的SOM當中予以擬合訓練，進而得到訓練完成的SOM神經(jīng)網(wǎng)絡(luò)系統(tǒng)。截取出其中的一段溫度數(shù)據(jù)值，如圖1（a）所示，同時將之錄入到完成擬合訓練的SOM當中進而取得量化輸出，即為圖1（b）所示。

依據(jù)AR模型參數(shù)，求得SOM神經(jīng)元之間的轉(zhuǎn)移概率值，如圖2所示。通過觀察圖2可以發(fā)現(xiàn)，位于對角線當中的轉(zhuǎn)移概率值最大，并且在灰色區(qū)域當中的轉(zhuǎn)移概率要顯著大于灰色區(qū)域之外的轉(zhuǎn)移概率，此即表明AR過程之中的數(shù)據(jù)在神經(jīng)元間的轉(zhuǎn)移概率和神經(jīng)元距離呈現(xiàn)出反比狀況，神經(jīng)元間的距離越大，相應(yīng)的數(shù)據(jù)信息也就越難發(fā)生轉(zhuǎn)移。

通過將溫度數(shù)據(jù)伴隨時間推移而產(chǎn)生的動態(tài)性改變，利用轉(zhuǎn)移概率序列來進行表達，如圖1（c）所示。通過觀察可以明顯的發(fā)現(xiàn)在一般狀況下，數(shù)據(jù)的轉(zhuǎn)移概率都較大，并且通常都是由圖2當中的灰色區(qū)域進行數(shù)值選取，此即表明溫度數(shù)據(jù)會伴隨著時間的改變而逐漸趨于平穩(wěn)。相反若序列當中的一段數(shù)據(jù)轉(zhuǎn)移概率在灰色區(qū)域之外時，則表明這一段數(shù)據(jù)在神經(jīng)元間的轉(zhuǎn)移相對更加頻繁，因此即可判定狀態(tài)量出現(xiàn)了異常。

2 多狀態(tài)量數(shù)據(jù)流特征提取

在日常的設(shè)備運行時，因受設(shè)備屬性、運行工作狀況、環(huán)境差異等因素的影響，通常會使得設(shè)備的狀態(tài)監(jiān)測量，多為參量間的相關(guān)性往往無法做出明確的函數(shù)表達。例如變壓器的熱點溫度、油溫、環(huán)境溫度以及負荷量等參數(shù)值往往需要借助于熱平衡方程予以表達，但是熱平衡方程參數(shù)數(shù)量較多并且在高溫環(huán)境下也會出現(xiàn)計算不準確的情況，進而使得熱點溫度值出現(xiàn)異常無法做出準確測定。

通過輸電線路覆冰舉例說明，將在線監(jiān)測的參量值Z作為一項三維數(shù)組，進而借助于DBSCAN算法進行類型聚合處理。如果一項三維數(shù)組與所有簇中點的距離均超過了某一特定值R，那么即表明這一數(shù)據(jù)不屬于任何一項簇組。因而，在某一參量值發(fā)生異常情況進而使得這一多維數(shù)組當中的Z不屬于任何一簇之時，即可判別這一時刻的多維數(shù)據(jù)發(fā)生了異常狀況。

3 異常檢測步驟

依據(jù)上文內(nèi)容當中的時間序列特征量提取算法，針對在線監(jiān)測數(shù)據(jù)實施以異常檢測的流程如圖3所示。

第一，對于每一項參量的歷史數(shù)據(jù)信息，借助于單狀態(tài)量數(shù)據(jù)流特征量的提取算法來就其轉(zhuǎn)移概率的矩陣模型進行計算處理。

第二，對于每一項參量的歷史數(shù)據(jù)信息，借助于多狀態(tài)量數(shù)據(jù)流特征量的提取算法針對多元時間序列予以聚合處理，從而使得歷史數(shù)據(jù)可以被聚集為m個簇。

第三，將實時監(jiān)測所得到的數(shù)據(jù)流信息導入至轉(zhuǎn)移概率矩陣當中，從而取得不同參量的轉(zhuǎn)移概率序列，進而就不同時間點當中數(shù)據(jù)是否為多狀態(tài)量數(shù)據(jù)流特征量的m聚類予以判別。

第四，依據(jù)上述判定結(jié)果針對數(shù)據(jù)流采取異常檢測，其中異常檢測的邏輯表述如下：（1）在不同的參量值轉(zhuǎn)移概率序列均不具備0值之時，并且數(shù)據(jù)流之中不同時間點數(shù)據(jù)從屬于m簇當中的1項之時，則這一段的數(shù)據(jù)即不存在異常狀況；（2）在鉻參量的轉(zhuǎn)移概率序列存在有少量的0值之時，同時數(shù)據(jù)流當中少數(shù)時間點數(shù)據(jù)均不為m簇，那么這一段落數(shù)據(jù)當中則存在有少量的幾個噪聲點，此為傳感器狀態(tài)異常，可忽略不計；（3）若k個參量的轉(zhuǎn)移概率序列存在有一連續(xù)的整段0值時，那么數(shù)據(jù)流當中的一大段時間點數(shù)據(jù)則均不屬于m簇，相應(yīng)的即可判定設(shè)備出現(xiàn)了異常運行狀況；（4）針對設(shè)備所出現(xiàn)的異常狀況，可依據(jù)參量轉(zhuǎn)移概率序列經(jīng)過0點位置的情況，判定出設(shè)備發(fā)生異常情況的具體時間點。

4 結(jié)語

本次研究所探討的方法其優(yōu)點即為能夠結(jié)合多元狀態(tài)量的歷史數(shù)據(jù)及目前數(shù)據(jù)，同時可以實現(xiàn)對動態(tài)數(shù)據(jù)的異常檢測，相較于一般的閾值判定方法而言準確率相對較高。在設(shè)備被檢測出異常狀態(tài)后，此項檢測方法同時也存在有一定的缺陷，在今后的工作當中進行不斷改進與完善，從而避免由于外界環(huán)境異常所帶來的不利影響。

參考文獻

[1] 王佳明，劉文穎，魏帆，等.基于壽命周期成本管理的輸變電設(shè)備狀態(tài)檢修策略研究[J].電力系統(tǒng)保護與控制，2014，（5）.

[2] 孫才新.輸變電設(shè)備狀態(tài)在線監(jiān)測與診斷技術(shù)現(xiàn)狀和前景[J].中國電力，2015，（2）.

[3] 孫鵬，李劍，張勁，等.基于Markov過程的輸變電設(shè)備一體化智能監(jiān)測裝置可靠性評估[J].高電壓技術(shù)，2015，（12）.

（責任編輯：小 燕）