电力系统中的智能化变压器接入点推荐系统

梁 戟，邓长安，汤铁军，胡开庆，朱 皓

（贵州电网有限责任公司六盘水供电局，贵州 六盘水 553000）

0 引 言

在变电站中，智能电子设备的广泛应用为实现设备的远程监控和数据传输提供便利。传统的变压器监控方式通常存在数据采集和通信问题，如RS-485接口的多主站访问冲突问题，多个监控系统同时存在会导致管理遥控权限冲突。这些问题不仅影响着监控的效率和准确性，还威胁着电力系统的稳定运行。因此，急需开发一种新型的智能化变压器接入点推荐系统。

1 智能化变压器接入点推荐系统设计

1.1 系统架构

1.1.1 数据采集层

数据采集层主要负责采集变压器中的数据[1]。数据采集设备可以安装在变压器的基座上或变压器内部，通过传感器和仪表收集变压器的运行状态信息。

1.1.2 数据处理层

数据处理层主要负责处理和分析采集到的数据。数据处理设备采用嵌入式系统或独立的计算机，通过处理和分析采集的数据，以提取变压器运行状态的相关信息，并评估和诊断这些信息。

1.1.3 数据传输层

数据传输层主要负责将处理后的数据传输到上级系统。数据传输可以采用有线或无线方式，如以太网、Wi-Fi、4G/5G 网络等。在传输过程中，需要使用适当的加密技术，确保数据的安全性。

1.1.4 监控管理层

监控管理层主要负责远程监控和管理变压器。监控管理系统可以是一个独立的计算机系统，也可以是一个集成的网络系统。其通过与数据处理层的通信，实时获取变压器的运行状态信息，并借助可视化界面或报警提示等方式向操作人员提供信息。

1.1.5 决策支持层

决策支持层主要负责为操作人员提供决策支持，通过分析数据处理层处理后的数据，提供有关变压器维护和检修的建议，以及相应的预防性维护计划。

1.1.6 用户交互层

用户交互层主要负责与用户进行交互。用户可以通过该层获取变压器的运行状态信息、报警信息、维护建议等信息，也可以通过该层设定变压器的运行参数。

1.2 推荐算法设计

智能化变压器接入点推荐系统是一种利用人工智能算法为用户提供个性化推荐服务的系统。该系统通过分析变压器的历史运行数据和实时运行状态，预测变压器未来的运行状态和需求，从而为用户提供更加精准的接入点推荐服务。推荐指数计算公式为

式中：R为推荐指数；S1、S2和S3分别为不同方面的评估得分。S1是根据变压器的历史运行数据得出的相似度得分，反映其与其他变压器的相似程度。这可以通过协同过滤算法实现，如余弦相似度或皮尔逊相关系数。S2是根据变压器的实时运行状态数据，评估变压器当前性能和稳定性的得分。S3是根据用户对变压器的使用情况和需求计算出的相应得分，包括历史运行数据、负载情况、维修记录等数据，以及用户对变压器性能和可靠性的反馈。

智能化变压器接入点推荐系统主要考虑变压器的电压、电流、温度以及绝缘状态等参数，分析设备的历史运行、维修记录、故障频率等数据。分析这些数据，系统可以评估变压器的性能和状态，并为用户提供相应的接入点推荐。

2 智能化变压器接入点推荐系统实现

2.1 系统硬件平台选择

在电力网络中，变电运行设备是整个系统的重要组成部分。电力领域的变压器云控终端已经成为变压器厂商必不可少的设备之一[2]。在实际变电运行中，由于缺乏数据支撑，难以分析事故原因和界定责任，增加了变压器接入点推荐系统的风险。而智能化变压器接入点推荐系统的出现，能够有效解决这些问题。智能化变压器接入点推荐系统集成变压器温控仪、变压器运行监控器及智能云服务的智能终端，可依托技术优势，实现变压器的数字化、云端化、智能化，有助于增强变压器生产企业的产品竞争力和品牌影响力。智能化变压器接入点推荐系统的硬件平台选择如图1 所示。

图1 智能化变压器接入点推荐系统的硬件平台选择

2.2 数据采集与处理

为确保智能化变压器接入点推荐系统的准确性和可靠性，从变压器的各个部位采集相关数据，如实时采集变压器线圈的温度和油温。首先，从100 台智能化变压器中，采集200 万条数据。其次，对数据进行处理，以便为智能化变压器接入点推荐算法提供有效的输入。例如，去除异常值、重复值、缺失值，保留180 万条有效数据。再次，整合不同来源的数据，形成一个统一的数据集。最后，从数据集中提取与变压器性能和状态相关的特征，如平均温度、最高负荷率等，作为推荐算法的主要输入。

根据变压器的历史运行数据和专家经验，标注数据，然后用于训练和验证推荐算法[3]。采用3σ原则（即拉依达准则）检测异常值，假设数据集为X，均值为μ，标准差为σ。对于数据点x，若满足|x-μ|＞3σ，则视为异常值。根据变压器线圈温度的数据集{T1,T2,…,Tn}，计算均值μ和标准差σ，满足|Ti-μ|＞3σ的数据点将被视为异常值并去除。

此外，可以采用哈希函数检测重复值。对于数据集X，将数据点x通过哈希函数H(·)映射为一个唯一的哈希值H(x)。若不同的数据点具有相同的哈希值，则将其视为重复值。

对于变压器负荷率的数据集{L1,L2,…,Ln}，将数据点Li通过哈希函数映射为哈希值H(Li)，比较各哈希值，并去除重复的数据点。智能化变压器接入点推荐系统数据处理如表1 所示。

表1 智能化变压器接入点推荐系统数据处理

采用3σ 原则对数据集中的线圈温度进行异常值检测。假设线圈温度的均值为80，标准差为5，发现数据点T5和T10满足|Ti-μ|＞3σ，因此将其视为异常值并去除。同时，采用哈希函数对数据集中的负荷率进行重复值检测。在负荷率数据集中，发现数据点L3和L8具有相同的哈希值，因此将其视为重复值，并去除数据点L8。同时，整合处理后的线圈温度和负荷率数据集，形成一个统一的数据集Z，以便分析整合后的数据集。

2.3 推荐算法实现

推荐算法基于变压器的历史运行数据、实时运行状态及电网的拓扑结构，采用深度学习技术进行建模[4]。设计一个基于卷积神经网络（Convolutional Neural Networks，CNN）和长短时记忆网络（Long Short-Term Memory，LSTM）的混合模型。其中，CNN用于提取变压器运行数据的空间特征，而LSTM 则用于捕捉变压器运行状态的时序依赖性。

为训练该混合模型，构建一个标注的数据集。标注的数据包括变压器的各种运行参数（如线圈温度、油温、负荷率等）和对应的接入点推荐标签（优、良、中及差），且由专家根据变压器的历史运行数据和经验进行标注。模型的训练采用监督学习的方式，目标是最小化预测标签和真实标签之间的差异。损失函数为

式中：yp,n为样本的预测值；yt,n为样本的目标值；n为样本的数量，n=1,2,…,N。在训练模型的过程中，采用均方误差（Mean Squared Error，MSE）计算预测标签与真实标签之间的差异。通过优化模型参数，使损失函数值最小化，从而提升模型的预测准确性。模型准确率的计算公式为

式中：TP为真正例；FP为假正例；FN为假反例；TN为真反例。准确率是最常见的评价指标，且容易理解，即正确分类的样本数除以总样本数。通常来说，准确率越高，分类器越好[5]。在机器学习和统计学中，这些指标通常用于描述分类模型的性能。

3 实验验证

推荐系统及其设计算法的有效性数据如表2 所示。

表2 推荐系统及其设计算法的有效性数据

由表1 可知，推荐系统给出的接入点与实际选择的接入点一致，且推荐系统得分和实际得分都高于0.90，表明推荐系统在这些理想化的条件下表现出色。通过验证算法可知，推荐算法最终的准确率达到90%以上，说明其对变压器接入点的推荐具有较高的精度。因此，采用深度学习技术进行建模，能够有效捕捉变压器的运行规律和接入点的优化策略。同时，算法在实时性方面表现良好，这是由于算法采用高效的分布式训练方式和优化的模型结构，具有较强的健壮性。这充分证明系统在提升变压器运行性能和降低运维成本方面具有有效性。

4 结 论

文章通过研究和应用智能化技术，成功提高了电力系统中的变压器监控水平和安全性能。经过实践应用和性能评估可知，文章设计的智能化变压器接入点推荐系统展现出优异的数据采集和通信性能，能够有效保障电力系统远动数据传输的实时性和准确性。