基于多元信息的智能配电网健康水平评估方法

吴子龙 ，朱 林 ，林凌雪 ，邓嘉浩 ，陈乐柯

(华南理工大学 电力学院, 广东 广州 510640)

随着智能配电网和能源互联网的发展，配电网安全可靠运行的内在要求不断提高。由此提出了基于灰色关联等算法的配电网及其设备的故障风险评估方法[1-3]，并类比人体的健康评价，引入健康度指标对电网风险及其状态进行更为全面的评估[4-7]。基于智能配电网的信息化系统数据对配电网健康水平进行评估，实现对智能配电网的自监测、自诊断有助于提高电网可靠供电水平，同时有利于科学规划、合理制定运维工作计划[8-12]。

设备健康度的评价依赖于设备评价指标体系与评价模型。林元[4]选取故障次数、运行年限等设备台账信息评价设备健康度；孙黎霞等[5]选取配变的温度、气体含量和断路器的气体压力、分合闸速度等实时监测数据对设备健康度进行评价。事实上，随着智能电网与人工智能技术的发展与信息化系统集成共享程度的增加，可综合多种信息化系统数据构建更为完备的健康度评价指标体系，并采用合理的评价方法对设备健康度进行定量评价。针对配电网整体健康水平评估，黄曌等[6]提出配电网风险模型，求取设备风险与健康度、重要度的函数关系，进一步通过划分区间确定配电网的运行风险等级，但未考虑N-1 通过率等网架指标，忽略了分布式能源接入及网络拓扑结构等对配电网总体风险的影响；周莉梅[7]提出基于配电网网架指标体系的配电网健康状态智能诊断方法，但未综合考虑设备健康度，难以考察设备风险；孙黎霞等[5]综合考虑网架和设备的健康度，根据两者关系采用最大值函数或加权求和的方法评估配电网健康水平，但该方法依赖于区间的划分且易造成关键信息丢失。此外，根据区间确定健康水平等级，意味着健康水平等级仅在健康度越过区间端点时发生突变，难以准确反映健康度变化。鉴于此，提出一种综合设备、网架指标及网络拓扑等多元信息的智能配电网健康水平评估方法，通过改进的反向传播(back propagation，BP)神经网络和成功流(goal oriented，GO)法[13-14]，综合多元信息评估设备层与网架层健康度，引入模糊评价与D-S(Dempster-Shafer)证据理论对两者信息进行融合与评价，实现对智能配电网整体有效的监测和诊断。

1 网架与设备层健康度评价

1.1 指标体系构建

智能配电网的健康水平可通过对设备和网架2 个层面的多元信息进行有效综合而获得，故先从设备、网架2 个角度构建智能配电网的健康评价指标体系。

就设备层面的健康评价，为保证设备可靠送电，既需考虑设备当下是否异常，还需综合考虑设备所处的健康生命周期。对于设备运行状态，实时监测数据可反映设备实时或短期的健康情况，而台账信息能从宏观、长期的角度反映设备的健康情况。基于以上考虑，选取各类设备的健康度评价指标，如表1。

表1 设备健康评价指标体系Tab.1 Equipment health evaluation index system

未考虑如分布式能源渗透率、高损配变占比等网架健康评价指标，仅对设备进行健康度评价难以反映智能配电网网架的健康水平。考虑智能配电网运行健康水平密切相关的因素，从设备运行水平、网架安全水平、分布式能源接入等3 个维度构建网架的健康评价指标体系，如表2。

表2 网架健康评价指标体系Tab.2 Grid health evaluation index system

1.2 指标评价

指标数据与健康度有一定的函数关系，BP 神经网络能充分逼近任意复杂非线性关系，具有较强的鲁棒性与容错性，且模型训练完成无需人工参与即可快速输出结果，可用于设备及网架健康度的求解。设备与网架的指标信息主要储存在智能配电网信息化系统，如台账管理系统、设备状态在线监测系统、电压监测系统、运行监测系统、智能配电网规划辅助系统等，但各信息系统中设备与网架指标含义、数值最优区间等方面存在差异，不宜直接使用传统的数据归一化方法对数据进行预处理。因此，需改进BP 神经网络，使其能够对多元异构的指标信息进行有效提取。

1.2.1 基于改进BP 神经网络的网架及单台设备健康度计算

随设备健康状态由正常理想状态向警戒异常状态的逐步劣化过程中，设备的各项指标也会由理想值逐步劣化至故障状态的警戒值，据此对指标现状进行统一评价，解决多元信息异构性问题。为此，文中将传统BP 神经网络输入层神经元替换为指标评分神经元，进而分别基于断路器、配变、网架构建改进BP 神经网络，如图1。

图1 改进BP 神经网络及其输入指标数据示意图Fig.1 Schematic diagram of improved BP neural network and its input data

根据指标值与设备健康状态的关系，提出三类指标评分神经元类型：对于指标值越大设备健康状态越好的指标，采用逆向型指标评分神经元，输出函数为E1(x)；对于指标值偏大或偏小设备健康状态偏差的指标，采用中间型评分神经元，输出函数为E2(x)；对于指标值越小表示设备健康状态越好的指标，采用正向型评分神经元，输出函数为E3(x)。网架同理。各类型指标评分神经元具体输出函数分别如下：

表3 设备健康指标评价神经元类型及预设理想值与警戒值Tab.3 Equipment health index evaluation neuron type, preset ideal value and alarm value

表4 网架健康指标评价神经元类型及预设理想值与警戒值Tab.4 Grid health index evaluation neuron type, preset ideal value and alarm value

隐藏层与输出层神经元的输出函数分别为：

选取断路器、配变、网架的历年正常及出现故障的样本数据作为训练集输入，由于样本数量不均衡，选择采用随机欠采样方法筛选输入样本以保证模型准确性，并将出现停运故障的样本标签设置为1，正常运行的样本标签设置为0，对神经网络模型进行模型训练。

1.2.2 基于GO 法的设备层健康度计算

设备所处网络拓扑的位置不同，其停运对负荷损失造成的影响也不同，故需综合考虑网络拓扑信息，不宜简单地对单台设备健康度进行加和评估设备层的整体健康水平。GO 法能够较好地根据网络拓扑求取设备故障与负荷停电之间的关系，文中采用GO 法求取单台设备健康度与设备层健康度的关系。通过图2 所示配电网络说明基于GO 法求取设备层健康度的方法步骤。

图2 简单双供电系统拓扑示例Fig.2 Topology example of simple dual power supply system

1) 参考文献[15]，设备健康度Hi与设备成功运行概率pi的关系为

式中：pP3为 P3 负荷正常供电的概率；pL1,P3为 P3 负荷成功由L1 供电的概率；pCB1，pS1，pT1分别为CB1，S1，T3成功运行的概率；pL2,P3为P3 负荷成功由L2 供电的概率，可根据步骤2)中方法求得；p全体负荷成功运行概率；pPi为第i个负荷成功运行的概率；ai为对应负荷所占总负荷比重。

2 基于网架与设备层健康度的配电网健康水平评估

求取的设备层健康度与网架健康度综合了各自视角下的指标数据、网架拓扑等多元信息，能一定程度反映配电网健康水平。不同健康水平等级之间存在过渡过程，符合模糊数学中模糊集的概念，因此引入模糊数学理论，采用隶属度函数对健康水平进行评估。将健康水平分为“健康”“注意”“轻微异常”“严重异常”4 种风险等级，并选取健康水平的隶属度函数，如图3。

图3 健康水平等级隶属度函数Fig.3 Membership function of health level

当健康度在[0,1]区间内逐步变化时，健康水平评估结果在“健康”到“严重异常”之间逐渐变化，从而实现对健康水平等级更准确的评估。然而，设备层健康评估结果和网架健康评估结果未能单独对配电网健康水平作出准确全面的判断，两者均提供配电网健康水平的模糊判据，构成2 个独立的不确定性证据体。因此，可根据两者提供的信息进行不确定性推理和信息融合，得到综合配电网健康水平。

Mnet函数能有效融合设备与网架mass 函数蕴含的健康评价信息，从而得到配电网健康水平向量Hnet=[Mnet(L1),Mnet(L2),Mnet(L3),Mnet(L4)]。该向量通过D-S 理论综合设备、网架指标数据与网架拓扑等多元信息，综合量化反映配电网整体“健康”“注意”“轻微异常”“严重异常”健康等级的隶属度，实现对智能配电网健康水平的综合评估及自监测与自诊断。

3 算例分析

选取某地10 kV 配电网为研究对象，采用本文提出的方法对其健康水平进行评估。该电网网络拓扑如图4，该区域含3 台断路器和17 台配电变压器，并接入两处分布式电源。

图4 某地10 kV 配电网网络拓扑结构示意图Fig.4 Topological structure diagram of 10 kV distribution network in a certain place

从电网信息化系统中导出该电网历史数据对改进的神经网络模型进行训练，通过智能电网信息化系统导出网架指标现值，如表5。

表5 网架指标现值Tab.5 Present value of grid index

通过网架健康度神经网络模型求得网架健康度为0.203 846。以T5 配变为例，通过智能电网信息化系统导出指标现值：总烃体积分数103 µL/L，箱体温度91℃，历史故障4 次，运行时长12 年，最大负载率93%。通过配变健康度神经网络模型求得配变的健康度评分为0.508 151，其余设备健康度评分如图5。

图5 各设备健康度Fig.5 Health index of each equipment

由图5 可发现：T13，T5，CB3 等设备健康度评分较高，说明其未出现较严重异常状态但健康状态较差，采用本文方法可实现对电网设备的自监测及一定程度上的自诊断。采用本文方法求得设备层健康度为0.392 219，根据本文隶属度函数得到设备层与网架的mass 函数，如表6。

表6 表明：设备层健康水平等级基本属于“注意”水平，但存在一定的轻微异常；网架层健康水平等级处在“注意”与“健康”之间，且属于“注意”水平程度更高。可见，采用模糊评价比采用健康度区间分段能更精准反映健康水平的差异。结合设备层与网架的健康信息得到模糊判据，根据改进D-S证据理论模型对两者进行不确定性推理和信息融合，得配电网健康水平，如表7。

表6 设备层与网架的mass 函数Tab.6 Mass functions of equipment layer and grid layer

表7 配电网健康水平等级评估Tab.7 Assessment of distribution network health level

配电网健康水平向量Hnet为[0.096 434, 0.859 711, 0.043 855, 0]，该向量作为对配电网当前健康状态的自诊断结果，反映该地区配电网当下的综合健康状态很大程度上属于“注意”水平，且出现较小的轻微异常，需对其制定维护计划。通过维修更换设备或改善网架指标来提高配电网健康水平，以维修CB3(方案一)、更换CB39(方案二)、将分布式电源渗透率从12.3%提高至14.0% (方案三)等3 种配电网改善方案为例。实施前两种方案后，设备层健康度分别从原来的0.392 219 变为0.317 867 和0.311 334，网架健康度不变；实施第三种方案后，网架健康度从原来的0.203 846 变为0.162 308，设备层健康度不变。根据本文方法分别计算得到方案实施后配电网健康水平，结果如表8。

表8 不同方案效果对比Tab.8 Comparison of the effect of different schemes

由表8 可见：3 种方案实施后，配电网健康水平隶属于“健康”等级的程度均有所上升，维修更换CB3可消除电网异常状态；提高分布式电源渗透率能通过网架层面提升电网健康状态的隶属度，但无法消除由于设备层面带来的异常。由此可见，本文方法实现了对配电网健康水平的精准评估。若未考虑设备长期统计信息相关指标，对CB3 进行维修或更换所提升的健康水平相同，则未能很好地吻合实际情况。根据文献[5]所提方法以健康状态更差的设备层健康水平代表配电网健康水平，能在一定程度实现配电网风险预警，但无法反映分布式能源接入等网架情况对配电网健康水平产生的影响。相较而言，本文方法能够更准确地对智能配电网的健康水平进行自监测、自诊断，为智能电网进一步进行自愈或电网工作人员科学制定、合理评估运维计划提供更有效指导，进而有效降低智能配电网的故障风险，提高供电可靠性。

4 结 论

提出一种基于多元信息的智能配电网健康水平评估方法。结合智能电网多个信息化系统指标，构建设备、网架健康度评价指标体系，通过改进神经网络实现基于多元指标信息对单台设备和网架健康度的精准、全面量化评价；结合单台设备健康度与网架拓扑结构，利用GO 法求取全体负荷正常运行概率，进而求得设备层健康度；根据设备、网架指标数据及网络拓扑结构等多元信息得到网架与设备层健康度，结合模糊数据理论与D-S 证据理论进行配电网健康度水平等级评估，可有效评估设备及电网当下健康状态，实现智能配电网健康水平的自监测、自诊断。本文研究可为智能配电网的自愈以及合理评估、科学制定运维计划提供一定的理论指导。