基于人工智能技術的電網故障診斷與預警系統

王振國，賈 飛，余 洋

(內蒙古電力(集團)有限責任公司烏海電業局，內蒙古 烏海 016000)

0 引 言

近年來，隨著電網系統的不斷發展，中國已建成世界上最大且最為復雜的電網系統。如何保障電網供電穩定，及時發現并解決電網故障成為急需解決的主要問題。現如今，人工智能技術高速發展，對于電網故障診斷和預警，很多學者已將人工智能技術應用其中，極大地提高了電網故障診斷效率，如文獻[1]提出一種基于隨機森林算法建立的配網搶修故障量預測模型，對不同的故障進行預測；文獻[2]提出AI視頻監控，可以及時高效發現故障；文獻[3]提出一種基于時序貝葉斯知識庫(TBKB)電網故障診斷方法的原型系統；文獻[4]提出基于遺傳算法優化BP神經網絡的電網故障診斷。通過對以上學者研究方向的深入了解，可以總結為在對電網故障進行診斷的同時，需要提前發現電網系統可能存在的問題，并做到及時預警，以保證電網供電更加穩定順暢。

基于人工智能的電網故障診斷與預警系統，前期可以通過獲取烏海地區的電網數據進行預處理，采用多種數據驅動和人工智能算法，構建故障診斷綜合模型。該系統平臺能自動監控電網運行狀態，自動對電網診斷結果進行分析，并以可視化界面展示給工作人員。當電網故障診斷與預警系統預測到電網有大概率出現故障時，通過多種警報方式及時預警，做到提前發現問題、解決問題[5]。

1 烏海地區電網運行現狀

目前，烏海各級電網調度中心均配備運行監控、數據采集系統(SCADA)和能量管理系統(EMS)。在輸電網絡突發故障時，相應的數據監控設備會產生報警信息，如開關跳閘、自動保護裝置動作、欠電壓、過電流和設備過負荷等信息，并由專用網絡上傳到電力調度中心。特別是當整體架構規模巨大的電力輸送系統發生故障、電網發生復故障或自動裝置動作不正常時，會在短時間內產生大量的故障報警信息到達控制中心。其中包括大量的由保護或斷路器誤動、拒動、信道傳輸干擾錯誤、保護動作時間偏差等因素造成的不確定性知識和數據。電網調度中心工作人員面對如此紛繁復雜的報警信息，要從中快速準確的查找到故障源，判斷故障類型，進行正確的故障處理，專業知識的匱乏以及精神壓力可能會做出誤判，進而造成電網故障范圍的擴大或延長供電系統恢復時間[6]。

變電設備故障預警是電力調度生產業務的重中之重。因此，構建故障診斷體系可以大大降低故障發生、減少檢修成本。

2 電網故障預警系統架構設計

2.1 數據選取與預處理

調研烏海地區的調度、生產相關主站系統數據和圖模情況，對多種電網監控系統的跨平臺數據進行獲取和預處理，主要包括：數據采集渠道與接口技術、數據存儲與清洗技術、數據關系預處理。

基于電網設備拓撲模型構建運行數據、設備在線監測及歷史故障信息等多維度統一存儲方式，結合多種大數據處理方法，對多源信息進行一致性檢查、無效值剔除以及缺失值補漏，提供數據利用率，減少重復率。

融合多種統計學模型與智能算法，建立數據關系預處理模型，對設備數據、運行數據和生產數據等多元數據進行預處理。根據電網設備故障分析模型的要求，經數據預處理后，數據規模得到合理控制，并且涵蓋設備故障分析所需的所有關鍵數據，電網分布式數據轉化為更適用于設備故障分析與預警的高效數據集。

2.2 模型建立與算法設計

根據變電設備故障相關特征數據、故障原因分析結果等信息，采用多種數據驅動和人工智能算法，針對不同故障模式特點，研究相應的故障診斷方法，構建故障診斷綜合模型，實現電力系統變電設備的在線故障診斷和高風險設備故障預警。

采用已構建的故障診斷離線模型，對采集的設備運行數據進行再學習，同時采用強化學習和遷移學習技術，能模擬監控人員的思維方式，處理離線學習結果和設備實際運行狀態判定結果。構建變電設備故障診斷自主學習方法，增強模型故障分析處理能力的智能性和遷移能力，完成監控人員的部分工作，減輕相關人員的工作負擔。

2.3 系統實現

建立人工智能的電力設備故障分析與預警平臺。對現有的電網數據監控系統跨平臺采集的變電設備運行數據進行在線展示，通過多種圖表要素和圖層疊加功能，直觀快捷地展示關鍵變電設備的運行狀態。根據平臺提供的離線故障診斷模型，在線采集的變電設備運行狀態數據，對設備異常和故障進行在線診斷，并采用圖標、文字分析等對在線診斷結果進行多維度可視化分析與推送。

2.4 技術架構邏輯

技術架構邏輯如圖1所示，系統內部結構分為：基礎數據層、核心算法、業務邏輯和可視化展示。其中，外部系統從SCADA、EMS、PMS和在線監測(報告)中獲取基本數據，經過數據清洗和校驗，形成圖形庫、模型庫、運行數據庫和生產數據庫等。

圖1 技術架構邏輯

經過三層故障判別(先驗故障判別決策模塊、拓撲關系聯動故障識別和檢修計劃數據異動識別)，結合潮流計算、故障診斷和拓撲分析等算法，最終在可視化展示中根據不同的主題畫面提供GIS和系統一次接線圖的SVG展示。

2.5 數據服務分析

數據架構由離線計算區和實時計算區構成，遵循電網企業數據庫架構要求。數據流包括實時數據流、離線數據流、計算結果返回和在線數據查詢。本項主要涉及分析預警類應用，包括離線計算區和實時計算區，離線數據流和在線數據查詢兩方面內容，整體數據流架構如圖2所示。

圖2 系統數據流程架構

3 電網故障預警判別

3.1 先驗故障識別

基于當前電網設備，包括變電站內一次設備、二次設備的設備分類與特征，結合先驗知識建立決策樹集合。針對遙信信號的實時傳輸，引入信號內容的語法、語義識別，分離變電站設備類型、設備特性、告警內容，在決策樹集合中進行并發的瞬時激活及半激活判定。在故障的決策過程中，將海量不同信道的實時數據按先驗規則給出故障判定分類，建議包括：故障、異常、越限、變位、告知。故障判別決策模塊判定源端包含：斷路器、刀閘、接地刀閘、母線、變壓器、變壓器繞組、容抗器、負荷、交流線段端點、保護節點、終端設備。

3.2 拓撲關聯聯動故障識別

基于先驗故障判別決策集合的判定結果，結合電網拓撲結構，對預判定故障的有效性進行聯動二次識別。即時讀入遙信信號在電網拓撲中對各類設備進行置位，結合遙測信號對各導線、母線、變壓器的負荷等數據，建立二次識別的聯動決策樹集合。

通過故障的二次聯動識別，可以在電網拓撲結構層對故障的有效性進行校核。例如，故障導致開關斷開判定，但是通過即時拓撲分析后發現開關關聯導線依然存在負荷遙信量，則二次識別將暫時抑制該故障，并在特定延時后再次運行聯動識別，給出最終故障判斷。由于采用拓撲關聯的二次聯動故障識別，能夠在先驗故障判別決策的基礎上，有效提高故障的識別率，降低誤報可能。

3.3 檢修計劃故障異動識別

根據檢修計劃的安排數據，將檢修計劃與運維計劃的內容建立為基于甘特圖的決策集合。在拓撲關聯聯動故障識別的二次判定結果基礎上，與檢修計劃的安排過程進行三次聯動識別，對由于檢修工作和運維工作導致的設備動作的遙信信號進行標記，識別故障的異動特征，剔除故障誤報概率。

由于檢修工作與運維工作可能導致電網關聯設備的異常動作或短暫越限，因此檢修計劃故障異動的三次聯動識別將包含相關設備的影響評估，對相關設備的故障告警結果進行識別，標定其故障程度，根據決策預評估的方式進行故障等級降低與提升。

3.4 自成長隨機森林決策

隨機森林是Leo Breiman和Adele Cutler提出的一種組合決策樹的分類預測算法，本質是由一組決策樹分類器(h(X,θk),k∈(1,n))組成的集成分類器，其中{θk}是服從獨立分布的隨機變量，n表示隨機森林中決策樹的個數，在給定自變量X的情況下，每個決策樹分類器通過投票來決定最優的分類結果[7]。

基于大規模的遙信數據和遙測數據記錄結果，以及在先驗故障判定記錄、拓撲關聯聯動故障識別記錄和檢修計劃故障異動識別記錄的三級故障判定結果后，對基于隨機森林的決策體系進行自修正與自生成，做到決策體系的自成長。

在該系統中，基于機器學習中的隨機森林模型，能夠有效提高整個三級決策體系的有效性和實用性。通過集成決策樹集合的機器學習思想將多棵決策樹集成為一種算法，基本單元采用三級決策體系中的決策樹，形成自成長的集成學習模塊。由于每棵決策樹都是一個樣本分類器，那么對于一個遙信和遙測信號組合后的故障輸入樣本，n棵樹會有n個不同的分類結果，隨機森林模塊集成所有的分類投票結果，將投票次數最多的類別指定為最終的輸出。

4 現場應用

變壓器油色譜數據分析是發現變壓器內部故障的重要手段。傳統的定期檢測油色并分析色譜，很難及時發現變壓器潛在的故障。將文中所開發的故障預警系統應用于烏海電業局，通過實時分析該局110 kV千北站主變絕緣油色譜數據，對主變的運行狀況進行了及時預警。圖3為2020年烏海110 kV千北站主變絕緣油色譜在線監測數據，表1為烏海電業局110 kV千北站主變故障診斷結果。

圖3 烏海110 kV千北變油色譜分析

通過絕緣油的熱力學研究表明，隨著故障點溫度的升高，變壓器油裂解產生的烴類氣體按CH4、C2H6、C2H4、C2H2的順序推移。故障原因的分析也隨著氣體間含量比值的變化而改變。

表1 故障類型診斷

5 結 語

通過在三級故障識別過程中采用隨機森林模塊，能提高故障的識別準確率，可有效的運行在大數據集上。能夠處理具有高維特征的輸入樣本，能評估各個故障特征在分類問題上的重要性。在自生成過程中，能夠獲取到內部生成誤差的一種無偏估計，從而提高參數的識別與辨識效果。

通過三級故障判別模塊，以及系統運行過程中的自成長隨機森林決策模塊，能夠結合非同源數據對故障進行綜合判定。在判定基礎上，引入電網運行信息，能夠給出故障影響分析，以及發現未來潛在問題的可能性。

結合不同的電氣設備固有特征，可對不同型號、廠家、年代的設備進行數據切片，根據出現不同類型故障的密度，對其他未出現故障設備的潛在故障率進行評估，輔助巡視計劃的配置建議。

結合運方潮流運算方案，能夠在設備故障后，自動對接指定的運行方式，進行準實時潮流計算，為調度提供故障后的可能電網運行情況，給出參考情況，提升調度操作效率。 結合電網運行狀態、運方潮流運算、 負荷預測結果， 能夠對未來短期和中期的負荷情況進行潮流試算，發現潛在的超限等問題，從而輔助調度人員提前做好預防準備，合理安排調度方案。