融合关联与矩阵算法的变电设备状态监测方法

2021-05-07王能胜吴玉玲王黄磊

计算机测量与控制 2021年4期

王能胜，吴玉玲，江涛，王黄磊

(国网安徽省电力有限公司庐江县供电公司,合肥 231500)

0 引言

在电力技术日益发展的情形下，变电设备作为电力传输系统的关键部件，其服役质量直接决定了电力系统的可靠性。为了确保电力系统的正常运行，变电设备的服役过程状态数据呈爆炸性增长态势，大数据技术在电力系统的实时监测应用更加广泛[1]。由于电网之间的拓扑关系错综复杂，对电网中变电设备状态评估和智能检测就需要专门的检测方法。

现有技术中通常使用检查设备或者电力设备的方式，也有采用常规统计学分析的方式，但是这种技术通常只能通过本地分析，远程分析就变得十分困难。文献[2]应用了一种在线监测的方式，这种方式仍旧依赖于现有技术中的设备监测，一旦监测设备出现故障，电力检测就会中断[2]。文献[3]应用了大数据分析的方法，但仅仅是该大数据的肤浅应用，无法实现大数据的深刻分析[3]。在本研究中的电网内运行中电力设备实时监控和数据分析能力仍旧远远不足。

1 总体架构设计

针对上述设计的不足，本研究采用大数据技术对变电设备状态监测过程中产生的大量数据进行数据挖掘，以提高变电设备的监测能力[4-5]。

在本研究设计中，将大数据技术应用于状态评估的基本思路是对状态监测数据进行综合分析，并利用相关算法进行深度挖掘[4]。以变电设备的实时服役状态过程监测数据为参考依据，对其进行统计学规律分析，进而发现高价值的服役过程关键信息，以实现对变电设备的异常状态快速检测和评估，全面、高效、精确地掌握关键性能的健康状态，为变电设备的状态检修和日常维护工作提供理论依据，进而确保变电设备的安全可靠运行[6]。如图1所示。

图1 基于大数据技术的状态评估架构

图1为状态评估的整体架构示意图，图中，其关键技术如下:

1)变电设备运行关键参数体系建立。该系统包括多种模块，如图1所示。本研究为了提高变电设备运行状态中数据评估的综合性以及扩展性，本研究的变电设备状态监测系统融合了融合关联与矩阵算法，对变电设备状态数据信息进行不同形式的计算，进而从不同的角度挖掘变电设备的数据信息，实现变电设备的运行状态的监测，将变电站运行、维护过程中宏观现象通过数据微观分析反映出来。

2)监测过程大数据的诊断分析。构建不同类型的大数据模型，建立多维数据状态量，分析其异常变化的发展趋势，并将其用于降噪的理论依据。以变电设备实时过程状态数据的多元时间序列为主要参考，将具有强相关性的多元时间序列进行数据分析及诊断，以辨别异常数据特点和相对应的异常模式，并将可清洗的数据通过双迭代方法进行处理。

3)基于大数据量挖掘的故障分析。基于检测过程大数据获取变电设备关键信息，根据监测数据流中的异常评估，可以为变电设备提供预警[7]，实现服役状态评估和决策控制信息支持。

4)基于大数据技术的变电设备关键性能评估。通过构建的数据模型对数据信息进行挖掘，进而实现数据的微观分析。

2 状态评估方法

2.1 多元时间序列模式挖掘方法

本研究在进行在线监测时，传递的数据信息不管从空间还是时间维度上，都具有明显、易识别的宏观特征，在进行分析时，需要对宏观的数据信息进行状态这种分析，通过数据特征提取实现宏观数据的微观分析[8-9]。

本研究的APRIORI算法模型如图2所示[10-11]。

图2 APRIORI算法模型结构示意图

在应用关联规则进行数据挖掘时，需要学习不同电力大数据之间的数据管理性，这就要用贝叶斯概率计算，结合图2进行说明，假设待划分属性的变电设备运行期间的故障测试大数据集为d，假设将变电设备故障测试大数据类型的属性类别划分为集合C，其中C={c1,c2,…,cm}，其中第i分类属性满足这样的条件:l≤i≤m，对于待分类的变电设备测量数据类型集合d，其故障数据输出的最大类别为P(ci/d)，则有：

(1)

其中:C、D为随机变量，则变电设备测量数据类型d的贝叶斯分类公式为：

(2)

通过上述模型的构建，再通过分析过程对本研究的方法进行说明，其中关联规则的主要方法为：

1)假设将各种不同的电力大数据属性应用符号化时间序列A和B形成A1，B1，符号化时间序列A和B的差分序列形成A2，B2；然后对运行工作状态中的变电设备列表进行扫描，通过这种方式能够得出电力设备数据信息的不同排布，输出不同状态下的电力设备数据信息。

2)将变电设备运行过程中产生的不同大数据属性A1，B1，A2，B2分为N个滑动窗口，记为SWl～N，其中在每个滑动窗口中包含了同时段符号化后之序列；根据变电站数据的各属性值(诸如影响电网运行的谐波、磁场、纹波、网络流量、设备设置环境、设备运行速度等)。该技术在应用过程中，需要应用到层次分析法的计算方法，能够计算出不同数据的加权值。结合计算出的电力数据加权值，再计算出变电设备状态数据警告集t的权重值，该值通过以下公式可以算出:

(3)

3)然后根据滑动窗口中的4个序列，计算出变电设备不同数据之间的支持度；结合步骤2)中计算出的电力数据加权值具有的权重，再计算各变电设备运行数据警告的加权支持度，加权支持度用以下公式表示:

(4)

4)在该步骤计算过程中，假设变电设备运行数据中的异常数据为警告频繁k项集，则根据变电设备加权项目集的先验性质。对故障数据集进行计算时，还通过优化拼接、减枝等技术方法产生数据警告，在计算过程中无法继续产生告警频繁项目集的位置时[12-13]，进而输出影响电力设备安全可靠运行的各种数据信息。

通过上述方法，能够使用户从海量的电力大数据信息中获取变电站设备运行情况，进而获取变电站设备故障情况，以使维修管理人员及时进行处理。除了APRIORI关联算法规则外，本研究还应用了一种新型的算法[14-15]，能够计算出影响变电设备运行的因素，对变电设备状态评估进行深层的分析与挖掘，下文将详细描述。

2.2 高维随机矩阵评估方法

高维随机矩阵理论在信号处理应用中关注广泛，其基本思路是利用随机矩阵特征参数的统计分布特性分析方法来挖掘数据中的隐含信息[16-17]。高维随机矩阵理论分析随机矩阵在维数趋于无穷的情况下，其特征值、奇异值以及其他相关参数的统计分布特性。高维随机矩阵X的表示方法如下：

(5)

在式(5)中，用字母X表示各种运动状态下变电设输出的数据集合，用列向量x1,x2,…,xn表示n种不同影响变电设备互相独立、且安全可靠运行数据向量，其中X∈CN×n，N→∞，n→∞，N/n=c。电力系统大数据的获取如图4所示。高维随机矩阵理论在电力大数据中的广泛应用和密切联系。

在建立的数学模型中，变电设备中存在大量多维数据。从数学角度上，这些数据能够被建模时间序列分别为X1,X2,…,Xn的高维矩阵，矩阵的规模为N×T。当在大数据系统中获得了N和T时，可以实现对高维随机矩阵的数据处理。下面详细进行说明。

在影响变电设备正常运行的数据类型中，假设存在M种，用具体的宏观数据表示为安装环境、电网谐波、杂波、磁场、纹波、设备运行温度、湿度等。将这些数据记做为数据集合{P1，P2，P3,…,PM}，假设变电设备在理想状态下输出的参数为N，输出参数比如为电流、电压、纹波、谐波[18-19]、功率等，这些数据记作为数据集合{Q1，Q2，Q3,…,QN}，则在高维随机矩阵算法时，衡量变电设备运行过程中受某些因素影响时，则利用以下相关性矩阵公式：

(6)

在公式(6)中，则有:

(6)

(7)

通过构建上述矩阵，则可以将影响变电设备正常运行的数据数据集{P1，P2，P3，…，PM}和正常运行的数据集合{Q1，Q2，Q3，…，QN}联系起来，通过矩阵计算，则可计算出具体的影响量。

3 智能检修方法

3.1 变电设备服役过程故障诊断与分析

变电设备发生故障使变电设备无法正常处于工作状态，基于前文所提出的电力大数据数学模型，实现变电设备间的系统互联。其中变电设备故障项目如表1所示。

表1 故障关系架构示意图

3.2 大数据驱动的智能检修技术研究

基于电力大数据的变电设备状态评估模型，可以有效获取变电设备的关键参数集，综合变电设备状态检测数据的横、纵向分析两种主要方法。采用横向分析方法，从电力大数据模型中获取相同类型的变电设备参数数据，并进行对比分析，得到对同一类型的变电设备故障进行评估[21]。而纵向分析方法是指针对特定的变电设备，分析其当前服役的具体关键参数，并与历史参数数据相比较，根据长期服役的大数据模型，进行故障类型和具体情况的分析及预测。最后，基于故障过程数据的记录，将实地检修的流程作为对大数据模型的反馈输入。根据变电设备长期服役的故障处理数据，对大数据故障诊断、预测模型进行不断修正，逐步提高变电设备大数据模型的预测精度和可靠性。

通过上述论述，基于服役状态过程数据找到变电设备的故障发生位置和导致故障发生的原因，进而采取针对性措施。在对变电设备的故障检修完成后，基于大数据故障评估模型，对该设备可能出现的其他无故障部件进行检修和维护，主要包括设备本体、监测装置、元器件等，确保故障设备检修后的整机服役可靠性。此外，故障设备检修完成后，获取大数据分析模型的评估结果，基于不同的分析结果和服役性能要求确定下一步的检修策略。通过故障信息收集和整理，检修人员能够获得大数据的检修技术支持，以便于变电设备检修人员提高检修效率，进而提升变电设备的检修质量。通过对变电设备的过程数据监测，可以为功能系统和保护系统的智能控制提供理论依据。