依托大数据分析的电网设备状态测评方法研究

覃兆安

（国网嘉兴供电公司，浙江 嘉兴 314000）

试验与研究

依托大数据分析的电网设备状态测评方法研究

覃兆安

（国网嘉兴供电公司，浙江 嘉兴 314000）

电网设备的运行状态关系到电能质量、供电可靠性等电力系统核心指标。在分析传统设备状态测评方法的基础上，提出以时间序列、自适应神经网络、无监督聚类等方法来深度挖掘运行数据的潜在信息，发现设备向异常状态发展的趋势，以提升电力系统运维水平。同时将研究成果应用到具体案例中。结果表明，该构建方法具有一定合理性和有效性，能推广到输变电设备的状态测评中。

大数据；时间序列；神经网络；状态测评

尽早发现输变电设备的异常状态对提升电力系统供电可靠性具有重大意义。当前的状态检修工作主要通过提取设备的部分信息，与固定阈值进行对比后判断设备的状态是否正常。这种方法具有局限性［1］。

a.固定阈值没有时间宽度，从而无法从总体上把握设备运行态势。其检测结果从根本上来说是片面的，存在漏检或误检的可能。

b.信息利用率低。目前，在线监测技术蓬勃发展，电力系统运行大数据逐步完备，而阈值判断的方法无法对大数据进行横向关联和纵向挖掘，因此导致大量有用信息的“废弃化”。

为适应大数据背景下的电力系统运维，建立科学、合理的模型来处理、分析、挖掘电力大数据是必要的，对输变电设备的异常状态做好早发现、早处置。

1 单状态特性数据流的特征挖掘

1.1 时间序列自回归

输变电设备运行中产生的大量数据呈现出平稳性和低动态性，符合一阶自相关时间序列自回归模型AR（1）的应用要求。AR（1）的相关公式见式（1）所示［2］。其中，xt为在线监测数据的时间序列，服从正态分布。

假设对应于正常状态的xt的区间为［a，b］，则要使整个序列均在［a，b］内，只要α小于某个限值α0即可。即设备可能出现了异常，但参量α的检测值未超标，则单纯的AR（1）模型不能察觉该种异常状态。因此，需要对xt进一步加工。

1.2 自组织神经网络对时间序列的量化

自组织神经网络（SOM）基于无监督学习，适用于数据量大、不含标签的状态监测数据。量化过程［3］如下。

a.构造SOM的输入节点和输出节点，分别对应xt和序列C＝｛C1，C2，…，CN｝。

b.对每一xt进行属于Cj的训练，见式（2）。

c.反复循环并修正，确保xt距所属节点的最小距离，见式（3）。其中：γ（t）在0～1之间，反映学习速率。

d.训练完成，xt被量化为Ct，见式（4）。Ct表示最接近xt的节点。

1.3 时间序列变化过程的挖掘

SOM神经网络的特点是每个神经元节点与邻域内节点关联性强，与邻域外节点关联性弱。基于此，可将量化后的时间序列Ct看作一个神经元到另一神经元的转移，从而为时间序列特征的深度挖掘提供方法。以下为结合AR（1）与SOM的数据挖掘步骤，具体公式推导参考文献［4］。

a.求取神经元所属的概率密度函数。

b.求取神经元之间的转移概率。

首先截取一定监测点数的某变压器油温在线监测数据，如图1所示。将这些数据经由AR（1）拟合，得到相关参数α＝0.85，μe＝0，λ＝0.01；接着将上述时间序列输入SOM进行训练，得到量化输出，如图2所示；计算SOM神经元间的转移概率（12×12矩阵），并将温度数据随时间的变化用转移概率序列描述，如图3所示。图3中，大部分时间点对应正常状态，数据的转移概率高，表明温度数据随时间变化的平稳性；个别时间点的数据出现陡降，说明数据不服从AR分布，此处可能存在异常，应当引起注意。

2 多状态特性数据流的特征挖掘

与单状态相对应，某些设备状态信息需由多维单状态量耦合得到［5］，如变压器热点温度要综合底层油温、顶层油温、环境温度和电力负荷等诸多因素。为了充分利用在线监测数据，同时解耦各参量间的复杂关系，可采用基于密度的聚类算法实现对多状态特性数据流的特征提取。

图1 某变压器油温在线实时监测数据

图2 油温数据经由SOM后的量化序列

图3 油温数据转移概率序列

以判断输电线路覆冰是否严重为例，可将导线轴向张力、导线倾斜角、风速作为数组单元进行聚类。若某个数组到任意簇中点的距离都大于特定值R，则认为出现了异常。

3 输变电设备异常状态检测程序

根据以上研究，形成输变电设备异常状态检测流程，如图4所示。

图4 输变电设备异常状态检测流程

a.取历史数据，运用AR模型、SOM算法计算每个参量的转移概率矩阵｛X1，X2，…，XN｝；对所有参量使用密度聚类算法，将历史数据加工m簇。

b.提取最新实时数据代入式（1）中的｛X1，X2，…，XN｝，得到一系列转移概率序列，并判断各时点数据是否匹配m簇中某一簇。

c.根据式（2）结果启动异常检测逻辑：当各参量的转移概率不存在零值且各时点数据匹配m簇中某一簇，则认为状态状态是正常的；当各参量的转移概率出现少数零值且少数时点数据全不匹配m簇中的任一簇，则认为是噪声所致，可忽略；当多个参量的转移概率为零值，且多个时点数据不匹配m簇中的任一簇，则判断设备出现异常。

4 案例分析

以嘉兴供电公司某台220 kV变压器为例，选取2015年6月10—17日的油温、负载、环境温度等可监测数据作为训练样本，同时以2015年6月18日10：00—18：00的480组在线数据作为对比样本。油温、电流、环境温度的采样如图5所示（1 min／组）。

图5 3类状态量的采样值

运用上述构建方法，对变压器历史数据生成3个转移概率矩阵并聚类成3个簇；将每个参量的480组对比数据对应出各自的转移概率序列（图6—图8），然后综合判别每个时点的数据是否正常，如图9所示。

a.在T＝80 min，油温的转移概率为零，且该时点的监测数据不属于任一簇；另外，T＝80 min周围是正常值，因此认为T＝80 min的异常是噪声（可能由传感器元器件的随机漂移所致），可忽略。

b.在T为384～390 min，负荷和油温的转移概率都为零；T为390～410 min，负荷和油温的转移概率很不平稳且不断呈现零点，且T为390～500 min间的实测数据大部分不匹配任一簇类。因此认为，变压器从T＝384 min起发生异常，应提高警惕。

图6 案例变压器的负荷转移概率序列

图7 案例变压器的油温转移概率序列

图8 案例变压器的环境温度转移概率序列

图9 变压器实时数据聚类情况

调取调度记录，发现从4：16起允许该变压器短时超载运行，于5：30左右恢复正常。因此，检测到的异常状态是真实的，说明该模型具有一定有效性。若采用传统的阈值比较方法，需检测到油温达到80℃时才报警，说明原方法存在灵敏度不足等问题。

5 结束语

文中综合运用了时间序列自回归、自组织神经网络、密度聚类等多种模型，成功解决了输变电运行中设备状态评价的片面性、滞后性、低效性等问题，给出了基于大数据分析的设备异常状态快速判定方法。一方面提升了电力系统运维水平，另一方面也为大数据应用开辟了新的途径。算例结果表明，依托大数据分析的电网设备状态测评方法具有准确性和有效性，值得推广和应用。

［1］架空输电线路状态评价导则：Q／GDW 173—2008［S］.

［2］油浸式变压器（电抗器）状态评价导则：Q／GDW 169— 2008［S］.

［3］尹彦民，聂振勇，丛曼颖.电力变压器绝缘故障及防范措施［J］.东北电力技术，2010，31（3）：35－36.

［4］韩 月，耿宝玄，高 强.智能变电站变电设备在线监测系统研究［J］.东北电力技术，2011，32（1）：17－20.

［5］隋合轼.基于一体机架构的海量数据集中与处理［J］.东北电力技术，2015，36（9）：12－15.

Study on Electricity Grid Equipment Status Evaluation Methods Based on Big Data Analysis

QIN Zhao⁃an
（State Grid Jiaxing Power Supply Company，Jiaxing，Zhejiang 314000，China）

Running status of electricity grid equipment has respect to power quality，supply reliability and other power system core indi⁃cators.This paper analyzes the traditional equipment status evaluation method，a method based on time series，adaptive neural net⁃works，unsupervised clustering methods is proposed.By the depth of mining potential operating data information，development trends of abnormal state for equipment are found，it can enhance the level of power system operation and maintenance.Study results also be ap⁃plied to specific case studies，the results show that the constructing method is reasonable and effective and can be extended to the status evaluation of transmission change.

Big data；Time series；Neural network；Status evaluation

F426.61

A

1004－7913（2016）06－0008－03

覃兆安（1982—），男，学士，工程师，主要从事电网安全质量监督工作。

2015－12－04）