基于多源数据融合处理的输变电设备状态动态评估模型

周浩，茅晓鹏，贾晶

(国网上海市电力公司检修公司，上海 201204)

作为状态检修策略的基础技术和理论依据，状态评估是通过信息采集、处理、综合分析得到对输变电主设备的整体运行状态的全面客观评价[1-3]。但当前大数据环境提供了更多样化的电力业务数据，输变电设备的状态评估数据来源不再局限于单次试验数据，巡视数据、在线监测数据等都能作为状态评估依据，如何挖掘更多的评估数据价值是提升状态评估准确性的重要目标；与此同时，泛在电力物联网的深入推进引发了在线监测、实时评估等智能化要求，在线、实时评估是一个动态的过程，但现阶段大部分状态评估研究都围绕静态评估模型展开[4-6]。基于此，如何充分挖掘各类电力业务系统中的相关数据价值，建立更综合完善的评估体系以及可动态更新的综合评估模型，是当前大数据技术背景下亟须解决的问题。

目前针对输变电设备的状态评估主要集中在两个方面：一是侧重于在综合评估指标体系基础上建立评估模型；二是侧重更科学的评估方法。文献[7-9]以电力变压器为对象，研究了多层次评估模型和区间层次法的评估模式，但其对象局限于变压器且计及试验数据以外的信息指标；文献[10-12]针对输变电设备多级模糊评估的状态评估方法，但仍针对传统静态模型展开分析；文献[13-15]提出大数据技术下输变电设备多的状态评估方法，但仍研究侧重于平台流程而非具体评估模型。

基于以上问题，本文以输变电设备为研究对象，针对电力业务系统中的多源数据进行分析处理，针对数据的时段变化特征建立具体量化指标，从而建立计及多来源数据价值的三层级综合评价指标体系；考虑设备对象的物理量变化和指标的数量变化两大变化特征，通过分层级的动态权重分配，建立设备的动态评估模型；最后通过属性区间识别进行设备状态的动态综合评估。

1 基于多源数据融合处理的状态评估指标体系

1.1 计及多源数据的三层级综合评估体系

目前，尚没有统一的指标体系用于输变电设备的状态评估。最为广泛应用于状态评估的数据一般为设备的历史检修试验数据[16-18]，为充分利用当前存在于电力业务系统中的海量信息和多源数据，我们在试验数据评估之外，加入巡视数据、监测数据两大类型数据，一方面保证了评估数据来源的广泛性，另一方面也弥补了部分设备存在试验数据不足的情况。

(1)试验数据评估指标体系

输变电设备试验主要分为特性试验和绝缘试验，不同设备的试验项目不一，但又存在共同之处，通过类型层、项目层、指标层建立试验数据的指标体系如下图所示。

图1 试验数据的指标体系Fig.1 Index system of test data

(2)巡视数据评估指标体系

输变电设备巡视内容一般包括外观检查、运行工况检查。其中外观检查一般包括设备部件结构、声音等内容，运行仪表检查则主要针对设备现场的各种指针仪表数据检查。通过类型层、项目层、指标层建立巡视数据的指标体系如下图所示。

图2 巡视数据的指标体系Fig.2 Index system of inspection data

(3)监测数据评估指标体系

电力系统各个应用平台中存在着海量的实时监测数据，其中SCADA系统对设备的电流、电压进行实时在线监测，以及时发现设备的异常运行状况。监测数据的评估指标可以从单位周期内的电流电压变化率来表征，单位周期取值5min，指标如式(1)式(2)所示。

单位时段电流突变率xJ1：

(1)

单位时段电压突变率xJ2：

(2)

式中：tJ为选取的监测数据评估时间点，[(tJ-5),tJ]表示周期5min的评估时段；Imax[(tJ-5),tJ]、Umax[(tJ-5),tJ]分别为评估时段内的最大监测电流、最大监测电压；Imin[(tJ-5),tJ]、Umin[(tJ-5),tJ]分别为评估时段内的最小监测电流、最小监测电压；Iave[(tJ-5),tJ]、Uave[(tJ-5),tJ]分别为评估时段内的平均监测电流、平均监测电压。

通过类型层、项目层、指标层建立监测数据的指标体系如下图所示。

图3 监测数据的指标体系Fig.3 Index system of monitoring data

综合试验数据、巡视数据、监测数据三类型评估指标，构建输变电设备的三层级综合评价指标体系，从而对输变电设备展开全面量化评估。

1.2 考虑数据多时段动态变化特征的量化修正

在已建立的三层级综合评价指标体系中，试验数据试验次数的不同、巡视数据巡视次数的不同、监测数据监测时段的不同都应在评估结果中有不同的体现，因此在构建具体量化指标时，应充分考虑时段动态变化这一特性。

在各项评估指标中，部分为有量纲指标部分为无量纲指标，部分为极大型指标部分为极小型指标，为统一评价标准，根据极值差对指标进行无量纲化计算[19]：

式中，xi为指标原始值；maxi为原指标值可能出现的最大值；x′i为原指标值可能出现的最小值；mini为无量纲化后的指标值；[U1,U2]为中间型指标的最佳区间。标准化后各指标的取值范围限于[0,1]。

(1)考虑试验次数变化的试验数据指标修正

在试验数据的评估指标体系中，考虑试验次数以及试验日期远近对设备最终状态的评价准确性，取最近两次的试验数据进行评估，同时通过试验时间间隔进行指标值修正，修正计算过程如下：

(3)

式中，x″Si为试验指标xSi标准化后的修正值；x′Si1为最近1次试验中指标xSi1的标准化值；αSi1为最近1次试验中指标xSi1的修正系数；timxSi2为最近1次试验中指标xSi1距今试验年数，不足1年以1计算；x′Si2为最近2次试验中指标xSi2的标准化值；αSi2为最近2次试验中指标xSi2的修正系数；timxSi2为最近2次试验中指标xSi2距今试验年数。由于不同试验次数中的试验项目不一，需再考虑考虑不同试验中指标数量变化的影响，因此简化后的试验数据评估指标的修正公式如式(4)：

(4)

(2)考虑巡视天数变化的巡视数据指标修正

在巡视数据的评估指标体系中，考虑巡视次数以及巡视日期远近对设备最终状态的评价准确性，取最近三次的巡视数据进行评估，同时通过巡视时间间隔进行指标值修正，修正计算过程如下：

(5)

式中，x″Xi为巡视指标xXi标准化后的修正值；x′Xi1为最近1次巡视中指标xXi1的标准化值；αXi1为最近1次巡视中指标xXi1的修正系数；timxXi1为最近1次巡视中指标xXi1距今巡视月份数，不足1月以1计算；x′Xi2为最近2次巡视中指标xXi2的标准化值；αXi2为最近2次巡视中指标xXi2的修正系数；timxXi2为最近2次巡视中指标xXi2距今巡视月份数；x′Xi3为最近3次巡视中指标xXi3的标准化值；αXi3为最近2次巡视中指标xXi3的修正系数；timxXi3为最近2次巡视中指标xXi3距今巡视月份数。简化后的巡视数据评估指标的修正公式如式(6)：

(6)

(3)考虑监测时段变化的监测数据指标修正

在监测数据的评估指标体系中，根据文中建立的变化率指标，变化周期取值5min，间隔较短，相邻几次的监测次数对设备最终状态的评价准确性影响差别不大，可取采用等值修正系数进行计算。取最近三次的监测数据进行评估，修正计算过程如下：

(7)

式中，x″Ji为监测指标xJi标准化后的修正值；x′Ji1为最近1次监测指标xJi1的标准化值；αJi1为最近1次监测指标xJi1的修正系数；x′Ji2为最近2次监测指标xJi1的标准化值；αJi2为最近2次监测指标xJi2的修正系数；x′Ji3为最近3次监测指标；xJi3的标准化值；αJi3为最近2次监测指标xJi3的修正系数。简化后的监测数据评估指标的修正公式如式(8)：

(8)

2 基于分层级动态权重分配的输变电设备状态评估模型

2.1 考虑设备对象物理量变化和指标数量变化的动态评估模型

当面向不同的输变电设备进行状态评估时，其对应的指标体系需根据具体设备进行针对性调整，例如变压器绝缘试验项目占比大、断路器则特性试验项目占比大，甚至当变压器绝缘方式不同时(油绝缘或气体绝缘)，评估指标的相应物理量也需对应变动；另一方面，随着评估时间节点的变化，试验数据量、巡视数据量都存在实时性的变化，相应地，其涉及的指标数量也会变化，反映在最终的评估模型中，即评估最终的指标数量存在动态变化的特性，因此指标权重量也存在动态变化的特性，在建立状态评估模型时需要充分考虑这一变化特性。

试验数据的综合指标评价值为：

(9)

巡视数据的综合指标评价值为：

(10)

监测数据的综合指标评价值为：

(11)

三层级评价体系的综合指标评价值为：

C∑=βSCS+βXCX+βJCJ

(12)

其中，CS、CX、CJ分别为试验数据指标、巡视数据指标、监测数据指标的综合评估值；βS、βX、βJ分别为试验数据指标、巡视数据指标、监测数据指标在三层级评价体系中的对应权重；C∑为三层级评价体系的综合评估值。

2.2 基于AHP的分层级动态权重分配

以所建立的三层级输变电设备状态评估综合指标体系评估为背景，进行各指标的动态权重分配，包含指标层权重(即αSi(i=1,2,……,nS)、αXi(i=1,2,……,nX)、αJi(i=1,2,……,nJ)三类指标的权重)分配以及数据层权重(即βS、βX、βJ之间的权重)分配，步骤如下：

(1)由1～9比例标度法分别对每一层次的评价指标的相对重要性进行定性描述，并定量化表示，确定两两比较判断矩阵：

指标层权重(二级评价体系)：

(13)

(14)

(15)

数据层权重(一级评价体系)：

(16)

其中，αS、αX、αJ、β均为对应的判断矩阵，θ1～θ10为比例标度值，取1～9的整数或其倒数[20-21]。

(2)运用根法求解各判断矩阵[22-24]，以判断矩阵αS为例，得出单一准则下被比较元素的相对权重向量(αS1,αS2,……,αSnS)T。

同理，求得判断矩阵αX、αJ、β判断矩阵的权重向量，并进行一致性检验[25]，当CR小于0.1即表明 一致性校验通过(由于阶数小于3的矩阵总是具有完全满意的一致性，因此当于阶数小于3时，判断矩阵无须进行一致性检验)[26]。

(3)获得输变电设备状态评估三层级评价体系的权重排序的分层级权重值。

3 基于属性区间识别的动态评估流程

3.1 属性区间识别

属性区间识别是基于属性数学理论提出的一种新系统评价方法，在有序分割类和属性识别准则基础上，对事物进行有效识别和比较分析，被广泛应用于各种的预测、评价、决策等问题中[27]。设备状态评估作为状态检修的基础，其最终的评估结果需要有一个相对的好坏值，从而供决策人员进行作为最终决策的参考基础。属性识别模型即是确定评估的各个评估指标的值属于哪一类属性CK的方法，即将评估问题转化为评估指标的值具有某类属性CK的属性测度值的计算问题，可分为三个大的步骤：单指标属性测度、多指标综合属性测度、属性识别[28]。基于本文的三层级综合评估指标体系，设定在属性测度空间F(状态评估结果好坏)的有序分割类分为{差，较差，一般，较好，好}5级。其具体步骤此处不赘述[29-30]。

3.2 基于属性区间识别的动态评估流程

基于属性区间识别的设备动态评估流程如图4：

步骤1：确定评价设备对象和评价日期，从而确定其试验数据、巡视数据、监测数据的具体评估指标。

步骤2：对指标值进行标准化，并通过式(3)-(8)标准化后的指标值进行基于多时段动态变化特征的量化修正。

步骤3：确定各个指标的权重，包括二级指标级权重和一级数据级权重。

步骤4：通过式(9)-(12)的评估模型计算综合评估值。

步骤5：根据属性区间识别法的单指标属性测度、多指标综合属性测度、属性识别三大步骤进行设备状态的最终属性识别，确定设备状态好坏。

图4 基于属性区间识别的动态评估流程Fig.4 Dynamic state evaluation process based on attribute interval recognition

4 算例分析

4.1 算例数据

拟定于2020年1月对某220kV变电站11号主变进行状态评估。其最近2次试验报告如表1所示，试验日期分别为2017年3月、2014年12月；最近3次巡视记录如表2所示，巡视日期分别为2019年6月、2018年12月、2018年5月；评估日的潮流监测指标如表3所示。

表1 某220kV变电站11号主变2次试验数据Tab.1 Two test data of No.11 main transformer in a 220kV substation

续表1

续表1

表2 某220kV变电站11号主变3次巡视记录Tab.2 Three inspection records of No.11 main transformer in a 220kV substation

查询评估日的电流电压实时变化曲线，根据式(1)、式(2)计算电流变化率和电压变化率。

表3 某220kV变电站11号主变3次监测指标Tab.3 Three monitoring indexes of No.11 main transformer in a 220kV substation

4.2 指标数据处理

对指标数值进行标准化，并根据式(3)-式(8)对标准化后的指标值进行基于多时段动态变化特征的量化修正。结果如表4所示。

表4 经标准化及量化修正后的指标值Tab.3 Index values after standardization and quantitative correction

4.3 权重分配

按1～9比例标度法分别对评价指标的相对重要性进行定性描述，确定两两比较判断矩阵：

试验数据指标权重：

巡视数据指标权重：

监测数据指标权重：

数据层指标权重：

求解得各个指标权重值：

{αS1,……,αS11}={0.0405,0.1243,0.1243,0.1243,0.1243,0.1243,0.0855,0.1172,0.0432,0.0432,0.0463}

{αX1,……,αX7}={0.0955,0.1504,0.1234,0.2368,0.1362,0.1660,0.0917}

αJ1=0.5,αJ2=0.5

βS=0.6965,βX=0.2316,βJ=0.0719

4.4 评估模型计算及属性区间识别

(1)将表4中修正后的指标值以及求得的各项权重代入评估计算模型，得到最终的综合评估得分：

C∑=βSCS+βXCX+βJCJ=0.9142

(2)属性区间识别

将属性测度空间定义为5个标准：(C1,C2,C3,C4,C5)=(差，较差，中，较好，好)=(0.4,0.5,0.65,0.8,0.9)。

计算试验数据指标、巡视数据指标、监测数据指标具有属性CK的属性测度μijk=μ(C?∈CK)，并结合试验数据指标、巡视数据指标、监测数据指标相应权重，计算综合指标的属性测度，结果如表5所示。

表5 属性测度矩阵Tab.5 Attribute measure matrix

按照置信度准则，取置信度λ=0.5，若测度值大于置信度取值，则认为指标值属于CK类。根据表5结果，按照最大隶属度原则，综合指标的状态评估属性识别结果为“好”， 即表示该主变状态评估结果好。

5 结论

针对大数据技术、泛在物联网技术的发展对状态评估的广泛性、准确性以及实时性提出的更高要求，本文在常规试验数据的基础上，融入试验数据、监测数据等多源数据作为评估数据对象，构建三层级综合评价指标体系，并通过分层级动态权重分配建立设备的动态评估模型，后利用属性区间识别进行最终的设备状态动态评估。所提出的综合评价指标体系不仅在指标层面体现了数据时段的实时变化特性，也在体系层面挖掘了多来源数据的不同信息价值；所建立的动态评估模型，体现了对象的物理量变化和指标的数量变化特性，对提升状态评估结果的准确性和智能化有重要意义。