电力系统中输变电设备智能化网络运维管理方法
2022-04-20金海勇卢贵有王庆利李秀广
金海勇， 卢贵有， 王庆利， 李秀广
(1.上海乐研电气有限公司，上海 201802；2.国网四川省电力公司检修公司，四川, 成都 610041；3.河南平高电气股份有限公司，河南，平顶山 467001；4.国网宁夏电力公司电力科学研究院，宁夏，银川 750001)
0 引言
输变电设备在电力设备中发挥着至关重要的作用，关系到电力系统的稳定和用户的安全。现有技术中的输变电设备在运维过程中存在诸多缺点，故障能力诊断效果较差，针对该问题，相关学者进行了一系列研究。文献[1]采用人工智能(Artificial Intelligence,AI)技术实现输变电设备运维过程中的识别、预测、优化、决策等，该技术虽然为电力设备运维作出技术贡献，为电力设备的运维检修提供了全新的技术手段与研究思路，但该方案并没有有针对性地分析某一项技术问题，对输变电设备的故障发生点也难以实现定位，数据交互能力差。文献[2]将物联网和移动互联技术有机地融合在一起，提高了设备智能识别、可视化展示能力，但是故障诊断能力较差，当输变电设备运维过程出现电网纹波、电力故障或者其他数据信息时，难以实现输变电设备智能化诊断。
基于以上分析，本研究设计一款新型的输变电运维管理平台，能够实现底层设备运维过程中的全过程监控。
1 输变电运维管理平台架构设计
针对上述技术的不足，本研究设计出新型的输变电运维管理平台，如图1所示。
图1 输变电运维管理平台整体架构设计
这个电力系统输变电设备智能化网络运维管理平台整体架构大体上分类为底层设备层、数据采集层、数据传输层、数据计算层和运维监控层。
在底层设备层，主要设置各种输电设备。输电设备在运维过程中能够输出各种数据信息，比如电流、电压、功率等。输电设备被数据采集模块采集信息，比如输变电设备的各种参数，如运行数据、环境数据、设备通信数据等不同信息。数据采集的技术手段包括但不限于气体浓度传感器、温度探头、湿度计、摄像头、水浸、烟感等硬件设备。采集到的数据信息通过云通信、网关、RS485协议等接收，并汇总上传到云端进行存储[4]。
在数据计算层，设置了各种计算机算法模型，进而实现多种不同数据信息的交互和通信[5]。设置的数据处理工具有改进型人鱼算法模型(Artificial Fish Swarm Algorithm, AFSA)、故障诊断模型等，这些大大提高了数据分析和计算的能力。计算后的数据信息传递到上层管理中心，通过运维监控层实现计算后数据信息的远程控制，使得用户能够快速获取输变电运维管理情况[5]。
2 关键技术设计
2.1 改进型人鱼算法模型数据追踪方法
本研究采用的改进型人鱼算法模型具有以下技术特点：在人鱼算法模型中融入行波定位方法实现输变电设备运维过程中的行程分析，实现输变设备运维过程中获取运维中心命令的最佳接收路线或者时间，通过行波定位方法实现输变电设备的位置定位[6]。改进型人鱼算法模型数据追踪方法架构图如图2所示。
图2 改进型人鱼算法模型数据追踪方法架构图
下面对研究的方法进行说明，假设运维中的输变设备存在的运维数据点的数量记作M，则在电力系统中构建输变电设备的数据集合可以为
x=(x1,x2,x3,…,xM),xi∈{1,2,…,M}
i=1,2,…,M
(1)
式中，xi为输变设备运维编码，输变设备运维列表x为1-M的输变设备运维序列。输变设备运维作业优化的目标寻求最佳序号排列[7]，以便输出的输变设备运维目标函数值达到最小，以简化运维评估程序。在该过程中，融入行波定位方法以检测输变电设备运维过程中的故障点位置。其原理图如图3所示。定位原理如下。
图3 行波定位方法原理图
假设运维中的输变设备初步检测到故障点时的时间为t1，第2次为t2，则故障点释放的行波在时间点t1和t2之间产生了距离关系，假设故障点之间的距离为L，在不同故障点之间进行多次反射，则存在式(2)，
(2)
式中，L为输变电设备运维过程中出现的故障点与输变电设备输出母线L之间的长度，v为行波在空气中的速度，t1和t2分别为不同时间点下检测到的行波。通过这种关系式，能够计算出输变设备在运维过程中出现故障的距离。这种方法能够在输变电设备运维追踪过程中及时获取输变电设备在电力系统中出现的故障位置。
假设电力系统中存在N台输变电设备，各台输变电设备在运维过程中，对应输出的运维数据量记为pi(i=1,2,…,N)，则不同的输变电设备在运维过程中的列表通过式(1)可以截取具体输变电设备对应部分，追踪数量可以为pi(i=1,2,…,N)。通常在电力系统中，所有输变电设备通过统一的运维中心进行管理，在完成任务后，运维数据传递回运维中心，对于最佳路径规划方案，将所有输变电设备运维方式、运维输出的参数长度进行加权求和[8]，最终输出适应度函数如式(3)：
(3)
通过上述描述，本研究的改进型人鱼算法模型参数设置可以为：人工鱼个体(在本研究中为输变电设备)记作X=(X1,X2,…,Xn)；模型的适应度函数值记作f(X)，表示人工鱼在位置X对应的食物浓度，即输变电设备在运维中面临的环境影响情况。2条人工鱼所处位置(即本研究中不同输变电设备之间)Xi和Xj之距为
(4)
其中，δ表示输变电设备在电力系统中的拥挤度因子。
经过多次迭代计算，则输出输变电设备接收运维中心数据信息的位置及其适应度函数值，当实际迭代次数与预期次数相同时，则可记录鱼群算法寻优输出结果。
2.2 改进型BP神经网络算法模型的故障诊断方法
本研究改进型BP神经网络算法模型的故障诊断示意图如图4所示。
图4 改进型BP神经网络算法模型
故障诊断分为以下步骤。
(1)输入输变电设备运维数据信息，对数据信息进行初始化，以提高运维数据的纯洁度。
(2)启动分类算法模型，按照输出电流、电压或者电网中的其他数据信息进行分类，将输变电设备中的数据信息以不同的数据属性分类，作为不同的数据分区。
(3)分区后的运维数据信息被输入到输入层，设置BP神经网络模型中的参数信息、权值、隐藏节点、阈值等，以调整模型输出结果。权重输出结果可以为
(5)
式中，η表示模型中神经元的学习效率，ωki表示权重，采用式(6)调整隐含层权系数：
(6)
实际输出与目标输出之间的误差公式可以为
(7)
总准确函数表达式为
(8)
上述方法可以通过以下程序完成。
程序表示方法输入:原始输入数据信息,公式(5)～(8)的数据训练集,设置学习效率过程:(1)将输入数据集合初始化处理,包括神经网络模型中的连接权值、阈值、神经元等(2)Repeat(3)Forall(xk,yk)∈Ddo(4)根据设置的隐层,逐层计算(5)Endfor(6)Until达到停止条件输出:诊断误差
3 试验结果与仿真
通过上述技术论证，下面对本研究的方法进行试验。仿真环境为MATLAB/R2018，数据平台为OMAP 5432 平台，CPU采用ARM CorTex-A15框架的Exynos5250，主频高达1.7 GHz。硬件结构如表1所示。
表1 硬件参数示意图
试验架构示意图如图5所示。
图5 试验架构示意图
3.1 改进型人鱼算法模型验证
将该算法与不具有行波行为功能的k-means算法模型进行对比验证。在电力系统中存在 1 000 000台电力系统设备，各台输变电设备在运维过程中，对应输出的运维数据量记为pi(i=1,2,…, 1 000 000)。为了验证数据接收量，将电力设备运行过程中的不同数据信息之间的故障点距离记作为L，通过将试验数据代入上述公式 进行计算后，记录输入数据信息任务下达量，再分别采用本研究不同的方法，比如k-means算法模型任务接收量、耗时、本研究方法任务接收量及耗时等多种数据情况，进而对比不同方法的数据接收情况与耗时情况。输入数据样本示意表如表2所示。
在表2中，假设在A、B、C、D四处位置对1 000 000台输变电设备发出命令，分别计算运维命令追溯的准确率。通过表1的数据信息，为了提高数据计算率，将不同的数据信息划分为不同数据组，以提高数据运行能力。通过不同数据运行情况，可以看到本研究方法接收数据量90%以上，采用k-means算法时，时间耗费大于200 s以上，本研究的方法数据接收量大、耗时短，并且具有定位功能。
表2 输入数据样本示意表
3.2 改进型BP神经网络算法模型
在进行改进型BP神经网络算法模型验证时，通过几组计算式对构建的BP神经网络模型进行验证。其中，准确率公式为
(9)
召回率公式为
(10)
(11)
最终输出评估FI值可以为
(12)
采集到的数据样本和输出计算如表3所示。
表3 测试样本数据计算表
通过样本计算，发现改进型BP神经网络模型计算后，其召回率分别为93.5%、94.1%、91.9%、92.1%和91.9%，正确率分别为93.4%、94.5%、93.6%、94.3%和93.9%，计算准确率为95.8%、96.3%、95.9%、97.3%和96.4%。将BP神经网络模型与改进型BP神经网络模型进行误差对比，得出如图6所示的误差对比。
图6 误差对比
BP神经网络模型的误差评估模型虽然具有较高的准确率，但是改进型BP神经网络模型具有的误差准确率更高。
4 总结
针对输变电设备运维过程中管理和数据故障监管，本研究设计了一种智能化、多功能输变电运维管理平台，实现底层设备运维过程中的各种数据信息管理、采集、计算、传输和远程应用，新型的改进型人鱼算法模型提高了数据分析能力，基于分类算法的BP神经网络模型提高了数据处理和分类能力。本研究虽然在一定程度上提高了输变电设备运维过程的管理能力，但仍旧遗留了诸多问题，比如数据采集问题等，这需要进一步地研究。
