基于改進蟻群算法的電力系統異常數據檢測方法

國網山東省電力公司檢修公司 曹亞華 程鳳璐

在電力系統運行過程中，測量得到的數據通常會包含有效異常測量數據和測量誤差數據兩部分。通常后者是符合正態分布的白噪聲，在對其進行相應的處理后能基本消除其對檢測結果造成的影響。而異常數據在產生后，通常是由于誤差數據過大，且無法通過一般手段對其進行補償，進而造成數據變化脫離原本正常變化軌跡，最終將會導致電力系統的故障運行。

1 基于改進蟻群算法的電力系統異常數據檢測方法設計

1.1 基于改進蟻群算法的異常數據特征量提取與聚類

為提高電力系統在運行中的穩定性，需在設計異常數據檢測方法前引進改進蟻群算法，進行數據特征量的提取。考慮到此過程中異常數據以單數據與多數據的形式存在，因此需提取系統中單數據與多數據的特征，即可對異常數據特征量的提取。電力系統在正常運行時，在系統中呈現平穩序列的數據屬于單數據，難以直接找到數據變化規律，無法使用統一函數進行表達的數據為多數據[1]。對于此部分數據，需要使用算法，利用蟻群的選擇性，進行簇族中任意一個中心距離與特征點距離的組合計算，并明確在任意一個蟻群中，異常數據中心距離與特征點之間的距離為固定的，因此可認為電力數據的變化隨著時間的動態變化而發生變化，此種變化可使用蟻群轉移概率表達，當提取后的數據不在概率表達范圍內時，可認為系統在運行時產生的此部分數據為異常數據，完成異常數據的提取后，將數據整理成一個標準格式的數據組，根據蟻群的生存方式，進行特征數據的聚類處理[2]。

處理過程可用公式Xi=λ1Xi-1+λ2Xi-2+L+λmXi-p+β1表示，式中：Xi表示為基于改進蟻群算法的特征數據聚類處理結果；β1表示為聚類處理過程中系統運行受到外界干擾產生的白噪聲；λm表示為不同時刻下特征數據的變化程度，按照公式對單數據與多數據進行聚類處理。

1.2 電力系統異常數據檢測值確定

完成對電力系統運行中異常數據的檢測后，明確不同電力設備間傳遞的信息屬于不規則信息，因此要實現對其中異常數據的精準檢測，還需通過示警的方式，將系統在正常條件下產生的數據與非正常條件下產生的數據進行比對，根據比對后的結果確定數據具體檢測值[3]。檢測時，需先建立一個針對系統中異常數據展示的數學模型，假設在此過程中異常數據的特性表示為W，則數據對比的過程可用(W+T)/lgT≥1/2或(W+T)/lgT<1/2表示，式中T表示為異常數據檢測值，式中兩個不等式分別對應對檢測目標的“提取”與“不提取”。按照此公式即可實現標準的異常檢測值。

1.3 基于大數據分析的系統異常數據檢測示警

完成上述研究后，引進大數據分析技術，進行提取檢測值最大似然值的計算，可計算此數值的過程作為一個動態數據變化規律深度挖掘的過程，根據歷史數據的有限長度，構建一個可用于描述系統不同運行狀態的模型[4]。在檢測異常數據時，根據前端提取異常數據特征量對應的時間序列，進行電力參數隨機干擾項的分析，并根據現有的干擾項階層建立一個針對干擾結果的回歸函數：

式中：Q表示為系統異常數據檢測回歸函數；j表示為待檢測的異常數據量；s表示為數據總量。根據數據的時空序列表達方式，進行不同類型數據模糊關系的確定，采用對特定數據加時窗的方式得到一個具體的檢測結果。通常情況下，檢測結果是以數據正態分布方式呈現的，當數據正態分布范圍在0～1之間時，證明數據在電力系統中運行產生的數據呈現規律分布、即不存在異常，當計算后數值超出預設范圍時，證明此部分數據存在異常，提取此部分數據即可認為完成對電力系統異常數據的檢測。綜上實現基于改進蟻群算法的檢測方法設計。

2 對比實驗

2.1 實驗準備

在完成對基于改進蟻群算法的檢測方法理論設計后，為進一步驗證該方法在真實電力系統運行環境中，是否能實現對異常數據的準確檢測，并驗證改進蟻群算法在電力系統運行領域當中的可行性，開展如下對比實驗：選擇將某電力企業作為實驗環境，將從GEphi當中采集到的的電力系統運行數據集作為實驗對象，從該數據集當中隨機抽取10000個數據作為樣本數據集。在該樣本數據集當中，包含了100個存在異常的數據。為確保實驗結果具有可對比性，選擇將本文提出的基于改進蟻群算法的檢測方法作為實驗組，將傳統基于區塊鏈技術的檢測方法作為對照組，分別利用兩種檢測方法對相同的樣本數據集進行檢測，并對比其檢測結果。

在上述實驗準備的基礎上，為了進一步突出本文改進蟻群算法的應用優勢，在實驗過程中設置利用相似工具代替原本的異常數據，并對異常數據進行隱寫處理。為在實驗過程中能應對電力系統運行異常突發狀況，將其運行環境的溫度參數和電流限制參數設定在標準范圍內。在實驗過程中共設置電力系統的三種負載運行狀態，配電電力設備與大型電力設備所對應的電流和溫度參數設定分別為：正常周期性負載。1.25p.u./115℃、1.25p.u./115℃；短期負載。1.50p.u./115℃、1.25p.u./115℃；大型電力設備長期負載的電流和溫度為1.65p.u./135℃。這些數據為電力系統中各設備電流與溫度的上限數值，將其作為本文對比實驗的參數約束條件，在完成實驗后針對其得出的實驗結果進行比較。

2.2 實驗結果與分析

按照上述實驗準備內容，在完成兩種方法的檢測后將得出的實驗結果進行記錄，并分別從電流參數和溫度參數兩方面對檢測結果的精度 作為對比指標，其計算公式為τ=|I-a|/I×100%。式中，τ表示為兩種方法檢測結果精度；I表示為電力系統運行過程中真實電流參數或溫度參數；a表示為通過檢測方法檢測得到的電流參數或溫度參數。將實驗設置數據與兩種檢測方法得出的檢測結果數據代入公式中，完成對兩種檢測方法檢測精度的計算。選擇將上述實驗準備中的第三種電力系統負載運行情況得出的結果進行分析，并得到如表1所示的實驗結果。

表1 實驗組與對照組檢測方法檢測結果對比表

結合表1中的數據可看出，實驗組的檢測結果精度明顯高于對照組。通過上述對比實驗的方式證明，本文提出的基于改進蟻群算法的檢測方法在應用到電力系統運行環境當中，可實現對其異常數據的高精度檢測。同時，將改進蟻群算法應用到對電力系統的運行維護當中，可為其運行階段的維護與維修策略提出提供事實依據，具有更高的可行性。

綜上，盡管當前改進蟻群算法在應用到具體檢測環境當中的效果較為理想，但因運行環境復雜且干擾因素眾多，檢測過程中仍然有待進一步解決和優化的問題。針對存在的問題，還將對其進行更加深入的探究。