基于多數據融合的智能電網運檢信息平臺設計

呂 晟，唐小平，湯雪鵬，張 帆，寧 威

（國網安徽省電力有限公司合肥供電公司，安徽合肥 230000）

隨著智能電網的全面部署，電網公司在實際運維工作中會涉及到大量的工作數據。通過對這些數據的合理分析，可以對電網設備狀態、用戶用能特征及電網設備維護管理提供可靠支撐[1]；隨著互聯網大數據的不斷發展與完善，合理利用運維數據對智能電網進行分析，不僅可以為運維人員提供合理的指導方案，更能提高運檢效率、保障運檢質量[2-3]。

目前，已有較多研究從大量原始數據集中分析并識別異常數據，以有效地定位與修復硬件故障，提高數據質量和采集系統的穩定性[4]。但目前所提方法大多針對特定的數據集或單純的運檢信息數據處理，還沒有統一的智能化電網運檢信息處理平臺[5-6]。因此，文中設計了一種包括運檢生產管理系統、實時調控系統、智能電網運檢管理平臺等基于多數據融合的智能電網運檢信息平臺。通過采用Hermite 正交多項式激勵的前向神經網絡模型對電網中的多源數據進行融合，以準確分析電網的運行狀態，對運維行為進行合理指導。實驗結果表明，該平臺能夠實時監測設備狀態并進行故障預警等。

1 智能電網運檢信息平臺設計

為了保證電力系統運行的安全、可靠，需要將多種數據融入到運檢工作中，以充分掌握系統的運行狀態[7]。為此，文中設計了智能電網運檢信息平臺，具備信息共享的PC 端管理平臺與移動終端APP，其能夠實現設備信息、巡檢信息、缺陷信息、專家庫等數據整合與統一管理。并通過電力專網的接入管理平臺，以實現“移動終端-運檢平臺-主站系統-在線監測裝置-現場設備”的線性數據流傳輸，強化對現場設備和運檢工作的管控。智能電網運檢信息平臺的主體架構如圖1 所示。

圖1 智能電網運檢信息平臺架構

該平臺涵蓋了電力系統所有環節中的設備狀態信息，以及運維、檢修、實驗等運檢過程。其能夠實時掌控電網、設備和環境的運行動態，較大程度上提升了運維檢修規范化管控，并且進一步加快實現提質增效、建設智能電網的進程[8]。智能電網運檢信息平臺主要包括運檢生產管理系統、實時調控系統、在線協同辦公系統、智能電網運檢管理平臺等。

1.1 運檢生產管理系統

運檢生產管理系統作為國網體系構建中的核心內容，可以支持電力系統運檢所有環節的管控，并周期性管控電網資產。該系統涵蓋了國網所有的運檢業務，貫穿整個生產過程，提升了國網公司的生產能力。生產管理系統在國網總部、省以及地區的電力公司中使用，其功能在于加強運維檢修過程的專業化管控，深入剖析監控環節，訂立運維檢修績效管控規范，以加快公司的精益化管控。并引導生產商健全其生產管理體系，根據要求匯總、剖析相關數據。

1.2 實時調控系統

實時調控系統包括調控門戶網站、基本數據管控、調控環節管控、生產管控、統計分析報表、調控命令下傳等。該系統不僅凸顯調度控制運用的一體化，尤其是強化了工作環節的規范化管控，且更優地提高了調度管控重點業務的廣度與深度。

1.3 PMS 2.0系統

PMS 2.0 是電力系統運檢全過程精益化管控與電網資產實時管控的平臺，以最大的范疇完成數據的共同分享與業務的融合，高質量地加快生產管控信息化的發展。PMS 2.0 系統在運檢信息平臺的運用，主要是監測與管控設備的實時狀態。此外，該系統還能夠充分剖析設備的績效，并保證所得剖析結果的精準性。

1.4 協同辦公系統

協同辦公系統包括辦公自動化(Office Automation，OA)、任務合作、知識與檔案管控4 個部分。該系統在智能電網運檢信息平臺中的作用主要是重組電網資源，以建立效率高且靈活的調度平臺。協同辦公系統能夠協調運維檢修任務的安排，并監督敦促其實行，以保障調令不受阻，提高管控平臺的決策支持水平。

1.5 智能電網運檢管理平臺

從本質上而言，智能電網運檢管理平臺綜合了電力系統中大多數的在線監測數據，例如電能質量、氣象等。通過融合多數據對監測數據進行深入的剖析，并將系統需要的數據傳送到有關的工作班組，以助其采取相關的措施，完成相應的檢修任務。

2 智能電網的多數據融合方法

智能電網運檢信息平臺的核心在于對系統數據的分析和處理，而智能電網各個部分分散著海量數據，將這些數據特征進行融合，為電力系統運檢提供可靠的保障是技術方案設計的關鍵[9]。其中智能電網多數據融合的架構如圖2 所示。

圖2 智能電網多數據融合的架構

圖2 中，傳感測量層采集溫度等數據，通過電力專網將數據傳至數據融合中心并進行儲存與剖析。數據管理層配置了NoSQL 等工具，從而實現對數據的深入分析。應用層主要用于實現數據應用，以電力系統智能化為目標，保障系統平穩運行[10]。

2.1 數據預處理

在智能電網中采集的數據存在著大量與后續分析工作無關的冗余數據，以及異常數據和數據丟失[11]。因此，需要對采集的數據進行預處理，以保證后續數據分析的有效性。

數據預處理首先從海量原始數據集中提取分析所需的數據項，然后對數據進行結構化預處理，使原始數據能夠滿足下一個數據分析模塊的數據需求[12]。對于數據處理的要求和目標，數據審核模塊采用了簡明、高效的判斷邏輯以及數理統計的方法。這些規則或邏輯大多具有通用性，如數據內容是否滿足采集內容要求、采集數據是否正確、采集數量是否滿足基本數量關系，以及電力數據是否符合基本邏輯等統計方法[13]。最終，結合一些實際的運行經驗得到一些新的特征，并將這些特征加入到數據中。將矩陣輸出到后續環節中作進一步的分析[14]。

2.2 基于Hermite正交基前向神經網絡的多數據融合方法

Hermite 正交多項式激勵的前向神經網絡模型，如圖3 所示。

圖3 Hermite正交基前向神經網絡模型

其中輸入、輸出層的神經元均有一個f(x)=x，設置其權值與閾值分別設置為1 和0，隱含層神經元的個數為n。則有：

輸入受激勵矩陣X：

目標輸出相量Y：

網絡處理誤差函數為：

由于智能電網監測的數據類型較多，因此要求構建網絡架構，能夠把多個輸入轉變成單一輸出[15-16]?；贖ermite 神經網絡模型的多數據融合流程如下：

1）輸入X是一個多維度的數組，包括多種特性數據，但其輸出只有一個節點，并按照業務對象類型調整隱含層的節點數量。

2）對各個業務對象的樣本進行訓練，其輸出的數值設為0 或1，若輸出為1 則表示符合預期；反之，則表示不符合預期。整個判斷過程，采用Hermite 正交基神經網絡進行學習逼近。

3）將步驟2）中得到的分類進行初步融合，其中的分類條件是已設置的閾值。當網絡的輸出不在閾值范圍內，則可認定該對象樣本是規定類的數據。

4）將所有等待分類的數據處理完成后，對其進行匯總剖析。

3 實驗結果與分析

3.1 系統的執行時間測試

首先從系統執行時間對所涉及平臺進行測試，針對不同用戶數量分別測試其響應時間的最大值和平均值。測試結果顯示，平臺各功能模塊正常，能夠滿足設計要求，系統執行時間均在預先設計范圍。其系統執行時間，如表1 所示。

表1 系統執行時間

3.2 輸電線路故障預警

就電網而言，輸電線路涉及的范圍廣、巡檢難度較大，故障點難以及時發現，一旦出現故障，消缺也需要較長的時間。因此，實現輸電線路智能化的故障預警對電網的穩定運行尤為重要。

根據平臺獲得的輸電線路上的各參數數據，以判定桿塔是否發生傾倒、線路過載、雷擊等。以輸電桿塔傾倒為例，根據輸電線路弧垂能夠判定桿塔狀態，并對可能發生的故障進行預警。其中弧垂監測及預測值如圖4 所示。

圖4 輸電線路弧垂預警

從圖4 可以看出，平臺中顯示的監測值與系統預測的數值接近。隨著樣本數量的增加，估計垂度與測量垂度接近程度幾乎無較大變化。因此能夠較為精確地估計線路的弧垂，在超過弧垂閾值時進行預警，以避免因弧垂過大或過小而發生故障，影響電網的穩定運行。

3.3 變電站設備狀態監測

變電站作為發電側與用電側樞紐，其設備運行狀態尤為重要，而其中變壓器的狀態是關鍵。夏季天氣炎熱，空調等負荷投入較大程度上增加了用電量，因此變壓器可能會出現過負荷的情況。利用所設計的平臺監測某變電站變壓器的運行情況，變壓器容量以8 MVA 為例，可以根據監測的歷史數據對負荷進行預測，其結果如圖5 所示。

圖5 某變電站的變壓器監測值與預測值

從圖中可以看出，該平臺能夠獲取變壓器的出力數據，并根據監測數據精準預測出力的變化趨勢。同時，將所提方案與文獻[4]所設計平臺對于設備的狀態檢測效果進行對比?？梢钥闯觯撗芯克岱桨概c實際值更為接近。

由于Hermite 神經網絡算法的激勵函數是正交多項式，并能夠得到網絡相接的最優權重。其中在選取變量訓練中完成了多數據的融合，且保存了原有數據的特征屬性，因此得到的預測值與實際值更為接近。這對調度人員制定負荷調控方案、運維人員監控設備具有較大的指導意義。

4 結束語

文中提出并設計了一種基于多數據融合的智能電網運檢信息平臺，采用Hermite 正交多項式激勵的前向神經網絡模型對電網中的多源數據進行融合，從而實現準確分析電網的運行狀態。智能電網運檢信息平臺整體架構包含運檢生產管理系統、實時調控系統、智能電網運檢管理系統等。實驗結果表明，該平臺能夠準確監控電網設備狀態、實時預警故障并為故障檢修進行指導，有效提高了智能電網的運檢效率。

隨著對供電質量要求的不斷提高，智能電網大數據在服務自身運檢行為的同時，更應分析用戶用能行為，有針對性地提升服務質量。