基于数据挖掘的智能电网故障处置辅助决策系统

陶文伟，吴金宇，江泽铭，曹 扬，仇伟杰

(中国南方电网有限责任公司，广东 广州 510530)

0 引 言

常规的智能电网故障处置方法一般在故障发生后，依靠电力调控员凭借经验手动排查电网故障，现场判断故障类型，制定应急措施，因此需要很多时间，且无法保证处置措施为最佳策略，可能造成处置措施无用或加重故障的情况[1-2]。因此，传统的电网故障处置模式已然无法紧跟时代高速发展的步伐。

电网规模不断壮大，而电网又与全民息息相关，保障供电质量成为基础建设，国家非常重视电网智能辅助决策系统的发展。电网智能辅助决策系统针对电力大数据多样化、孤岛化等特点[3-4]，对海量数据进行挖掘，快速提取有价值数据，必不可少的环节便是数据聚类[5]；通过自动化工具及技术，发掘电力数据间潜在关联或异常等；参考调控员处置故障角度，融合调度经验及故障预案，迅速做出故障处置辅助决策。该系统提升了调控员处理故障的效率，将误判及事故概率降至最低[6-7]，促使电网在最短时间内恢复平稳运行。

储卓等[8]提出智能辅助决策系统，采用大数据及自动化技术实时巡检电网运行安全，实现精细化巡检，减少损失，但该系统在数据处理方面存在漏洞，可能出现数据孤岛，数据聚类效果较差；詹锐烽等[9]提出电网调度辅助决策系统，挖掘电网数据中的异常、故障数据，判断故障类型后做出调度策略，该系统在处理电网数据时较为冗余，能耗控制效果方面有待提升。

针对上述方法对故障数据难以聚类，能耗控制效果较差的问题，本文搭建基于数据挖掘的智能电网故障处置辅助决策系统。针对主电网在硬件设计上创新性地选用单片结构的DS18B20数字温度传感器，省去以往的A/D转换环节，保证传感数据的高精度和抗扰动；选用8 b单片机C8051F020提高调试兼容性；故障检测子模块核心控制单元选用C8051F020提升检测精度效率；软件设计上利用卷积神经网络将故障信息进行实时聚类，防止数据不完全造成的漏洞。基于故障数据，创新性地设计辅助决策模块，基于经验法则，利用离线潮流运算，展开循环校验，从中选取最佳处置决策。实验结果表明，本文方法能够助力调控员处理电网故障，推动智能电网高效运作。

1 智能电网故障处置辅助决策系统

利用数据挖掘技术，高效提取电网海量数据中的故障数据，并进行聚类及故障类型诊断，依据不同故障类型做出相应的辅助决策，实时保存故障视频及自动生成故障预案，以便调控员调阅，掌握电网运行各项信息，保障电网运行安全，提升调控员处置电网故障效率。

1.1 智能电网故障处置辅助决策系统总体架构

利用数据挖掘技术实时采集电网运行设备信息，搭建智能电网故障处置辅助决策系统，用图1 描述智能电网故障处置辅助决策系统总体结构。

图1 智能电网故障处置辅助决策系统总体结构

系统由信息生成、信息处理、告警信息展示、故障处置辅助决策、在线离线分析以及用户6大模块构成，信息生成模块通过温度传感器、位移传感器及电压传感器采集原始数据，其中，温度传感器采用DS18B20数字温度传感器。通过各传感器实时采集电网各项运行设备信息，并将生成的信息传输至信息处理模块，进行信息识别过滤，筛选冗余信息保留告警信息，将这些告警信息汇总后进行分类操作，归类后的告警信息传输至告警信息展示模块进行故障告警信息集中展示，故障处置辅助决策模块接收告警信息后，即刻展开故障检测，故障检测子模块的核心部件为主控单元，利用K-means聚类算法将告警信息进行聚类，获取故障信息聚类结果后，输入至卷积神经网络训练，判断故障类型，辅助决策子模块依据故障类型展开处置决策预案，提供给调控员；在线、离线分析模块接收到系统故障辅助决策信号后，实时保存故障视频，存储于可视化故障回放子模块，并针对同类型故障自动生成故障预案，以供下次故障产生时系统自动判别处置方案；各类相关信息传输至用户模块，通过用户界面可进行报表查询，主要包含电网运行设备故障类型、决策信息、调控预案姓名等各类详细信息，方便用户实时查阅。

1.2 温度传感器

温度传感器位于信息生成模块中，采用数字温度传感器采集电网运行各项设备的温度信息，选用单片结构的DS18B20数字温度传感器，该传感器可直接输出各项设备温度数值，省去以往的A/D转换环节，其优势为精度高、轻便、抗扰动能力极强等[10]，该传感器的核心特征详述如下：

1)能够测量区间在-55 ℃～+125 ℃内的温度；

2)典型转换耗时范围在200 ms～400 ms内；

3)输出各项设备温度数值为9 bit数字量且带有符号；

4)指令及温度信息的输入、输出通过同一信号线即可完成，各传感器中含有各自的地址序列数字，一条数据线可同时支持若干传感器使用；

5)同时具备寄生电源及外接电源两项功能。

用图2 描述该数字温度传感器内部构造，核心构造为64 b ROM地址、温度高限触发器等，内部寄生电容器为数据线提供电源，或者利用外接电源进行供电。实时统计温敏振荡器生成各项电网运行设备的温度值，并通过存储控制器存放于笔记本内。

图2 数字温度传感器内部构造

1.3 故障检测子模块

故障检测子模块位于故障处置辅助决策模块中，用图3 描述故障检测子模块结构。

图3 故障检测子模块结构图

故障检测子模块通过主控单元实现故障检测，该主控单元选用8 b单片机C8051F020，C8051F系列作为综合性能的高速单片机，能够将数据信号汇聚进行模拟操作，该单片机具备较高的兼容性，在内部拥有独立的调试电路，采用4脚接口进行调试，高效控制故障检测子模块的能耗[11]，故障检测子模块核心控制单元选用C8051F020，具备64个I/Q接口且该接口为可编程，同时具备FLASH存储器，以便将检测精度效率大幅度提升。通过电参数测量及一次/测量PT，CT提升主控单元的工作精度，蓄电池及电源单元保障工作时间长达48 h以上，看门狗能够避免主控单元受到外界干扰而出现死机现象，时钟则为故障检测子模块做出时间记录，实时加载故障检测时间。无线传输单元采用具备覆盖范围广、传输稳定优势的GPRS/CDMA1x网络，通过提供UDP和TCO/IP连接，为遥测终端提供无线通讯功能。

1.4 辅助决策子模块

分析电网设备故障信息并对故障处置做出相应辅助决策，是辅助决策子模块的核心功能。详述如下：

1)及时追踪电网各项设备的运行状态，通过综合分析非故障停电范围的最佳复电方式，实现高效管控电网事故的发展态势，急剧缩减故障时长，将电网事故隐患造成的损失控制在最小范围[12]。

2)迅速做出该项故障设备停运的处置措施，为调控员精准处置电网故障提供强有力的信息支撑。

3)依据经验法则，结合离线潮流运算，并融合预测气温、湿度变化等各项因素展开循环校验，从中选取最佳处置决策。

系统辅助决策子模块能够将调控预案把控电网设备故障及应急处置能力大幅度提升，提供更加快速、多元化、智能的辅助决策支撑，将电网系统由传统的调度决策转换为智能分析型电网，用图4 描述辅助决策子模块提供的辅助决策方案。

图4 辅助决策子模块的辅助决策方案

事故预警即依据故障定义等信息及时评估电网运行状态，提醒可能出现的安全隐患；安全隐患识别即在接收到预警信号后，进行全面检测，定位安全隐患具体位置；设备状态估计即实时监测安全隐患设备，预估其运行状态；保护整定维护是将故障区域进行维护，使设定实时保障故障区域处于安全状态[13]；故障调度建议是将择取备用供电路径、隔离故障等意见提供给调控员；设备故障分析即通过获取的历史信息及各类运行参数，对故障信息进行线上线下分析；最优调度策略通过求解网损、修复成本等各项数据，保障最牢靠的恢复供电，为调控员做出相应的调度策略；负荷预警断电为当系统预判到故障处置方案实施过程中出现超负荷时，则立即断电，避免周围电网设备受到损害；电网全景展现能够将各类运行状态及环境数据融合电网构造图及地理信息等及时展现，以供调控员实时掌握详细的运行信息。

1.5 故障信息诊断方法

故障检测为辅助决策提供基础信息支持，精准检测出具体故障信息，才能对其进行最佳预案，通过数据挖掘技术中的聚类分析将故障信息进行实时聚类，防止数据不完全造成的漏洞，实时挖掘电网故障信息，聚类后输入至卷积神经网络进行故障类型判别。

采用K-means聚类算法对智能电网故障信号进行处理，使得这些故障信号成为无类标数据[14]。用图5 描述聚类分析流程。

图5 聚类分析流程

K-means聚类算法聚类分析流程详述如下：

1)磁场、电网故障、谐波等构成的告警信息样本数据中提取K个故障样本数据，以此作为初始簇的中心点，该过程包含预处理及拟定迭代次数阈值等环节。

2)将样本簇点拆分，并把距离初始簇中心点相对而言较为靠近的中心点归为同类，用式(1)描述距离求解公式

(1)

式中：各类样本用x，y描述；故障信息样本维度则用n描述；欧几里德距离用d(x,y)代表。通过求解距离获取各故障数据的聚类样本中心点，并以此求解各故障信号样本数据距离中心点的远近，把对应的故障数据依据最小距离原则重新归类。

3)样本簇的中心点用样本数据点中的中心点来描述，且这些样本数据来自不相同的样本簇。参考各种参数信息，依据各样聚类信息样本数据的中心点求解各中心点至聚类信息数据中心的距离，依据最近距离再次归类对应的故障信息样本。用式(2)描述历次求解最小数据构成的矩阵

(2)

式中：求解的最小值合集用x描述。

4)判定需要迭代运算与否，若此时迭代次数为设置阈值，无需进行迭代运算，若不等于设置阈值，则此时需将参数调整，并返回上一步骤，循环运算直至迭代次数为设置阈值结束。

故障信息误差准则函数最低的簇利用K-means聚类算法获取，将电网告警信息以k个点作为中心进行聚类，将距离中心点最近的故障数据归为同类，并进行循环迭代操作，依次更新每个聚类中心数值，将全部故障信息进行最佳聚类后，输出结果。将聚类结果输至卷积神经网络进行训练，判定故障类型。

利用K-means聚类算法处理后，通过卷积神经网络将复杂的故障样本无类标数据实时映射，化解其中的非线性关系。鉴于卷积神经网络具有极高准确度、学习效率等优势，促使故障数据能够更为精准地被判别。用图6 描述卷积神经网络构造。

图6 卷积神经网络构造

卷积神经网络经过若干卷积层、池化层的卷积计算，能够将输入的故障信息聚类结果自适应进行提取特征，再进行降维操作，判定故障类型，降低计算复杂度，大幅度缩减求解时间。

1)输入层：输入故障信息聚类后结果。

2)卷积层：对输入的故障信息聚类结果展开卷积计算，实现故障信息的初次最近距离特征提取，卷积计算通过共享权值达到缩减原始信号噪声的目的。

3)池化层：该层包含最大池化、均值池化，鉴于池化层无须留存参数，因此选取恒定的函数，以此进行卷积计算，通过最大池化构建池化层，促使网格参数降低，在此过程需保障卷积层中输出的最近距离特征信息最大程度上留存，同时对最近距离特征维数进行缩减，提升训练效率。

4)全连接层：全连接层通过全连接实现与上层神经元的相连，该过程采用Sigmoid函数作为激活函数。

5)输出层：通过Softmax分类器归类故障信息[15]，并输出故障检测结果，完成故障诊断。

2 实验分析

选取某市级电力企业作为实验对象，采用LabView实验平台，验证本文系统的性能、能耗控制效果及数据挖掘效果，前期需准备该市级电网企业近两年收集的主电网故障记录以备实验使用，其中，能耗控制效果、数据挖掘效果两项实验需将本文系统与文献[8]自动化辅助决策系统、文献[9]电网调度智能辅助决策系统对比验证。

2.1 系统性能

开展仿真实验，从该市级电力企业主电网线路中随机制造两处人为故障，采用本文系统进行故障诊断及辅助决策判断，用图7 描述故障诊断结果及故障处置辅助决策界面图。

图7 故障诊断结果及故障处置辅助决策界面图

观察图7 可知，本文系统能够检测到两处电网故障详细信息为3号主变器过载、15号线路附近出现倒杆。准确记录故障发生时间，并给出相应的故障处置辅助决策为：(1)负荷预警断电操作；(2)故障安全隐患识别；(3)保护整定维护。该辅助决策为调控员选取最优应急策略提供强有力的信息支撑，证明本文系统拥有较好的性能，可放心投入实际使用。

2.2 能耗控制效果

将本文系统与其他两种系统进行对比验证，随着运行时间的增长，统计系统能耗数据，用图8 描述3种系统能耗控制效果。

分析图8 可知，文献[8]系统能耗呈直线上升趋势，由70W上升至140 W，能耗过高，长期使用系统可能出现安全隐患；文献[9]系统随着运行时长的增加能耗飞速增长，系统能耗在运行16 h时高达190 W，能耗控制效果较差，不利于长期使用；本文系统在运行前6 h内能耗呈缓慢增长趋势，后续能耗未见增长，始终保持在20 W～40 W能耗，明显低于前两种系统，证明本文系统在能耗控制方面表现突出，这是由于本文系统采用高速单片机的主控单元，有助于提升系统能耗控制效果。

图8 3种系统能耗控制效果

2.3 数据挖掘效果

对卷积神经网络相关参数设置与训练，卷积神经网络求解时，设置的相关参数如下：

timesteps(时间步长)：35；

units(神经网络单元的数量)：185；

predictsteps(预测多少单位时间)：50；

训练精度：0.001；

LSTM最大迭代次数：1000；

K-means聚类算法的最大迭代次数：100；

种群规模：50，100，200，500；

交叉率：0.52；

变异率：0.01；

染色体长度：6+6+8；

从该市级电力企业近两年收集的故障记录中挑选1 000条谐波、电流、负荷3种类型故障信息作为数据挖掘训练集样本，对LSTM进行训练。训练完成后采用其中325条信息作为测试样本，验证本文系统的聚类效果，如图9 所示。

观察图9 可知，本文系统能够将谐波、电流、负荷3类故障信息进行归类，聚类结果清晰准确，聚类效果良好。

图9 故障信息聚类结果

为验证数据挖掘效果，从325条故障记录中随机抽取120条故障数据，另外准备40条无故障及40条有冗余数据，进行数据挖掘效果测试，依次开展5次实验：①仅输入120条故障数据；②添加20条冗余信息；③融入20条无故障数据；④融入10条无故障信息及30条有冗余信息；⑤融入20条无故障信息及40条有冗余信息；在这5种情况下挖掘故障数据，并将本文系统对比其他两种系统进行验证，表1 为数据挖掘结果。

表1 3种系统的数据挖掘结果

分析表1 可知，文献[8]系统在可信度阈值固定情况下，随着有冗余信息及无故障信息的增加，挖掘出的故障数据逐渐减少，较易受到干扰，数据挖掘效果不理想；文献[9]系统在固定可信度阈值情况下，挖掘故障数据受到其他信息干扰，在降低可信度阈值后，挖掘故障数据下降幅度较大，整体数据挖掘效果不佳；采用本文系统挖掘故障数据始终稳定，伴随小幅度调整可信度阈值，挖掘故障数据未见大幅度波动，证明该系统具备优秀的数据挖掘效果，在遭受其他干扰信息时能够自动滤除。

3 结 论

利用大数据挖掘技术采集主电网设备运行信息，搭建智能电网故障处置辅助决策系统，该系统由信息生成、信息处理、故障信息展示、故障处置辅助决策、在线离线分析以及用户界面构成，在收到故障信号之后辅助决策子模块实时运转，以K-means聚类算法改进卷积神经网络的特征提取过程，以最快的速度做出最优策略，提供给调控员。实验结果表明，该系统拥有较好的性能，能够实时检测故障数据并做出相应辅助决策，由于本系统采用高速单片机的主控单元，能耗控制效果方面表现突出，针对故障数据的聚类效果良好，且数据挖掘效果优秀，可放心投入实际应用。