電力系統中的智能化變壓器接入點推薦系統

梁 戟，鄧長安，湯鐵軍，胡開慶，朱 皓

（貴州電網有限責任公司六盤水供電局，貴州 六盤水 553000）

0 引 言

在變電站中，智能電子設備的廣泛應用為實現設備的遠程監控和數據傳輸提供便利。傳統的變壓器監控方式通常存在數據采集和通信問題，如RS-485接口的多主站訪問沖突問題，多個監控系統同時存在會導致管理遙控權限沖突。這些問題不僅影響著監控的效率和準確性，還威脅著電力系統的穩定運行。因此，急需開發一種新型的智能化變壓器接入點推薦系統。

1 智能化變壓器接入點推薦系統設計

1.1 系統架構

1.1.1 數據采集層

數據采集層主要負責采集變壓器中的數據[1]。數據采集設備可以安裝在變壓器的基座上或變壓器內部，通過傳感器和儀表收集變壓器的運行狀態信息。

1.1.2 數據處理層

數據處理層主要負責處理和分析采集到的數據。數據處理設備采用嵌入式系統或獨立的計算機，通過處理和分析采集的數據，以提取變壓器運行狀態的相關信息，并評估和診斷這些信息。

1.1.3 數據傳輸層

數據傳輸層主要負責將處理后的數據傳輸到上級系統。數據傳輸可以采用有線或無線方式，如以太網、Wi-Fi、4G/5G 網絡等。在傳輸過程中，需要使用適當的加密技術，確保數據的安全性。

1.1.4 監控管理層

監控管理層主要負責遠程監控和管理變壓器。監控管理系統可以是一個獨立的計算機系統，也可以是一個集成的網絡系統。其通過與數據處理層的通信，實時獲取變壓器的運行狀態信息，并借助可視化界面或報警提示等方式向操作人員提供信息。

1.1.5 決策支持層

決策支持層主要負責為操作人員提供決策支持，通過分析數據處理層處理后的數據，提供有關變壓器維護和檢修的建議，以及相應的預防性維護計劃。

1.1.6 用戶交互層

用戶交互層主要負責與用戶進行交互。用戶可以通過該層獲取變壓器的運行狀態信息、報警信息、維護建議等信息，也可以通過該層設定變壓器的運行參數。

1.2 推薦算法設計

智能化變壓器接入點推薦系統是一種利用人工智能算法為用戶提供個性化推薦服務的系統。該系統通過分析變壓器的歷史運行數據和實時運行狀態，預測變壓器未來的運行狀態和需求，從而為用戶提供更加精準的接入點推薦服務。推薦指數計算公式為

式中：R為推薦指數；S1、S2和S3分別為不同方面的評估得分。S1是根據變壓器的歷史運行數據得出的相似度得分，反映其與其他變壓器的相似程度。這可以通過協同過濾算法實現，如余弦相似度或皮爾遜相關系數。S2是根據變壓器的實時運行狀態數據，評估變壓器當前性能和穩定性的得分。S3是根據用戶對變壓器的使用情況和需求計算出的相應得分，包括歷史運行數據、負載情況、維修記錄等數據，以及用戶對變壓器性能和可靠性的反饋。

智能化變壓器接入點推薦系統主要考慮變壓器的電壓、電流、溫度以及絕緣狀態等參數，分析設備的歷史運行、維修記錄、故障頻率等數據。分析這些數據，系統可以評估變壓器的性能和狀態，并為用戶提供相應的接入點推薦。

2 智能化變壓器接入點推薦系統實現

2.1 系統硬件平臺選擇

在電力網絡中，變電運行設備是整個系統的重要組成部分。電力領域的變壓器云控終端已經成為變壓器廠商必不可少的設備之一[2]。在實際變電運行中，由于缺乏數據支撐，難以分析事故原因和界定責任，增加了變壓器接入點推薦系統的風險。而智能化變壓器接入點推薦系統的出現，能夠有效解決這些問題。智能化變壓器接入點推薦系統集成變壓器溫控儀、變壓器運行監控器及智能云服務的智能終端，可依托技術優勢，實現變壓器的數字化、云端化、智能化，有助于增強變壓器生產企業的產品競爭力和品牌影響力。智能化變壓器接入點推薦系統的硬件平臺選擇如圖1 所示。

圖1 智能化變壓器接入點推薦系統的硬件平臺選擇

2.2 數據采集與處理

為確保智能化變壓器接入點推薦系統的準確性和可靠性，從變壓器的各個部位采集相關數據，如實時采集變壓器線圈的溫度和油溫。首先，從100 臺智能化變壓器中，采集200 萬條數據。其次，對數據進行處理，以便為智能化變壓器接入點推薦算法提供有效的輸入。例如，去除異常值、重復值、缺失值，保留180 萬條有效數據。再次，整合不同來源的數據，形成一個統一的數據集。最后，從數據集中提取與變壓器性能和狀態相關的特征，如平均溫度、最高負荷率等，作為推薦算法的主要輸入。

根據變壓器的歷史運行數據和專家經驗，標注數據，然后用于訓練和驗證推薦算法[3]。采用3σ原則（即拉依達準則）檢測異常值，假設數據集為X，均值為μ，標準差為σ。對于數據點x，若滿足|x-μ|＞3σ，則視為異常值。根據變壓器線圈溫度的數據集{T1,T2,…,Tn}，計算均值μ和標準差σ，滿足|Ti-μ|＞3σ的數據點將被視為異常值并去除。

此外，可以采用哈希函數檢測重復值。對于數據集X，將數據點x通過哈希函數H(·)映射為一個唯一的哈希值H(x)。若不同的數據點具有相同的哈希值，則將其視為重復值。

對于變壓器負荷率的數據集{L1,L2,…,Ln}，將數據點Li通過哈希函數映射為哈希值H(Li)，比較各哈希值，并去除重復的數據點。智能化變壓器接入點推薦系統數據處理如表1 所示。

表1 智能化變壓器接入點推薦系統數據處理

采用3σ 原則對數據集中的線圈溫度進行異常值檢測。假設線圈溫度的均值為80，標準差為5，發現數據點T5和T10滿足|Ti-μ|＞3σ，因此將其視為異常值并去除。同時，采用哈希函數對數據集中的負荷率進行重復值檢測。在負荷率數據集中，發現數據點L3和L8具有相同的哈希值，因此將其視為重復值，并去除數據點L8。同時，整合處理后的線圈溫度和負荷率數據集，形成一個統一的數據集Z，以便分析整合后的數據集。

2.3 推薦算法實現

推薦算法基于變壓器的歷史運行數據、實時運行狀態及電網的拓撲結構，采用深度學習技術進行建模[4]。設計一個基于卷積神經網絡（Convolutional Neural Networks，CNN）和長短時記憶網絡（Long Short-Term Memory，LSTM）的混合模型。其中，CNN用于提取變壓器運行數據的空間特征，而LSTM 則用于捕捉變壓器運行狀態的時序依賴性。

為訓練該混合模型，構建一個標注的數據集。標注的數據包括變壓器的各種運行參數（如線圈溫度、油溫、負荷率等）和對應的接入點推薦標簽（優、良、中及差），且由專家根據變壓器的歷史運行數據和經驗進行標注。模型的訓練采用監督學習的方式，目標是最小化預測標簽和真實標簽之間的差異。損失函數為

式中：yp,n為樣本的預測值；yt,n為樣本的目標值；n為樣本的數量，n=1,2,…,N。在訓練模型的過程中，采用均方誤差（Mean Squared Error，MSE）計算預測標簽與真實標簽之間的差異。通過優化模型參數，使損失函數值最小化，從而提升模型的預測準確性。模型準確率的計算公式為

式中：TP為真正例；FP為假正例；FN為假反例；TN為真反例。準確率是最常見的評價指標，且容易理解，即正確分類的樣本數除以總樣本數。通常來說，準確率越高，分類器越好[5]。在機器學習和統計學中，這些指標通常用于描述分類模型的性能。

3 實驗驗證

推薦系統及其設計算法的有效性數據如表2 所示。

表2 推薦系統及其設計算法的有效性數據

由表1 可知，推薦系統給出的接入點與實際選擇的接入點一致，且推薦系統得分和實際得分都高于0.90，表明推薦系統在這些理想化的條件下表現出色。通過驗證算法可知，推薦算法最終的準確率達到90%以上，說明其對變壓器接入點的推薦具有較高的精度。因此，采用深度學習技術進行建模，能夠有效捕捉變壓器的運行規律和接入點的優化策略。同時，算法在實時性方面表現良好，這是由于算法采用高效的分布式訓練方式和優化的模型結構，具有較強的健壯性。這充分證明系統在提升變壓器運行性能和降低運維成本方面具有有效性。

4 結 論

文章通過研究和應用智能化技術，成功提高了電力系統中的變壓器監控水平和安全性能。經過實踐應用和性能評估可知，文章設計的智能化變壓器接入點推薦系統展現出優異的數據采集和通信性能，能夠有效保障電力系統遠動數據傳輸的實時性和準確性。