不同运行工况下的换流站多模态数据深度感知模型

2023-01-05石延辉阮彦俊洪乐洲

粘接 2022年12期

石延辉，杨洋，阮彦俊，张博，洪乐洲

(中国南方电网有限责任公司超高压输电公司广州局，广东广州 510000)

换流站内设置了红外测温系统、一体化监测系统、机器人巡检系统等，众多监测系统内数据不断更新[1]，换流站内多模态数据的感知水平受到众多研究学者的关注。以往换流站内的运检人员，通过人工比对方式，分析设备监测数据[2]，确定换流站内设备运行状况。换流站内设备存在数据量大、设备数量多以及设备过于分散的特点[3]，人工比对分析方式存在时效性差以及无法精准预判设备故障的缺陷。换流站运维人员无法及时明确换流站内设备运行状态[4]，大量人工提升了换流站的运维成本。

高压直流输电过程中，换流站内设备状态影响电力系统直流供电的运行可靠性。有学者将深度神经网络应用于换流站能效评估中[5]，有效评估换流站的能效；将改进关联规则方法应用于诊断换流站运维事件中[6]，实现运维事件的精准诊断。以上2种方法评估换流站能效以及诊断换流站运维事件时，并未考虑换流站设备的运行工况，应用性差。研究不同运行工况下的换流站多模态数据深度感知模型，通过多模态数据深度感知模型，感知换流站内众多设备运行工况，及时发现换流站内设备故障，保障换流站内设备维持安全稳定运行状态，实现换流站内海量设备运行工况的综合分析。

1 换流站多模态数据深度感知模型

1.1 换流站多模态数据缺失值处理

利用传感器采集换流站内设备数据，将所采集数据传送至上位机中。换流站多模态数据采集和传输过程中可能存在缺失值。填充换流站多模态数据时，需要考虑多模态数据的趋势，不同趋势的多模态数据需要选取不同的填充方式。

1.1.1线性插值填充

针对换流站多模态数据序列，采用平均值填充方式。依据传感器监测换流站内设备数据的时间序列，对所采集多模态数据进行从小到大排序[7]。利用A表示传感器采集换流站多模态数据的空值，平均值填充序列前后空值的表达式：

(1)

式中：Df与Db分别表示空值前、空值后与空值距离最近的非空数据值。

1.1.2众数填充

用M表示换流站多模态数据中具有最多出现次数的数据，采用众数填充换流站多模态数据空值表达式：

A=M

(2)

1.1.3聚类算法填充

利用聚类算法对换流站多模态数据聚类，利用聚类中心对应的值填补换流站多模态数据缺失值。

换流站内包含直流分压器、接地极系统、换流变压器、站用变压器、水冷却系统以及接地极系统等众多设备，换流站内众多设备包含不同类型的多模态数据[8]。换流站设备的多模态数据包含上升趋势、下降趋势、无规律数据、周期性数据以及定值数据等众多数据类型。换流站多模态数据分类方法：

(1)换流站设备数据为统计参量时间序列数据时，设备数据中超过95%的数据均为相同值时，表示该设备数据为定值数据；

(2)对换流站内的参量时间序列数据进行一阶差分处理，超过85%的数据为正表示上升趋势；

(3)对换流站内的参量时间序列数据进行一阶差分处理，超过85%的数据为负表示下降趋势；

(4)设置T为样本周期，将换流站多模态数据样本划分为多个序列片段[9]，判断所划分多个序列片段的皮尔逊相似度。换流站多模态数据的不同样本序列片段具有较高相似度时，表示换流站多模态数据样本为周期性数据。

换流站多模态数据缺失值填充方式如表1所示。

表1 数据缺失值填充方法Tab.1 Data missing value filling method

1.2 基于负荷片的换流站运行工况划分

完成换流站多模态数据缺失值填充后，对换流站运行工况进行划分。换流站同一运行工况时，多模态数据中的各变量具有近似相等的相关关系，负荷数据较为近似。用X(N×J×F)表示换流站某设备的运行数据集，其中，N与J分别表示样本数量和设备不同变量的数量；F表示换流站设备负荷。在换流站设备负荷F处，建立二维数据矩阵用XF(nF×J)表示，所建立二维数据矩阵即负荷片，将负荷片作为换流站运行工况划分的数据分析单元。利用多模态数据各变量间的相关关系合并换流站负荷片，合并具有相似过程特性的负荷片[10]；获取换流站的不同运行工况，确定换流站各工况的过程特性，提升换流站多模态数据的深度感知性能。

利用负荷轴的有序工况划分算法，依据换流站设备的负荷变量划分换流站工况，以下为换流站运行工况的划分过程。

1.2.1构造负荷片

设置较小的ΔF作为负荷片的划分间隔，将换流站设备负荷区间划分为[Fmin+(i-1)ΔF,Fmin+iΔF]，构造负荷片。

1.2.2合并调整负荷片

1.2.3利用PCA方法建立负荷片模型

利用PCA分解方法分解完成标准化处理后的负荷片矩阵，建立各负荷片的PCA模型表达式：

(3)

式中：Qk与Tk分别表示负载矩阵以及得分矩阵；Ek表示残差矩阵。

1.2.4负荷片PCA模型的SPE统计

确定负荷片PCA模型的SPE统计量公式：

(4)

1.2.5建立负荷段PCA模型

合并负荷片建立负荷段矩阵用Xi,j表示，利用PCA分解方法分解负荷段数据矩阵[11]，获取负载矩阵Fi,j(J×R)。利用负载矩阵分解负荷端内各负荷片，计算各负荷片的SPE统计量。

1.2.6划分换流站运行工况

1.2.7换流站多模态数据

更新换流站多模态数据样本，重复以上过程直至完成全部换流站运行工况的划分。

通过以上过程划分换流站运行工况，对不同运行工况内的多模态数据构建不同的深度感知模型，提升换流站多模态数据的深度感知水平。

1.3 Shannon小波熵的换流站多模态数据特征提取

利用Shannon小波熵提取换流站多模态数据特征，Shannon小波熵对不同运行工况的换流站多模态数据进行离散小波变换，分割完成小波变换后的换流站多模态数据；利用Shannon小波熵运算分割后的重构换流站多模态数据，提取换流站多模态数据中包含的特征；利用Shannon小波时间熵提取换流站多模态数据特征，通过η层离散小波变换处理换流站多模态数据，获取重构后的换流站多模态数据数量为S，重构信号用D={di(k)}表示。设置一个窗宽为w的数据滑动窗于重构换流站多模态数据中，用δ表示数据滑动窗的滑动因子，数据滑动窗表达式：

W(w,δ)=[dh(1+δ),dh(2+δ),…,dh(w+δ)]

(5)

利用R个区间Zl表示滑动窗口，将数据滑动窗口转化：

(6)

通过离散小波对换流站多模态数据变换后[12]，获取的重构信号di(k)位于区间Zl的概率用pm(Zl)表示。小波变换尺度为h时，换流站多模态数据的Shannon小波时间熵表达式：

(7)

利用Shannon小波熵提取换流站多模态数据特征时，信号频域划分情况对特征提取精度影响较大。用x(n)表示传感器采集的换流站多模态数据，利用η层小波变换处理换流站多模态数据后，获取重构后换流站多模态数据D(n)与A(n)的频带范围表达式：

(8)

完成换流站多模态数据频域划分后，利用Shannon小波时间熵提取换流站多模态数据特征。

1.4 堆叠自动编码器的多模态数据深度感知模型

将所提取的换流站多模态数据特征作为深度感知模型的输入，利用堆叠自动编码器构建换流站多模态数据的深度感知模型，感知换流站不同运行工况下，换流站设备的运行状态。

自动编码器的编码器设置于深度神经网络的输入层与隐藏层之间，换流站多模态数据特征xi输入深度神经网络后，映射至隐含层的表达式：

h=f(x)

(9)

自动编码器的解码器设置于深度神经网络的隐藏层与输出层间[13-18]，利用解码器将映射后的数据重构为原始数据，解码器计算公式：

r=g(h)

(10)

式中：x与r分别表示输入向量以及重构向量；h表示隐含层向量。

用n与m表示输入层与隐藏层的神经元数量，自动编码器的隐藏层与输出层神经元输出表达式：

(11)

(12)

式中：W与b分别表示权值与偏置。relu表示激活函数，其表达式：

relu(x)=max(0,x)

(13)

利用损失函数衡量输入的换流站多模态数据特征x与重构向量r的相似性，损失函数表达式：

(14)

式中：p表示自动化编码器梯度化下降处理样本数量。深度神经网络的梯度下降过程中，通过调整损失函数L，保证输入向量与输出向量具有较高相似性，实现深度神经网络的无监督训练。

以自动化编码器为基础，利用二级自动编码器构建多模态堆叠自编码器的深度感知模型，将各编码器作为深度感知模型的初始化权重与偏置，选取全连接层融合换流站多模态数据特征，全连接层设置relu激活函数，实现特征融合。全连接层融合了换流站不同运行工况的多模态数据。深度感知模型全连接层的表达式：

(15)

2 模型测试

为了验证不同运行工况下的换流站多模态数据深度感知模型，对换流站多模态数据的深度感知性能，将该模型应用于某换流站多模态数据感知中。利用所构建的深度感知模型，感知换流站设备运行状态，明确换流站内设备运行工况。

本文模型利用Shannon小波熵提取换流站多模态数据特征，以换流站发生BC相短路为例，验证本文模型提取换流站多模态数据特征有效性。设置换流站设备信号采样频率为100 Hz，本文模型提取换流站运行信号特征结果如图1所示。

图1 BC相短路特征提取结果Fig.1 Extraction results of BC phase short circuit feature

由图1可以看出，本文模型在换流站出现B、C相短路时，有效提取换流站多模态数据中包含的故障特征；提取的换流站B相与C相小波时间熵，在相同时间内发生了突变情况。换流站的A相小波时间熵，并未发生突变情况，信号运行平稳。特征提取结果与B、C相故障特征相符。结果验证：本文模型可以有效提取换流站的故障特征，具有较高的换流站多模态数据特征提取有效性。

统计采用本文模型感知换流站多模态数据中的交流设备输出电流，交流设备输出电流感知结果，具体如图2所示。

图2 交流设备输出电流感知结果Fig.2 Output current perception results of AC equipment

由图2可以看出，采用本文模型可以有效感知换流站交流设备输出电流变化，依据交流设备输出电流感知结果，明确换流站内交流设备的运行工况。换流站交流设备为正常运行工况时，多模态数据感知结果为稳定运行状态；换流站交流设备为故障运行工况时，交流设备输出电流感知结果波动明显。图2验证本文模型可以有效感知多模态数据中的交流设备输出电流，在不同运行工况时的运行状态。

在换流站网侧设置0～200 Ω的过渡电阻，令换流站出现不同类型的短路故障。统计采用本文模型对换流站短路工况时的短路故障感知结果，具体统计结果如表2所示。

表2 接地短路工况感知结果Tab.2 Ground short-circuit condition perception results

由表2可知，采用本文模型可以实现换流站短路工况时，不同类型短路故障的精准感知。对于换流站不同相出现短路时，本文模型均可以精准感知，仅出现少量故障相感知错误以及故障类型感知错误情况。结果验证：本文模型具有较高的感知性能，可以精准感知换流站运行状态，应用性能较高。

设置换流站多模态数据的采样周期为3 s，统计采用本文模型感知换流多模态数据，不同运行工况时，换流变压器绕组温度感知结果，具体如图3所示。

图3 换流变压器绕组温度感知结果Fig.3 Windings temperature perception result of converter transformer

由图3可以看出，采用本文模型可以精准感知换流站不同运行工况时的换流变压器绕组温度；本文模型的绕组温度感知结果与实际换流变压器绕组温度相差较小。结果验证：本文模型具有较高的多模态数据深度感知性能，可以精准感知换流站多模态数据中的不同类型数据。换流站不同运行工况时，均可以实现多模态数据的精准感知，感知性能良好。

统计采用本文模型感知换流多模态数据，不同运行工况时的夹件接地电流感知结果，统计结果如图4所示。