基于NPE算法的环网柜故障检测方法研究

胡凡君，张 勤，李 鹏，苗爱敏,邹 勋,陈霍兴

(1.云南电网有限责任公司丽江供电局，云南 丽江 674100；2.云南大学信息学院，云南 昆明 650504；3.昆明迪森电气有限公司，云南 昆明 650071)

基于NPE算法的环网柜故障检测方法研究

胡凡君1，张 勤1，李 鹏2，苗爱敏2,邹 勋2,陈霍兴3

(1.云南电网有限责任公司丽江供电局，云南 丽江674100；2.云南大学信息学院，云南 昆明650504；3.昆明迪森电气有限公司，云南 昆明650071)

为保障供电系统的安全、可靠运行，对电网环网柜在线故障检测问题进行研究，提出了一种新的基于数据局部特征的环网柜数据建模和在线监控方法。利用邻域保持嵌入(NPE)算法局部特征提取的策略，基于环网柜的多个测量变量信息以及环境变量信息，获取实时数据特征，构建了基于数据特征的环网柜故障检测模型。将构建的NPE模型应用于实际环网柜在线检测，并将原始数据空间划分为不相关的特征空间和数据残差空间。针对这两个空间，分别构造Hotelling T2和预测误差平方和(SPE)的监控统计量，并基于这两个监控统计量，实现了环网柜的在线实时监控和故障报警。将该故障检测方法应用于实际环网柜的的监控案例研究中，试验结果证明了该方法在环网柜故障检测方面的有效性。通过该数据监控模型，改善了环网柜故障检测的效果，为降低风险、提高环网柜的安全稳定和运行品质提供技术保障。

能源； 电网； 供电； 故障检测； 数据驱动； 数据挖掘

0 引言

随着城市供电方式由架空线路改为地下电缆埋设，电能的传输与分配一般采用户外环网柜汇集和分接电缆。环网柜一般集中于箱体内，具有结构紧凑、占地面积小、制作成本低、维护方便、经济效益高等优点[1]。由于户外环境的复杂多变，如果电力电缆长期处于恶劣环境下，容易绝缘老化、受潮等，从而极易引发绝缘故障[2]，甚至引发火灾[1]。因此，对电缆沿线环网柜内的相关设备运行状态进行实时综合监测极其重要。

许多学者对环网柜的故障检测问题进行了研究，并提出了有效的解决方法。靳宇等[3]通过电磁耦合法监控电力电缆的局部放电信号，Khan等[4]提出通过检测电力电缆局部放电程度预测电力电缆的绝缘状态，检测电缆故障。在高温条件下，环网柜内的气体会发生改变，靳宇等通过检测SF6的泄漏浓度，实时监控泄漏浓度是否超标；金琪等[5]设计了一款在线臭氧探测仪，根据高压放电产生臭氧浓度，判断环网柜内部的早期放电现象，并设定报警节点。环网柜温度和电缆温度对环网柜的性能影响较大，吴敏秀等[6]设计了智能在线监测装置，采用数字化一体式温湿度传感器实时获取柜内环境温湿度；张颖超等[7-9]提出通过对电缆接头温度及其周围环境参数的监测，预测电缆接头是否存在异常。

本文对基于邻域保持嵌入(neighborhoodpreservingembedding，NPE)算法的环网柜离线建模和在线监控进行了理论分析。对迪森电气有限公司提供的在线实际采集数据的实例进行研究，通过实例验证了本文提出模型的有效性和可行性。该模型对保证供电安全和供电质量具有重要的实际意义。

1 基本理论

环网柜故障是指环网柜中的运行状况发生异常变化，使得整个环网柜性能恶化的情况或事件。环网柜故障检测的目的是对系统的运行状态进行监视，不断地进行定量和定性分析，帮助维护和管理人员及时了解环网柜的运行状态，以及时消除过程的异常行为，防止系统波动和灾难性事故的发生。

环网柜一般由多个先进的传感器对环网柜中的变量进行测量，大量反映环网柜运行状况的测量数据被采集并保存起来。如果环网柜有异常发生，会反映在多个变量上。传统方法大多是针对环网柜的单个影响变量进行检测，如仅仅检测环网柜的温度、湿度、负载情况以及环境和天气状况等单一信息，会造成信息的缺失，无法全面反映系统运行状况。反映过程特征的多个变量数据之间一般存在较大的耦合相关性，因此需要对多个变量参数进行综合监测。电缆温度，尤其是电缆接头温度，是环网柜重要的特征参数。接头的温度过高普遍是由于内部电缆运行电流和线芯温度过高引起的，因此，基于异常相关的变量进行检测对故障预测更有意义。通过传感器采集环网柜测量的变量数据，如环网柜温度、湿度、天气状况等，利用数据处理方法对这些数据进行分析处理，获取过程运行状态，实现环网柜的在线监控和故障诊断。

本文采用多变量统计分析方法，研究多个变量的综合监控方法。一般实际数据的非线性和动态特征比较明显。传统的统计监控方法，如主元分析法(principalcomponentsanalysis，PCA)、独立成分分析(independentcomponentanalysis，ICA)、Fisher线性判别分析(Fisherlineardiscriminantanalysis，FDA)、偏最小二乘回归(partialleastsquares，PLS)，能够在提取数据变量特征的同时，去除多变量数据的相关性。但是该类算法主要是基于数据的全局特性分析，很难为所有的复杂数据构建一个通用的非线性模型。而复杂数据往往表现为局部线性的特性。研究数据的局部特征信息更能够有效挖掘数据的内在区分特性，利用数据局部线性的特点，获取其全局结构信息，更符合数据结构特征。

本文提出了基于多变量数据的环网柜故障监测方法，从数据驱动角度出发，采用基于局部关系特征的NPE。该算法在提取数据局部特征信息的同时，建立多变量数据的映射关系，获取数据不相关特征信息。本文结合传统的监控研究方法，建立了监控模型，以实现环网柜的在线故障检测。

2 邻域保持嵌入算法

NPE算法基于数据局部线性的思想，通过描述数据的局部特征来获取其整体的流形结构特征。算法利用在每个样本点和它的邻域点之间构造重构权并保持权重向量的目标函数，构造投影矩阵。从几何学上来讲，任何曲面流形都可由大小不等的局部线性块拼接而成。因此，在每一个微小的邻域内，数据都可以用线性模型来近似。NPE利用每个样本点及其邻域点之间构造的重构权向量来寻找原始变量空间中隐藏的低维流形信息，并通过在低维空间中保持每个邻域的权值来实现数据降维，获取原始数据的不相关特征信息。

(1)

NPE算法的目标是寻找一组投影向量a1,a2,…,ad，使得投影后的低维空间Y(y1,…,yn)∈Rd(d≤D)，与原始空间具有相似的局部结构。在数学上，该目标转化为每个数据点依然能以相同的权重被其对应的邻近点重构，通过计算式(2)的最小值获取投影矩阵[10]：

Φ(a)=∑i(yi-∑jWijyi)2=YT(I-W)T(I-W)Y=aTX(I-W)T(I-W)XT=aTXMXTa

(2)

式中：矩阵M为(I-W)T(I-W)，约束条件为yTy=aTXXTaT=1。基于该约束条件，多变量数据降维后，新的d个低维特征变量互不相关。

基于目标函数和约束条件，NPE算法的最终目标转换为求解式(3)中矩阵A的问题[10]：

XMXTa=λXXTa

(3)

易知，XMXT和XXT都是半正定矩阵。求解式(3)的广义特征值问题，其d个特征值(λ1≤λ2≤…≤λd)所对应的特征向量组成投影矩阵A=(a1,a2,…,ad)。

NPE算法的目标是在降维后，去除原始数据的相关性，获取独立变量；同时，最大程度地保留原始数据的每个局部空间信息。NPE算法的邻域保留，表明原始空间中位置较近的点投影到低维空间后位置关系依然较近，空间位置远的数据点投影后依然较远。作为一种基于数据局部结构的线性降维算法，NPE在有效挖掘相邻点之间的局部特征几何结构的同时，通过邻域数据之间的重叠，获取复杂数据全局结构的变化关系。

3 基于NPE的环网柜故障检测方法

3.1模型实现

(4)

(5)

针对实时采集的环网柜的测量数据xnew，首先对其进行预处理，然后基于投影矩阵，将其投影到模型空间和残差空间：

ynewBT+xnew[I-B(BTB)-2BT]

(6)

使用监控统计量Hotelling T2和预测误差平方和(square predicted error,SPE),分别度量模型空间和残差空间的波动情况，实现在线监控。与数据点y相关联的统计量和统计限由下式给出：

(7)

SPE=‖xnew-xnew‖2=

(8)

计算每个实时数据的监控统计量，并判断统计量是否超过对应的建模统计限，基于此判断该时刻的数据是否正常。如果提示故障，立刻进行相应的故障消除处理。如果数据统计量小于统计限，则表示过程数据正常。基于邻域保持嵌入算法的环网柜离线建模和在线监控模型流程图如图1所示。

图1 环网柜模型流程图

图1中：离线建模包括数据采集、数据预处理以及获取投影矩阵A以及统计限过程；在线监控包括对在线数据的标准化处理、比较在线数据和统计限的大小，判断在线数据统计量是否超出统计量，并给出过程是否故障的判断。

3.2模型分析

本文提出了基于邻域保持嵌入的环网柜故障检测方法。该方法基于实际数据特征信息，挖掘环网柜的内在结构特征。其不依赖于过程精确的数学模型和先验知识，无须构建过程复杂机理模型；利用过程数据获取实时状态，使模型更加精确，降低了建模难度。因此，对于难以获得精确的数据模型和全面的过程知识的复杂过程，基于数据驱动的环网柜故障检测方法具有较大的优势。

传统的基于单变量监控算法存在数据变量特征单一、忽略故障数据变量之间的相关性、缺乏变量信息融合的缺点，本文提出的方法解决了环网柜故障检测过程中存在的上述问题。基于多变量过程数据信息，能够更全面地获取过程信息；通过建立多变量数据信息的监控统计量，改善了对环网柜过程的故障检测效果。

基于流形学习局部特征信息提取的思想，利用邻域保持嵌入算法，获取了过程数据集的局部特征结构。由于环网柜数据的物理限制和高维数据的复杂变量关系，很多的数据整体分布特征并不明显，系统故障主要体现在和故障源关联紧密的少数变量上，具有“局部性”的特征。传统的基于数据全局结构的统计学习方法，对局部的刻画不清晰，丢失了数据的细节信息。而本文提出的方法能在去除原始数据耦合相关性的同时，有效地保持数据的局部结构特征，描述了数据的内在组织结构，使得模型随着数据样本的空间结构的变化而变化，提高了数据特征的表示能力。

4 试验验证

为了验证本文提出方法的有效性，采用迪森电气有限公司提供的实际环网柜数据进行建模，并通过仿真故障数据对算法进行验证。选择一个柜子里有2个隔断的环网柜数据进行建模。其中，每个隔断里都有一组电缆数据，每组电缆有3相，分别为A相、B相、C相，获取其对应的6组线芯温度测量值；同时，分别采集2组环网柜中的环境温、湿度数据等4个变量，采样频率为2次/min。

首先，选择12000个过程样本作为模型构建的训练数据。为了测试邻域保持嵌入算法模型的故障检测性能，将2900个正常样本作为测试数据，并基于实际过程的数据分布特点，对1000个过程故障数据进行仿真测试。

在该建模模型中，应首先确定NPE算法的邻域个数和降维维度。在本试验中，算法的邻域个数k选择为15。确定降维维度的方法有很多，比如方差贡献率(cumulativepercentvariance,CPV)、交差验证、可重构方差等。为了简化建模过程，本文采用CPV方法。

根据CPV原则，将NPE降维维度d设置为4，使CPV的数据解释程度达到了90%以上。故障检测统计量的置信度均设置为99%。图2和图3分别给出了邻域保持嵌入算法的正常数据和故障数据监控结果。

图2 正常数据监控结果

图2中，变化曲线表示在线测试数据的实时T2和SPE统计量，直线表示其对应的T2和SPE监控统计限。如果统计量在统计限上方表示给出故障的提示，则数据的统计量在统计限下方给出正常的提示。由监控结果可以明显看出，该算法模型针对正常数据具有较低的误报率，大部分正常数据的T2和SPE统计量都在统计限以下，说明了该算法模型对于正常数据能够较好地进行检测，误报率较低。

图3 故障数据监控结果

图3中，该数据的T2统计量均显示已经超限，表明模型能够较好地检测过程存在的故障，检测率较高，可以达到故障检测的效果。另外，针对SPE统计量，只有部分数据的统计量在统计限的下方。这是因为构建的故障数据是基于过程的分布特征，所以在数据的残差空间，基于SPE监控统计量上没有体现。

5 结束语

本文针对环网柜在线故障检测的问题，提出了一种新的在线故障检测方法。基于环网柜的过程测量信息，利用邻域保持嵌入算法，构建环网柜数据的结构特 征模型。通过对实时在线数据建立监控统计量，并与建模数据进行比较，判断实时过程是否存在故障。将本文所提出的方法应用到实际的环网柜过程中。与传统的环网柜故障检测方法相比，本文基于多变量数据量以及局部关系的算法，可以有效获取环网柜的数据变化特征，具有更可靠的监控性能。试验结果验证了基于邻域保持嵌入算法的监控模型，在实时在线故障检测方面，具有可行性和有效性。

[1] 雷健新,张浩,彭道刚.配网电缆中性点小电阻接地故障及选线研究[J].自动化仪表,2016,37(9):48-51.

[2] 康健,宗榜馗,张大宁,等.一种组网式电缆分支箱在线监测系统的设计[J].自动化仪表,2017,38(1):93-96.

[3] 靳宇,张认成.SF6户外环网柜多参数检测系统研究与开发[J].自动化仪表,2014,35(2):81-84.

[4]KHANAA,MALIKN,AL-ARAINYA,etal.Areviewofconditionmonitoringofundergroundpowercables[C]//InternationalConferenceonConditionMonitoringandDiagnosis,2012:909-912.

[5] 金琪,李烽,顾临峰,等.新型智能化环网柜的设计及实现[J].华东电力,2014,42(7):1373-1376.

[6] 吴敏秀.中压电缆终端在线监测及故障预警技术的研究[J].中国电力,2014,47(4):123-127.

[7] 张颖超,吴嘉伦,李俊.基于Zigbee电力电缆接头远程温度监测系统研究[J].电测与仪表,2014,51(16):103-107.

[8]YOUXC,LEILI.Patrolinspectionsystemofundergroundcablejointfaultbasedonwirelesscommunication[J].MachineTool&Hydraulics,2014,42(16):125-128.

[9] 吴飞龙,郑小莉,李永倩.BOTDA光纤传感技术在电力电缆测温中的应用探讨[J].光通信技术,2013,37(2):21-24.

[10]孙斌,刘立远,梁超.LLSTA和ELM算法在转子故障诊断中的应用[J].自动化仪表,2014,35(3):35-38.

ResearchontheNPEBasedFaultDetectionforRingMainUnit

HU Fanjun1,ZHANG Qin1,LI Peng2，MIAO Aimin2,ZOU Xun2,CHEN Huoxing3

(1.Lijiang Power Supply Bureau of Yunnan Electric Power Grid Co.,Ltd.,Lijiang674100,China;2.School of Information,Yunnan University,Kunming650504,China;3.Disthen Electric Co.,Ltd.,Kunming650071,China)

For ensuring safety and reliable operation of power supply system,the online fault detection of ring main unit of power grid is researched,and a new method of data modeling and online monitoring based on data local features is proposed. By using the local feature extraction strategy of Neighborhood Preserving Embedding (NPE) algorithm,based on the information of multiple variables in ring main unit and the environmental information,the real time data features are obtained,and then the fault detection model of ring main unit is constructed based on these data features.The NPE model established is applied in online detection of actual ring main unit,and the raw data space is divided into two parts: feature space and residual space.In accordance with these two spaces,the monitoring statistics of Hotelling T2and squared prediction error(SPE) are constructed,and the online real time monitoring and fault alarm of ring main unit are achieved based on statistics ofT2and SPE.This fault detection method has been used in research on a case based on real ring main unit,the results verify that the effectiveness of this method in fault detection process ofring main unit.The data monitoring model improves the effects of fault detection for ring main unit,and provides technical support for reducing risks,and enhancing the safety,stability and operation quality of the ring main unit.

Energy； Power grid； Power supply； Fault detection； Data-driven； Data mining

TH165;TP277

10.16086/j.cnki.issn1000-0380.201710017

修改稿收到日期:2017-05-19

国家自然科学基金资助项目(61540070)、云南省教育厅科学研究基金资助项目 (2015Y019)、云南省科技计划应用基础研究基金资助项目(2014FB112)、轻工过程先进控制教育部重点实验室开放课题(江南大学)资助项目(APCLI1606)

胡凡君(1983—)，男，学士，工程师，主要从事电力系统在线过程监控工作。E-mail164873018@qq.com。

苗爱敏(通信作者)，女，博士，副教授，主要从事输电系统安全诊断与预警、输电电缆故障检测、软测量建模、数据挖掘与人工智能方向的研究。E-mail:miaoaimin@ynu.edu.cn。