基于趋势分析的变电站设备异常检测方法

姚 艳 秋

(长春师范大学 计算机科学与技术学院, 长春 130032)

变电站使用的电力设备在各种环境因素作用下, 会导致性能指标下降, 甚至发生电力事故. 利用对电力设备的在线监测[1-2], 能及时获知设备的性能状况, 如设备的绝缘性. 介质损耗因数可表征设备的绝缘性, 当设备的绝缘性较差时, 设备运行的能量损耗将增大. 因此, 通常采用随时间变化的介质损耗因数衡量电容型设备的绝缘性[3-4]. 不仅要分析某设备在某时刻或某段时间内参数的变化情况, 还要判断该设备运行状态的长期变化情况, 即分析设备参数的变化趋势. 随着设备使用时间的延长, 其受环境因素影响而老化, 设备的介质损耗因数会缓慢增加. 目前, 已有一些利用智能技术对电力设备运行状况进行异常诊断的方法[5-8]. 本文提出的趋势分析方法能根据设备介损变化趋势判断设备的绝缘性状况, 实现在线辅助诊断, 减轻人工识别判断的工作量.

1 趋势分析方法

本文主要对介质损耗因数的时序数据进行趋势分析, 当介质损耗因数呈增长趋势时, 认为设备的绝缘性变差, 此时需要对设备进行检修. 趋势分析方法通过模拟一段数据流的变化直线, 忽略其细节, 得到总体的变化趋势. 该方法通过对待分析数据流进行合理分割, 先计算各段数据的特征值, 再根据每段数据的特征值分析数据的变化趋势. 本文将进行趋势分析的数据流定义为Y={xt1,xt2,…,xti,…,xtn}, 其中xti表示ti时刻的监测数据.

因为直线拟合的误差会随着所拟合数据段的增长而增大, 所以要对数据段进行适度分割. 数据流分割后的数据段表示为Y={Y1,Y2,…,Yi,…,Yj}, 其中数据段Yi可表示为Yi={xi1,xi2,…,xij,…,xik},Yi数据段内的xi1到xik满足对某个统计模型的误差最小, 这样将其分割在一个数据段内可减少直线拟合的误差. 数据流分割后, 对每段数据Yi进行直线拟合, 根据其统计模型进行趋势分析. 因为设备介质损耗因数的增大, 表示设备绝缘性变差, 通过对介质损耗因数进行直线拟合, 能较直观地判断介质损耗因数的增大或减小. 直线拟合可表示为x(t)=(a+δj)t+(b+εj), 其中x(t)表示按时序排列的数据流,δj和εj为误差, 参数a和b表示x(t)的特征值, 记录a和b的值即可记录这段数据的趋势. 因此, 对监测的介质损耗因数进行趋势分析, 需要对数据流进行分割和拟合.

2 数据流分割拟合方法

监测得到的介质损耗因数是离散的, 且不断波动, 因此对其进行趋势分析, 就要从数据序列中找出规律性, 进而分析数据的变化趋势, 所以将数据拟合成一条直线, 判断介质损耗因数总体的变化趋势. 直线拟合是根据一些离散数据得到一条直线, 使原始数据与拟合直线符合相同的变化趋势. 本文采用最小二乘法进行监测数据的直线拟合. 其通过求得具有最小误差的拟合函数进行直线拟合, 所以通过直线拟合得到的函数是使离散数据与拟合直线误差平方和最小的函数, 拟合直线与原始数据的趋势较接近.

数据流分割是趋势分析的一个重要问题. 当数据量增大时, 直线拟合的误差将增大, 所以需要对数据流进行适度分割, 如果分割不当, 会增加拟合直线误差. 分割数据流的方法目前主要有滑动窗口法和外推式分割方法. 滑动窗口分割通过设置滑动窗口, 当数据段长度达到窗口大小时就进行分割, 该方法是最简单的数据流分割方法, 但分割后数据段中的数据直线拟合误差可能较大, 所以这种方法通常不能选取最合适的分割点. 外推式分割方法[9]取适量数据, 将其拟合成一条直线, 再逐步增加新数据, 当累计误差增加到所规定的误差最大值时, 分割数据段. 该方法可减小拟合的误差, 但拟合直线只符合原数据规律, 并未考虑后续增加数据的规律.

本文将上述两种方法相结合. 设置基本滑动窗口, 从数据流的起始点开始, 逐渐增加数据, 进行直线拟合. 用拟合后直线的误差平方和与阈值进行比较, 当误差比阈值大时, 如果数据段长度小于等于基本滑动窗口大小, 则认为数据段波动较大, 不作为趋势分析参考； 否则, 将该数据所在位置作为分割点, 再取该数据后的数据点作为起始点, 重复拟合直线步骤； 当误差比阈值小时, 每增加一个数据, 重新拟合直线. 本文算法步骤如下：

输入：I={x1,x2,…,xi,…,xn}, 基本滑动窗口长度lmin, 误差平方和阈值t,f( )为拟合函数;

输出： {S,E,A,B,L},S和E表示数据流分割起止点,A和B表示特征值,L表示数据段是否作为趋势分析参考；

1)m=1 //分割数据段开始点

2)j=1 //数据流分割段数

3) FORi=2 TOn

4)Yj={xm,…,xi}

5)k=i-m+1 //Yj数据段的长度为k

6) 由拟合函数f(Yj)计算误差E和特征值a,b

7) IFE>t

8) IFk≤lmin

9)L(j)=1 //数据段特征值不作为趋势分析参考

10) ELSE

11)L(j)=0 //数据段特征值表示趋势

12) ENDIF

13)S(j)=m,E(j)=i-1 //记录数据段起止点

14)A(j)=a,B(j)=b//记录拟合直线的特征值

15)m=i,j=j+1 //分割数据流, 重新开始拟合直线

16) ENDIF

17) ENDFOR.

3 实例分析

为验证本文趋势分析方法的实际应用效果, 采用某变电站电容型设备的介质损耗实测数据进行实验. 对如图1所示的随时间变化的介质损耗因数进行趋势分析, 首先对数据流进行分割, 对数据流进行分割先要确定基本滑动窗口、 误差平方及阈值大小. 本文基本滑动窗口设置为30. 因为监测参数每天测量一次, 根据经验分析, 滑动窗口不能太小, 否则诊断结果可能由于突变引起, 并不代表变化趋势. 将基本滑动窗口设为一个月大小30, 符合实际应用对数据流的分割需求. 阈值t表示拟合直线误差平方和允许的最大值, 当误差平方和大于阈值时, 需要分割数据流. 根据经验分析, 当误差阈值t=0.003时较符合实际要求. 对图1中介质损耗因数进行趋势分析, 得到拟合曲线如图2所示. 图2的趋势分析结果列于表1. 由图2可见, 其拟合的曲线与图1的趋势相符.

图1 介质损耗因数数据

图2 对图1介质损耗因数数据的拟合曲线

表1 拟合曲线分析数据

由表1可见: 从时刻1到时刻24, 数据段拟合结果无意义； 从时刻25到时刻68, 时刻69到时刻103, 数据快速下降； 从时刻104到时刻155, 时刻156到时刻226, 时刻227到时刻275, 数据较平稳, 有上升趋势； 从时刻276到时刻303, 数据段拟合结果无意义； 从时刻304到时刻375, 数据快速上升； 从时刻376到时刻429, 时刻430到时刻459, 数据较平稳, 前段有上升趋势, 后段有下降趋势； 从时刻460到时刻509, 时刻510到时刻545, 数据快速上升； 从时刻546到时刻575, 数据快速下降； 从时刻576到时刻623, 数据较平稳, 呈上升趋势； 时刻624到时刻643, 数据段拟合结果无意义； 从时刻644到时刻675, 数据较平稳, 呈上升趋势.

趋势分析主要分析数据长期的发展趋势, 数据可能在短时间内波动, 而短时间内波动不作为关注的重点, 所以将基本滑动窗口长度设为30, 即1个月作为阈值, 当数据段长度不超过30时, 可认为是干扰引起, 不作为数据发展趋势. 根据经验分析, 当拟合曲线斜率超过2×10-5时, 设备出现故障的可能性较大. 本文研究结果表明, 具有这种趋势的数据段为异常数据段, 所以反映设备出现故障的数据段包括时刻460～509,510～545产生的数据段. 这里不考虑超过阈值并且趋势为快速下降的数据段. 分析结果表明： 超过长度阈值并且趋势为快速上升的数据段为异常数据段； 在时刻460～509,510～545数据产生期间, 设备可能发生故障, 需要工作人员到现场检修.

综上所述, 基于电容型设备的介质损耗因数能反映设备的绝缘状况, 本文应用时序数据的趋势分析方法对设备介损监测参数进行了分析, 通过对数据流进行合理分割, 基于最小二乘法进行直线拟合, 进而实现了对变电站设备异常趋势的检测. 该方法目前已应用在变电站的实际监测系统中, 其能对实时监测数据进行自动分析判断, 对电力设备的可能异常提示预警, 从而为工作人员提供辅助分析判断.