利用大数据检测智能电网异常的分层架构

王振达, 范晟, 吴福疆, 方志丹, 陈爽

(广东电网有限责任公司汕头供电局, 广东 汕头 515000)

0 引言

智能电网的本质是运行在高冗余电力一次硬件基础上的，基于全输配送电系统大数据支持下的，高度自主化运行的电网系统。高度理想化的智能电网，可以实现一两次设备主动投切、自动倒闸、故障自主判断切除及自愈、负载自动均衡、无功自动平衡、能耗自动记录并实现自动电费扣缴等一两次功能。但当前条件下，全球各国电网功能尚未实现该理想化智能电网系统。所以，智能电网系统的建设任务仍有较长的道路要走。当前，除电网一次设备和二次设备的建设外，电网CBA架构的建设是实现电网智能化的重要硬件设施，CBA即是云计算(Cloud Computing)大数据(Big Data)人工智能(Artificial Intelligence)的技术架构整合，其中大数据部分是最容易实现人机交互的部分，通过对数据仓库中的数据进行整合分析和深度挖掘，可以得到电网的诸多运行状态，即分析智能电网的异常。

因为智能电网的部分CBA功能运行在公网系统或包含公网接口的系统上，所以，吴丽佳[1](2020)使用压缩感知算法，从网络安全角度对智能电网的网络入侵行为进行了识别检测。何奉禄(2020)等[2]研究了智能电网的物联网部分，即各种电压、电流、震动、绝缘、温度、侵入物等的相关探头的物联网采集系统以及各种断路器、接触器、变压器的控制物联网系统，并对这些系统进行了技术现状综述研究。栗维勋(2020)等[3]研究了区块链技术在智能电网监控系统中的应用，该研究认为，区块链不仅仅是联合记账和自动合约技术整合，其分布式计算，去中心化网络，不可篡改数据记录模式，无中心大数据管理等，均在智能电网大数据中起到重要技术支持作用。赖伟平(2019)等[4]对智能电网中的数据认证追踪方案进行了研究，该研究对提升智能电网的数据安全性和可用性有重要意义。陈阵(2019)等[5]通过智能电网的运行大数据分析，对智能电网的故障自动检测系统进行了整合研究。

以上研究均与智能电网的大数据资源深度开发有关，所以，智能电网的CBA架构，特别是大数据资源，对智能电网的运行过程有积极意义。

1 智能电网大数据的构成

因为当前智能电网大数据系统的建设过程仍处于探索中不断创新的阶段，不同的变电输配电系统中使用的智能电网大数据构成也各不相同。但归结起来，主要包括运行数据、负荷数据、安全数据和日志数据等诸多方面，如图1所示。

图1 智能电网大数据构成图(局部)

如果不考虑大数据管理成本，理想化的智能电网大数据应包括以下组成部分。

第一，电能质量数据。

电能质量数据一般来自电网内的CT设备，通过采集二次侧的电流、电压、相位、谐波、杂波、中性点状态、接地线状态等相关数据，可以构建完整的电能质量数据，对一次系统内的电能质量进行实时的控制性测量。因为当前国内电网运行在工频50 Hz频率上，而最大精度采集此类信息，则应在1/4波形上设置采集点，即形成5 ms间隔甚至更高频率的采样频率，实现对电网电能质量进行有效控制。这对电网内的谐波、杂波处理，浪涌抑制，无功补偿，反送电，接地及漏电等现象进行及时的状态捕捉并提出预警信息，对电网内设备的微故障进行定位定性分析。

第二，设备状态数据。

电网中的主要一次设备，包括变压器、断路器、隔离开关、防雷器、CT线圈、浪涌抑制器等。二次设备构成更加复杂，包括各种控制屏、补偿器、吸收器及其配套的超级电容器、电抗器、接地线圈等。这些设备大部分由线圈绕组、灭弧器等核心部件构成，也牵扯到各种安全相关附属设施。因为伴随着智能电网的功能逐步完善，相关设备的构成模式和系统对相关设备的依赖性逐渐增加。在大数据系统中，对这些设备的温度、震动、油量、微电弧、以及各种动植物及空票物的侵入物等必须进行充分监测，以形成大数据资源。

第三，管理日志数据。

智能电网的自动化设备运行过程产生大量的系统日志数据，人为的值班、运行、倒闸、检修、巡线等过程中，也会产生大量的日志数据。这些数据也会较直观的显示出智能电网的运行状态，与前两者之间形成数据互补。

当前，绝大部分智能电网管理信息系统，均以BIM系统作为核心管理平台，整合各种辅助的监测系统、日志系统、值班系统、办公系统的大数据资源，构成智能电网的大数据核心，如图2所示。

图2 大数据核心管理系统一般模式示意图

2 智能电网可用的大数据分析技术

智能电网的大数据分析过程，一般分为数据的治理和预处理技术，数据的深度挖掘分析技术，数据预估及预警技术，专家系统相关技术等。

2.1 数据的治理与预处理

因为绝大多数智能电网运行数据均来自智能监测系统的物联网采集接口，采集过程中，受到系统内的各种干扰影响，较容易出现数据的离群或者空值现象，所以需要在数据治理过程中执行部分的离群数据判断、数据拟合、空值补全等操作。其中对离群数据的治理过程一般采用小波分析法进行处理。

常用的电力小波基函数，如式(1)—式(3)。

(1)

式中，

(2)

(3)

通过多次小波函数的迭代，可以将大部分离群数据拉回到理论值范围内，只要不是持续2-3个波形出现的离群数据，大数据系统一般不会发出相应预警，而是偏向于认定相关数据的物联网采集系统受到了不可抗和一过性干扰。

而将上述小波函数p(y)进行傅里叶变换，可以得到数据的杂波信息和谐波信息，如式(4)。

(4)

傅里叶变换的统计学意义是将相关的时域函数p(y)进行频域转化，以发现不同频率下的波形位移量分布情况。

当然，如果要将多列不同量纲数据进行整合分析，还需要对相关数据进行去量纲变换，即将电流安培、电压伏特、温度开尔文等数据的量纲进行去量纲化，实现不同量纲数据的相互运算和相互比较。其中分为线性去量纲和非线性去量纲两种计算模式。

线性去量纲一般采用min max算法进行数据预处理，如式(5)。

(5)

非线性去量纲一般是在线性去量纲的基础上，将接近0值附近的数据投影充分拉大，一般采用对数法进行非线性投影,如式(6)。

Li(x)=logeMi(x)

(6)

2.2 模糊神经元网络算法支持下的数据深度挖掘

不同的分析需求下，智能电网大数据的深度挖掘分析过程略有不同，但绝大部分分析过程，均是采用了模糊神经元网络的分析方法。即整合了模糊分析的指数级状态扩增和状态捕捉优势和神经元网络的深度迭代回归支持的数据隐藏规律拟合优势。使用模糊分析的方式将经过2.1预处理的数据进行模糊化，将模糊后的数据输入到神经元网络中，经过3-7个卷积循环后，通过多个卷积节点的数据整合成神经元网络的输出节点，再通过模糊算法将神经元网络数据进行解模糊处理。最终通过格式化输出模块，对经过解模糊的数据进行解释、表示和可视化处理，最终形成最终输出数据。这类最终输出数据，可以用作数据预警和专家方案汇总，如图3所示。

图3 卷积神经元网络在智能电网的一般应用模式图

其中，神经元网络常用以下四种节点实现方式。

第一，线性回归函数支持的神经元网络节点模式。

线性回归主要用于节点数的压缩算法，多用于输入节点的大矩阵数据压缩整合过程。电力大数据的分析中，往往一个输入矩阵还有数百甚至数千个输入节点，而在神经元网络内部卷积模块中，一般只使用1-3个输入变量即可完成卷积，所以需要使用线性回归函数对大量输入节点进行压缩。其节点基函数，如式(7)。

Y=∑(A·Xi+B)

(7)

第二，多项式回归函数支持的神经元网络节点模式。

多项式回归主要用作对高维度数据进行降维处理，即发现数据中的微小变动规律，以放大数据的变化趋势，提升数据的信度。多项式回归函数是一般的神经元网络卷积模块的实现模式。其基函数，如式(8)。

(8)

根据群论规则，超过5阶多项式就不可能有一般解，所以，绝大多数多项式函数采用最高5-6阶多项式进行相应处理，更高的多项式函数会给系统带来较大的算力压力，容易造成系统崩溃。

第三，二值化函数支持的神经元网络节点模式。

二值化函数主要用于数据预警系统和数据判断系统，其统计学意义是将数据投影尽可能向无限接近于二值化函数两个极点的方向移动。一般的二值化函数的移动方向是无限接近于1.000和无限接近于0.000。用于供系统判断一个Logical结果。而其他函数更倾向于输出一个Double结果。所以二值化函数一般应用于输出节点模块。其基函数，如式(9)。

(9)

第四，非线性函数支持的神经元网络节点模式。

当然，电力大数据挖掘系统的输出目标不一定是一个Logical结果，所以也有可能并不适用于二值化输出模式，而是显示更多细节的非线性输出模式。这就常用到对数函数模式和指数函数模式。

其中，对数回归的基函数，如式(10)。

Y=∑(A·logeXi+B)

(10)

指数回归的基函数，如式(11)。

Y=∑(A·eXi+B)

(11)

3 电力大数据异常分析的层次架构

电力大数据的异常分析，一般分为4个层次进行分析，如表1所示。

表1 电势大数据异常分析层次架构表

3.1 直接层(第一层)架构特征

结合2.1中分析方法，对数据进行完整性、信度、效度等分析，发现持续离群数据或持续缺失数据，此时，可以发现相关的一次或二次设备的故障，或大数据采集物联网系统的探头故障或网络故障。特别是发现持续数据离群或持续数据缺失故障时，一次或者二次系统的电磁保护或者综合保护并未发生动作，则其故障源多为物联网系统本身。此时系统应报错数据采集故障并由运行人员或者检修人员确认故障源并进行相应维护操作。

3.2 关联层(第二层)架构特征

当两列或者两列以上的数据关联特征发生持续性变化，则一般认定系统出现了多点同时发作的复杂故障或者设备兼容性故障。比如因为CT饱和导致的普遍性二次故障，或因为电容器电抗器故障导致的系统补偿能力降低导致的故障。关联层数据分析过程一般需要直接层分析结果作为数据支持。其分析方法同样在2.1中进行了论述。

3.3 特征层(第三层)架构特征

对各列数据进行单独傅里叶变换分析，发现其时域特征和频域特征应保持一定的稳定性，而当其时域特征或者频域特征发生突发的持续性变化时，一般认为其数据特征层发生了故障。这些故障一般来自设备的自身故障，比如设备慢性击穿、内部持续放电、绝缘油污染、绝缘纸老化、容性接地特征变化等。这些故障一般为系统的慢性故障，可根据这些故障排定状态检修任务计划，防止故障的扩大化。而特征层分析的原始数据一般来自关联层数据的支持。其分析方法同样在2.1中进行了论述。

3.4 挖掘层(第四层)架构特征

当前三层数据分析过程中未发现系统异常时，数据可以提交到第四层进行深度挖掘分析，即一般采用2.2中的分析方法进行数据深度挖掘分析。这一层架构中，一般判断特征层中未能体现的微小设备故障，比如各种未能影响设备状态的微击穿、微形变等故障。以及设备负荷能力不足等其他故障。且挖掘层也可实现与BIM系统、GIS系统等相关电力运行维护管理的辅助系统的数据整合分析过程，以发现更多深层次的故障形式。

4 总结

当前，电力大数据的分析过程，特别是大数据的离线分析过程和整合分析过程，已经初步构成了大数据分层架构。在分层架构下，可以实现各层次的单独数据处理并形成单独的数据处理子系统。不同层次下可以对不同层次的故障异常进行针对性的分析处理，可以较大程度减少相关大数据系统的开发量，并实现不同系统之间的数据相互支持和数据分析结果复用。研究电力大数据系统的分层架构，可以有效提升电力系统大数据的利用效率和开发进程。