融合關聯與矩陣算法的變電設備狀態監測方法

王能勝，吳玉玲，江 濤，王黃磊

(國網安徽省電力有限公司 廬江縣供電公司,合肥 231500)

0 引言

在電力技術日益發展的情形下，變電設備作為電力傳輸系統的關鍵部件，其服役質量直接決定了電力系統的可靠性。為了確保電力系統的正常運行，變電設備的服役過程狀態數據呈爆炸性增長態勢，大數據技術在電力系統的實時監測應用更加廣泛[1]。由于電網之間的拓撲關系錯綜復雜，對電網中變電設備狀態評估和智能檢測就需要專門的檢測方法。

現有技術中通常使用檢查設備或者電力設備的方式，也有采用常規統計學分析的方式，但是這種技術通常只能通過本地分析，遠程分析就變得十分困難。文獻[2]應用了一種在線監測的方式，這種方式仍舊依賴于現有技術中的設備監測，一旦監測設備出現故障，電力檢測就會中斷[2]。文獻[3]應用了大數據分析的方法，但僅僅是該大數據的膚淺應用，無法實現大數據的深刻分析[3]。在本研究中的電網內運行中電力設備實時監控和數據分析能力仍舊遠遠不足。

1 總體架構設計

針對上述設計的不足，本研究采用大數據技術對變電設備狀態監測過程中產生的大量數據進行數據挖掘，以提高變電設備的監測能力[4-5]。

在本研究設計中，將大數據技術應用于狀態評估的基本思路是對狀態監測數據進行綜合分析，并利用相關算法進行深度挖掘[4]。以變電設備的實時服役狀態過程監測數據為參考依據，對其進行統計學規律分析，進而發現高價值的服役過程關鍵信息，以實現對變電設備的異常狀態快速檢測和評估，全面、高效、精確地掌握關鍵性能的健康狀態，為變電設備的狀態檢修和日常維護工作提供理論依據，進而確保變電設備的安全可靠運行[6]。如圖1所示。

圖1 基于大數據技術的狀態評估架構

圖1為狀態評估的整體架構示意圖，圖中，其關鍵技術如下:

1)變電設備運行關鍵參數體系建立。該系統包括多種模塊，如圖1所示。本研究為了提高變電設備運行狀態中數據評估的綜合性以及擴展性，本研究的變電設備狀態監測系統融合了融合關聯與矩陣算法，對變電設備狀態數據信息進行不同形式的計算，進而從不同的角度挖掘變電設備的數據信息，實現變電設備的運行狀態的監測，將變電站運行、維護過程中宏觀現象通過數據微觀分析反映出來。

2)監測過程大數據的診斷分析。構建不同類型的大數據模型，建立多維數據狀態量，分析其異常變化的發展趨勢，并將其用于降噪的理論依據。以變電設備實時過程狀態數據的多元時間序列為主要參考，將具有強相關性的多元時間序列進行數據分析及診斷，以辨別異常數據特點和相對應的異常模式，并將可清洗的數據通過雙迭代方法進行處理。

3)基于大數據量挖掘的故障分析。基于檢測過程大數據獲取變電設備關鍵信息，根據監測數據流中的異常評估，可以為變電設備提供預警[7]，實現服役狀態評估和決策控制信息支持。

4)基于大數據技術的變電設備關鍵性能評估。通過構建的數據模型對數據信息進行挖掘，進而實現數據的微觀分析。

2 狀態評估方法

2.1 多元時間序列模式挖掘方法

本研究在進行在線監測時，傳遞的數據信息不管從空間還是時間維度上，都具有明顯、易識別的宏觀特征，在進行分析時，需要對宏觀的數據信息進行狀態這種分析，通過數據特征提取實現宏觀數據的微觀分析[8-9]。

本研究的APRIORI算法模型如圖2所示[10-11]。

圖2 APRIORI算法模型結構示意圖

在應用關聯規則進行數據挖掘時，需要學習不同電力大數據之間的數據管理性，這就要用貝葉斯概率計算，結合圖2進行說明，假設待劃分屬性的變電設備運行期間的故障測試大數據集為d，假設將變電設備故障測試大數據類型的屬性類別劃分為集合C，其中C={c1,c2,…,cm}，其中第i分類屬性滿足這樣的條件:l≤i≤m，對于待分類的變電設備測量數據類型集合d，其故障數據輸出的最大類別為P(ci/d)，則有：

(1)

其中:C、D為隨機變量，則變電設備測量數據類型d的貝葉斯分類公式為：

(2)

通過上述模型的構建，再通過分析過程對本研究的方法進行說明，其中關聯規則的主要方法為：

1)假設將各種不同的電力大數據屬性應用符號化時間序列A和B形成A1，B1，符號化時間序列A和B的差分序列形成A2，B2；然后對運行工作狀態中的變電設備列表進行掃描，通過這種方式能夠得出電力設備數據信息的不同排布，輸出不同狀態下的電力設備數據信息。

2)將變電設備運行過程中產生的不同大數據屬性A1，B1，A2，B2分為N個滑動窗口，記為SWl～N，其中在每個滑動窗口中包含了同時段符號化后之序列；根據變電站數據的各屬性值(諸如影響電網運行的諧波、磁場、紋波、網絡流量、設備設置環境、設備運行速度等)。該技術在應用過程中，需要應用到層次分析法的計算方法，能夠計算出不同數據的加權值。結合計算出的電力數據加權值，再計算出變電設備狀態數據警告集t的權重值，該值通過以下公式可以算出:

(3)

3)然后根據滑動窗口中的4個序列，計算出變電設備不同數據之間的支持度；結合步驟2)中計算出的電力數據加權值具有的權重，再計算各變電設備運行數據警告的加權支持度，加權支持度用以下公式表示:

(4)

4)在該步驟計算過程中，假設變電設備運行數據中的異常數據為警告頻繁k項集，則根據變電設備加權項目集的先驗性質。對故障數據集進行計算時，還通過優化拼接、減枝等技術方法產生數據警告，在計算過程中無法繼續產生告警頻繁項目集的位置時[12-13]，進而輸出影響電力設備安全可靠運行的各種數據信息。

通過上述方法，能夠使用戶從海量的電力大數據信息中獲取變電站設備運行情況，進而獲取變電站設備故障情況，以使維修管理人員及時進行處理。除了APRIORI關聯算法規則外，本研究還應用了一種新型的算法[14-15]，能夠計算出影響變電設備運行的因素，對變電設備狀態評估進行深層的分析與挖掘，下文將詳細描述。

2.2 高維隨機矩陣評估方法

高維隨機矩陣理論在信號處理應用中關注廣泛，其基本思路是利用隨機矩陣特征參數的統計分布特性分析方法來挖掘數據中的隱含信息[16-17]。高維隨機矩陣理論分析隨機矩陣在維數趨于無窮的情況下，其特征值、奇異值以及其他相關參數的統計分布特性。高維隨機矩陣X的表示方法如下：

(5)

在式(5)中，用字母X表示各種運動狀態下變電設輸出的數據集合，用列向量x1,x2,…,xn表示n種不同影響變電設備互相獨立、且安全可靠運行數據向量，其中X∈CN×n，N→∞，n→∞，N/n=c。電力系統大數據的獲取如圖4所示。高維隨機矩陣理論在電力大數據中的廣泛應用和密切聯系。

在建立的數學模型中，變電設備中存在大量多維數據。從數學角度上，這些數據能夠被建模時間序列分別為X1,X2,…,Xn的高維矩陣，矩陣的規模為N×T。當在大數據系統中獲得了N和T時，可以實現對高維隨機矩陣的數據處理。下面詳細進行說明。

在影響變電設備正常運行的數據類型中，假設存在M種，用具體的宏觀數據表示為安裝環境、電網諧波、雜波、磁場、紋波、設備運行溫度、濕度等。將這些數據記做為數據集合{P1，P2，P3,…,PM}，假設變電設備在理想狀態下輸出的參數為N，輸出參數比如為電流、電壓、紋波、諧波[18-19]、功率等，這些數據記作為數據集合{Q1，Q2，Q3,…,QN}，則在高維隨機矩陣算法時，衡量變電設備運行過程中受某些因素影響時，則利用以下相關性矩陣公式：

(6)

在公式(6)中，則有:

(6)

(7)

通過構建上述矩陣，則可以將影響變電設備正常運行的數據數據集{P1，P2，P3，…，PM}和正常運行的數據集合{Q1，Q2，Q3，…，QN}聯系起來，通過矩陣計算，則可計算出具體的影響量。

3 智能檢修方法

3.1 變電設備服役過程故障診斷與分析

變電設備發生故障使變電設備無法正常處于工作狀態，基于前文所提出的電力大數據數學模型，實現變電設備間的系統互聯。其中變電設備故障項目如表1所示。

表1 故障關系架構示意圖

3.2 大數據驅動的智能檢修技術研究

基于電力大數據的變電設備狀態評估模型，可以有效獲取變電設備的關鍵參數集，綜合變電設備狀態檢測數據的橫、縱向分析兩種主要方法。采用橫向分析方法，從電力大數據模型中獲取相同類型的變電設備參數數據，并進行對比分析，得到對同一類型的變電設備故障進行評估[21]。而縱向分析方法是指針對特定的變電設備，分析其當前服役的具體關鍵參數，并與歷史參數數據相比較，根據長期服役的大數據模型，進行故障類型和具體情況的分析及預測。最后，基于故障過程數據的記錄，將實地檢修的流程作為對大數據模型的反饋輸入。根據變電設備長期服役的故障處理數據，對大數據故障診斷、預測模型進行不斷修正，逐步提高變電設備大數據模型的預測精度和可靠性。

通過上述論述，基于服役狀態過程數據找到變電設備的故障發生位置和導致故障發生的原因，進而采取針對性措施。在對變電設備的故障檢修完成后，基于大數據故障評估模型，對該設備可能出現的其他無故障部件進行檢修和維護，主要包括設備本體、監測裝置、元器件等，確保故障設備檢修后的整機服役可靠性。此外，故障設備檢修完成后，獲取大數據分析模型的評估結果，基于不同的分析結果和服役性能要求確定下一步的檢修策略。通過故障信息收集和整理，檢修人員能夠獲得大數據的檢修技術支持，以便于變電設備檢修人員提高檢修效率，進而提升變電設備的檢修質量。通過對變電設備的過程數據監測，可以為功能系統和保護系統的智能控制提供理論依據。

4 試驗分析與驗證

4.1 硬件環境

4.2 試驗目的和方法

本試驗通過將常規設備檢測的方法(下文簡稱方案1)、人工檢測方法(下文簡稱方案2)和本文研究方法進行對比，以驗證本研究的效率和正確性。

4.3 狀態評估驗證

位然后利用上述介紹的方法進行深度學習，選擇3種不同類型算法進行對比學習效果，其中樣本數據信息如表2所示。

表2 樣本數據記錄表

在12種不同數據類型中，選擇100個數據樣本集，對比不同算法的評估效率。假設測試時長為1小時，則輸出的曲線如圖3所示。

圖3 整體系統對比曲線圖

在圖3中，白色實線表示本研究技術方案，緊挨著白色實線的虛線為設備檢測方法，最下面的曲線為人工方法。通過圖像可以看出，本研究的方法在相同的時間內，樣本完成率最高。

在圖4中，白色實線表示本研究技術方案，緊挨著白色實線的虛線為設備檢測方法，最下面的曲線為人工方法。通過圖像可以看出，本研究的方法在相同的時間內，數據識別準確率最高。

圖4 APRIORI關聯算法對比示意圖

在圖5中，白色實線表示本研究技術方案，緊挨著白色實線的虛線為設備檢測方法，最下面的曲線為人工方法[23]。通過圖像可以看出，本研究的方法在相同的時間內，數據識別準確率最高。

圖5 高維隨機矩陣算法試驗對比示意圖

綜上所述，本研究的方法在數據處理效果準確度上都優于方案一和方案二。

5 結束語

針對現有技術方法不能進行全面運行狀態評估及檢修問題，本文提出了基于大數據技術的變電設備狀態評估及智能檢修方法。完成主要內容如下：

1)構建出變電設備數據采集、分析、評估和遠程監控等一體化系統，使得用戶通過數據信息情況即可獲取變電設備的宏觀數據信息分析。

2)基于多元時間序列構建了變電設備的關鍵技術參數體系，對變電設備的服役過程數據進行關聯模式挖掘，分別從時間維度和空間維度進行特征描述，進而獲得變電設備全景狀態信息分布。

3)將高維矩陣理論用于狀態大數據分析，從概率論和統計學的角度來展示分析數據內部特性，實現變電設備關鍵性能的實時狀態評價。

本研究雖然在一定程度上解決了變電設備存在的問題，但還會存在一些其他方面的技術不足，有待進一步探索。