基于随机森林算法管理和评估变电站计量装置全寿命

寇德谦

摘   要：针对现有技术中变电站计量装置检测范围的不足，提出了新型的检测系统方案。设计将整体系统方案分为底层设备层、检测层、数据处理层、数据分析应用层，又设计了全寿命管理（LCC）模塊。LCC模块按照统筹协调安全、效能和周期成本三者之间的关系进行设计，通过随机森林算法实现对变电站计量装置的状态评估，实现了资产全寿命周期管理在信息获取和状态评估等方面的有效需求。实验表明，本设计的技术方案误差较小。

关键词：变电站计量装置;检测系统;全寿命管理;状态评估;随机森林算法

中图分类号：TH89                                      文献标识码：B

Management and Evaluation of Full Life of Substation

Metering Device Based on Random Forest Algorithm

KOU De-qian

（Inner Mongolia's Ultra High Voltage Power Supply Bureau，Hohhot，Inner Mongolia 010080，China）

Abstract：Aiming at the shortage of detection range of substation metering device in the prior art，a new detection system scheme is proposed. The design divides the overall system solution into the underlying device layer，detection layer，data processing layer，and data analysis application layer，thereby realizing remote data transmission and remote data monitoring of the underlying substation metering device detection. The Life Cycle Management （LCC） module is designed. The LCC module is designed according to the relationship between safety，efficiency and cycle cost. The state of the substation metering device is evaluated by the random forest algorithm，and the life cycle of the asset is realized. Manage effective needs in terms of information acquisition and status assessment. Experiments show that the technical solution designed in this paper has less error.

Key words：substation metering device;detection system;life-time management;state assessment;random forest algorithm

目前，随着变电站技术的飞速发展，变电站工作的可靠性直接影响电力设备的正常运行，因此，对变电站进行检测的计量装置逐步发展开来[1-3]。变电站计量装置的质量情况对变电站检测的计量准确性具有重要的作用。随着目前智能电网已经进入全面建设阶段，智能变电站迅速增多[4-5]。在现有技术中，变电站计量装置检测方式通常由工作人员定期携带仪器设备到现场对变电站计量装置进行周期性检验，检测方式通常按照 DL/T448-2000《变电站计量装置技术管理规程》技术规范的检验要求进行，对于电磁式电压互感器二次压降的检测，每2年需要1次检测，对于电流互感器的检测，每5年或10年需要1次检测。目前的检测方法不仅效率低，功能不够全面，很难满足目前市场的需求[6-7]。

为了实现变电站计量装置管理自动化的需要，需要增加计量功能，比如全寿命管理和状态评估等，这些功能能够使用户全面地获取变电站计量装置的监测情况，全面把控现场的监控状态。

1   总体结构设计

由于系统评估的对象为“变电站计量装置”，因此，在系统设计中，其还包括：电能表、电流互感器、电压互感器、二次回路。这些模块之间通过“计量点”进行关联。一个计量点下有主/副两块电能表（部分没有副表）、A/B/C三台电流互感器、 A/B/C三台电压互感器、CT/PT两路二次回路。对计量装置的状态评估分为：运行状态和健康状态，其中运行状态分为“正常”和“超差”，在“在线检测”模块中，通过“数据报表”中的字段提供。健康状态通过健康指数评估，并最终在辅助决策中通过“良好”、“一般”、“警告”、“异常”四种状态体现，总体结构示意图如图1所示。

在本系统设计中，大致分为底层设备层、检测层、数据处理层、数据分析应用层[8-10]。其中检测层主要用于采集变电站计量装置中的各种数据，数据采集类型主要为计量设备的电压、电流、功率、纹波等电网数据，计量设备包含有大型专变终端、中小型专变终端、单/三相检定设备、居民用户设备、公用配变考核设备等。变电站计量装置用于测量、记录、发送发电量、供（互供）电量、厂用电量、线损电量和用户用电量，以实现电能计量的输出，通过检测层满足用户底层数据采集的需求，检测层还可以包括各种传感器设备。在数据检测层中，主要实现对变电站计量装置的检测，通过底层获取的信息，对变电站计量装置的全寿命和运行状态进行评估，通过本系统工作，能够实现对运行中的电能计量表进行全方位在线监测、故障判断、记录分析和自动校验等。在数据处理层中，主要实现对计量检测数据的处理，通过数据处理，实现数据的分析和应用。

本系统通过现场监测以及远程监装置实现被测变电站计量装置的误差校验、电压互感器二次压降监测、全寿命管理、互感器二次回路负荷测量、状态评估等功能。在工作时，首先通过底层设备设置的各种信号电缆，将被测变电站计量装置回路中的各种信号（尤其是全寿命管理信号和状态评估信号）输出至现场监测装置中，然后再通过其上连接的数据通道切换单元实现数据的采集，采集到的全寿命管理信号和状态评估信号数据经由标准表处理后，再上传至中央处理单元，计算单元通过比较电流中的检测数据和标准表数据，进行比对、分析，然后再通过中央处理单元和计算单元对测量到的信息进行分析、处理，处理后的数据被传递上层管理系统，或者在本地存储、显示。

在进行数据处理时，可以通过数据挖掘算法对接收到的数据按照不同的定义属性进行分类、计算，数据挖掘算法包含诸如关联算法、回归分析、聚类算法、异常检测等，其中每种算法又包括多个算法，比如分类算法包括诸如决策树算法、贝叶斯算法、神经网络、支持向量机等多种算法，基于篇幅和描述的限制[11-12]，采用的算法为随机森林算法，通过随机森林算法通过放回自如计算方式从原始电力计量样本数据中随机抽取部分数据样本[13]，从而产生新的变电站计量数据样本集合，然后操作，据此产生多个样本集合，每个变电站计量数据样本集合后，都会产生新型的决策树。通过这种方式，能够从杂乱无章的数据库中更精确地分析出变电站计量数据的实质，满足用户分析变电站计量数据的需要。

2   关键技术设计

2.1   全寿命管理设计

在变电站计量装置中的数字化进程中，引入了使用资产全寿命周期管理（下文简称LCC）理念，LCC设计要求按照统筹协调安全、效能和周期成本三者之间的关系[14-15]。在变电站计量装置中设置HGIS设备，能够有效地在保障设备处于良好的工作性能前提下，最大限度地提高设备使用寿命，进而降低检测成本，提高经济效益。

HGIS设备在结构上包括断路器、至少一个隔离开关、电流互感器CT、电压互感器PT和控制系统，通过这种硬件组成，便于设备安装，在结构设置上，采用全套间隔设备作为单独的运行单元，通过组合装配型的母线组合成完整的配电装置。这种方式比较容易携带，其运行可靠性比较强，修理方便，便于维护，其中LCC的计算模型为：

LCC = C1 + CO + CM + CF + CE + CD     （1）

在公式（1）中，LCC為全寿命周期费用;C1为投入的费用，比如设备采购、设备建设等费用;CO表示为设备运行的费用;CM表示设备维护费用;CF表示为故障停电费用;CE表示为扩建成本的费用，CD表示为残值。在计算过程中，C1表示为变电站计量设备在投运前的所有的成本;固定成本表示变电站计量装置运行后寿命周期范围内的所有花费成本，比如维护成本、翻修成本、运行成本和扩建成本。

在全寿命管理设计中，其管理过程如图2所示。按照设备设计的“五全”管理进行设计。

在上述设计中，管理类型包括设备前期管理、设备中期管理、设备后期管理、设备点检系列、设备检修系列、设备操作系列等。在架构设计时，按照图3的方式进行。

在全寿命管理软件设计中，以“先进、可靠、稳定、实用”的设计原则进行，以控制变电站计量装置费用为核心，强本核算成本为理念，实现资产的全生命周期管理为目的。在上位设计的管理应用中，还以流程控制为主要要素，进行不管的信息优化，实现以优化流程为基础的集约型管理模式。

2.2   状态评估方法研究

分析变电站计量装置运行状态的因素，需要运用层次分析法实现变电站计量装置的状态评估。通常，变电站计量装置包含有电能表、电压电流互感器、二次回路等电力设备组成，在进行变电站计量装置的状态进行评估时，还需要结合其他电力设备的业务系统，通过查阅资料，进而分析抽取能反映变电站计量装置的各个组成部件的运行准确可靠程度状态量，这些参数包含有基本误差、运行稳定性、批次误差、运行异常报警情况、在线监测异常、运行误差、电能表用户信誉等状态量。根据这几个状态量参数，通过构建评估模型得到部件的评估结果，最终得出变电站计量装置的整体运行状态。在本文计算中，采用随机森林算法评估变电站运行状态[15-16]。

具体地说，运用随机森林算法计算时，首先构建随机森林算法模型，构建随机森林算法模型时，要在随机建立起来的诸多森林中，构建不同种类的决策树，其分析方法如图4所示。

（1）选择分析样本数据：在变电站计量装置的采集层生成的大量计量数据中，根据用户需求选取变电站计量数据样本数据集。

（2）预处理采样数据：变电站计量数据集在刚开始时，容易因为各种原因包含很多噪声大的数据，这些数据容易影响变电站数据的误差分析结果。在对这些数据进行分析，就需要过滤掉不平滑、不准确的变电站计量数据信息量，或者删除与变电站计量状态评估无关的噪音数据。从而将不便于识别的变电站计量数据信息转化使用户容易识别的纯净数据信息。在进行变电站计量数据预处理时，本文采用bagging集成学习方法实现对变电站计量数据集的训练、学习，其方法如图5所示。

在开始进行机械学习训练时，从变电站计量数据数据库中的原始计量样本数据的训练数据集合中，随机抽取一些变电站计量数据样本，然后假设输入的数据样本集，可以将这些数据集合记作为D={（x1，y1），（x2，y2），...（xm，ym）}。当第一次输出数据时，需要利用弱学习器算法进行初步的学习、训练，以此类推，逐步建立多个弱分类器，将这些弱分类器通过多次迭代计算，训练成强分类器。具体地讲，在采集变电站计量装置检测数据样本时，每采集一个样本数据，则在数据库中放回一个数据样本。假设采集N个变电站计量数据样本训练集，则随机采样次数为T次，然后结合随机采样的特点对电站计量数据进行T次迭代，将每次采样的变电站计量数据结果输出频率较为高的数据样本作为最终的变电站计量数据样本数据模型，则可确定该点可以作为最后的决策树叶子节点使用[16-18]。

（3）构建随机森林算法模型：通过步骤（2）的学习和训练，则可以通过强分类器来构建随机森林算法模型，如图6所示。

构建随机森林的过程是决策树算法的进一步升级，通过上述方法能够确定多个不同决策树的产生。在确定决策树的分支节点时，采用分支节点逐渐递归分支的方式，在递归分支时，需要从其他的数据特征中抽取，该抽取方式仍旧采用随机抽取部分特征，再次确定子分支。利用上述方法确定了节点、分节点后，一棵决策树模型便建立起来了。然后采用上述方法对每个数据样本集合训练，从而建立起多个不同的决策树。当决策树逐步增多，则可存储构建的决策树。最后看构建出的决策树数量能否满足用户的要求，如果没有达到用户的要求，则需要按照上述方法重新训练、学习，并且按照投票法原则（少数服从多数）重新确定新输入样本的类别。当满足了用户要求时，则生成随机森林模型。

建立随机森林模型之后，可用利用该模型进行分析、计算。在分析变电站计量大数据时，需要计算出训练样本数据中不同决策树的特征变量的加权信息增益率和随机森林决策树特征变量的加权信息增益值，然后再计算出二者计算特征的重要性。简单地说，假设变电站数据样本的集合为几十万个不同的变电站计量数据，则对各个变电站数据样本集的特征变量的属性（比如，优先级、重要性值等）进行降序排列，可能将Y降低到y维（Y>y），然后可以选择前n个重要性变电站计量装置数值的最大特征变量，再从剩下的Y- y个技术特征中随机挑选（Y -k）个不同特征。共同组成x个特征，从而将变电站计量大数据的高维数据从X维度降低为x维度，有利于用户识别、分析变电站计量装置运行状体，数据数据分析的角度上，更为本质地把握运行状体。

3   实验结果及分析

下面在内蒙古超高压供电局内对上述方案进行实验与分析，并且將本设计的方法与传统方法进行比较，实验结构示意图如图7所示。

在上述结构参数中，硬件结构主要包括幅值、电压、电流、相位可调的三相电压电流模拟功率源、可以由具有丢包、误码、延时等参数可调功能的模拟量采集器替代的三相电子式电压电流互感器、合并单元、GPS标准时钟源、光口交换机、0.05级高精度的数字电能表、0.2S级数字电能表、0.02级传统标准电能表、0.05级高精度、三相电子式互感器等变电站计量硬件。通过测试，如图8所示，测试后时，软件提供有变电站选择、变电站各类计量装置数量汇总、图谱分析功能。其中，图谱分析部分分为：计量装置整体、电能表、电流互感器、电压互感器、二次回路界面，通过箭头切换或点击“计量装置数量汇总”项进行切换。下图为计量装置整体界面，显示站点“电气主接线图”，右侧以饼图统计计量装置整体运行状态和健康状态分布图。

系统通过左右箭头或点击“计量装置数量汇总”项，切换至其他计量装置概况统计界面，下图展示“站所概况-电能表”界面。分别显示分布图和设备列表，提供基于安装位置、间隔名称、电能表编号的模糊查询，基于告警（正常/超差）、健康状态的过滤查询，如图9所示。

其他类型计量装置界面类似，数据列表中“电能表编号”改为“编号”，台帐中没有“安装位置”的装置，通过间隔名称，与电能表台帐关联显示安装位置。

通过上述实验，得出如表1所示，表1为采用本文设计的测量出变电站计量装置的整体误差数据：

通过上述实验，采用本设计的方法的误差明显低于传统精度的误差，本设计的方法能够大大降低变电站计量装置的计算误差。

4   结   论

通过以现阶段电能计量装置检测的问题，引入计量资产全寿命管理和状态周期管理思路，通过构建检测系统，确定检测的技术方案，界定全寿命周期管理流程、管理要求、业务内容，实现目标要求。又通过对关键技术研究，运用层次分析法构建全面量化的指标体系，建立状态评估方法模型。逐步建立基于寿命管理和状态评估的“一体化管控、精益化运作、优质化服务”的计量资产全寿命管理体系，实现资产管理方式由分散粗放向大数据算法的根本性转变，提升专业管理水平、服务质量和运营效益，具有较好的实用的价值。

参考文献

[1]    宋晓林，任伟，张振铎，等. 数字化变电站合并单元插值误差对于电能计量的影响[J].  电测与仪表，2017，54（11）：57-65.

[2]    郝然，艾芊，肖斐. 基于多元大数据平台的用电行为分析构架研究[J].  电力自动化设备，2017，37（8）：26-33.

[3]    王远，陶烨，蒋英明，等. 智能电网时序大数据实时处理系统[J].  计算机应用，2015，（z2）：93-97.

[4]    刘广一，朱文东，陈金祥，等. 智能电网大数据的特点、应用场景与分析平台[J]. 南方电网技术，2016，10（5）：102-110.

[5]    贺红燕. 基于大数据的智能电网关键技术研究[J].  电源技术，2016，40（8）：1713-1714.

[6]    冉亮，李炜，孙向聚. 基于大数据技术的智能电网系统应用研究[J]. 自动化与仪器仪表，2017，（9）：182-183.

[7]    宋晓林，王正杰，李国庆，等. 一种用于智能变电站数字化电能表的高精度电能算法[J].  电测与仪表，2015，52（21）：10-14.

[8]    葛磊蛟，王守相，瞿海妮. 智能配用电大数据存储架构设计[J].  电力自动化设备，2016，36（6）：194-202.

[9]    孙鸿飞，弓丽栋，张海涛，等. 智能电网大数据分析框架及其应用演进研究[J]. 现代电力，2016，33（6）：68-77.

[10]  徐岩，迟成. 基于LCC管理的变电站主接线的风险评估[J].  电力系统保护与控制，2015，（4）：74-80.

[11]  杨晓西，曾翔君，任伟，等. 智能变电站电子式互感器的误差特性及校验问题的研究[J].  电测与仪表，2015，52（23）：97-104.

[12]  王宁，闫振宏，陈永安，等. 智能变电站通信安全评价管理系统的设计 [J].  计算机测量与控制，2018，26（3）：291-293，297.

[13]  葛磊蛟，王守相，瞿海妮. 智能配用电大数据存储架构设计[J].  电力自动化设备，2016，36（6）：194-202.

[14]  彭晖，陶洪铸，严亚勤，等. 智能电网调度控制系统数据库管理技术[J]. 电力系统自动化，2015，（1）：19-25.

[15]  王远，陶烨，蒋英明，等. 智能电网时序大数据实时处理系统[J].  计算机应用，2015，（z2）：93-97.

[16]  熊华强，万勇，桂小智，等. 智能变电站SCD文件可视化管理和分析决策系统的设计与实现[J].  电力自动化设备，2015，35（5）：166-171.

[17]  葛磊蛟，王守相，瞿海妮. 智能配用电大数据存储架构设计[J].  电力自动化设备，2016，36（6）：194-202.

[18]  琚春华，邹江波，傅小康，等. 基于MOPSO的输变电设备状态评估管理研究[J].  电网与清洁能源，2017，33（8）：26-31.