配电站监控体系架构与健康评估

2022-12-15王振树孙靓雨

电力系统及其自动化学报 2022年11期

田鹏，李森，王振树，钟逊，孙靓雨，高辉

（1.国网山东省电力公司枣庄供电公司，枣庄 277000；2.山东大学电气工程学院，济南 250061）

随着社会经济、信息技术、人工智能以及能源结构的发展，构建智能电网是电力行业发展的必然要求[1]。配电站作为构建新型电网的关键环节，在电网电能传输和信息获取的过程中起着重要的作用[2]。但目前配电站监控存在智能化程度较低、监测覆盖不足、业务响应不及时等诸多问题[3-4]。因此，加强配电站监控体系研究并实时获取配电站的健康状态具有重要理论意义和工程价值。

电力物联网建设的推进以及电网规模装机容量的迅速增长使海量电网数据的采集、存储、处理、搜索和决策面临巨大的挑战[5]。不仅要求数据的时效性、完整性、安全性；还要提高数据的处理能力，剔除无效冗余数据，对多参量数据有序存储和应用[6]。传统配电站监控“采集+云端集中处理”垂直结构制约了状态感知和信息处理的时效性，且部分终端设备具有局限性，无法远程接入网络，网络的不稳定性也使得云计算模式无法保证数据处理的实时性。边缘计算有效解决数据处理的延时问题，将云端的一部分应用下沉到边缘侧，分担云平台的计算压力，提高信息高效处理水平。

配电站具有结构复杂、设备众多的特点，导致运行时采集数据困难，增加了对其状态评估的难度。模糊层次分析FAHP（fuzzy analytical hierarchy process）[7]法灵活简单，常应用于健康评估。然而这种方法存在主观性太强的问题，不能根据配电站设备的实时运行状态进行调整，当某一设备健康状态下降时，处于同一层级的设备具有较高的健康度而使得某一设备健康状态下降浓度被稀释，造成评估结果产生较大的偏差。

知识图谱是一种将客观世界的概念、实体、时间及其之间的关系以可视化方式展示的图数据库[8]。它提供一种能够从海量的文本和图像中抽取结构化信息，并描述实体间关系的语义网络[9]，具有从关系的角度分析问题的能力。目前，已被广泛应用于智能搜索、智能回答、个性化推荐等领域[10]。

本文融合边缘计算技术和知识图谱构建配电站监控体系架构，部署智能终端设备和边缘计算平台，对电气信息、环境信息和设备运行状态进行全面感知和全方位交互，实现配电网设备智能互联和本地智能决策。针对FAHP求取权重时受人为因素影响大的问题，在分析配电站相关设备指标参量的基础上，构建配电站知识图谱，结合新型劣化度函数，提出基于知识图谱和改进模糊层次分析法IFAHP（improved fuzzy analytic hierarchy process）的配电站健康状态评估方法，实现配电站的健康状态评估。

1 基于边缘计算和知识图谱的配电站监控体系架构

1.1 边缘计算

边缘计算是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，提供最近边缘服务[11]。边缘计算算法在边缘设备平台上进行计算和任务处理时，相较于云计算，减少计算延迟和云平台的存储压力，降低网络传输的风险，提高设备本地的实时处理能力和智能水平，同时进行云端以及终端设备协同配合，使配电站监控具备更强的数据处理效率。

1.2 边缘计算和知识图谱的配电站监控体系架构

传统配电站监控系统架构如图1所示。从配电站采集运行数据和环境信息，由网关向上传送给服务器对数据进行收集和处理，通过调度中心进行统一监控。

图1 传统配电监控系统Fig.1 Traditional distribution station monitoring system

为了满足配电站监控对配电站电气、环境和设备运行状态等信息进行全面感知和全方位交互，实现配电网设备智能互联和本地智能决策，依据物联网和互联网技术，采用云-边-端三层架构，其体系架构如图2所示。云表示云平台，依托云计算和大数据技术，对电力系统进行统一的资源管理调配和运行维护；边表示边缘计算层，位于云-端中间，支持与设备和云平台的通讯；端表示智能终端，负责采集电气信息、环境信息和状态信息等。“云边”之间采用5G通讯技术进行信息交互；“边端”之间采用485以及zigbee通信技术等进行组网，并采用多协议适配、多参量物联、即插即用和即时响应。

图2 基于边缘计算和知识图谱的配电站监控体系架构Fig.2 Architecture of distribution station monitoring system based on edge computing and knowledge graph

配电站系统需要对海量结构化和半（非）结构化数据进行汇聚和分析，为加速异构数据的挖掘和价值转化，打破信息之间的交互屏障，通过物理设备采集配电站数据，对系统存储的历史数据和间接信息提取关联知识，记录并保存至知识图谱的数据库中。对配电站进行健康评估时，从图谱的数据库搜索和匹配关键信息，快速从密集的信息和知识中挖掘数据特征，进行配电站健康评估。

1.3 边缘四核处理及电力专用算法的搭载

现场节点通过各种类型的现场网络和工业总线与边缘层中的配电站边缘装置相连接，实现现场层和边缘计算层之间数据流和控制流的连通。现场层连接传感器、执行器、设备和控制系统等现场节点。边缘计算层接收、处理和转发来自现场层的数据流，提供智能感知、数据分析、智能计算、过程优化和实时控制等服务。

边缘层封装了边缘侧的计算、存储和网络资源，作为配电站边缘装置架构的核心，其性能要求大幅提高。边缘计算四核处理器如图3所示，边缘计算层利用四核处理器对边缘数据进行实时采集、处理和计算，提升了系统的并发能力和数据的实时性。同时为进一步提高程序的并行度，充分发挥多核处理优势，通过编译优化把原先单线程的代码编译成多线程。

图3 边缘计算四核处理器Fig.3 Quad core processor used in edge computing

基于现场实时采集的各类数据，边缘计算层搭载配电站健康状态评估电力专用算法对配电站进行健康评估，确保配电站始终处于良好的运行状态。

2 配电站健康评估知识图谱构建

2.1 知识图谱

知识图谱分为通用知识图谱和领域知识图谱。通用知识图谱的涵盖范围广，强调大量实体融合，对精确度要求低，且很难设定一个标准规范实体、属性与关系。领域知识图谱通常是针对某一行业，考虑具体的业务需求等因素构建的知识图谱，对某一领域具有重要意义。

2.2 配电站知识图谱

配电站作为向用户或用电设备输送电能的站点，内部包含多种设备，其中每个设备具有多项指标，要得到配电站的健康状态，就需要对各项指标进行监测分析。面对海量的数据，工作人员往往得到的是单个指标的信息，没有将整体的关系建立起来。因此，借助知识图谱技术，对配电站主体、设备、以及指标之间的关系进行描述，构建配电站知识图谱，以可视化的形式向工作人员提供配电站的相关信息[11-12]。

2.2.1 配电站的知识图谱框架

针对配电站监控相关要求构建知识图谱的框架如图4所示。该框架包含3个层面：数据层、物理层和功能层。数据层包含在配电站运行过程中的结构化数据和非结构化文本数据。物理层主要包括：在功能层的指导下获取数据层中相关实体、关系、属性等结构化数据的知识抽取；对知识抽取所得到的实体进行融合；对配电站运行过程中实时变化的数据信息进行修正或更新。模式功能层应用知识图谱中的相关数据信息进行健康评估、人机交互、智能搜索等。

图4 配电站的知识图谱框架Fig.4 Knowledge graph framework for distribution station

2.2.2 面向配电站健康评估的知识图谱

选取基于Java的Neo4j图数据库，分别采用自顶向下、自底向上的方式构建知识图谱的模式层、数据层；两者相互结合建立配电站健康评估知识图谱，如图5所示。模式层是对实体、实体关系、属性建立的模型。配电站健康评估知识图谱的模式层由配电站主体目标层、一级指标设备层、底层设备指标层和各设备指标层以及它们之间的关系构成。数据层的构建主要分为知识抽取、知识融合、知识更新3部分。通过知识抽取方法从变压器、10 kV真空断路器、历史故障记录等中获取半结构化数据，从配电站数据库中获取开关柜工作电压、开关电流等结构化数据；根据实时运行数据，对知识图谱中的内容进行更新和修正。

图5 面向配电站健康评估的知识图谱模式层与数据层构建Fig.5 Construction of knowledge graph pattern layer and data layer for distribution station health assessment

对配电站各层级间的实体关系进行初始化设置，采用向量表示方法（＜头实体，关系，尾实体＞）[13]，建立＜配电站、设备主观权值，设备层＞，＜设备层，关系1，图谱权重＞，＜设备，指标主观权值，指标＞等三元组，配电站健康评估预置知识图谱，如图6所示。

图6 配电站预置知识图谱Fig.6 Preset knowledge graph of distribution station

3 知识图谱和IFAHP的配电站健康状态评估

3.1 IFAHP健康评估方法

3.1.1 配电站健康评估体系评价集

对于配电站来说，如何将设备及指标的状态进行客观评价是很重要的。在健康状态等级划分的前提下，用模糊隶属度函数表现各设备和指标属于某一状态的模糊程度，隶属度越高代表其隶属于这个模糊状态的可能性就越大[14]。配电站健康状态等级划分如表1所示。

表1 健康状态等级划分Tab.1 Classification of health status levels

取每个状态的分数区间的最大值作为此状态的标准分数，用Cj表示。

模糊隶属度函数的取值区间可采用等分法来确定隶属度，通过该方法能够有效减少计算编程的复杂程度，并且对于最终结果的精确度影响不大。引入三角隶属度函数对其进行描述，具体步骤如下。

（1）评估对象的状态分为5类，设指标i的第j个状态的中心点为λj(j=1,2,3,4,5)，那么这一状态的取值范围是 [λj-1,λj+1]。将 (λj-1,0)、(λj,1)、(λj+1,0)3点连接起来，得到指标i关于状态j的三角隶属度函数，如图7所示。

图7 配电站状态隶属度函数Fig.7 Membership function for distribution station status

（2）将设备m对应指标测量数据分别归一化后代入隶属度函数，得到设备m(m=1,2,3,4)对应指标隶属度矩阵Lm为

式中，矩阵中元素lm,ij(i=1,2,3,4;j=1,2,3,4,5)为设备m对应的指标i处于状态j的隶属度。

3.1.2 基于知识图谱的主观权重

基于知识图谱，对实体之间关系的逻辑判断，得到不同情况下的主观权重。配电站中各设备的运行状态除了受其运行参数的影响外，还受到气候、使用年限等因素的影响。计及这两种主要因素（可根据实际情况调整），设定关系1判断。对区间进行划分或分类；将气候设定为夏季、冬季、春秋，确定设备使用年限的过渡值，进行排列组合；由专家法对不同情况下的每一层内的因素两两比较，利用1～9标度法得出判断矩阵，通过判断矩阵得到设备及指标的主观权重αi，并进行一致性检验[15]，将各情况下得到的权值与关系1对应后存入图谱。

当健康评估时，获取当前气候以及设备使用年限的相关数据，根据设定标准进行逻辑判断；将此判断与知识图谱中的设备关联关系匹配，得到对应的权值，并更新三元组＜配电站，主观图谱权重，设备＞中的图谱权重，即此状态下设备与指标的主观权重。

3.1.3 改进动态权值

传统求取权重的方法侧重于专家评分的主观方法，不能准确反映系统运行情况的变化。当运行参数在阈值范围内，对设备的影响程度较小；当参数超出阈值范围，随着偏离程度的增大，对设备的健康状态影响也越来越大。因此，根据这一特性提出新型劣化度函数，如图8所示，通过劣化度函数求得指标的客观权重，在阈值范围内为线性函数，当超出阈值时用指数函数表示为

图8 劣化度函数Fig.8 Deterioration degree function

在众多的赋权方法中，主观赋权法是以研究对象本身的特性为基准来确定相关权重，但是忽略了客观性；而客观赋权法往往能够体现出这些研究对象的属性在不同情况下的变化状态。为了能够将主、客观的优点结合，把将两种赋权方法相结合的方法称为组合赋权法[16]，可求得设备或指标对应的组合权值为

式中：αi为指标i的主观权值；ωi为指标i的组合权值；n为指标的总个数。

3.1.3 健康评估分数

由指标的隶属度矩阵以及权值，求得对应设备m的隶属度矩阵Bm，表示为

式中：ωm为设备m对应指标的权值矩阵；ωmi为设备m第i个指标对应的组合权值；Lm为设备m对应指标隶属度矩阵，i=1,2,3,4；lm,ij为矩阵Lm中元素，表示设备m对应的指标i处于状态j的隶属度，j=1,2,3,4,5。

将各设备的隶属度矩阵与其对应状态区间的标准分数相乘得到设备m的评分Qm，即

式中，C1、C2、C3、C4、C5分别为状态S1、S2、S3、S4、S5对应分数区间的标准分数。配电站健康状态等级划分如表1所示。

根据设备评分和权值，求出配电站整体的评分，即

式中，Qm为设备m对应的评估分数。

3.2 配电站健康状态评估流程

知识图谱和IFAHP的配电站健康状态评估流程如图9所示。

图9 知识图谱和IFAHP的配电站健康状态评估流程Fig.9 Flow chart of distribution station health status assessment based on knowledge graph and IFAHP

4 算例分析

以山东地区某配电站为研究对象，基于历史相关运行数据，利用MATLAB R2019b进行健康评估算例分析。

4.1 配电站设备层与指标层权重的确定

结合当前季节与使用年限，对关系1进行判断，确定各设备及其指标[17-20]。以变压器为例，此时关系下4项指标的重要程度按从高到低依次为：绝缘油介质、绕组短路阻抗初值差、C2H2含量、糖醛含量，并从知识图谱中获取对应权值。根据当前各指标测试值的偏移程度，应用层次分析法结合劣化度函数得到变压器的4项指标状态量的权值，如表2所示。

表2 变压器指标权值Tab.2 Index weights of transformer

同理，可得其他设备对应的指标权值，如表3所示。

表3 10 kV真空断路器、低压开关柜、二次设备指标权值Tab.3 Index weights of 10 kV vacuum circuit breaker,low-voltage switchgear,and secondary equipment

重复上述步骤，得到的变压器、10 kV真空断路器、低压开关柜、二次设备最终的改进权值依次为[0.32、0.28、0.18、0.22]。

4.2 指标层状态评估计算

由图7所示的隶属度函数求得各设备指标的状态数据对应的健康等级，如表4～表7所示。

表4 变压器各指标对应的健康等级Tab.4 Health levels corresponding to each indicator of theTransformer

表5 10 kV真空断路器各指标对应的健康等级Tab.5 Health levels corresponding to each indicator of the10 kV vacuum circuit breaker

表6 低压开关柜各指标对应的健康等级Tab.6 Health levels corresponding to each indicator of the low-voltage switchgear

表7 二次设备各指标对应的健康等级Tab.7 Health levels corresponding to each indicator of the secondary equipment

由表2～表7的数据并根据加权运算，求得各设备的评估分数，如表8所示。

表8 各设备的状态评估值Tab.8 Status assessment value of each equipment

4.3 配电站健康评估计算

根据各设备的评估分数与各设备改进权重，采用加权模糊综合评判法，将表8中数据代入式（7）求得配电站整体的状态评估分数。改进后的状态评估分数与传统的模糊层次分析法所得分数的对比如表9所示。

表9 状态评估分数对比Tab.9 Comparison of status assessment score

本文方法求出的状态分数为72.758，由健康状态等级表可知，虽然配电站的整体运行状况良好，但是存在某设备健康状态下降；结合表8中变压器的评估值为51.443分，说明目前变压器设备的指标值已接近阈值，需要采取适当的措施以保证其运行的安全性；而传统方法求出的分数为81.080，评估结果为健康，未反映出配电站目前的实际情况，证明了基于知识图谱和IFAHP配电站健康评估方法有效性。