基于LSTM的换流站直流测量系统状态趋势预测方法

2022-08-15周源魏国富李亚锦刘英男张国新于大洋

电气自动化 2022年4期

周源，魏国富，李亚锦，刘英男，张国新，于大洋

(1.中国南方电网超高压输电公司昆明局,云南昆明 650000；2.山东大学电气工程学院，山东济南 250061)

0 引言

在特高压直流输电工程中，直流测量系统为控制和保护提供输入信号，其测量的准确性直接影响高压直流输电系统的安全稳定运行。目前，直流光测量系统故障是近年来南方电网直流输电系统运行面临的主要疑难问题之一，当驱动电流或电压量测量发生较大偏差时，可能会引起保护系统动作，从而影响换流站正常运行[1]。

目前在直流换流站日常运维工作中，直流测量系统运行状态主要通过运行维护人员对直流测量数据监盘和阈值判断来进行监视，无法提前预判直流测量系统运行状态。且在直流测量数据未超出告警值时，其异常(如缓慢增长趋势)可能被掩盖在正常监控信号的波动中，人工监盘情况下难以准确识别。同时，由于直流测量系统采集频率高，数据量大，仅依赖人工进行统计分析，耗时费力。因此有必要开展针对直流测量数据趋势的预测和智能分析，为直流测量系统的状态评估提供辅助依据。

基于人工智能的多特征融合是提高大数据分析和缺陷诊断可靠性的有效手段[2]，目前已应用于换流变[3]、开关[4]和避雷器[5-6]等设备运维检修中，但针对直流测量数据趋势的预测与分析暂无相应研究。另外，现有研究中对于设备状态预测的方法包括基于时间序列的回归分析模型[6-7]、支持向量机[8]和深度学习[9]等算法。但由于直流测量系统监测状态量特征因素多样且具有非线性特性，上述两种算法并不能精确预测。相比之下，长短时记忆网络(long short-term memory,LSTM)具备长时记忆能力且方便序列建模，在设备状态时序预测中有更强的适应性和优势。

在上述背景下，本文从在线监测数据源出发，研究多维度时序趋势分析和相关性分析算法，并将LSTM应用到直流测量数据趋势预测中，建立多维度分析的直流测量系统状态评价和趋势预测模型，识别出测量系统中传能光纤和远端模块缺陷。最后，结合±800 kV直流测量系统采集现场数据，验证了所提方法的有效性和可行性。

1 直流测量原理分析

换流站直流光测量系统结构如图1所示。直流测量系统一般采用光电混合的方式采集和传输信号。一次设备的高压测量状态量通过降压处理，利用远端模块将测量状态量的模拟信号转化为光信号，由光纤传送至合并单元，并按一定的通信协议将数据传输给控制保护系统。远端模块、合并单元的工作状态以及光纤回路的通断环节出现问题会造成测量异常，可能导致换流站控制保护系统动作。

图1 换流站直流光测量系统结构图

引起直流测量数据异常的原因包括测量装置的异常和直流系统本身异常，具体数据类型如表1所示。由于周期性试验数据无法实时在线获取，难以满足系统在线实时分析的需求，因此本文从在线监测数据出发，重点分析驱动电流和数据电平状态量，为运维人员监盘提供决策依据。

表1 多源数据模型

2 状态评估算法

2.1 多维度评价算法

直流输电系统同一极下一般配置AB两面屏柜，针对同一监测点配置4套监测装置，采集的关键状态量包括驱动电流和数据电平。本文利用纵向和横向的统计分析方法、时序趋势分析方法和离群点异常识别方法[10]从不同维度综合评估直流测量系统状态。

统计分析方法流程如图2所示。

图2 统计分析方法

另外，基于数据集的密度，通过计算数据集的局部离群因子(LOF)，对比阈值来进行离群点异常检测，具体流程如图3所示。

图3 LOF离群点检测算法流程图

P、O表示样本集中的检测样本点，维度为m，O={xi1,xi2,…,xim}，P={xj1,xj2,…,xjm}。

(1)

dk(O,P)=max{d(O,P),dk(O)}

(2)

(3)

(4)

式中：d(O,P)为OP之间的欧几里得距离;dk(O,P)为点P到点O的第k可达距离;dk(O)为点O的第k距离;ρk(O)、LOFk(O)分别为点O的局部可达密度和局部离群因子。

通过离群点检测方法识别出异常测量点，检查对应传能光纤和远端模块是否正常。

2.2 基于LSTM的驱动电流趋势预测

高压直流输电系统中电压相对稳定，驱动电流跟随系统运行功率动态调整，因此本文重点分析驱动电流的趋势状态。

1) 基本原理

LSTM网络模型包括遗忘门、输入门和输出门。输入门层则以当前层的输入xt和上一时刻隐单元的输出ht-1作为输入，输出结果it作为将要更新的信息；遗忘门层，读取ht-1和xt，输出ft。

it=σ(Wxixi+Whiht-1+bi)

(5)

ft=σ(Wxfxt+Whfht-1+bf)

(6)

(7)

(8)

输出门层运行一个sigmoid层决定输出哪部分细胞状态，隐藏状态ht的更新由两部分组成，第一部分是ot的获取，第二部分则由ot和激活函数组成。

ot=σ(Wxoxt+Whoht-1+bo)

(9)

ht=ot×tanh(Ct)

(10)

式中:σ、tanh为激活函数；Wxi、Wxf、Wxc、Wxo分别为输入层到隐含层的权重系数；Whi、Whf、Whc、Who分别为递归连接的权重系数；bi、bf、bc、bo分别为偏置。

2) 实现流程

本文基于LSTM模型拟合温度、运行功率、数据电平和驱动电流之间的关系，实现驱动电流的预测，具体训练流程如图4所示。

图4 预测流程图

在训练过程中，选择平均绝对误差(MAE)评价模型的精确性，MAE计算公式为：

(11)

式中:n为驱动电流的个数;xt为t时刻驱动电流的真实值;yt为基于时间序列所建立的预测模型所预测的t时刻的驱动电流的预测值。

3 算例分析

3.1 多维度评价

本文搜集某换流站直流测量实际数据作为样本集。双极直流输电系统中包括180个测点，样本集涵盖2018年12月—2019年10月运维抄录数据，样本间隔1 h。状态量包括驱动电流、数据电平、温度以及有功功率。其中极一高端直流测量驱动电流监测趋势如图5所示。

图5 极一高端驱动电流监测数据

3.2 驱动电流预测

在某换流站样本数据搜集的基础上，搭建基于LSTM算法模型和仿真环境，对数据进行离线化训练，训练后的模型封装嵌入到预警系统。

模型训练中，采用ADAM优化算法，模型学习率初值定为0.01，输入维度为4，输出节点为1，将所有矩阵初始化，误差阈值设定为2×10-2，迭代次数epoch为80次，dropout为0.2，batch size为50。当训练样本小于误差阈值时，得到输出驱动电流值，训练结束。

以其中一个测点的驱动电流为例进行分析，图6为测试集和训练集在80次迭代过程中的平均误差曲线。可以看出，在训练达到40个epoch之后，损失保持稳定在1.83%。

图6 平均误差曲线图

将数据导入模型进行预测，并与真实值对比，且同时以自回归移动平均预测模型(ARIMA)作为对照组进行试验来验证LSTM预测模型的精确性，预测及对比结果如图7所示。

图7 不同模型预测结果

从图7可以看出，两种预测模型均可模拟出驱动电流的变化趋势。LSTM预测模型能够很好地跟踪驱动电流的变化趋势，只是在波峰与波谷处与真实曲线的拟合存在较小偏差，整体预测误差为2.608 9%；而ARIMA模型在驱动电流实际值发生波动并持续降低时，预测结果与实际值之间存在较大偏差，其测试集MAE评价指标结果为36 mA，远高于LSTM的9.27 mA。

造成这种现象的原因主要是ARIMA模型依赖于数据或差分后数据的规律性，受随机波动数据的影响较大，且ARIMA模型不具备“选择性遗忘”能力，故在该数据集下的模型精确度不够高。相比之下基于LSTM的预测误差较低，精度更高，可以更好地拟合出实际驱动电流结果值的变化趋势。