全寿命周期主动设备管理辅助决策

2021-05-11徐元孚李丛林袁中琛

电力系统及其自动化学报 2021年3期

徐元孚，李平，李丛林，田圳，王瑶，袁中琛

（1.国网天津市电力公司，天津 300010；2.国家电网有限公司，北京 100031；3.国网天津市电力公司东丽供电分公司，天津 300010；4.国网天津电科院，天津 300010）

电力系统设备资产管理广泛应用于电网发输配用各个环节，以增加电网资产可靠性，优化设备维护的总体成本并降低与资产运营相关风险。为避免由设备维护、检修以及更换不当造成的电网运行故障，电网公司一直采用传统的计划检修及人工决策的方式对电网资产进行管理，从而忽略了电网资产健康状况评估与管理，方法相对保守与被动[1]。随着智能电网的发展，电网资产快速增长，相应的量测数据呈现急速增长[2]。随着互联网、数字技术和人工智能技术的出现和日趋成熟，无论是矿业、石油还是天然气，自来水或电力运营商，基于实时、历史数据及案例库专家知识，采用人工智能的方式，做出主动决策管理已成为未来公用事业资产管理的趋势[3-4]。数据驱动下的电力系统，基于对数据的转换、存储、多维度数据的聚合、学习及信息提取，为将被动的设备管理向智能化主动资产管理推进奠定了良好的基础[5]，而基于海量数据的历史数据库和专家库为开展面向全寿命周期的电网设备资产管理提供了可能性。

基于人工智能的预测与决策支持系统已经存在超过10年时间，但在实际电网企业资产管理中由于各种原因还未广泛普及。如：电网设备运行态势预测、预判、预控能力受限于大部分设备缺乏实时状态反馈；设备由于投用时间的不同，在功能、设计、操作性能等方面差异较大，而对于设备健康水平的评估还处于起步阶段；电网企业还未配备将大量设备原始数据流进行实时转换和特征提取的平台；实时智能决策还需要设备历史事件记录、设备相关性、家族性、区域性等相关知识库联合支撑。

本文基于设备全寿命周期信息，采用案例推理技术对设备进行全寿命周期主动管理。通过检索典型事件专家库及自学习，形成面向全寿命周期的主动电网资产管理，对日常运营管理进行信息化支撑，对风险评估进行决策支撑。

1 设备资产管理

1.1 电网设备资产管理

国际标准化组织于2014年颁布了ISO55000系列标准，旨在建立全球各行业共同的资产管理标准框架。根据ISO55000标准，资产可定义为事物、物品、设备或具有实际或潜在价值的实体。有效的资产管理目标是确保资产在整个生命周期中，在相关利益体价值链中可以发挥最大价值[6]。

作为资产密集型企业，国内外电网公司都开始推动资产管理系统的开发与应用。英国国家电网将资产管理分为数据管理、计划管理和运营管理。将数据管理作为整个资产管理的基础为短期、中期及长期计划提供决策方案依据，为运营方案提供案例推理演化基础。通过数据、计划以及运营之间信息的交互，形成以数据支撑计划管理，以计划指导运营模式的循环优化制度，形成一个完善、高效的资产管理模式[7]。香港中华电力公司遵循PAS55标准开展资产管理工作，将管理、维修、绩效相融合，以可靠性和设备状态为基准进行设备检修维护[8]。加拿大Hydro One电力公司自1998年开始引入PAS55，并后续引入ISO55000系列标准开展基于设备健康状态的资产评估管理方法。

由此可见，世界各国电网公司在制定有效的电网资产管理解决方案，管理和优化利用所有资产来提高资产安全性、可靠性、可用性和经济性能。因此不仅需要保证设备健康稳定工作，同时需要尽可能延长设备使用寿命，提高电网公司盈利水平。我国电网公司的资产管理还处于起步阶段，得益于我国移动通信技术的发展，基于数字身份认证、边缘计算和人工智能技术的电网资产管理成为发展方向。

1.2 电网资产全寿命管理三维系统

美国系统工程专家A.D.Hall于1969年提出一种系统工程方法论，该系统工程理论模型由时间维、逻辑维和知识维组成，称为霍尔三维结构[9]。将霍尔三维结构三个维度合理设置，并清晰划分子维度，可有效应用于电网全寿命资产管理中。其中，时间维将设备从规划、采购、运检到退役进行状态标记，并应用唯一编码进行身份标注；逻辑维可用于记录设备类型、专业用途、电压等级、正常运行方式以及关联设备等关键信息，具体数据信息如表1所示；而知识维可用于记录设备相关检修、维护、更新信息，可与调控系统专家库进行信息交互。电网资产全寿命管理三维系统如图1所示，该系统从设备的全寿命周期出发，根据各个维度中子维度数据在三维空间中形成该设备生命周期内的相关事件逻辑关系及事件库，对设备进行全时空维度上的跟踪画像，为设备检修维护提供辅助决策。

表1 逻辑维数据信息Tab.1 Data of logic dimension

图1 电网资产全寿命管理三维系统Fig.1 Three-dimensional system for life-cycle grid asset management

2 设备管理案例推理

案例推理CBR（case-based reasoning）是人工智能技术的一种，包括案例表达、案例检索、案例修订、案例保留及学习，其中技术核心是案例检索，即从案例库检索出待解决问题相似的案例，并能够从经验案例中推理出新问题的解决方案，并对方案进行评估和案例库更新与学习。

2.1 典型案例表述

案例的表现形式对案例检索起到关键作用，不同案例如何进行区分，案例特性如何存储以便于检索，如何与解决方案建立映射关系等都是评估案例表现形式和知识涵盖的重要指标。表现形式既可以采用人工智能的框架表述也可以采用语义解析方式。

典型的案例可以表示为

式中：P表示在搜索空间上对问题的描述，P对于问题的描述可以表示为每个代理agent在搜索空间上的主体特性ui的集合；v为特性总数；S为解决方案及相应步骤的集合；T为相应的信任度值。

如前文所述典型的电网资产全寿命管理三维系统中，典型的案例包括设备的时间、逻辑和知识3个维度，而各个维度又可分为多个子维度，将时间、空间及逻辑上相关的事件及设备进行关联。如图2所示，典型案例与其对应的解决方案形成专家案例库，新的案例通过检索专家库案例及其对应解决方案，通过自学习形成新案例对应的解决方案，并对专家库进行更新扩充。

图2 案例推理及自学习过程示意Fig.2 Schematic of case-based reasoning and selflearning process

2.2 案例推理及学习

2.2.1 案例检索

案例检索过程是案例推理的核心，目前广泛采取的方法包括权重最近邻法WNN（weighted nearest neighbour）、归纳推理法IR（inductive retrieval）、知识引导法KGR（knowledge guided retrieve）以及模板检索法MR（modular retrieve）。其中，WNN和IR是应用最为广泛的检索方法。WNN是简单直观的检索方法。当数据源为数据或可转换为数据的文件时，应采用WNN对案例库进行检索，通常应用Euclidean距离公式来计算，即

式中：u为案例特性；v为该案例特性总数。利用如式（2）所示的聚类方法，将Euclidean距离最短的案例聚类为一类，即

式中，ck为案例库中某一案例。

如图3所示，对于某区域365天的负荷进行聚类，可聚类为5簇负荷以对应案例库中的对应案例。

图3 案例推理过程中某地区负荷聚类示意Fig.3 Schematic of load clustering in one area during case-based reasoning

2.2.2 案例重新利用及修改

对从案例库检索出的案例及其解决方案进行重新应用（Reuse）并进行相应的修改（Revise）是CBR自学习的重要部分。

为更好地观测新的案例与已检索出案例之间的误差，将二者进行比较，并利用式（3）计算其误差。

本文采用支持向量机SVM（support vector machine）解决式（4）的优化问题。SVM采用高斯径向基核函数RBF（radial basis function）作为核函数，表示u到核函数中心uc之间的欧式距离，记作

式中，σ为该函数的宽度参数，以控制函数的径向作用范围。

2.2.3 案例学习及案例库更新

以上方法假设样本数据为理想数据，而在实际工程中往往存在大量的数据缺失、数据不确定以及数据不一致等情况存在，缺乏完整的背景知识，从而为案例检索及学习提出挑战，需要采用自学习的方式对不完整信息进行补充和纠正。自学习主要分为机器学习、深度学习、强化学习和迁移学习。其中，迁移学习可以运用已掌握经验知识解决新问题，打破传统机器学习对训练数据的约束，使模型和学习方法具有更强的泛化能力[10]。由于其解决工程问题的适用性及方案的泛化能力，迁移学习受到工程领域的广泛关注。

本文利用电网资产全寿命管理三维系统中对资产形成的完备历史案例平台作为源领域，而系统产生的资产运维需求为目标领域，由于数据及描述的粗糙，数据概率分布很难满足新的案例需求而进入案例检索流程，采用迁移学习的思想，对电网中形成的新的资产管理按照时间维、知识维以及逻辑维进行泛化，从而形成标注的案例，为检索、推理、自学习的资产主动管理辅助决策系统提供数据支持。

坚定不移地抓好廉政建设，是加强和改进党的建设的重要途径之一。改革开放以来，中国共产党高度重视廉政建设，不断探索廉政建设的规律，取得了廉政建设的重大成就。

对于某些案例，系统会检索出多种相似度接近的解决方案。为此，从运行维护实际出发，为每种方法设置权重因子，特别是对于与重要负荷、资产相关的解决方案中，曾在资产管理历史中成功解决相似问题的方案，设置优先因子，相应的解决方案将作为首选项提供给调度运维管理中心。

经过检索及自学习的新案例是否应该更新入案例库需要根据新案例与案例库已有案例的相似度进行判断，本文采用相似度90%作为判别标准，即

similarity(NewCase,SimilarCases)≤ 90% （6）

2.3 案例推理流程

图4为案例推理学习方法的流程，通过将新的资产管理包装成新的案例在案例库中进行检索，并将所有检索的相关资产信息及生产检修方式存储于临时案例库tc中，对案例库中检索出的相关N个解决方案进行验证，如能有效解决则重新应用，否则根据验证结果对解决方案进行更新及再利用，并对更新后的案例进行学习并更新案例库。

3 基于案例推理的全寿命周期资产管理

全生命周期资产更换和检修在整体电力系统资产管理中起着至关重要的作用。根据IEC 60300-3-3国际标准，全寿命周期通常应包括6个部分：概念与定义、设计与开发、制造、安装、运维、退役。电网资产管理则主要关注安装、运维及退役3个方面。

电网设备海量多源异构数据，通过数据平台整理后可进行设备典型特征及历史事件信息，发掘潜在知识及历史关联、家族性关联事件，对电网企业开展设备规划、设备管理、设备评估具有重大意义。全寿命周期资产管理案例推理方法如图5所示。

图5 全寿命周期资产管理案例推理方法Fig.5 Case-based reasoning method for life-cycle asset management

4 算例分析

4.1 算例数据平台

资产管理数据繁杂，应用调控系统大数据平台，对系统案例推理及学习具有重要的数据支撑。

4.2 结果分析

4.2.1 数据初始化处理

由于资产管理过程中数据录入未能完全标准化，首先需要对信息进行初始化识别，如系统信息为“变电站ABC 220 kV-1母线：x出口线路维护”。系统首先检索变电站ABC 220 kV-1母线下所有出口设备类型、检修情况、历史事件，形成自身及相关设备特征点提取以及历史事件特征提取，具体检索结果如表2所示。