基于电网故障的态势感知平台设计*

何清素

(甘肃同兴智能科技发展有限责任公司，甘肃 兰州 100053)

0 引 言

随着云大物智等现代信息技术和能源技术深度融合、广泛应用。近年，能源行业由信息化向数字化、智能化进一步转型。国家电网建设“统一坚强”智能电网目标的提出，使电网和通信及信息网两大人造网络高度融合，电网的电气设备从事故检修到定期检修，再到状态检修及故障态势感知的转变是其技术发展的必然趋势，而云计算、人工智能等领域对此起到技术支撑作用[1-2]。

目前，智能电网的发展其规模和复杂性的不断增加，电网安全、稳定运行也随之受到了极大的挑战，其态势感知不足易导致运行管理人员难以做出正确决策，是近年国内外多次大规模停电事故的一个关键原因。此外，国内外研究学者仅是针对变、输、配电中的单个环节的数据分析进行态势感知和故障预警，并没有将这些环节的故障点数据进行相关关联分析研究。葛磊蛟等人[3]只是针对配电网建立了态势感知实现效果综合评估模型，包括综合评估指标体系和评估方法，该模型客观准确反映配电网运行状况，消除单一评估方法的片面性，有效提高智能配电网的可观测度。俞刚等人[4]针对低压配电网络，假设电源端点的总功率、三相注入电流幅值和电压幅值，以及负荷端点的三相功率和电压幅值等量测量都可以获得，提出了三相四线制低压配电网的状态估计模型。上述2篇文献侧重于配电网，而对于输电网而言，周华锋等人[5]从电网运行管理人员的角度出发，设计了基于一体化电网运行智能系统的电力系统运行驾驶舱，提出应将可视化技术纳入输电网态势感知的范围当中。目前输变配用环节故障关联态势感知相关研究较少，例如如何抽取数据中台存储的电网繁杂海量的数据和信息，如何利用单点及多点故障数据分析电网系统输变电配用各环节的关联关系，如何利用故障分析实现电网系统的管理优化等[6]。

为有效解决变、输、配电关联态势感知及故障预警，笔者以甘肃省多源、异构、大量等典型的故障数据为基础，结合人工智能、云计算、大数据设计搭建基于电网故障的态势感知平台。该平台首先通过对电网数据中台采集的稳态和动态、电量和非电量信息进行脱敏，随后采用企业云和混合云为数据存储计算技术为支撑，在态势感知平台利用人工智能的算法模型、数据挖掘、动态参数辨识、超实时仿真、可视化等手段，进行故障数据关联、分析和预测，使传统电网实现三大智能板块，即计算智能、感知智能、认知智能，最终平台可实现电网各环节故障的关联预测，有效提升电网系统运行水平，为安全稳定运行提供有力保障。

1 研究现状

1.1 态势感知的研究现状

态势感知和态势可视化，是一种适合人机协同来进行复杂动态系统判断、决策的理论与技术[7]；态势感知技术首次提出于美国，后在航空飞行领域、海上航行领域及应急管理领域广泛应用[8-11]，随后逐渐应用在电网领域中[12-18]，也被视为智能电网的核心技术之一。电网故障态势感知主要包括故障态势要素获取、态势理解、态势预测。态势要素获取主要对电网设备进行实时数据采集、数据规范化处理，通过数学模型分析出异常网络活动。态势理解主要是识别攻击活动、找到攻击源。态势预测则是通过识别的故障判断电网系统可能遭受的威胁，进而预测下一步故障的变化趋势[19]。

1.2 人工智能的研究现状

机器学习代表了现代人工智能，是数据通过计算手段通往智能的技术途径。基于分布式能源的高比例渗透和分布式储能形式的介入，使能源系统模型结构复杂度、不确定性和随机性等问题的突出，本项目主要采用传统机器学习 和深度学习进行数据分析。

传统机器学习根据使用的数据是否有标签，可以分为监督学习、半监督学习和无监督学习。监督学习包括支持向量机、决策树、随机森林、近邻算法、前馈神经网络等。半监督学习包括半监督核均值漂移聚类、转导支持向量机。无监督学习包括K均值聚类、主成分分析、自组织映射神经网络等。

深度学习的概念源于对人工神经网络的研究拓展。深度学习可分为有监督学习和无监督学习。卷积神经网络(convolutionalneural network，CNN)是一种深度监督学习下的机器学习模型，而深度置信网络(deepbeliefnet，DBN)、堆叠自编码器(stackedauto-encoder，SAE)及受限玻尔兹曼机等则是无监督学习下的机器学习模型，人工智能技术在电力系统的发展历程如图1所示。

2 平台需求

2.1 用户需求

2.1.1 态势感知不足

近年来，世界各国在电力系统的运行控制过程中，因态势感知不足而发生的大规模停电事故日益增多，电力系统开始关注故障的态势感知。

2.1.2 全网联动预警

现有的对特征数据的关联研究基本在单一环节，此项目的目的是打破单一环节的关联分析，打通电网全流程的故障关联，将单一故障点、单一台区故障与全网故障和全网运行数据进行关联分析。

2.1.3 安全稳定运行

电力系统的故障态势感知主要要求对电力系统的故障态势实时预警，保证系统的安全稳定运行，最终实现对电力系统态势的感知。

2.2 故障特征数据

平台首先需要梳理输电、变电、配电的重要故障特征。平台的目的就是打破单一环节的关联分析，打通电网全流程的故障关联，将单一故障点、单一台区故障与全网故障进行关联分析。因此，将特征数据进行关联分析，不仅对单一环节的故障点进行关联分析，而且要对各环节的故障点进行关联分析，故障特征数据如表1所列。

2.3 技术需求

2.3.1 数据预处理

态势感知的大数据种类复杂，数据源多样化。大数据处理首先从数据源采集数据并进行预处理操作。数据的采集包括电气量和非电气量。电气量的采集结果通常集成在SCADA、WAMS等监测系统中。对于已经采集到的数据，通过适当的预处理，可以为之后的数据分析奠定良好的基础。

由于数据在采集传输过程中不可避免地存在噪声和干扰项，有可能出现数据错误甚至遗漏、缺失。尤其是当大数据存在不同数据源时，容易出现相似、重复或不一致数据的现象。因此，需要对数据进行去噪并恢复丢失数据，即进行数据清洗。滤波是最为常见的降噪方法，在此次项目中主要采用维纳滤波、卡尔曼滤波和粒子滤波进行数据的降噪处理。

2.3.2 数据分析

对于数据分析算法而言，常用的有贝叶斯算法和SVM算法，贝叶斯分类算法是统计学的一种分类方法，它是一类利用概率统计知识进行分类的算法。在许多场合，朴素贝叶斯(Naive Bayes，NB)分类算法可以与决策树和神经网络分类算法相媲美，该算法能运用到大型数据库中，而且方法简单、分类准确率高、速度快。由于对事件的复杂性而进行简化，提出朴素贝叶斯分类器(Naïve Bayes Classifier)，其用了“属性条件独立性假设”(attribute conditional independence assumption)：每个属性独立地对分类结果发生影响。SVM算法，即支持向量机(support vector machines)，它是一种二分类模型，它将实例的特征向量映射为空间中的一些点，SVM的目的就是想要画出一条线，以 “最好地”区分这两类点，以至如果以后有了新的点，这条线也能做出很好的分类。SVM适合中小型数据样本、非线性、高维的分类问题，朴素贝叶斯算法的分类流程如图2所示。

图2 朴素贝叶斯算法的分类流程

3 平台设计方案

3.1 平台设计基础

目前，平台建设基础包括国网数据中台以及物联网管理平台。电网相关企业经过十多年的信息化建设，信息系统已全面覆盖企业经营、电网运行和客户服务等业务领域及各层级应用，为各项业务有效运转提供了有力支撑。数据中台的建设可进一步提升电网企业数据共享服务水平。

数据中台通过数据建模实现跨业务域的数据整合和数据能力沉淀；通过统一数据服务实现对于数据的封装和开放共享，快速、灵活满足应用的要求；通过数据开发工具满足个性化数据和应用的需求，实现数据应用的服务化，推动数据运营，为数据“存、通、用”提供强有力的技术支持。

构建数据中台，需要充分应用“大云物移智链”等现代信息技术和先进通信技术。数据中台的三层服务架构为贴源层(基础数据)、共享层(公共数据和萃取数据)、分析层(模型服务)，通过应用构建需求迭代，沉淀共性数据及服务，形成企业级分析主题，并提供服务统一检索与展示门户对内支撑企业管理、电网运营、客户服务等数据应用，对外面向政府行业、外部企业、用电客户及上下游合作伙伴打造数据产品和服务，国网数据中台的架构如图3所示。

图3 国网数据中台架构

3.2 平台设计原理

在深入了解近几年电网态势感知和人工智能发展现状之后，克服现有技术的不足，利用近年来人工智能技术的不断发展进步，开发了基于感知预测、管理控制、安全维护为主的电网全量故障数据态势感知平台。平台融合关联分析技术、人工智能技术、可视化技术于一体，为电网的变输配用整体流程构建基于电网故障的态势感知平台。国网数据中台为平台提供数据接口服务，通过数据清洗采集电网各环节的多元、异构故障数据。通过关联规则和人工智能模型对输变配用的电网故障数据进行相应的关联分析、电网故障拓扑构建等。通过态势感知平台提供数据可视化、报表分析、自助式分析能力。故障分析结果通过表格、图表方式，对数据进行多维展示。

平台设计方案主要包含平台设计、系统架构、业务架构和平台部署4个方面。

3.3 系统架构

系统架构整体分为数据层、模型层和应用层3个部分。通过甘肃省电网数据中台的接口接入电网数据，开放外部数据接口接入温湿度数据、气象数据等大量的外部数据。模型层中数据处理于融合模块主要进行数据的去重清洗、数据融合、打标签、故障特征提取等，通过故障态势模型仓库建立专家级别的人工智能故障分析预测模型，利用通用处理引擎和专用处理引擎实现数据及模型的调用。应用层主要在平台页面上实现数据分析结果的可视化展示。平台设计的系统架构如图4所示。

3.3.1 数据层

电网数据主要是以设备监控四遥信息、二次设备在线监测数据等电网实时运行信息为基础，汇聚设备台账、历史缺陷、状态检修周期、各类规程要求等基础管理数据和工业视频、气象系统、在线安全分析等技术支持系统辅助信息等多维海量数据构成的。

3.3.2 模型层

目前，电网故障的态势感知平台以故障态势数据仓库、通用处理引擎、专用处理引擎为三大核心方向，预计建立负荷预测模型、用电分析模型、故障定位模型、负荷特征分析模型、电能质量评估模型、输变电设备检测模型、负荷数据短期预测模型、配电网故障关联因素输变电设备状态检测模型、配电运行可靠性分析模型、电力系统暂态稳定性评估模型、关联聚类引擎模型、追踪溯源引擎模型等19个模型。

图4 平台设计的系统架构

3.3.3 应用层

平台采用大量多源异构的电网故障数据及外部气象、能源等数据，通过平台系统丰富的统计分析、多维分析、挖掘算法库、故障态势感知模型和数据挖掘工具，利用平台界面实现电网全环节的多维关联结果、绘制电网故障画像、追踪故障轨迹、推送故障预警、提供故障分析报告、建立故障数据档案体系、电网资产盘点等功能。

3.4 业务架构

基于电网故障的态势感知平台业务架构主要包含3个方面：动态感知、智能分析和提前预警。通过历史基础故障数据的统计计算主动感知预测电网输变配用各环节的故障态势，同时完成输变配用全环节的故障数据统计及关联分析。利用平台系统的故障态势模型仓库实现智能化分析，完成故障数据的清洗整理、模型构建、沙箱实验和故障知识体系的构建。最后通过平台的界面实现故障分析结果的可视化展示，故障态势感知预警及联动处理和故障的脆弱性管理。平台的业务架构如图5所示。

图5 平台的业务架构图

3.4.1 动态感知

动态感知系统以态势感知为手段，以全面表征电网故障运行轨迹的指标体系为基础，综合利用电网信息物理融合技术、广域量测技术、数值预测技术、气象预测技术、电网分析控制技术等进行多领域信息融合、海量数据挖掘、电网故障态势预测，准确获得完整的电网故障信息，实时提取电网故障在运行过程中的演变特征，实现电网故障不确定因素及全网各环节联动故障的风险评估与预警，为调度运行人员提供辅助决策。

3.4.2 智能分析

采用机器学习良好的聚类、分类和辨识能力来进行电网故障分析。

通过采集电网运行数据、故障数据及外部即时的气象水文数据，完成海量数据的清洗，提取故障特征，以大数据技术为支撑进行数据的存储管理，通过人工智能算法和故障态势模型评估仓库，进行高精度的电网故障态势感知预测。通过智能分析完成全网各类故障日志及故障档案的构建，实现全网的安全协防，进行故障防护和威胁阻断。

其中故障的多维分析是以智能电表计量功率、电压、电流，历史故障等数据为基础，采用人工智能聚类和数据挖掘方法提取不同类型的故障特征，实现科学认知、细分故障类型，进而提供高精度的故障态势感知预测。

3.4.3 提前预警

通过平台管理界面以动态可视的方式向相关干系人展示故障分析结果并预警。利用智能模型分析预测三相不平衡等引起电网运行重大故障的发展态势，提前发布故障即将发生的时间节点及故障类型，实现故障的实时追踪和告警，建立电网的脆弱性管理体系，实现电网水边裴勇各环节实时风险管理和漏洞管理。

3.5 平台功能

3.5.1 故障态势感知预测

实现对不同运行环节、不同时间的全量故障画像。对多来源故障相关事件和异常数据进行多维度的关联分析，实现关联故障台区的识别、关联故障类型挖掘、关联故障态势感知预测。完成异常行为检测和追踪溯源分析，揭示和还原出真实的故障事件，识别真实的故障风险，并对重大故障事件进行态势预测及预警，高精度地检测出未知的和潜在的电网运行风险，提高对电网运行的掌控能力。

3.5.2 故障管理

将接入平台的各类型故障统一管理，并基于融合不同来源、不同类型的电网数据基础对故障进行画像分析，并在故障画像的基础上提供一键搜索功能。

通过故障数据的关联分析和人工智能建模分析，有效挖掘故障轨迹特征、绘制故障台区和关联环节画像，向相关人员推送预警；通过清洗故障数据、关联故障及故障分析结果建立资料库，为相关决策者提供决策参考情报。

3.5.3 追踪溯源

平台通过智能分析电网各环节的海量故障日志、故障动态，分析预测电网的故障状态和威胁来源，进行实时保护。

平台管理页面通过透视调查可视化分析工具，对调用功能的结果集合数据进行可视化分析，支持列表展现追踪溯源分析保存的结果。

3.5.4 事件处置

为系统发现识别到的电网运行中的故障事件、异常数据、漏洞隐患等重要处置工作提供统一的查询、统计、核查处置、工单记录等功能，提供追踪溯源工作入口。

3.5.5 构建管理中心

通过电网故障的各类静态和动态数据，进而从故障细节点、故障轨迹、关联数据、预测数据以及故障状态变化等多维角度实现电网设备资产和电量资产的精细化管理。

4 结 语

通过采用电网系统变电、输电、配电、用电四大环节电网数据和外部气象、能源数据构建了基于电网故障的态势感知平台，解决了电网故障特征的提取和态势感知模型的构建，并打破单一环节在线故障监测，实现单点故障与关联故障的实时预测，为电网系统实现故障的实时预测分析，使电网企业实现电网管理的动态优化。虽然平台的态势感知模型构建解决了大量的故障问题，但是模型参数调整与故障数据的特征的实时对应和不同故障的模型构建仍存在问题，在今后的研究中，将主要解决数据特征的提取及模型优化中。