煉化企業(yè)電力系統(tǒng)運行異常檢測技術研究

楊雪馳

（遼河石化公司，遼寧 盤錦 124000）

近年來，我國相繼發(fā)生多次大規(guī)模電力系統(tǒng)的停電事故，為國民經(jīng)濟帶來了巨大的損失，尤其是在煉化企業(yè)等工業(yè)電力系統(tǒng)中，如果生產(chǎn)裝置運行時突然停電，對企業(yè)工作人員存在一定的生命威脅。總結整理相關大規(guī)模停電事故可知，其主要誘因就是電力系統(tǒng)運行異常，從局部小范圍的異常迅速擴散成為大規(guī)模的故障，從而引發(fā)停電事故。所以，為有效避免電力系統(tǒng)大面積停電事件的發(fā)生，我國眾多學者針對電力數(shù)據(jù)異常檢測紛紛展開相關研究，文獻[1]作者孫瀅濤等人從波動性、趨勢性與變動性幾個方面提取電力數(shù)據(jù)的時間序列特征，結合支持向量機進行數(shù)據(jù)異常檢測，以此解決電力數(shù)據(jù)異常威脅電網(wǎng)穩(wěn)定運行的問題；文獻[2]作者董小瑞等人通過KLDA 模型對電力系統(tǒng)運行數(shù)據(jù)進行降維，再利用INFLO 模型發(fā)掘異常節(jié)點，實現(xiàn)電力運行數(shù)據(jù)的異常檢測。隨著研究的逐步深入，我國在民用電系統(tǒng)的大規(guī)模電力事故預防中已經(jīng)取得了一定成果，但關于特殊行業(yè)的電力系統(tǒng)事故防范研究還很少，因此，有必要對煉化企業(yè)電力系統(tǒng)運行異常檢測技術進行探討，為提升我國煉化企業(yè)的生產(chǎn)效率奠定基礎。

1 提取煉化企業(yè)電力系統(tǒng)的異常電氣特征

對煉化企業(yè)電力系統(tǒng)運行異常進行檢測，主要是建立在電力系統(tǒng)運行數(shù)據(jù)基礎上進行的，所以本章主要介紹如何有效且高效地提取煉化企業(yè)電力系統(tǒng)運行異常數(shù)據(jù)特征。首先，在煉化企業(yè)電力系統(tǒng)運行過程中，實時采集電氣數(shù)據(jù)，一般來說，在電氣數(shù)據(jù)中，電流、電壓、電阻、功率等電氣特征更能直觀地體現(xiàn)出電力系統(tǒng)的運行異常事件，所以本文主要提取煉化企業(yè)電力系統(tǒng)的電壓、電流等異常電氣特征。以電壓特征為例，企業(yè)原始電壓曲線和戶變關系之間存在一定聯(lián)系，所以，為了通過電壓特征更精準地檢測異常事件，本文將電力系統(tǒng)的日電壓數(shù)據(jù)作為數(shù)據(jù)基礎，為便于特征提取，首先，將采集日電壓特征數(shù)據(jù)進行歸一化處理，使原始數(shù)據(jù)的空間維度一致，然后通過APAA 方法進行電壓特征的提取。在利用APAA 方法提取煉化企業(yè)電力系統(tǒng)的電壓特征時，主要采用電壓上升事件數(shù)量NU來表征異常的電壓特征，假設煉化企業(yè)日電壓數(shù)據(jù)的最大值與最小值之間的差值為ΔU，那么，需要根據(jù)下式來判斷煉化企業(yè)是否存在電壓上升事件：

式中，U 表示煉化企業(yè)電力系統(tǒng)的電壓上升事件；ε表示閾值。根據(jù)式（1）確定煉化企業(yè)電力系統(tǒng)存在電壓上升事件后，即可利用下式來提取異常電壓特征：

式中，Ut表示t 時刻煉化企業(yè)電力系統(tǒng)的電壓上升事件；T 表示電壓采集周期。以上，本文通過對比電壓上升事件數(shù)量NU與閾值的大小，來提取電力系統(tǒng)的異常電壓特征，一般情況下，在煉化企業(yè)的日電壓曲線上，不同時間的電壓變化特征存在不同的變化規(guī)律，所以難以提取到精準的異常電壓特征，而本文采用的APAA 算法可以精準捕捉到電壓的局部變化，從而有效提取到異常電壓特征。此外，煉化企業(yè)電力系統(tǒng)的電流、功率等異常電氣特征，同樣采用APAA 算法進行提取即可，本章將不再詳細贅述。

2 異常電氣特征選擇

一般來說，煉化企業(yè)電力系統(tǒng)在運行過程中產(chǎn)生的電氣特征種類與數(shù)量極多，如果直接對提取的異常特征進行檢測，不利于異常檢測的精度與速度，所以本章通過特征選擇算法，剔除掉冗余、無關的電氣特征，對異常電氣體征集合進行重構。當下，我國常用的特征選擇算法較多，每種方法的特點各不相同，本文結合煉化企業(yè)電力系統(tǒng)電氣特征的實際特點，引入Relief 算法進行特征選擇，該算法屬于特征權重法，對電氣數(shù)據(jù)類型無任何要求，只需計算出各個電氣特征的權重值，即可實現(xiàn)特征的選擇。具體步驟如下：首先，根據(jù)文中上述內(nèi)容提取的異常電氣特征，生成一個特征集合，由于維度較高的特征數(shù)據(jù)會影響異常檢測技術的性能，所以在進行特征選擇前，需要對特征集合中樣本數(shù)據(jù)進行降維處理，使其由高維度特征空間映射至低維度的特征空間中。然后根據(jù)Relief 算法進行特征選擇，假設煉化企業(yè)電力系統(tǒng)異常電氣特征樣本集中隨機抽取一個特征樣本為B，與該樣本最近的M 個同類樣本特征均值為：

與樣本B 最近的M 個異類樣本特征均值β(δ)為：

式中，αi表示第i 個與B 最近鄰同類樣本；β i(δ)第i 個與B 最近鄰δ類樣本。根據(jù)式（3）、（4）即可求出特征權重，計算公式如下：

式中，ω(X)表示煉化企業(yè)電力系統(tǒng)異常電氣特征X 的權重值；分別表示B 與、B 與在特征X 下的差值；G(δ)表示δ類樣本出現(xiàn)的概率。根據(jù)式（5）即可求得提取的各個煉化企業(yè)電力系統(tǒng)異常電氣特征權重，所求權重值越大，表明該特征越重要需要保留，反之所求權重值越小，表明該特征越不重要，需要剔除，本文在進行特征選擇時，設定了一個初始權重閾值，根據(jù)該閾值完成特征選擇，得到一個全新的煉化企業(yè)電力系統(tǒng)異常電氣特征集合。最后，對這個異常電氣特征集中樣本的完整性與代表性進行驗證，確認無誤后，用于異常檢測技術中。

3 電力系統(tǒng)運行異常檢測

對于煉化企業(yè)電力系統(tǒng)而言，單變量的異常電氣特征之間是相互影響且相互制約的，據(jù)此本文提出相關變量間的假設：電力系統(tǒng)的電壓、電流等電氣特征之間存在相關性，且該相關性在系統(tǒng)運行正常狀態(tài)下與異常狀態(tài)下存在一定差距；電力系統(tǒng)的電壓、電流等電氣特征與系統(tǒng)組件的物理量之間存在相關性，且該相關性在系統(tǒng)運行正常狀態(tài)下與異常狀態(tài)下存在一定差距。基于此，本文采用相似性度量的方法來檢測電力系統(tǒng)的運行異常事件，由文中上述內(nèi)容已知，煉化企業(yè)電力系統(tǒng)異常電氣特征為X，那么假設電力系統(tǒng)的正常電氣特征為Y，本文在上述兩個假設的基礎上，引入皮爾遜相關系數(shù)來度量X 與Y 之間的相關性，其計算公式如下所示：

式中，γX,Y表示煉化企業(yè)電力系統(tǒng)異常電氣特征與正常電氣特征之間的相關系數(shù)； cov (X,Y)表示電氣特征X 與Y 的協(xié)方差矩陣；λX、λY分別表示異常電氣特征X與正常電氣特征Y 的方差。如式（6）所示，本文在進行煉化企業(yè)電力系統(tǒng)運行異常檢測時，將上式抽象成一個具有泛化能力的計算模型，在電力系統(tǒng)運行過程中，求出電氣特征在電力系統(tǒng)正常運行模式下與異常運行模式下的相差明顯的相關系數(shù)，作為判定提取的電氣特征是否為異常特征的依據(jù)，在利用上述抽象模型進行異常檢測時，假設提取的電氣特征為觀測值，判定觀測值與模板值是否相關，如果相關，那么將該觀測值判定為異常電氣特征，反之，如果不相關，那么該觀測值判定為正常電氣特征，以此實現(xiàn)了煉化企業(yè)電力系統(tǒng)運行異常的動態(tài)檢測，且可以取得較為理想的檢測效果。

4 實驗分析

4.1 實驗準備

本章將對尚未涉及的煉化企業(yè)電力系統(tǒng)運行異常檢測技術進行仿真實驗與結果分析，分別采用基于深度學習的電力系統(tǒng)運行異常檢測技術、基于支持向量機的電力系統(tǒng)運行異常檢測技術作為實驗對照組。一般來說，煉化企業(yè)的電力系統(tǒng)就是由眾多總線、傳輸線及負載等組件構成的系統(tǒng)，所以，本文采用HIL 試驗臺來模擬電力系統(tǒng)運行環(huán)境，如圖1 所示。

圖1 電力系統(tǒng)模擬場景

如圖1 所示，本次實驗模擬的是2 總線、2 發(fā)電機的煉化企業(yè)電力系統(tǒng)，且在該電力系統(tǒng)中存在運行異常及正常事件如表1。

表1 模擬系統(tǒng)運行異常事件

如表1 所示，在本次實驗模擬的電力系統(tǒng)中，實驗數(shù)據(jù)集包含1 種正常數(shù)據(jù)和4 種異常數(shù)據(jù)，在原始實驗數(shù)據(jù)集中共存在181345 條數(shù)據(jù)，為確保本次檢測實驗的科學、可信，剔除部分殘缺、冗余的數(shù)據(jù)，每種異常事件僅保留28000 條有效數(shù)據(jù)，并將這些數(shù)據(jù)以2∶1 的比例劃分為訓練數(shù)據(jù)與測試數(shù)據(jù)，然后分別采用上述三種技術對這些數(shù)據(jù)進行檢測，得到檢測結果。

4.2 結果分析

由于煉化企業(yè)電力系統(tǒng)運行異常檢測的本質(zhì)是一個二分類問題，所以本文為判斷各檢測技術的性能，采用下式所示指標來評估檢測結果：

式中，Recall表示查全率，體現(xiàn)了煉化企業(yè)電力系統(tǒng)運行異常檢測技術的準確性與完整性；TP 表示真正例，也就是被準確檢測的樣本數(shù)據(jù)數(shù)量；FN 表示假負例，也就是被錯誤檢測的樣本數(shù)據(jù)數(shù)量。當訓練與測試數(shù)據(jù)充足時，本文利用上式分別求出三種技術下檢測結果的查全率，并進行了比較，如表2 所示。

表2 電力系統(tǒng)運行異常檢測結果

從表2 中數(shù)據(jù)可以看出，本文設計電力系統(tǒng)運行異常檢測技術，相較實驗對照組中深度學習與支持向量機的檢測技術，其查全率有著明顯的提高，設計檢測技術的平均查全率為96.05%，提升了13.86%、14.40%，實驗對照組方法所構建的異常檢測器，將最大允許偏差的閾值調(diào)小了，所以導致電力系統(tǒng)異常事件檢測條件更加苛刻，檢測查全率較低，甚至基于深度學習的檢測技術基本無法有效識別電力系統(tǒng)的繼電器禁用異常事件。由此可知，提取電力系統(tǒng)異常電氣特征，基于特征選擇所設計的檢測技術的性能優(yōu)越，很好地解決了傳統(tǒng)分類器因特征數(shù)據(jù)較多出現(xiàn)性能驟降的問題，該技術通過對異常數(shù)據(jù)的相似性度量，使得各類異常事件的檢測結果普遍較好，所以文中設計技術具有有效性與先進性，可以完美匹配煉化企業(yè)電力系統(tǒng)不同的異常檢測場景。

5 結語

本文針對煉化企業(yè)電力系統(tǒng)運行異常檢測問題進行了深入研究，首先，提取到電力系統(tǒng)在運行過程中產(chǎn)生的異常電氣特征；其次，在特征選擇的基礎上，基于相似性度量完成了異常事件的檢測；最后，文中搭建了模擬測試系統(tǒng)，對該檢測技術的性能進行驗證，結果表明，設計技術具有可行性與普適性。在煉化企業(yè)的電力系統(tǒng)運行期間，一旦出現(xiàn)設備故障等異常事件，就會造成用戶端企業(yè)出現(xiàn)不正常的停電事件，從而引發(fā)經(jīng)濟損失甚至安全事故。所以，本文研究的煉化企業(yè)電力系統(tǒng)運行異常檢測技術具有重要的現(xiàn)實意義，為我國煉化企業(yè)開展循環(huán)性電力安全評估工作奠定了理論基礎，也為電力系統(tǒng)日常供電管理提供了理論依據(jù)。