基于電網故障的態勢感知平臺設計*

何清素

(甘肅同興智能科技發展有限責任公司，甘肅 蘭州 100053)

0 引 言

隨著云大物智等現代信息技術和能源技術深度融合、廣泛應用。近年，能源行業由信息化向數字化、智能化進一步轉型。國家電網建設“統一堅強”智能電網目標的提出，使電網和通信及信息網兩大人造網絡高度融合，電網的電氣設備從事故檢修到定期檢修，再到狀態檢修及故障態勢感知的轉變是其技術發展的必然趨勢，而云計算、人工智能等領域對此起到技術支撐作用[1-2]。

目前，智能電網的發展其規模和復雜性的不斷增加，電網安全、穩定運行也隨之受到了極大的挑戰，其態勢感知不足易導致運行管理人員難以做出正確決策，是近年國內外多次大規模停電事故的一個關鍵原因。此外，國內外研究學者僅是針對變、輸、配電中的單個環節的數據分析進行態勢感知和故障預警，并沒有將這些環節的故障點數據進行相關關聯分析研究。葛磊蛟等人[3]只是針對配電網建立了態勢感知實現效果綜合評估模型，包括綜合評估指標體系和評估方法，該模型客觀準確反映配電網運行狀況，消除單一評估方法的片面性，有效提高智能配電網的可觀測度。俞剛等人[4]針對低壓配電網絡，假設電源端點的總功率、三相注入電流幅值和電壓幅值，以及負荷端點的三相功率和電壓幅值等量測量都可以獲得，提出了三相四線制低壓配電網的狀態估計模型。上述2篇文獻側重于配電網，而對于輸電網而言，周華鋒等人[5]從電網運行管理人員的角度出發，設計了基于一體化電網運行智能系統的電力系統運行駕駛艙，提出應將可視化技術納入輸電網態勢感知的范圍當中。目前輸變配用環節故障關聯態勢感知相關研究較少，例如如何抽取數據中臺存儲的電網繁雜海量的數據和信息，如何利用單點及多點故障數據分析電網系統輸變電配用各環節的關聯關系，如何利用故障分析實現電網系統的管理優化等[6]。

為有效解決變、輸、配電關聯態勢感知及故障預警，筆者以甘肅省多源、異構、大量等典型的故障數據為基礎，結合人工智能、云計算、大數據設計搭建基于電網故障的態勢感知平臺。該平臺首先通過對電網數據中臺采集的穩態和動態、電量和非電量信息進行脫敏，隨后采用企業云和混合云為數據存儲計算技術為支撐，在態勢感知平臺利用人工智能的算法模型、數據挖掘、動態參數辨識、超實時仿真、可視化等手段，進行故障數據關聯、分析和預測，使傳統電網實現三大智能板塊，即計算智能、感知智能、認知智能，最終平臺可實現電網各環節故障的關聯預測，有效提升電網系統運行水平，為安全穩定運行提供有力保障。

1 研究現狀

1.1 態勢感知的研究現狀

態勢感知和態勢可視化，是一種適合人機協同來進行復雜動態系統判斷、決策的理論與技術[7]；態勢感知技術首次提出于美國，后在航空飛行領域、海上航行領域及應急管理領域廣泛應用[8-11]，隨后逐漸應用在電網領域中[12-18]，也被視為智能電網的核心技術之一。電網故障態勢感知主要包括故障態勢要素獲取、態勢理解、態勢預測。態勢要素獲取主要對電網設備進行實時數據采集、數據規范化處理，通過數學模型分析出異常網絡活動。態勢理解主要是識別攻擊活動、找到攻擊源。態勢預測則是通過識別的故障判斷電網系統可能遭受的威脅，進而預測下一步故障的變化趨勢[19]。

1.2 人工智能的研究現狀

機器學習代表了現代人工智能，是數據通過計算手段通往智能的技術途徑?；诜植际侥茉吹母弑壤凉B透和分布式儲能形式的介入，使能源系統模型結構復雜度、不確定性和隨機性等問題的突出，本項目主要采用傳統機器學習 和深度學習進行數據分析。

傳統機器學習根據使用的數據是否有標簽，可以分為監督學習、半監督學習和無監督學習。監督學習包括支持向量機、決策樹、隨機森林、近鄰算法、前饋神經網絡等。半監督學習包括半監督核均值漂移聚類、轉導支持向量機。無監督學習包括K均值聚類、主成分分析、自組織映射神經網絡等。

深度學習的概念源于對人工神經網絡的研究拓展。深度學習可分為有監督學習和無監督學習。卷積神經網絡(convolutionalneural network，CNN)是一種深度監督學習下的機器學習模型，而深度置信網絡(deepbeliefnet，DBN)、堆疊自編碼器(stackedauto-encoder，SAE)及受限玻爾茲曼機等則是無監督學習下的機器學習模型，人工智能技術在電力系統的發展歷程如圖1所示。

2 平臺需求

2.1 用戶需求

2.1.1 態勢感知不足

近年來，世界各國在電力系統的運行控制過程中，因態勢感知不足而發生的大規模停電事故日益增多，電力系統開始關注故障的態勢感知。

2.1.2 全網聯動預警

現有的對特征數據的關聯研究基本在單一環節，此項目的目的是打破單一環節的關聯分析，打通電網全流程的故障關聯，將單一故障點、單一臺區故障與全網故障和全網運行數據進行關聯分析。

2.1.3 安全穩定運行

電力系統的故障態勢感知主要要求對電力系統的故障態勢實時預警，保證系統的安全穩定運行，最終實現對電力系統態勢的感知。

2.2 故障特征數據

平臺首先需要梳理輸電、變電、配電的重要故障特征。平臺的目的就是打破單一環節的關聯分析，打通電網全流程的故障關聯，將單一故障點、單一臺區故障與全網故障進行關聯分析。因此，將特征數據進行關聯分析，不僅對單一環節的故障點進行關聯分析，而且要對各環節的故障點進行關聯分析，故障特征數據如表1所列。

2.3 技術需求

2.3.1 數據預處理

態勢感知的大數據種類復雜，數據源多樣化。大數據處理首先從數據源采集數據并進行預處理操作。數據的采集包括電氣量和非電氣量。電氣量的采集結果通常集成在SCADA、WAMS等監測系統中。對于已經采集到的數據，通過適當的預處理，可以為之后的數據分析奠定良好的基礎。

由于數據在采集傳輸過程中不可避免地存在噪聲和干擾項，有可能出現數據錯誤甚至遺漏、缺失。尤其是當大數據存在不同數據源時，容易出現相似、重復或不一致數據的現象。因此，需要對數據進行去噪并恢復丟失數據，即進行數據清洗。濾波是最為常見的降噪方法，在此次項目中主要采用維納濾波、卡爾曼濾波和粒子濾波進行數據的降噪處理。

2.3.2 數據分析

對于數據分析算法而言，常用的有貝葉斯算法和SVM算法，貝葉斯分類算法是統計學的一種分類方法，它是一類利用概率統計知識進行分類的算法。在許多場合，樸素貝葉斯(Naive Bayes，NB)分類算法可以與決策樹和神經網絡分類算法相媲美，該算法能運用到大型數據庫中，而且方法簡單、分類準確率高、速度快。由于對事件的復雜性而進行簡化，提出樸素貝葉斯分類器(Na?ve Bayes Classifier)，其用了“屬性條件獨立性假設”(attribute conditional independence assumption)：每個屬性獨立地對分類結果發生影響。SVM算法，即支持向量機(support vector machines)，它是一種二分類模型，它將實例的特征向量映射為空間中的一些點，SVM的目的就是想要畫出一條線，以 “最好地”區分這兩類點，以至如果以后有了新的點，這條線也能做出很好的分類。SVM適合中小型數據樣本、非線性、高維的分類問題，樸素貝葉斯算法的分類流程如圖2所示。

圖2 樸素貝葉斯算法的分類流程

3 平臺設計方案

3.1 平臺設計基礎

目前，平臺建設基礎包括國網數據中臺以及物聯網管理平臺。電網相關企業經過十多年的信息化建設，信息系統已全面覆蓋企業經營、電網運行和客戶服務等業務領域及各層級應用，為各項業務有效運轉提供了有力支撐。數據中臺的建設可進一步提升電網企業數據共享服務水平。

數據中臺通過數據建模實現跨業務域的數據整合和數據能力沉淀；通過統一數據服務實現對于數據的封裝和開放共享，快速、靈活滿足應用的要求；通過數據開發工具滿足個性化數據和應用的需求，實現數據應用的服務化，推動數據運營，為數據“存、通、用”提供強有力的技術支持。

構建數據中臺，需要充分應用“大云物移智鏈”等現代信息技術和先進通信技術。數據中臺的三層服務架構為貼源層(基礎數據)、共享層(公共數據和萃取數據)、分析層(模型服務)，通過應用構建需求迭代，沉淀共性數據及服務，形成企業級分析主題，并提供服務統一檢索與展示門戶對內支撐企業管理、電網運營、客戶服務等數據應用，對外面向政府行業、外部企業、用電客戶及上下游合作伙伴打造數據產品和服務，國網數據中臺的架構如圖3所示。

圖3 國網數據中臺架構

3.2 平臺設計原理

在深入了解近幾年電網態勢感知和人工智能發展現狀之后，克服現有技術的不足，利用近年來人工智能技術的不斷發展進步，開發了基于感知預測、管理控制、安全維護為主的電網全量故障數據態勢感知平臺。平臺融合關聯分析技術、人工智能技術、可視化技術于一體，為電網的變輸配用整體流程構建基于電網故障的態勢感知平臺。國網數據中臺為平臺提供數據接口服務，通過數據清洗采集電網各環節的多元、異構故障數據。通過關聯規則和人工智能模型對輸變配用的電網故障數據進行相應的關聯分析、電網故障拓撲構建等。通過態勢感知平臺提供數據可視化、報表分析、自助式分析能力。故障分析結果通過表格、圖表方式，對數據進行多維展示。

平臺設計方案主要包含平臺設計、系統架構、業務架構和平臺部署4個方面。

3.3 系統架構

系統架構整體分為數據層、模型層和應用層3個部分。通過甘肅省電網數據中臺的接口接入電網數據，開放外部數據接口接入溫濕度數據、氣象數據等大量的外部數據。模型層中數據處理于融合模塊主要進行數據的去重清洗、數據融合、打標簽、故障特征提取等，通過故障態勢模型倉庫建立專家級別的人工智能故障分析預測模型，利用通用處理引擎和專用處理引擎實現數據及模型的調用。應用層主要在平臺頁面上實現數據分析結果的可視化展示。平臺設計的系統架構如圖4所示。

3.3.1 數據層

電網數據主要是以設備監控四遙信息、二次設備在線監測數據等電網實時運行信息為基礎，匯聚設備臺賬、歷史缺陷、狀態檢修周期、各類規程要求等基礎管理數據和工業視頻、氣象系統、在線安全分析等技術支持系統輔助信息等多維海量數據構成的。

3.3.2 模型層

目前，電網故障的態勢感知平臺以故障態勢數據倉庫、通用處理引擎、專用處理引擎為三大核心方向，預計建立負荷預測模型、用電分析模型、故障定位模型、負荷特征分析模型、電能質量評估模型、輸變電設備檢測模型、負荷數據短期預測模型、配電網故障關聯因素輸變電設備狀態檢測模型、配電運行可靠性分析模型、電力系統暫態穩定性評估模型、關聯聚類引擎模型、追蹤溯源引擎模型等19個模型。

圖4 平臺設計的系統架構

3.3.3 應用層

平臺采用大量多源異構的電網故障數據及外部氣象、能源等數據，通過平臺系統豐富的統計分析、多維分析、挖掘算法庫、故障態勢感知模型和數據挖掘工具，利用平臺界面實現電網全環節的多維關聯結果、繪制電網故障畫像、追蹤故障軌跡、推送故障預警、提供故障分析報告、建立故障數據檔案體系、電網資產盤點等功能。

3.4 業務架構

基于電網故障的態勢感知平臺業務架構主要包含3個方面：動態感知、智能分析和提前預警。通過歷史基礎故障數據的統計計算主動感知預測電網輸變配用各環節的故障態勢，同時完成輸變配用全環節的故障數據統計及關聯分析。利用平臺系統的故障態勢模型倉庫實現智能化分析，完成故障數據的清洗整理、模型構建、沙箱實驗和故障知識體系的構建。最后通過平臺的界面實現故障分析結果的可視化展示，故障態勢感知預警及聯動處理和故障的脆弱性管理。平臺的業務架構如圖5所示。

圖5 平臺的業務架構圖

3.4.1 動態感知

動態感知系統以態勢感知為手段，以全面表征電網故障運行軌跡的指標體系為基礎，綜合利用電網信息物理融合技術、廣域量測技術、數值預測技術、氣象預測技術、電網分析控制技術等進行多領域信息融合、海量數據挖掘、電網故障態勢預測，準確獲得完整的電網故障信息，實時提取電網故障在運行過程中的演變特征，實現電網故障不確定因素及全網各環節聯動故障的風險評估與預警，為調度運行人員提供輔助決策。

3.4.2 智能分析

采用機器學習良好的聚類、分類和辨識能力來進行電網故障分析。

通過采集電網運行數據、故障數據及外部即時的氣象水文數據，完成海量數據的清洗，提取故障特征，以大數據技術為支撐進行數據的存儲管理，通過人工智能算法和故障態勢模型評估倉庫，進行高精度的電網故障態勢感知預測。通過智能分析完成全網各類故障日志及故障檔案的構建，實現全網的安全協防，進行故障防護和威脅阻斷。

其中故障的多維分析是以智能電表計量功率、電壓、電流，歷史故障等數據為基礎，采用人工智能聚類和數據挖掘方法提取不同類型的故障特征，實現科學認知、細分故障類型，進而提供高精度的故障態勢感知預測。

3.4.3 提前預警

通過平臺管理界面以動態可視的方式向相關干系人展示故障分析結果并預警。利用智能模型分析預測三相不平衡等引起電網運行重大故障的發展態勢，提前發布故障即將發生的時間節點及故障類型，實現故障的實時追蹤和告警，建立電網的脆弱性管理體系，實現電網水邊裴勇各環節實時風險管理和漏洞管理。

3.5 平臺功能

3.5.1 故障態勢感知預測

實現對不同運行環節、不同時間的全量故障畫像。對多來源故障相關事件和異常數據進行多維度的關聯分析，實現關聯故障臺區的識別、關聯故障類型挖掘、關聯故障態勢感知預測。完成異常行為檢測和追蹤溯源分析，揭示和還原出真實的故障事件，識別真實的故障風險，并對重大故障事件進行態勢預測及預警，高精度地檢測出未知的和潛在的電網運行風險，提高對電網運行的掌控能力。

3.5.2 故障管理

將接入平臺的各類型故障統一管理，并基于融合不同來源、不同類型的電網數據基礎對故障進行畫像分析，并在故障畫像的基礎上提供一鍵搜索功能。

通過故障數據的關聯分析和人工智能建模分析，有效挖掘故障軌跡特征、繪制故障臺區和關聯環節畫像，向相關人員推送預警；通過清洗故障數據、關聯故障及故障分析結果建立資料庫，為相關決策者提供決策參考情報。

3.5.3 追蹤溯源

平臺通過智能分析電網各環節的海量故障日志、故障動態，分析預測電網的故障狀態和威脅來源，進行實時保護。

平臺管理頁面通過透視調查可視化分析工具，對調用功能的結果集合數據進行可視化分析，支持列表展現追蹤溯源分析保存的結果。

3.5.4 事件處置

為系統發現識別到的電網運行中的故障事件、異常數據、漏洞隱患等重要處置工作提供統一的查詢、統計、核查處置、工單記錄等功能，提供追蹤溯源工作入口。

3.5.5 構建管理中心

通過電網故障的各類靜態和動態數據，進而從故障細節點、故障軌跡、關聯數據、預測數據以及故障狀態變化等多維角度實現電網設備資產和電量資產的精細化管理。

4 結 語

通過采用電網系統變電、輸電、配電、用電四大環節電網數據和外部氣象、能源數據構建了基于電網故障的態勢感知平臺，解決了電網故障特征的提取和態勢感知模型的構建，并打破單一環節在線故障監測，實現單點故障與關聯故障的實時預測，為電網系統實現故障的實時預測分析，使電網企業實現電網管理的動態優化。雖然平臺的態勢感知模型構建解決了大量的故障問題，但是模型參數調整與故障數據的特征的實時對應和不同故障的模型構建仍存在問題，在今后的研究中，將主要解決數據特征的提取及模型優化中。