基于互聯網平臺的配電網智能化運維管理模式①

田永明,梅成磊,馬 強,趙海洋

(國網烏魯木齊供電公司,烏魯木齊 830002)

互聯網平臺中的知識管理工具能夠促進隱性知識的共享,為語音識別、圖像識別與自然語言處理等人工智能方面的知識共享提供便利,應用領域非常廣泛,其中包括通信與生活服務等行業[1].互聯網技術能夠拓展新的用電渠道,改善與提升用電服務設施,增強信息化程度,提高服務水平[2,3].

隨著用戶逐漸增加的用電服務需求,目前配電網的運維管理水平很難滿足其服務需求,其中包括配電網可觀可控的覆蓋范圍較小,缺乏管理能力與分析多元化負荷監控能力,很難滿足電動汽車等的迅速發展需求,配電網信息化管理水平較弱,不能實現精準投資提升經濟效益[4].針對這些問題,提出基于互聯網平臺的配電網智能化運維管理模式,所研究模式屬于配電網智能管理、分析與決策系統,核心是配電智能化,主線是智能感知、數據融合和智能管理與決策,以互聯網技術為支撐,重點分析運檢專業數據,融合配電網有關數據,為配電網智能化運維管理提供決策支持,實現配電網精準運維管理,準確投資,提升經濟效益.

1 智能化運維管理模式

基于互聯網平臺的配電網智能化運維管理模式,通過互聯網平臺融合其他專業系統數據,實現配電自動化,由設備狀態管理、運維管理與運檢指標管理構建設備運行管理、在線分析問題與績效評估的閉環過程,提高配電網運維管理效率與創新發展[5].圖1為基于互聯網平臺的配電網智能化運維管理模式結構圖.

圖1 模式結構圖

基于互聯網配電網智能化運維管理模式,通過整合運檢與調控等系統數據,組建以全業務數據中心為基礎的企業級跨專業管理模式[6].利用縱向管理與橫向協同,縮減管理鏈條,提升響應速度與供電服務管理能力,支持省、市、縣三級應用,避免部門間前端整合不充分與專業協同不順利等問題,實現信息聚集、一口對外、過程管理、協同指揮、風險預警、投資分析與綜合評價的全方位管理.

1.1 配電網智能化運維管理平臺

配電網智能化運維管理平臺是以互聯網為核心,組成的開放式平臺,包括智能感知層、數據融合層與智能決策層,圖2為配電網智能化運維管理平臺架構.

圖2 運維管理平臺

智能感知層:集成配電自動化系統、調度自動化系統和用電采集系統等相關數據,通過推送信息和數據總線等方式接入互聯網平臺.

數據融合層:將整合的數據傳入配電網資源中心,清洗及整理相關數據,配電網資源中心屬于互聯網平臺的具體實現.

智能決策層:以互聯網平臺為基礎,通過每種業務管理的需求組建配電網智能化運維管理平臺,完成設備狀態管理、運維管理與應急管理.

1.2 互聯網平臺

互聯網平臺包含支撐層、管理層、應用層與目標層[7].圖3為互聯網平臺結構圖.

圖3 互聯網平臺結構圖

支撐層屬于底層技術支持層,包含統一檢索技術與數據分析技術等,為管理層與應用層的實現提供數據支持[8];管理層負責管理互聯網接入平臺,分配操作權限,實施安全認證,可分析用戶行為,獲取用戶信息,實施信息推送;應用層包含服務應用與功能應用,服務應用是依據實際業務需求,利用接口與營銷系統、用電信息采集系統與調度自動化系統等實施對接,實現互聯網平臺外業務支撐,功能應用指符合客戶的賬戶管理、信息查詢、業務辦理與在線支付等有關業務功能;目標層為實施應用層后的理想結果,避免重復勞動與提升工作效率.

1.3 運維決策管理

通過知識發現子模塊與決策器設計子模塊,分析容易出現故障的電力設備集合的健康度以及重要度,利用健康度以及重要度評估運維決策風險,為配電網運維提供決策支持,實現運維決策管理.圖4為決策器設計子模塊結構圖.

圖4 決策器設計模塊

電力設備狀態量異常數據信息可通過知識發現子模塊獲取,容易出現異常及故障的電力設備集合則由關聯規則獲取.決策器設計子模塊具有分析與決策功能和風險評估等功能.

1.3.1 提取多維狀態量故障特征

采用歸一化譜聚類算法,分析所有采集量集合中單維狀態量的正常信息以及異常信息,計算經驗譜分布非隨機收斂的密度函數,設置協方差矩陣的特征值為目標函數最優值,通過酉矩陣和奇異化矩陣,獲取特征根概率密度函數,完成單維狀態量故障特征的提取.

RY×Y是Y×X階非Hermitian 矩陣E的協方差矩陣,故障斷面下采集數據頻率是Y,故障斷面下采集數據時間是X.設Y×X階非Hermitian 矩陣E符合矩陣內元素是獨立同分布,歷史正常運行數據 μ=0,方差σ＜∞.在Y,X→∞與Y/X=g∈(0,1)情況下,g是高維矩陣分布半徑,f(λRY×Y)是協方差矩陣RY×Y的經驗譜分布非隨機收斂的密度函數[9],公式如下:

其中,協方差矩陣RY×Y的特征值是λRY×Y,設置λRY×Y作為目標函數最優值,其對應特征向量為最優解向量;

EY×X是Y×X階非Hermitian 矩陣,故障斷面下采集數據頻率是Y,故障斷面下采集數據時間是X,在期望是0、方差是1 時,則矩陣內元素屬于獨立分布的,通過酉矩陣U奇異化矩陣EY×X的樣本協方差矩陣[10],獲取等效矩陣u為樣本協方差矩陣,設置等效矩陣個數是L,電力設備是i,在Y,X→∞與Y/X=g∈(0,1)的情況下,特征根的概率密度函數如下:

D-S (Dempster-Shafer)證據理論屬于一種推理方法,用于衡量數據的不確定性[11].在D-S 證據理論內假設由元素構成假設空間 Θ.證據m1,m2,···,mn合成規則公式如下:

其中,證據體是B;基本概率賦值(BPA)需符合以下條件:

其中,歸一化因子是K;證據體是mj(Bi).

1.3.2 運維分析與決策

通過出現故障的電力設備運行狀態信息判斷這個電力設備運行環境的故障程度,為配電網運維管理提供決策依據[12,13].輸入設備健康狀態關鍵特征量,采用證據理論法,構建設備健康等級模型,得到配電網中電力設備健康度等級的定義公式如下:

其中,時間是t;電力設備是i;健康度等級是Qi(t);參數分別是Ci與Ki;歷史故障率是λi;出現故障的概率值是p?i.

通過清除淤泥、修砌塘埂等，可有效擴大魚塘容量，增強抗旱保水能力。高產魚塘至少3年清一次淤泥，雖然清淤費用較高，但可降低餌料系數與魚病防治費用以及暴發性疾病發生的概率，故利大于弊。一般老池塘每年都要清除池底淤泥，只保留底泥10～15cm即可。也有養殖戶將魚塘水排干后，保持有10cm厚淤泥，再種上黑麥草、蠶豆、油菜及蔬菜等，實行種養有機結合，用農作物根系來通氣，吸收和轉化土壤中的各種營養物質，起到改良土壤、破壞水生病菌生活環境的效果，能顯著減少魚病的發生，這種種養結合的輪作方式，可互惠互利，共同促進，并且十分符合現代綠色健康養殖要求。

為確保電力設備健康度取值不超過100,可擬合歷史故障率 λi,公式如下:

其中,電力設備最小故障率是λmin;電力設備正常故障率是λc;Q值與電力設備健康度成正比.

1.3.3 運維決策風險管理

為避免因電力設備故障所導致的不同危害,便需制定規范的運維管理策略[14].以確保配電網運行安全為前提,制定不同電力設備與不同環節的運維檢修順序[15].電力設備的重要度指數是用來表示設備的重要程度,由關聯規則挖掘獲取,為運維管理提供決策依據,根據配電設備狀態評價指標,得到重要度指數的定義公式如下:

其中,影響因素數量是k;重要度等級是Wi,k(t);權重是αk(t),αk(t)∈(0,1);影響重要度因素總數量是M2.

綜上所述,聚類分析多維狀態量的歷史正常數據和異常數據,通過D-S 證據理論整合單維和多維支持數據,獲取多維狀態量故障特征.利用知識發現子模塊與決策器設計子模塊,分析可能出現異常及故障的配電網中電力設備集合的健康度與重要度,根據關聯規則,獲取可能出現異常及故障的電力設備集合,得到不同電力設備的重要度指數,評估運維決策風險,為配電網運維提供決策支持,從而實現運維決策管理.

2 實驗分析

應用本文模式后,能夠有效呈現該配電網的全部信息,其中包括配電網設備規模、供電可靠性、電壓質量與客戶服務等情況.圖5為該配電網智能化運維管理模式.

圖5 配電網智能化運維管理平臺界面圖

配電網電壓質量模塊能夠體現出饋線異常與臺區異常等信息,圖6為配電網電壓質量管理模塊界面圖.

圖6 配電網電壓質量管理模塊界面圖

根據圖5與圖6可知,本文模式能夠有效獲取配電網運行的實時數據,為后續智能化運維決策與管理的在線分析提供數據支持.

因為配電網內的電力設備運行多年,其運行數據比較全面,電力設備的運行數據能夠通過不同方面反映配電網的健康情況和運行狀態.利用關聯規則構建故障類型和由多維狀態量形成的頻繁項集間的對應關系,表1為變壓器故障類型和頻繁項集對應關系.利用本文模式分析得出變壓器監測超標部分數據,圖7為實時油溫異常監測數據,圖8為實時局部放電異常監測數據.

表1 變壓器故障類型和頻繁項集對應關系

圖7 實時油溫異常監測數據

圖8 實時局部放電異常監測數據

結合表1、圖7與圖8能夠獲取變壓器可能出現的異常情況有絕緣油劣化與絕緣油溫升異常.以絕緣油劣化情況為例,利用本文模式獲取歷史正常數據集和實時監測數據集的協方差矩陣特征值的譜分布、高維矩陣特征值圓環散點分布,圖9為絕緣油劣化的頻繁項集樣本協方差矩陣的譜分布圖.

圖9中,pdf 表示概率密度函數(probability density function).根據圖9可知,油溫和局部放電異常數據會導致絕緣油劣化關鍵性能矩陣的數據偏離正常值,譜半徑平均值代表數據偏離正常值的程度,這兩個值成反比.同理,獲取其余故障類型協方差矩陣的譜分布圖.圖10為特征根圓環散點分布圖.

圖9 協方差矩陣的譜分布圖

根據圖10可知,內環表示油溫異常區域,外環表示局部放電異常區域,圓環內具有很多特征值,表明絕緣油劣化數據已偏離正常值,由于大部分特征根分布于內環,所以變壓器絕緣油劣化異常狀況較為嚴重.同理,獲取其余故障類型的特征根圓環散點分布圖.

通過關鍵性能矩陣特征根的分布狀況,能夠初步判斷變壓器異常及故障的情況.電力設備出現故障類型的排序,可通過D-S 證據理論整合數據集關系獲取.采用本文模式分析歷史運行數據,獲取變壓器絕緣油劣化故障有關的關聯規則挖掘,表2為絕緣油劣化故障有關的關聯規則挖掘.

根據表2可知,油溫和局部放電屬于影響電力設備異常及故障的重要狀態量.利用本文模式對表2中異常數據實施挖掘,獲取這兩個狀態量的單維狀態量置信度以及多維關聯量置信度.同理,獲取其余故障類型的油溫與局部放電單維狀態量置信度和油溫與局部放電多維關聯量置信度.通過D-S 證據理論整合單維和多維支持數據,獲取變壓器的運維決策表.表3為配電網中變壓器運維管理決策表.

綜上所述,本文模式能夠有效獲取配電網中電力設備可能出現異常及故障的情況,得到運維管理決策故障類型優先等級,按照優先等級順序排查電力設備故障,實現配電網智能化運維管理.

通過對比該配電網在2018–2020年不同投資項目中采用本文模式前后收益,進一步驗證本文模式的有效性.圖11為不同投資項目采用本文模式前后收益對比結果.

根據圖11可知,采用本文模式后所有項目的收益均高于采用本文模式前,同時也顯示出采用本文模式前的配電網投資行為缺乏一定的科學性.實驗證明:采用本文模式對配電網投資項目智能化運維管理后,可有效提升配電網的經濟效益,證明本文模式的有效性.

圖11 采用本文模式前后對比結果

3 結論

以提高配電網電力設備運行狀態管理能力為目的,設計基于互聯網平臺的配電網智能化運維管理模式.所設計模式為配電網提供了完善的智能化運維管理方法與支撐手段,全方位增強配電網智能化運維管理的穿透力,實現配電網全業務數據實時在線分析,獲取運維決策方案,完成配電網智能化運維管理,將配電網故障處理的事后搶修變更為事前預防.全方位強化專業間的貫通與融合,確保配電網運行的安全性與可靠性,提升配電網的服務水平、投資的準確性與經濟效益,減少配電網運營成本.