利用大數據檢測智能電網異常的分層架構

王振達, 范晟, 吳福疆, 方志丹, 陳爽

(廣東電網有限責任公司汕頭供電局, 廣東 汕頭 515000)

0 引言

智能電網的本質是運行在高冗余電力一次硬件基礎上的，基于全輸配送電系統大數據支持下的，高度自主化運行的電網系統。高度理想化的智能電網，可以實現一兩次設備主動投切、自動倒閘、故障自主判斷切除及自愈、負載自動均衡、無功自動平衡、能耗自動記錄并實現自動電費扣繳等一兩次功能。但當前條件下，全球各國電網功能尚未實現該理想化智能電網系統。所以，智能電網系統的建設任務仍有較長的道路要走。當前，除電網一次設備和二次設備的建設外，電網CBA架構的建設是實現電網智能化的重要硬件設施，CBA即是云計算(Cloud Computing)大數據(Big Data)人工智能(Artificial Intelligence)的技術架構整合，其中大數據部分是最容易實現人機交互的部分，通過對數據倉庫中的數據進行整合分析和深度挖掘，可以得到電網的諸多運行狀態，即分析智能電網的異常。

因為智能電網的部分CBA功能運行在公網系統或包含公網接口的系統上，所以，吳麗佳[1](2020)使用壓縮感知算法，從網絡安全角度對智能電網的網絡入侵行為進行了識別檢測。何奉祿(2020)等[2]研究了智能電網的物聯網部分，即各種電壓、電流、震動、絕緣、溫度、侵入物等的相關探頭的物聯網采集系統以及各種斷路器、接觸器、變壓器的控制物聯網系統，并對這些系統進行了技術現狀綜述研究。栗維勛(2020)等[3]研究了區塊鏈技術在智能電網監控系統中的應用，該研究認為，區塊鏈不僅僅是聯合記賬和自動合約技術整合，其分布式計算，去中心化網絡，不可篡改數據記錄模式，無中心大數據管理等，均在智能電網大數據中起到重要技術支持作用。賴偉平(2019)等[4]對智能電網中的數據認證追蹤方案進行了研究，該研究對提升智能電網的數據安全性和可用性有重要意義。陳陣(2019)等[5]通過智能電網的運行大數據分析，對智能電網的故障自動檢測系統進行了整合研究。

以上研究均與智能電網的大數據資源深度開發有關，所以，智能電網的CBA架構，特別是大數據資源，對智能電網的運行過程有積極意義。

1 智能電網大數據的構成

因為當前智能電網大數據系統的建設過程仍處于探索中不斷創新的階段，不同的變電輸配電系統中使用的智能電網大數據構成也各不相同。但歸結起來，主要包括運行數據、負荷數據、安全數據和日志數據等諸多方面，如圖1所示。

圖1 智能電網大數據構成圖(局部)

如果不考慮大數據管理成本，理想化的智能電網大數據應包括以下組成部分。

第一，電能質量數據。

電能質量數據一般來自電網內的CT設備，通過采集二次側的電流、電壓、相位、諧波、雜波、中性點狀態、接地線狀態等相關數據，可以構建完整的電能質量數據，對一次系統內的電能質量進行實時的控制性測量。因為當前國內電網運行在工頻50 Hz頻率上，而最大精度采集此類信息，則應在1/4波形上設置采集點，即形成5 ms間隔甚至更高頻率的采樣頻率，實現對電網電能質量進行有效控制。這對電網內的諧波、雜波處理，浪涌抑制，無功補償，反送電，接地及漏電等現象進行及時的狀態捕捉并提出預警信息，對電網內設備的微故障進行定位定性分析。

第二，設備狀態數據。

電網中的主要一次設備，包括變壓器、斷路器、隔離開關、防雷器、CT線圈、浪涌抑制器等。二次設備構成更加復雜，包括各種控制屏、補償器、吸收器及其配套的超級電容器、電抗器、接地線圈等。這些設備大部分由線圈繞組、滅弧器等核心部件構成，也牽扯到各種安全相關附屬設施。因為伴隨著智能電網的功能逐步完善，相關設備的構成模式和系統對相關設備的依賴性逐漸增加。在大數據系統中，對這些設備的溫度、震動、油量、微電弧、以及各種動植物及空票物的侵入物等必須進行充分監測，以形成大數據資源。

第三，管理日志數據。

智能電網的自動化設備運行過程產生大量的系統日志數據，人為的值班、運行、倒閘、檢修、巡線等過程中，也會產生大量的日志數據。這些數據也會較直觀的顯示出智能電網的運行狀態，與前兩者之間形成數據互補。

當前，絕大部分智能電網管理信息系統，均以BIM系統作為核心管理平臺，整合各種輔助的監測系統、日志系統、值班系統、辦公系統的大數據資源，構成智能電網的大數據核心，如圖2所示。

圖2 大數據核心管理系統一般模式示意圖

2 智能電網可用的大數據分析技術

智能電網的大數據分析過程，一般分為數據的治理和預處理技術，數據的深度挖掘分析技術，數據預估及預警技術，專家系統相關技術等。

2.1 數據的治理與預處理

因為絕大多數智能電網運行數據均來自智能監測系統的物聯網采集接口，采集過程中，受到系統內的各種干擾影響，較容易出現數據的離群或者空值現象，所以需要在數據治理過程中執行部分的離群數據判斷、數據擬合、空值補全等操作。其中對離群數據的治理過程一般采用小波分析法進行處理。

常用的電力小波基函數，如式(1)—式(3)。

(1)

式中，

(2)

(3)

通過多次小波函數的迭代，可以將大部分離群數據拉回到理論值范圍內，只要不是持續2-3個波形出現的離群數據，大數據系統一般不會發出相應預警，而是偏向于認定相關數據的物聯網采集系統受到了不可抗和一過性干擾。

而將上述小波函數p(y)進行傅里葉變換，可以得到數據的雜波信息和諧波信息，如式(4)。

(4)

傅里葉變換的統計學意義是將相關的時域函數p(y)進行頻域轉化，以發現不同頻率下的波形位移量分布情況。

當然，如果要將多列不同量綱數據進行整合分析，還需要對相關數據進行去量綱變換，即將電流安培、電壓伏特、溫度開爾文等數據的量綱進行去量綱化，實現不同量綱數據的相互運算和相互比較。其中分為線性去量綱和非線性去量綱兩種計算模式。

線性去量綱一般采用min max算法進行數據預處理，如式(5)。

(5)

非線性去量綱一般是在線性去量綱的基礎上，將接近0值附近的數據投影充分拉大，一般采用對數法進行非線性投影,如式(6)。

Li(x)=logeMi(x)

(6)

2.2 模糊神經元網絡算法支持下的數據深度挖掘

不同的分析需求下，智能電網大數據的深度挖掘分析過程略有不同，但絕大部分分析過程，均是采用了模糊神經元網絡的分析方法。即整合了模糊分析的指數級狀態擴增和狀態捕捉優勢和神經元網絡的深度迭代回歸支持的數據隱藏規律擬合優勢。使用模糊分析的方式將經過2.1預處理的數據進行模糊化，將模糊后的數據輸入到神經元網絡中，經過3-7個卷積循環后，通過多個卷積節點的數據整合成神經元網絡的輸出節點，再通過模糊算法將神經元網絡數據進行解模糊處理。最終通過格式化輸出模塊，對經過解模糊的數據進行解釋、表示和可視化處理，最終形成最終輸出數據。這類最終輸出數據，可以用作數據預警和專家方案匯總，如圖3所示。

圖3 卷積神經元網絡在智能電網的一般應用模式圖

其中，神經元網絡常用以下四種節點實現方式。

第一，線性回歸函數支持的神經元網絡節點模式。

線性回歸主要用于節點數的壓縮算法，多用于輸入節點的大矩陣數據壓縮整合過程。電力大數據的分析中，往往一個輸入矩陣還有數百甚至數千個輸入節點，而在神經元網絡內部卷積模塊中，一般只使用1-3個輸入變量即可完成卷積，所以需要使用線性回歸函數對大量輸入節點進行壓縮。其節點基函數，如式(7)。

Y=∑(A·Xi+B)

(7)

第二，多項式回歸函數支持的神經元網絡節點模式。

多項式回歸主要用作對高維度數據進行降維處理，即發現數據中的微小變動規律，以放大數據的變化趨勢，提升數據的信度。多項式回歸函數是一般的神經元網絡卷積模塊的實現模式。其基函數，如式(8)。

(8)

根據群論規則，超過5階多項式就不可能有一般解，所以，絕大多數多項式函數采用最高5-6階多項式進行相應處理，更高的多項式函數會給系統帶來較大的算力壓力，容易造成系統崩潰。

第三，二值化函數支持的神經元網絡節點模式。

二值化函數主要用于數據預警系統和數據判斷系統，其統計學意義是將數據投影盡可能向無限接近于二值化函數兩個極點的方向移動。一般的二值化函數的移動方向是無限接近于1.000和無限接近于0.000。用于供系統判斷一個Logical結果。而其他函數更傾向于輸出一個Double結果。所以二值化函數一般應用于輸出節點模塊。其基函數，如式(9)。

(9)

第四，非線性函數支持的神經元網絡節點模式。

當然，電力大數據挖掘系統的輸出目標不一定是一個Logical結果，所以也有可能并不適用于二值化輸出模式，而是顯示更多細節的非線性輸出模式。這就常用到對數函數模式和指數函數模式。

其中，對數回歸的基函數，如式(10)。

Y=∑(A·logeXi+B)

(10)

指數回歸的基函數，如式(11)。

Y=∑(A·eXi+B)

(11)

3 電力大數據異常分析的層次架構

電力大數據的異常分析，一般分為4個層次進行分析，如表1所示。

表1 電勢大數據異常分析層次架構表

3.1 直接層(第一層)架構特征

結合2.1中分析方法，對數據進行完整性、信度、效度等分析，發現持續離群數據或持續缺失數據，此時，可以發現相關的一次或二次設備的故障，或大數據采集物聯網系統的探頭故障或網絡故障。特別是發現持續數據離群或持續數據缺失故障時，一次或者二次系統的電磁保護或者綜合保護并未發生動作，則其故障源多為物聯網系統本身。此時系統應報錯數據采集故障并由運行人員或者檢修人員確認故障源并進行相應維護操作。

3.2 關聯層(第二層)架構特征

當兩列或者兩列以上的數據關聯特征發生持續性變化，則一般認定系統出現了多點同時發作的復雜故障或者設備兼容性故障。比如因為CT飽和導致的普遍性二次故障，或因為電容器電抗器故障導致的系統補償能力降低導致的故障。關聯層數據分析過程一般需要直接層分析結果作為數據支持。其分析方法同樣在2.1中進行了論述。

3.3 特征層(第三層)架構特征

對各列數據進行單獨傅里葉變換分析，發現其時域特征和頻域特征應保持一定的穩定性，而當其時域特征或者頻域特征發生突發的持續性變化時，一般認為其數據特征層發生了故障。這些故障一般來自設備的自身故障，比如設備慢性擊穿、內部持續放電、絕緣油污染、絕緣紙老化、容性接地特征變化等。這些故障一般為系統的慢性故障，可根據這些故障排定狀態檢修任務計劃，防止故障的擴大化。而特征層分析的原始數據一般來自關聯層數據的支持。其分析方法同樣在2.1中進行了論述。

3.4 挖掘層(第四層)架構特征

當前三層數據分析過程中未發現系統異常時，數據可以提交到第四層進行深度挖掘分析，即一般采用2.2中的分析方法進行數據深度挖掘分析。這一層架構中，一般判斷特征層中未能體現的微小設備故障，比如各種未能影響設備狀態的微擊穿、微形變等故障。以及設備負荷能力不足等其他故障。且挖掘層也可實現與BIM系統、GIS系統等相關電力運行維護管理的輔助系統的數據整合分析過程，以發現更多深層次的故障形式。

4 總結

當前，電力大數據的分析過程，特別是大數據的離線分析過程和整合分析過程，已經初步構成了大數據分層架構。在分層架構下，可以實現各層次的單獨數據處理并形成單獨的數據處理子系統。不同層次下可以對不同層次的故障異常進行針對性的分析處理，可以較大程度減少相關大數據系統的開發量，并實現不同系統之間的數據相互支持和數據分析結果復用。研究電力大數據系統的分層架構，可以有效提升電力系統大數據的利用效率和開發進程。