柔性直流换流站异常监控数据实时预警研究

王 林,姚发兴,王 健,唐 力,桂辉阳

(中国南方电网有限责任公司超高压输电公司,贵州 兴义 562499)

0 引言

柔性直流换流站是智慧化电力系统的重要组成部分之一,担负着远程输电领域中直流转换和交流转换的关键作用[1]。柔性直流换流站位于远程传输电源的两端,传输端输出的电能经站中的电源整流站后转换为±800 kV或更高的直流电流[2]。相比于常规的换流站,柔性直流换流站的占地面积更大、辅助设备数量更多。在容量等级相同时,柔性直流换流站的运行维护投入更多,传输功率可达6 400 MW,更适用于大系统间的大规模功率传输。因此,柔性直流换流站在远距离的电力传输中得到了广泛的应用。相比于电力系统其他组成部分的监控数据,柔性直流换流站监控数据数量更多、类型更复杂,因此对于监控准确性的要求更高。实时预警柔性直流换流站异常监控数据,有利于柔性直流换流站的稳定运行。

张爱枫等[3]根据五维建筑信息模型(building information modeling-5 dimension,BIM-5D)技术,提出了1种特高压换流工程的管控方法,以提升对高压换流电的管控能力。该方法以BIM-5D为基础,通过构建预警模型,对建设工期与费用控制的范围进行设置,并运用应力值法对该范围进行修正,从而获得适用于特高压换流站工程施工的管控方法。刘可真[4]等根据改进的关联准则,建立了1种新的直流换流站的故障诊断模型。该模型通过对换流站原始特征的提取与挖掘,对事件顺序记录(sequence of event,SOE)集合进行分析。根据分析结果,该模型可以从大量的、多态的 SOE集合中发现相关的规则,从而帮助维护人员判断在换流台切换和故障时的SOE丢失状况。

基于以上研究背景,本文针对柔性直流换流站的监控数据,设计1种异常监控数据实时预警方法,以避免换流站监控时出现异常情况。

1 异常数据实时预警方法设计

1.1 检测监控数据中的异常数据

本文通过接收SOE数据,根据经验规则,对柔性直流换流站异常监控数据流X进行描述,为异常监控数据的检测提供数据基础。

X={xi|i∈n}

(1)

式中:xi为异常数据流中的数据。

xi=(Bi,Xi)

(2)

式中:Bi为监控数据中第i个异常数据的标识;Xi为监控数据中第i个异常数据的特征值。

当监控数据中的某个数据出现异常时,更新相对应的统计量为:

E(xi)+b=Xi

(3)

式中:b为柔性直流换流站异常监控数据的标识空间;E(xi)为监控数据中异常数据标识为xi元素的统计量,个。

本文利用经验规则,对异常数据的相似系数sij进行求解[5],以构建异常监控数据的相似矩阵。

sij=1-αβ(ai,aj)

(4)

式中:α为异常数据参数;β(ai,aj)为任意异常数据ai与aj之间的关联性。

在此基础上,本文对监控数据中的异常数据进行检测。其中,柔性直流换流站监控数据中信息流的单元是换流站监视系统的网际协议(internet protocol,IP)包[6]。单元识别的特性表示柔性直流换流站装置供给中的消息个数恒定,而每个单元Xi的总数值都是1。通过检测到达换流站监控器同一个目标IP包的数量,可以发现柔性直流换流站监控过程中的异常行为。

在柔性直流换流站监控系统中,利用哈希值可以减少异常数据的产生[7]。其运算式如下。

(5)

式中:φi为柔性直流换流站监控系统中的任意单元;ξ为大于柔性直流换流站异常数据标识空间单元的数量,个;k为通用散列的级别。

如柔性直流换流站监控系统中的数据信息哈希函数出现异常问题,说明监控数据中存在异常。假设柔性直流换流站监控数据中异常数据共有f个,并根据动态模糊聚类结果将异常数据划分成Y类,则监控数据中异常数据第y个指标属于第Y类的异常检测结果μyY为:

(6)

式中:xiY为第i个异常数据中的第Y类异常值。

本文首先利用经验规则描述监控数据中异常数据信息流,通过构建异常数据的模糊相似矩阵判断监控到的换流站状况;然后结合通用散列函数消除换流站监控器中异常数据的碰撞,检测出监控数据中的异常数据。

1.2 设定异常数据预警阈值

当检测到柔性直流换流器监控数据存在异常时,本文通过设定异常数据预警阈值构建异常监控数据的实时预警模型。

通过计算监控数据的小波系数值,可以得到监控数据的尺度参数λi。通过尺度参数λi,可以判断柔性直流换流站在监控过程中出现异常数据的概率[8]。

(7)

式中:ε*为异常监控数据的衡量系数;d为异常监控数据之间的间距;L为异常监控数据的区间长度。

本文根据柔性直流换流站在监控过程中异常数据出现的概率,计算第j维监控数据中异常数据属性属于第i′类别的聚合程度。

(8)

当第j维监控数据中的异常数据属性与第i′类别完全聚合时,则利用小波变换对监控数据中的异常数据进行预处理[9]。

(9)

式中:φn为预处理前的小波系数;n′为异常数据对应的小波变换编号;∂为异常监控数据中的基准值;μ为异常数据之间的标准偏差。

在智能电网的建设过程中使用的柔性直流换流站是1种较为精密的输电装置。在监控系统监测出异常数据时,为了确保柔性直流换流站的正常运转,必须从异常数据中心提取关键变量信息,即:

(10)

式中:ζp为异常数据的样本;l0为异常数据在监控数据中的矩阵分布;ζu为异常数据检测的线性曲线关系;τl为异常数据运行的轨迹向量。

异常监控数据的关联变量信息可以体现异常数据的具体情况,反映柔性直流换流站的异常程度。通过获得监控数据的标准阈值,并将其与异常数据对比,可以判断是否发出预警信号。标准阈值的计算式如下。

(11)

式中:γ为监控数据中异常数据关键变量信息的标准差;m为柔性直流换流站监控数据的总量,GB。

本文引入尺度参数计算柔性直流换流站在监控过程中出现异常的概率,利用小波变换预处理异常数据,通过提取出异常数据的关键变量信息,设定异常数据预警阈值。

1.3 构建异常监控数据实时预警模型

本文基于设定的异常数据预警阈值,构建异常监控数据实时预警模型。监控数据的异常程度直接反映了柔性直流换流站运行的情况。通过计算异常数据的特征阈值,可以判断异常监控数据的异常程度。

(12)

式中:Ψf为异常数据的初始函数;f′>kr为监控数据f′在kr范围内的异常程度。

为了获得异常监控数据的空间分布,本文基于数据空间概率密度函数的计算方法对异常数据的聚类空间进行求解:

(13)

式中:ηA为异常数据的空间概率密度函数;h为异常数据的特征集;u为异常数据的空间分布权重系数。

当对异常监控数据进行聚类分析时,可根据异常数据样本之间阈值ds的距离确定异常数据的节点信息:

(14)

在对柔性直流变流器进行监控的过程中,应确保所采集到监控资料的实时性。监控数据的传递和换流站作业的环境等因素,会造成监控数据结果异常。因此,本文利用式(15)对异常数据进行重构:

x(c)=y(c)+f(c)

(15)

式中:y(c)为异常监控数据的异常系数;f(c)为异常数据的特征分量。

如果监控数据A的异常数据为ag,则利用异常数据特征的重构结果,可以得到异常监控数据预警函数:

(16)

式中:kj′为监控数据中的异常数据节点,j′为异常数据特征量;bj′为聚类中心;m′为异常数据预警函数的数量。

本文利用异常数据预警函数,构建监控数据中异常数据实时预警模型。

(17)

综上所述,本文首先通过计算异常数据的特征阈值,确定异常数据的聚类空间;然后基于异常数据特征的重构,得到异常数据预警函数;最后构建异常监控数据实时预警模型。

2 试验与结果分析

2.1 试验数据处理

测试样本数据的特征值如图1所示。

图1 测试样本数据的特征值

在监控柔性直流换流站的1个月时间内,本文采集历史监控数据,并通过历史监控数据的汇总和分类,构建了柔性直流换流站监控数据集。为了保证换流站监控数据中异常数据预警的实时性,本文在试验数据集中选取了57 328条监控数据作为试验数据,并经过特征提取和分类,保存了51 346条监控数据。这51 346条数据的冗余度在0.003～0.103之间,信噪比在70.5～105 dB之间。本文从试验数据集中选取15 648条样本数据作为训练样本。其中,正常监控数据和异常监控数据各占比50%。本文从试验数据集中选取1 000条样本数据作为测试数据。

根据监控数据的特征,本文在试验前划分异常监控数据预警的训练集和测试集,并得到测试样本数据的特征,为柔性直流换流站异常监控数据预警提供数据支持。

2.2 异常数据检测

本文在对异常监控数据预警之前,先利用1.2小节的方法,设定异常数据的预警阈值为0.4;利用1.1小节的方法,对测试样本中的异常数据进行检测。

异常数据检测结果如图2所示。

图2 异常数据检测结果

由图2可知,本文方法在对异常监控数据预警之前,能够检测出异常监控数据,并及时作出预警,以保证柔性直流换流站的正常运行。

2.3 设置评价指标

为了验证本文方法在异常监控数据预警中的性能,本文利用误报率指标和平均绝对误差指标衡量异常数据的预警性能。

(18)

式中:F为误报率;Ntrue为异常数据的正常报警数量,个;Nall为异常数据的报警总数,个。

(19)

式中:M为平均绝对误差;uij为报警结果的数量,个;vij为达到报警阈值的报警结果的数量,个。

2.4 性能分析

为了对本文预警方法进行对比分析,本文引入基于BIM-5D技术的预警方法和基于改进关联规则的预警方法作对比,测试了监控数据中异常数据预警的误报率和平均绝对误差。

误报率测试结果如图3所示。

图3 误报率测试结果

由图3可知,采用基于BIM-5D技术的预警方法和基于改进关联规则的预警方法,当测试样本达到100个时,异常数据预警的误报率分别超过了30%和20%;随着测试样本数量的增加,异常数据预警的误报率逐渐增大。而采用本文方法时,异常数据预警的误报率始终控制在20%以内。因此,本文方法能够避免异常数据预警出现误报的情况。

平均绝对误差测试结果如图4所示。

图4 平均绝对误差测试结果

由图4可知,与基于BIM-5D技术的预警方法和基于改进关联规则的预警方法相比,本文方法在对异常监控数据进行预警时,平均绝对误差可以控制在0.12以内。这说明本文方法能够及时发现异常监控数据,并及时发出报警信号。

3 结论

为了有效保障柔性直流换流站的稳定运行,本文针对换流站异常监控数据,提出了一种实时预警方法。该方法在消除数据碰撞问题后,能准确检测出其中的异常数据。本文根据监控过程中出现异常数据的概率,先设定预警阈值,再利用预警函数建立了实时预警模型。通过试验发现,该方法在异常数据预警中,可以有效降低误报率和平均绝对误差。后续研究将考虑引入大数据分析方法,对柔性直流换流站异常数据的来源和时序特征展开分析,并根据分析结果及时对柔性直流换流站的异常情况作出调整。