基于數據挖掘的變電一次設備運行故障檢測方法

黃寶航，高征宇

（國網陜西超高壓公司，陜西 榆林 710026）

0 引 言

電力系統的穩定運行與變電一次設備的運行狀態直接關聯。日常工作中，變電一次設備的異常一定程度上也體現出電力系統某一位置的故障，因此對變電一次設備運行故障的檢測十分重要。合理的檢測方式可提升電力系統的運行效率，提高電力供應和調度效果。傳統的變電一次設備運行故障檢測形式多為單一結構，如設定傳統深度卷積神經網絡變電一次設備運行故障檢測方法、傳統數據挖掘與關聯分析變電一次設備運行故障檢測方法等[1,2]。單一結構的檢測方法雖然可以實現預期的故障檢測目標和任務，但是易受外部環境和特定因素的影響，導致最終的檢測結果存在較大誤差，難以精準把控各檢測環節，實現檢測方案的調整[3]。基于以上問題，提出基于數據挖掘的變電一次設備運行故障檢測方法，并對該方法進行驗證分析。所謂數據挖掘，是從大量的數據中通過算法搜索其中隱藏信息的處理過程[4]。為實現數據挖

掘技術與變電一次設備運行故障檢測工作的融合，還需要計算機科學、在線分析處理、機器學習以及模式識別等諸多技術的輔助，進一步擴大故障檢測范圍，并逐步形成更加靈活、多變的檢測結構，更好地對發生異常或故障的位置進行鎖定標記、采集相應的異常數據和信息，避免出現關聯性故障，提高變電一次設備的故障檢測精度，為相關技術的創新完善奠定基礎[5]。

1 變電一次設備運行故障數據挖掘檢測方法

1.1 故障數據采集及預處理

變電一次設備的日常運行會形成大量的數據和信息，需要對其進行分類、篩選，以完成后續的故障識別和檢測處理。但是傳統的數據處理方式過于單一、固化，且針對性不強，難以達到預期的數據處理效果。因此，可以結合故障檢測需求和標準，進行基礎故障數據采集和預處理[6]。故障數據采集前，對所采集的故障數據進行分類，如數值數據、信息數據、圖像數據集以及視頻數據等類型，并結合數據挖掘技術，建立數據預處理訓練集合，測定出單元處理框架[7]。故障數據指標參數標準如表1 所示。

表1 故障數據指標參數標準

根據表1 完成故障數據指標參數的設置與調整，并進行多維預處理。一方面需要對數據和信息進行分類、篩選，完成量化處理；另一方面需要將數據劃分為可變量與非可變量，根據故障數據對發生異常的位置進行標定，以供后續使用。需要注意的是，數據預處理的標準并不固定，而是隨著數據類型和處理需求的不同進行動態化調整，以此完善后續的故障檢測程序，保證最終檢測結果真實可靠[8]。

1.2 部署多目標故障檢測節點

與傳統的變電一次設備故障檢測節點部署方式不同，本次部署是在數據挖掘技術的輔助與支持下，以多目標的形式布設故障檢測節點的位置。首先提取設備的故障特征，進行抽象化的描述；其次設計一個故障順序識別程序，將其與故障檢測結構進行搭接關聯，形成定向的檢測框架；最后依據變電一次設備的故障特征，鎖定容易出現故障的位置并設置檢測節點，對節點周圍區域進行實時監測。多目標故障檢測節點部署流程如圖1 所示。

實現多目標故障檢測節點部署流程的設計與實踐分析后，結合數據挖掘技術，明確各位置節點的檢測范圍，并完成控制參數的多維選擇。分3 個階段進行節點的實踐應用部署：一是故障特征提取與異常數據的存儲；二是結合數據挖掘技術組建故障檢測器；三是對未知的故障進行多方向學習。

1.3 建立數據挖掘故障檢測模型

利用部署的多目標故障檢測節點，進行異常數據和信息的實時采集，并綜合數據挖掘技術，進行變電一次設備故障檢測模型的構建。設備的故障檢測范圍一般可以劃分為時域和頻域2 個部分，時域一般是針對不同的時間背景進行故障的識別、檢測以及標定，而頻域與一次設備的運行頻率存在直接關系，需要利用獲取的基礎數據計算故障識別限值差，并將其設定為模型的故障檢測基準值。基于數據挖掘的故障檢測模型如圖2 所示。

圖2 數據挖掘故障檢測模型

完成數據挖掘故障檢測模型結構的設計與實踐分析后，將所屬的故障檢測目標導入模型的程序之中，通過檢測測試集與矩陣輔助模型進行多目標訓練。但是在故障檢測的不同階段，觸發虛擬故障指令時需要優先提取時域內部的異常信號，并通過傅里葉變換將其轉換為頻域異常信號，形成一個完整的故障檢測體系。需要注意的是，所獲取的故障檢測信號必須是連續的，如果出現中斷，將無法保證最終檢測結果的真實性與可靠性。

1.4 自適應識別處理完成故障檢測

完成數據挖掘故障檢測模型的建立后，采用自適應識別的方式完成對變電一次設備的故障檢測處理。自適應識別主要是對模型輸出的模糊檢測結果進行修正處理，消除存在的檢測誤差，確保最終得出的故障檢測結果真實可靠。將自適應識別劃分為3 個處理階段，設置對應的故障檢測標準，如表2 所示。

表2 自適應識別階段故障檢測標準

實現自適應識別階段故障檢測標準的設定后，進一步了解一次設備的故障狀態和實際情況，對故障環節做出更為嚴格的把控，增加故障識別檢測之間的關聯緊密度，以獲取最佳的檢測結果。

2 方法測試

對基于數據挖掘的變電一次設備運行故障檢測方法的實際應用效果進行分析與驗證研究，為確保最終測試結果的真實性和可靠性，采用對比的方式展開分析，選定G 變電站的一次設備作為輔助測試對象。設定3 個檢測小組，分別為傳統深度卷積神經網絡變電一次設備運行故障檢測小組、傳統數據挖掘與關聯分析變電一次設備運行故障檢測小組以及基于數據挖掘的變電一次設備運行故障檢測小組。

2.1 測試準備

結合數據挖掘技術，對G 變電站一次設備運行故障檢測方法的測試環境進行設定和分析。根據當前的測定需求和標準，要先明確故障檢測的實際識別范圍，并設定邊緣覆蓋區域，以此為基礎設置運行故障檢測節點。需要注意的是，故障檢測節點的布設多為獨立形式，可以在安裝完畢后進行節點的搭接和關聯，形成循環式的檢測程序，便于后續檢測工作的執行與處理。

根據當前G 變電站一次設備的運行狀況設置故障檢測周期，每個周期為24 h，共設定7 個周期。結合數據挖掘技術，將故障識別程序與Simulink 實驗平臺連接，檢測的間隔為30 s。設定檢測點與故障點之間的可控距離在250 ～500 m，一次設備的過渡電阻為125 Ω，故障識別的范圍轉換比為3.5。利用數據挖掘技術構建一個多層級的故障檢測矩陣，并計算初始的故障識別瞬時頻率。結合當前的測定需求和標準，完成故障識別瞬時頻率的計算，調整故障檢測環境，并設置檢測指標和參數。一次設備故障檢測指標和參數如表3 所示。

表3 一次設備故障檢測指標和參數

根據表3 完成一次設備故障檢測指標和參數的設置與分析。

初始的測試環境中設定關聯性的故障檢測規則，形成完整、具體的檢測程序，并結合數據挖掘技術進行具體的測試分析。

2.2 測試過程及結果分析

在搭建的測試環境中，綜合數據挖掘技術，驗證一次設備運行故障檢測方法在G變電站的應用效果。結合一次設備的運行情況，設定4 條虛擬化的故障測試指令輸入可控程序，以供后續使用。結合測定結果計算故障應變極限時長，并將其設定為模型的故障基準限制檢測時長。按照順序啟動4 條虛擬化的故障測試指令，對變電一次設備進行虛擬測試攻擊。啟動故障檢測程序，先進行異常數據的清理，完成數據變換后再設定一個檢測解析程序，針對不同周期范圍內的故障情況，設置故障識別檢測測試過程。

根據測試流程對采集的異常故障數據信息進行分類，同時測算故障檢測的誤報率。

相比于傳統的深度卷積神經網絡變電一次設備運行故障檢測小組、傳統數據挖掘與關聯分析變電一次設備運行故障檢測小組，本次設計的數據挖掘變電一次設備運行故障檢測小組得出的一次設備故障檢測的誤報率均在20%以下，說明在數據挖掘技術的輔助下，所設計的故障檢測結構更加高效且誤差可控，具有實際的應用價值。

3 結 論

在數據挖掘技術的輔助和支持下，文章設計的變電一次設備運行故障檢測結構更加靈活、多變，具有較強的針對性與穩定性。此外，還擴大了設備的故障識別范圍，能夠精準鎖定發生異常或故障的位置，加強檢測誤差的控制，降低誤識率，保障變電一次設備的運行安全性，推動故障檢測技術邁入新的發展臺階。