虛擬儀器技術及其在電力系統(tǒng)在線監(jiān)測中的應用

陳璐 毛瑋韻 蘇磊 趙磊 孫志慶

【摘要】近年來虛擬技術逐漸融入了各行業(yè)的生產中，虛擬儀器技術在電力生產中體現了重要的促進價值，因而占據了關鍵性的技術地位。電力系統(tǒng)的很多主要設備安裝了在線監(jiān)測在線監(jiān)測裝置，用于實時獲取設備狀態(tài)數據，這些數據可以運用虛擬儀器來處理和分析，幫助枝術人員更好地掌握設備狀態(tài)。為此對于電力系統(tǒng)而言，有必要明確虛擬儀器技術的基本特征與技術內容，結合電力生產的真實狀況，探究完善虛擬儀器技術運用的具體思路。

【關鍵詞】虛擬化;設備;在線監(jiān)測

【中圖分類號】TU723.1

【文獻標志碼】A

【文章編號】1673-1069（2018）11-0142-02

1引言

虛擬儀器技術及其在電力系統(tǒng)在線監(jiān)測中的應用的最終目標是以此為基礎實現對輸變電設備運行狀態(tài)進行在線的可視化檢測、處理和分析，為狀態(tài)維修提供理論基礎和判據，大幅度提高電網運行的安全性和經濟性。本項目由國網上海科技項目資助，最大限度防止復雜氣候環(huán)境及輸變電設備自身故障導致大面積事故的安全技術是電力檢測的重中之重，而虛擬儀器技術及其在電力系統(tǒng)在線監(jiān)測中的應用又是檢測手段和方式的關鍵技術之一。

虛擬化輸變電站設備狀態(tài)在線監(jiān)測診斷，通過虛擬化技術結合設備狀態(tài)診斷，根據某一時刻在線監(jiān)測的特征量與前面監(jiān)測的結果進行縱向比較分析，與同類設備或同一設備不同相在線監(jiān)測的結果進行橫向比較，并結合歷年離線檢測試驗數據和運行經驗等，對故障類型、嚴重程度及原因等做出綜合判斷，進而做出維修策略及方法;設備狀態(tài)在線診斷是以在線監(jiān)測結果對故障的類型、位置、嚴重程度及原因做出判斷，并預測出設備繼續(xù)運行的剩余壽命和給出維修策略及方法的建議。顯然在線虛擬診斷要求在線監(jiān)測系統(tǒng)必須具有能反映各種特征量的監(jiān)測功能、豐富的專家系統(tǒng)和智能化的仿真、診斷能力。

隨著現代科學技術的進步和先進制造技術的發(fā)展，盡管人們對輸變電設備狀態(tài)在線監(jiān)測與虛擬診斷技術因種種原因而持不同的態(tài)度，但像電力系統(tǒng)綜合自動化技術一樣，終將成為提高電力行業(yè)技術管理水平和大幅度提高電網安全運行水平的高度智能化的關鍵技術之一。

2輸變電設備狀態(tài)在線監(jiān)測與虛擬診斷設計

2.1總體技術框架

首先開展油中溶解氣體在線監(jiān)測裝置虛擬實用性分析;其次對于裝置實用性分析滿足要求的變壓器設備，通過大數據算法建立關鍵狀態(tài)量動態(tài)預警模型，明確需要關注的亞健康和缺陷設備;最后對于缺陷設備，結合運行信息和專家經驗，利用援例診斷技術開展故障定性診斷和相似案例推送，進而為后續(xù)技改和大修提供依據。

2.2總體思路

將變壓器色譜帶電檢測數據（簡稱帶電數據）看成真值，將色譜儀在線監(jiān)測數據（簡稱在線數據）看成測量數據”，，實用性虛擬分析首先通過信號分解，將在線數據分為系統(tǒng)趨勢、隨機波動及巨幅跳變三方面，其次按類別分別建立上述三部分可用性評估系數，最后結合被監(jiān)測設備運行現狀綜合得出裝置可用性。

2.3信號分解

對于油中溶解氣體在線監(jiān)測裝置，其數據通過集合經驗模態(tài)分解方式可以分為系統(tǒng)趨勢、隨機波動及巨幅跳變三部分。其中系統(tǒng)數據主要反應在線數據的趨勢，隨機波動數據是在線數據圍繞趨勢發(fā)生的高頻“波動”，巨大誤差指在線監(jiān)測數據發(fā)生的巨幅“突變”。

2.4專項評估

在完成信號分離后，針對系統(tǒng)趨勢、隨機波動及巨幅跳變分別建立專項評估模型。系統(tǒng)誤差模型主要采用改進型的趨勢比較法，一是比較帶電檢測和在線監(jiān)測數據變化的方向，二是比較兩者變化的幅度。隨機誤差模型從在線數據隨機波動的劇烈程度人手，數據波動的幅度越大、頻率越高，相應的可靠性越低。巨大誤差模型主要從頻率人手，巨大誤差出現頻率越高，可靠性越低。

2.5性能綜合

性能綜合分兩階段，第一階段是每種特征氣體的三種誤差的綜合，其中系統(tǒng)誤差是關注的重點，其次是隨機誤差，巨大誤差屬于參考信息。第二階段是多種特征氣體的在線監(jiān)測誤差的綜合，分別針對過熱、放電和日常監(jiān)測三種情形，給出其對應特征氣體在線監(jiān)測誤差的綜合評價。數據的系統(tǒng)誤差為p1，隨機誤差為P2，巨大誤差為p3，則每種特征氣體綜合三種誤差后的可用性系數p=0.9P10.67P20.33+0.1P3

2.6模型建立

總體思路：利用油中溶解氣體帶電檢測數據完成設備正常、亞健康和缺陷異常三個狀態(tài)的劃分，對于亞健康設備，可以完成其性能狀態(tài)的短期預測。

模型搭建：建立高斯聚類方程，通過樣本訓練，油色譜數據分為三類。（正常、亞健康、缺陷異常）進而計算任意輸入色譜數據，確定屬于任一狀態(tài)的概率。高斯混合模型是單一高斯聚類方程（概率率密度函數）的延伸。

高斯方程只能計算靜態(tài)色譜數據，為了引入時序概念，引入了馬可科夫聚類算法，帶入隱含狀態(tài)轉移概率矩陣。

結果驗證：通過利用高斯混合模型對變壓器的氣體數據進行聚類分析，得到“健康”“亞健康”“故障”三種“特征”狀態(tài)的概率分布情況。在得到變壓器狀態(tài)的靜態(tài)特征后，利用隱馬爾科夫模型根據已有的多組觀察序列將靜態(tài)特征轉化為動態(tài)特征，并在案例庫中找到實際數據最為契合的案例庫，對變壓器的健康狀態(tài)進行評估。最后利用Viterbi算法對亞健康數據進行短期預警。我們可以利用變壓器設備的帶電檢測數據對在線監(jiān)測數據進行矯正，并將矯正后的數據作為聚類對象，以改善模型的判別結果。下表為通過矯正數據進行健康狀態(tài)評價的詳細情況。

3結論

①在綜合分析輸變電設備在線監(jiān)測裝置內部結構與各元件功能關系的基礎上進行了系統(tǒng)劃分;建立了在線監(jiān)測裝置的可用性評估模型，結合被監(jiān)測設備運行現狀綜合得出裝置可用性。

②實例分析表明，本文提出的可用性評估與診斷方法能夠準確有效地量化評估在線裝置及其各子系統(tǒng)的可用性，為在線監(jiān)測裝置的薄弱環(huán)節(jié)辨識與優(yōu)化和其維護策略提供了技術參考。

③可用性評估的精度與可用性模型的有效性以及模型參數的準確度有關，而后者需要充分的樣本空間支撐。由于我國基于物聯網技術的輸變電設備在線監(jiān)測尚處于起步階段，目前裝置在長期運行過程中的故障統(tǒng)計數據仍較為匱乏。因此下一步工作將針對在線監(jiān)測裝置中各元件開展可靠性試驗，建立各元件的故障率模型，在此基礎上，結合實際的運行維護數據對可用性模型參數進行合理的初值設定。