基于NPE算法的環網柜故障檢測方法研究

胡凡君，張 勤，李 鵬，苗愛敏,鄒 勛,陳霍興

(1.云南電網有限責任公司麗江供電局，云南 麗江 674100；2.云南大學信息學院，云南 昆明 650504；3.昆明迪森電氣有限公司，云南 昆明 650071)

基于NPE算法的環網柜故障檢測方法研究

胡凡君1，張 勤1，李 鵬2，苗愛敏2,鄒 勛2,陳霍興3

(1.云南電網有限責任公司麗江供電局，云南 麗江674100；2.云南大學信息學院，云南 昆明650504；3.昆明迪森電氣有限公司，云南 昆明650071)

為保障供電系統的安全、可靠運行，對電網環網柜在線故障檢測問題進行研究，提出了一種新的基于數據局部特征的環網柜數據建模和在線監控方法。利用鄰域保持嵌入(NPE)算法局部特征提取的策略，基于環網柜的多個測量變量信息以及環境變量信息，獲取實時數據特征，構建了基于數據特征的環網柜故障檢測模型。將構建的NPE模型應用于實際環網柜在線檢測，并將原始數據空間劃分為不相關的特征空間和數據殘差空間。針對這兩個空間，分別構造Hotelling T2和預測誤差平方和(SPE)的監控統計量，并基于這兩個監控統計量，實現了環網柜的在線實時監控和故障報警。將該故障檢測方法應用于實際環網柜的的監控案例研究中，試驗結果證明了該方法在環網柜故障檢測方面的有效性。通過該數據監控模型，改善了環網柜故障檢測的效果，為降低風險、提高環網柜的安全穩定和運行品質提供技術保障。

能源； 電網； 供電； 故障檢測； 數據驅動； 數據挖掘

0 引言

隨著城市供電方式由架空線路改為地下電纜埋設，電能的傳輸與分配一般采用戶外環網柜匯集和分接電纜。環網柜一般集中于箱體內，具有結構緊湊、占地面積小、制作成本低、維護方便、經濟效益高等優點[1]。由于戶外環境的復雜多變，如果電力電纜長期處于惡劣環境下，容易絕緣老化、受潮等，從而極易引發絕緣故障[2]，甚至引發火災[1]。因此，對電纜沿線環網柜內的相關設備運行狀態進行實時綜合監測極其重要。

許多學者對環網柜的故障檢測問題進行了研究，并提出了有效的解決方法。靳宇等[3]通過電磁耦合法監控電力電纜的局部放電信號，Khan等[4]提出通過檢測電力電纜局部放電程度預測電力電纜的絕緣狀態，檢測電纜故障。在高溫條件下，環網柜內的氣體會發生改變，靳宇等通過檢測SF6的泄漏濃度，實時監控泄漏濃度是否超標；金琪等[5]設計了一款在線臭氧探測儀，根據高壓放電產生臭氧濃度，判斷環網柜內部的早期放電現象，并設定報警節點。環網柜溫度和電纜溫度對環網柜的性能影響較大，吳敏秀等[6]設計了智能在線監測裝置，采用數字化一體式溫濕度傳感器實時獲取柜內環境溫濕度；張穎超等[7-9]提出通過對電纜接頭溫度及其周圍環境參數的監測，預測電纜接頭是否存在異常。

本文對基于鄰域保持嵌入(neighborhoodpreservingembedding，NPE)算法的環網柜離線建模和在線監控進行了理論分析。對迪森電氣有限公司提供的在線實際采集數據的實例進行研究，通過實例驗證了本文提出模型的有效性和可行性。該模型對保證供電安全和供電質量具有重要的實際意義。

1 基本理論

環網柜故障是指環網柜中的運行狀況發生異常變化，使得整個環網柜性能惡化的情況或事件。環網柜故障檢測的目的是對系統的運行狀態進行監視，不斷地進行定量和定性分析，幫助維護和管理人員及時了解環網柜的運行狀態，以及時消除過程的異常行為，防止系統波動和災難性事故的發生。

環網柜一般由多個先進的傳感器對環網柜中的變量進行測量，大量反映環網柜運行狀況的測量數據被采集并保存起來。如果環網柜有異常發生，會反映在多個變量上。傳統方法大多是針對環網柜的單個影響變量進行檢測，如僅僅檢測環網柜的溫度、濕度、負載情況以及環境和天氣狀況等單一信息，會造成信息的缺失，無法全面反映系統運行狀況。反映過程特征的多個變量數據之間一般存在較大的耦合相關性，因此需要對多個變量參數進行綜合監測。電纜溫度，尤其是電纜接頭溫度，是環網柜重要的特征參數。接頭的溫度過高普遍是由于內部電纜運行電流和線芯溫度過高引起的，因此，基于異常相關的變量進行檢測對故障預測更有意義。通過傳感器采集環網柜測量的變量數據，如環網柜溫度、濕度、天氣狀況等，利用數據處理方法對這些數據進行分析處理，獲取過程運行狀態，實現環網柜的在線監控和故障診斷。

本文采用多變量統計分析方法，研究多個變量的綜合監控方法。一般實際數據的非線性和動態特征比較明顯。傳統的統計監控方法，如主元分析法(principalcomponentsanalysis，PCA)、獨立成分分析(independentcomponentanalysis，ICA)、Fisher線性判別分析(Fisherlineardiscriminantanalysis，FDA)、偏最小二乘回歸(partialleastsquares，PLS)，能夠在提取數據變量特征的同時，去除多變量數據的相關性。但是該類算法主要是基于數據的全局特性分析，很難為所有的復雜數據構建一個通用的非線性模型。而復雜數據往往表現為局部線性的特性。研究數據的局部特征信息更能夠有效挖掘數據的內在區分特性，利用數據局部線性的特點，獲取其全局結構信息，更符合數據結構特征。

本文提出了基于多變量數據的環網柜故障監測方法，從數據驅動角度出發，采用基于局部關系特征的NPE。該算法在提取數據局部特征信息的同時，建立多變量數據的映射關系，獲取數據不相關特征信息。本文結合傳統的監控研究方法，建立了監控模型，以實現環網柜的在線故障檢測。

2 鄰域保持嵌入算法

NPE算法基于數據局部線性的思想，通過描述數據的局部特征來獲取其整體的流形結構特征。算法利用在每個樣本點和它的鄰域點之間構造重構權并保持權重向量的目標函數，構造投影矩陣。從幾何學上來講，任何曲面流形都可由大小不等的局部線性塊拼接而成。因此，在每一個微小的鄰域內，數據都可以用線性模型來近似。NPE利用每個樣本點及其鄰域點之間構造的重構權向量來尋找原始變量空間中隱藏的低維流形信息，并通過在低維空間中保持每個鄰域的權值來實現數據降維，獲取原始數據的不相關特征信息。

(1)

NPE算法的目標是尋找一組投影向量a1,a2,…,ad，使得投影后的低維空間Y(y1,…,yn)∈Rd(d≤D)，與原始空間具有相似的局部結構。在數學上，該目標轉化為每個數據點依然能以相同的權重被其對應的鄰近點重構，通過計算式(2)的最小值獲取投影矩陣[10]：

Φ(a)=∑i(yi-∑jWijyi)2=YT(I-W)T(I-W)Y=aTX(I-W)T(I-W)XT=aTXMXTa

(2)

式中：矩陣M為(I-W)T(I-W)，約束條件為yTy=aTXXTaT=1。基于該約束條件，多變量數據降維后，新的d個低維特征變量互不相關。

基于目標函數和約束條件，NPE算法的最終目標轉換為求解式(3)中矩陣A的問題[10]：

XMXTa=λXXTa

(3)

易知，XMXT和XXT都是半正定矩陣。求解式(3)的廣義特征值問題，其d個特征值(λ1≤λ2≤…≤λd)所對應的特征向量組成投影矩陣A=(a1,a2,…,ad)。

NPE算法的目標是在降維后，去除原始數據的相關性，獲取獨立變量；同時，最大程度地保留原始數據的每個局部空間信息。NPE算法的鄰域保留，表明原始空間中位置較近的點投影到低維空間后位置關系依然較近，空間位置遠的數據點投影后依然較遠。作為一種基于數據局部結構的線性降維算法，NPE在有效挖掘相鄰點之間的局部特征幾何結構的同時，通過鄰域數據之間的重疊，獲取復雜數據全局結構的變化關系。

3 基于NPE的環網柜故障檢測方法

3.1模型實現

(4)

(5)

針對實時采集的環網柜的測量數據xnew，首先對其進行預處理，然后基于投影矩陣，將其投影到模型空間和殘差空間：

ynewBT+xnew[I-B(BTB)-2BT]

(6)

使用監控統計量Hotelling T2和預測誤差平方和(square predicted error,SPE),分別度量模型空間和殘差空間的波動情況，實現在線監控。與數據點y相關聯的統計量和統計限由下式給出：

(7)

SPE=‖xnew-xnew‖2=

(8)

計算每個實時數據的監控統計量，并判斷統計量是否超過對應的建模統計限，基于此判斷該時刻的數據是否正常。如果提示故障，立刻進行相應的故障消除處理。如果數據統計量小于統計限，則表示過程數據正常。基于鄰域保持嵌入算法的環網柜離線建模和在線監控模型流程圖如圖1所示。

圖1 環網柜模型流程圖

圖1中：離線建模包括數據采集、數據預處理以及獲取投影矩陣A以及統計限過程；在線監控包括對在線數據的標準化處理、比較在線數據和統計限的大小，判斷在線數據統計量是否超出統計量，并給出過程是否故障的判斷。

3.2模型分析

本文提出了基于鄰域保持嵌入的環網柜故障檢測方法。該方法基于實際數據特征信息，挖掘環網柜的內在結構特征。其不依賴于過程精確的數學模型和先驗知識，無須構建過程復雜機理模型；利用過程數據獲取實時狀態，使模型更加精確，降低了建模難度。因此，對于難以獲得精確的數據模型和全面的過程知識的復雜過程，基于數據驅動的環網柜故障檢測方法具有較大的優勢。

傳統的基于單變量監控算法存在數據變量特征單一、忽略故障數據變量之間的相關性、缺乏變量信息融合的缺點，本文提出的方法解決了環網柜故障檢測過程中存在的上述問題。基于多變量過程數據信息，能夠更全面地獲取過程信息；通過建立多變量數據信息的監控統計量，改善了對環網柜過程的故障檢測效果。

基于流形學習局部特征信息提取的思想，利用鄰域保持嵌入算法，獲取了過程數據集的局部特征結構。由于環網柜數據的物理限制和高維數據的復雜變量關系，很多的數據整體分布特征并不明顯，系統故障主要體現在和故障源關聯緊密的少數變量上，具有“局部性”的特征。傳統的基于數據全局結構的統計學習方法，對局部的刻畫不清晰，丟失了數據的細節信息。而本文提出的方法能在去除原始數據耦合相關性的同時，有效地保持數據的局部結構特征，描述了數據的內在組織結構，使得模型隨著數據樣本的空間結構的變化而變化，提高了數據特征的表示能力。

4 試驗驗證

為了驗證本文提出方法的有效性，采用迪森電氣有限公司提供的實際環網柜數據進行建模，并通過仿真故障數據對算法進行驗證。選擇一個柜子里有2個隔斷的環網柜數據進行建模。其中，每個隔斷里都有一組電纜數據，每組電纜有3相，分別為A相、B相、C相，獲取其對應的6組線芯溫度測量值；同時，分別采集2組環網柜中的環境溫、濕度數據等4個變量，采樣頻率為2次/min。

首先，選擇12000個過程樣本作為模型構建的訓練數據。為了測試鄰域保持嵌入算法模型的故障檢測性能，將2900個正常樣本作為測試數據，并基于實際過程的數據分布特點，對1000個過程故障數據進行仿真測試。

在該建模模型中，應首先確定NPE算法的鄰域個數和降維維度。在本試驗中，算法的鄰域個數k選擇為15。確定降維維度的方法有很多，比如方差貢獻率(cumulativepercentvariance,CPV)、交差驗證、可重構方差等。為了簡化建模過程，本文采用CPV方法。

根據CPV原則，將NPE降維維度d設置為4，使CPV的數據解釋程度達到了90%以上。故障檢測統計量的置信度均設置為99%。圖2和圖3分別給出了鄰域保持嵌入算法的正常數據和故障數據監控結果。

圖2 正常數據監控結果

圖2中，變化曲線表示在線測試數據的實時T2和SPE統計量，直線表示其對應的T2和SPE監控統計限。如果統計量在統計限上方表示給出故障的提示，則數據的統計量在統計限下方給出正常的提示。由監控結果可以明顯看出，該算法模型針對正常數據具有較低的誤報率，大部分正常數據的T2和SPE統計量都在統計限以下，說明了該算法模型對于正常數據能夠較好地進行檢測，誤報率較低。

圖3 故障數據監控結果

圖3中，該數據的T2統計量均顯示已經超限，表明模型能夠較好地檢測過程存在的故障，檢測率較高，可以達到故障檢測的效果。另外，針對SPE統計量，只有部分數據的統計量在統計限的下方。這是因為構建的故障數據是基于過程的分布特征，所以在數據的殘差空間，基于SPE監控統計量上沒有體現。

5 結束語

本文針對環網柜在線故障檢測的問題，提出了一種新的在線故障檢測方法。基于環網柜的過程測量信息，利用鄰域保持嵌入算法，構建環網柜數據的結構特 征模型。通過對實時在線數據建立監控統計量，并與建模數據進行比較，判斷實時過程是否存在故障。將本文所提出的方法應用到實際的環網柜過程中。與傳統的環網柜故障檢測方法相比，本文基于多變量數據量以及局部關系的算法，可以有效獲取環網柜的數據變化特征，具有更可靠的監控性能。試驗結果驗證了基于鄰域保持嵌入算法的監控模型，在實時在線故障檢測方面，具有可行性和有效性。

[1] 雷健新,張浩,彭道剛.配網電纜中性點小電阻接地故障及選線研究[J].自動化儀表,2016,37(9):48-51.

[2] 康健,宗榜馗,張大寧,等.一種組網式電纜分支箱在線監測系統的設計[J].自動化儀表,2017,38(1):93-96.

[3] 靳宇,張認成.SF6戶外環網柜多參數檢測系統研究與開發[J].自動化儀表,2014,35(2):81-84.

[4]KHANAA,MALIKN,AL-ARAINYA,etal.Areviewofconditionmonitoringofundergroundpowercables[C]//InternationalConferenceonConditionMonitoringandDiagnosis,2012:909-912.

[5] 金琪,李烽,顧臨峰,等.新型智能化環網柜的設計及實現[J].華東電力,2014,42(7):1373-1376.

[6] 吳敏秀.中壓電纜終端在線監測及故障預警技術的研究[J].中國電力,2014,47(4):123-127.

[7] 張穎超,吳嘉倫,李俊.基于Zigbee電力電纜接頭遠程溫度監測系統研究[J].電測與儀表,2014,51(16):103-107.

[8]YOUXC,LEILI.Patrolinspectionsystemofundergroundcablejointfaultbasedonwirelesscommunication[J].MachineTool&Hydraulics,2014,42(16):125-128.

[9] 吳飛龍,鄭小莉,李永倩.BOTDA光纖傳感技術在電力電纜測溫中的應用探討[J].光通信技術,2013,37(2):21-24.

[10]孫斌,劉立遠,梁超.LLSTA和ELM算法在轉子故障診斷中的應用[J].自動化儀表,2014,35(3):35-38.

ResearchontheNPEBasedFaultDetectionforRingMainUnit

HU Fanjun1,ZHANG Qin1,LI Peng2，MIAO Aimin2,ZOU Xun2,CHEN Huoxing3

(1.Lijiang Power Supply Bureau of Yunnan Electric Power Grid Co.,Ltd.,Lijiang674100,China;2.School of Information,Yunnan University,Kunming650504,China;3.Disthen Electric Co.,Ltd.,Kunming650071,China)

For ensuring safety and reliable operation of power supply system,the online fault detection of ring main unit of power grid is researched,and a new method of data modeling and online monitoring based on data local features is proposed. By using the local feature extraction strategy of Neighborhood Preserving Embedding (NPE) algorithm,based on the information of multiple variables in ring main unit and the environmental information,the real time data features are obtained,and then the fault detection model of ring main unit is constructed based on these data features.The NPE model established is applied in online detection of actual ring main unit,and the raw data space is divided into two parts: feature space and residual space.In accordance with these two spaces,the monitoring statistics of Hotelling T2and squared prediction error(SPE) are constructed,and the online real time monitoring and fault alarm of ring main unit are achieved based on statistics ofT2and SPE.This fault detection method has been used in research on a case based on real ring main unit,the results verify that the effectiveness of this method in fault detection process ofring main unit.The data monitoring model improves the effects of fault detection for ring main unit,and provides technical support for reducing risks,and enhancing the safety,stability and operation quality of the ring main unit.

Energy； Power grid； Power supply； Fault detection； Data-driven； Data mining

TH165;TP277

10.16086/j.cnki.issn1000-0380.201710017

修改稿收到日期:2017-05-19

國家自然科學基金資助項目(61540070)、云南省教育廳科學研究基金資助項目 (2015Y019)、云南省科技計劃應用基礎研究基金資助項目(2014FB112)、輕工過程先進控制教育部重點實驗室開放課題(江南大學)資助項目(APCLI1606)

胡凡君(1983—)，男，學士，工程師，主要從事電力系統在線過程監控工作。E-mail164873018@qq.com。

苗愛敏(通信作者)，女，博士，副教授，主要從事輸電系統安全診斷與預警、輸電電纜故障檢測、軟測量建模、數據挖掘與人工智能方向的研究。E-mail:miaoaimin@ynu.edu.cn。