基于RBF 的電網大型設備運行狀態實時監測方法

李朝瑞，郭龍，戚永青，鄧奕星

（國網湖北省電力有限公司襄陽供電公司，湖北襄陽 441000）

電網在長期運行的情況下，由于在受到電磁干擾、運行參數顯示錯誤、變壓器短路以及外界環境等方面的影響時，大型設備的運行狀態會發生異常。目前采用的電網大型設備運行狀態實時監測方法，通常在監測電網大型設備的運行狀態時，沒有及時顯示大型設備的實時運行數據，造成電網大型設備在發生異常時沒有被及時發現和處理。再加上電網內部和外部噪聲的影響，電網大型設備的運行狀態極易發生異常，無法保證電網在一個安全、穩定的環境下運行。

為了實現電網大型設備正常、穩定、持續運行，國內的研究學者對此進行了相關的研究。有些學者提出了基于Storm 的電網大型設備運行狀態監測方法，該方法針對大型設備向量域的異常狀態進行了監測，實現了對電網大型設備運行狀態的監測[1]。有些學者提出了一種基于小波模型極大值序列的電網大型設備運行狀態監測方法，該方法以大型設備的異常運行數據作為異常值，并對其進行修正，通過監測修正后的運行數據實現對電網大型設備運行狀態的監測[2]。還有學者研究了基于設備在線監測的電網狀態檢修決策模型，基于當前設備狀態的系統級檢修計劃，考慮規劃時間內新增的狀態信息，更新檢修計劃，并設計了設備在線監測下電網狀態檢修的決策模型[3]，但以上監測方法均存在監測數據不準確、監測緩慢的問題。

為了解決以上出現的問題，該文提出了基于RBF 的電網大型設備運行狀態實時監測方法，該方法對電網大型設備分別進行了在線監測和脈沖監測，實現了對大型設備運行狀態的監測，最后通過實驗研究，驗證了該文方法的性能。

1 基于RBF的電網大型設備運行狀態在線監測

基于Storm 的電網大型設備運行狀態監測技術只能監測電網中少量大型電力通信設備的異常運行數據，不能與其他大型設備的運行數據進行共享和交互，造成電網大型設備存在一定量的信息孤島，無法完成交互操作，使得大量電力通信設備無法發揮作用，基于此，該文提出了基于RBF 的電網大型設備運行狀態實時監測方法。

通過在線監測電網大型設備的運行數據，提升運行數據的共享和交互能力，采用并行存儲技術實現電網中所有大型設備運行數據的共享存儲，利用RBF 提取電網大型設備的運行狀態信號脈沖，將電網大型設備的放電信號脈沖進行歸一化處理，再對處理完的放電信號進行分析、歸類，利用RBF 識別電網大型設備在運行時出現的故障，采用Storm 技術分析出現故障的波形信號，并進行處理，并行處理過程如圖1 所示。

將處理后的電網大型設備運行數據與運行故障數據進行對比，使用并行技術監測電網大型設備的運行數據與故障數據，并采用spark 進行計算，計算結果與串行計算結果均采用循序漸進的方式，但采用spark 方式可以同時計算運行數據與故障數據，能夠減少計算環節，縮短計算時間，實現電網大型設備運行狀態的實時監測[4]。

除此之外，spark 計算方式在計算電網大型設備的運行數據和故障數據時，可將運行數據和故障數據分配到不同的子任務中，以數據指令集的方式嵌入到電網大型設備運行過程中，以此完成大型設備的監測任務。

電網大型設備在運行過程中，不同指令集具有不同的運行方式，根據運行方式的不同，指令集最終會被映射成不同的指令流，指令流具有不同的類型，通過不同類型的指令流，劃分電網大型設備的運行階段。其中，多指令流單數據流存在于電網大型設備的啟動階段，多指令流多數據流存在于電網大型設備的調度階段，單指令流單數據流存在于電網大型設備的監測階段，單指令流多數據流存在于電網大型設備的診斷階段，劃分完成后可以實現電網大型設備運行狀態的在線監測[5-6]。

2 電網大型設備運行狀態脈沖監測

實現電網大型設備運行狀態在線監測后，對其進行脈沖監測。將電網大型設備內部數據分類后，電網大型設備的持續運行，會產生大量的局部放電信號，局部放電信號在經過一定強度的衰減和震蕩后，會產生大量的局部放電信號脈沖，有效采集和提取局部放電信號脈沖，能夠監測電網大型設備運行狀態。

在提取過程中，由于對電網大型設備內部數據進行了分類操作[7-9]，內部數據極不穩定，容易在提取局部放電信號脈沖過程中發生丟失狀況，因此在提取前，采用并行存儲技術將分類后的電網大型設備內部數據進行存儲，并建立并行存儲模型，將分類完的電網大型設備內部數據統一上傳到并行存儲模型中，在并行存儲模型中每個獨立的子任務對應不同的內部數據[10-12]。

通過增大子任務的存儲空間提升電網大型設備內部數據的穩定性，設置完畢后開始提取電網大型設備內部全部的局部放電信號脈沖，提取技術采用小波分析法，該方法在提取局部放電信號脈沖方面效果非常明顯，且提取時間短、成本較低，能夠很好地提取和處理局部放電信號，降噪效果較為明顯[13-15]。脈沖提取圖如圖2 所示。

脈沖提取的具體過程如下：首先將產生的局部放電信號傳輸到電網大型設備中，通過波形信號確定局部放電信號的運行周期，通常為一個局部放電信號脈沖的正半周和負半周，然后增大大型設備內部數據流的采樣序列點，找到局部放電信號最大值和最小值對應的采樣序列數據。如果采樣序列中的最大值和最小值個數與輸入的脈沖信號個數完全相同，則認為該采樣序列點為最佳序列點，此時的局部放電信號脈沖為最優，則通過采用小波分析法提取此時的局部放電信號脈沖[16]。

如果電網大型設備內部數據流出現了偏差，需要將偏差值與強度比率進行對比，對比結果差值較大，說明電網大型設備出現了異常運行狀態。為了獲得出現異常運行狀態的原因，需要在出現問題的數據流中選擇一個窗口，通過窗口序列長度獲取大型設備采樣序列的特征強度，特征強度中含有一定量的時序模式數，根據時序模式數的數值即可確定出現故障的原因。解決運行故障后，可以繼續提取電網大型設備的局部放電信號脈沖。

3 實驗研究

為了驗證該文提出的基于RBF 的電網大型設備運行狀態實時監測方法的實際運行效果，將電網某一時間段內收集的大型設備運行數據作為實驗樣本，與基于Storm 的電網大型設備運行狀態監測方法進行對比實驗。選取收集的電網大型設備運行數據中的某一組運行數據，如果這組運行數據發生異常，則當前電網大型設備在運行過程中出現了異常，運行數據中存儲的數據流狀態會發生較大變化。監測偏差值實驗結果如圖3 所示。

由圖3 可知，該文所提方法與基于Storm 的電網大型設備運行狀態監測方法的大型設備運行狀態監測時域情況如下：采用該文所提方法和基于Storm 的監測方法對電網大型設備的運行狀態進行監測時，該文方法的運行數據頻率在第2 次實驗時為0 Hz，基于Storm 的監測方法運行數據頻率為0.1 Hz，實際結果為-0.05 Hz，該文方法的運行數據頻率更接近實際結果；實驗次數為第8 次時，運行數據頻率的實際結果為0 Hz，該文方法的監測結果為0.1 Hz，基于Storm的監測方法監測頻率為0.3 Hz，根據數據對比可知，該文方法與實際結果的偏差值較小。觀看整體趨勢，該文方法的運行數據監測頻率與實際結果更為接近，基于Storm 的監測方法的運行數據頻率波動較大，與實際結果相差較大。通過對比可知，該文所提的監測方法監測效果更好，采用所提的監測方法對電網大型設備的運行狀態進行監測時，能夠較精準地監測出電網大型設備的運行狀態是否發生了異常。

為進一步驗證所提方法的有效性，在已經確定電網大型設備運行狀態出現異常的條件下，識別和統計電網大型設備的運行數據中出現異常的數據數量，再與實際異常數據總數進行對比，其比值最大為1∶1，比值越高，說明監測出的異常運行數據越多，對電網大型設備運行狀態監測效果越好。

采用該文所提的監測方法和基于Storm 的監測方法分別對電網大型設備的運行狀態進行監測，監測的目標向量包括電網大型設備運行數據中異常數據總數，去除電網大型設備中異常運行數據后剩下的運行數據個數。通過目標向量對比不同監測方法對電網大型設備運行狀態的監測效果。得到監測范圍實驗結果如圖4 所示。

由圖4 可知，該文所提方法與基于Storm 的電網大型設備運行狀態監測方法的對比結果為：采用該文所提的基于RBF 的電網大型設備運行狀態實時監測方法監測時，監測范圍內容數據節點覆蓋的數量相較于基于Storm 的電網大型設備運行狀態監測方法更多。由此可知，基于Storm 的電網大型設備運行狀態監測方法的異常運行狀態監測范圍比該文所提監測方法的異常運行狀態監測范圍相對較小。因此，該文所提的基于RBF 的電網大型設備運行狀態實時監測方法，可以更大范圍地捕獲電網大型設備運行數據中的異常運行數據，進而準確地判定電網大型設備當前的運行狀態。

最后測試兩種方法的監測時間，實驗結果如圖5所示。

由圖5可知，采用該文所提的基于RBF 的電網大型設備運行狀態監測方法的監測時間最大為6.2 s，采用基于Storm 的電網大型設備運行狀態監測方法的監測時間最大為14.8 s，由監測時間可知，該文所提監測方法的監測時間遠遠短于采用基于Storm 的電網大型設備運行狀態監測方法的監測時間，證明了該文所提監測方法能夠精準、快速地捕獲電網大型設備中存在的異常運行數據。

4 結束語

該文所提的基于RBF 的電網大型設備運行狀態實時監測方法優于基于Storm 的電網大型設備運行狀態監測方法，該文所提的監測方法在監測電網大型設備的運行狀態時具有更好的監測效果，可以更精準、快速地捕獲電網大型設備中存在的異常運行數據，從而根據異常運行數據快速地判定當前電網大型設備的運行狀態。