基于数据分析的智能电网监控信号预警系统设计

杨连营，刘辉，吴文兵，王叫，杜荣林，王稼祥

（国网安徽省电力有限公司铜陵供电公司，安徽铜陵 230061）

作为一种较为复杂的能量传输网络系统，电网集输电、变电、配电一体化[1-2]，满足各类不同电能终端用户的基本用电需求。随着终端用户电能消耗总量的不断增长，电网的复杂程度和总负荷均在持续增加[3]，同时电网发生故障的风险也在增加[4]。为适应电力系统现代化运营的总体发展要求，电网也逐步开始朝着智能化的方向发展，智能电网大都配备故障智能监控系统[5]，具有一定的自适应在线故障预警能力。当智能电网发生较为复杂的故障时，大量故障信息、故障代码会在同一时间涌入电网控制中心，导致短时间内的信息拥塞[6]，但这些故障预警信息主要由干扰信息和噪声信息组成，能够用于故障定位和故障识别的有用信息较少[7]。为更准确地去除干扰信息，识别和定位故障点，文中提出一种基于电力数据分析的智能电网监控信号预警系统设计，通过对采集到的原始电网故障信号的降噪、预处理和类别分析，识别和提取出原始故障信号中的细节特征，达到智能电网故障预警的最终目的。

1 系统总体框架设计

基于数据分析的故障信号预警系统通过前置网线接入电力调度网络，并与各个变电站的RTU 模块进行电力数据通信[8-9]。当系统发生故障时，故障信息、干扰信息及其他信息通过数据端口同时接入电力调度网络，由预警系统对输入的全部数据进行分析和筛选，确定电网的该区域是否存在故障。

智能电网管理与监控系统以变电站为节点被划分为各个区块，每个变电站实时采集电网运行的数据，并通过无线传感网络、光纤网络将区域范围内的电网运行信息传递到后台管理中心。系统启动Hadoop 大数据分析与检测功能，处理传感器采集到的故障信号，以判断该区域是否存在故障风险[10]。智能检测系统配备的数据服务器具有基础数据库功能，电力故障数据的存储、备份、调取等操作都不会影响到系统的软件功能[11]。Hadoop 大数据分析与管理模块采用通过型架构设计和通信协议设计，具有强大的兼容性、开放性和性能可靠性，在保证系统具有较强的数据分析处理能力之外，还确保系统具有良好的容错能力和自适应能力。

2 系统模块设计

监控系统的硬件部分包括监控模块、人机交互模块、故障诊断模块和显示模块，各模块之间的功能结构[12]如下：

1）分布于变电站及电网系统中的无线传感器采集到的电网基础数据都传输到系统的数据监控模块，监控模块先对原始时间做去冗余的预处理和初步分类，发现有明显异常的异构数据需及时剔除。

2）经过数据监控模块处理后的电网数据通过数据接口进入故障诊断模块，该模块是系统的核心部分，具有数据的多线程管理和电网结构拓扑分析功能[13]。数据接口采用主流的16 通道结构设计，从电网系统和监控模块中直接导入CIM 模型，得到用于故障分析和处理的全部原始静态数据和电网实时运转信息。由于大型电网的结构极为复杂，监控模块采集的数据总量巨大，需要借助大数据工具的分析和处理才能完成。Hadoop 数据分析系统是基于Apahce 开发的开源框架，采用分布式的HDFS 系统和MapReduce 模块。HDFS 存储方式对于单个Datenote 的计算机硬件规格要求不高，也从一定程度上降低了智能电网系统硬件一次性投入成本。MapReduce 模块是Hadoop 数据分析系统的核心部分，MapReduce 模块采用节点任务分配机制，模块的工作执行机制，如图1 所示。

图1 故障诊断模块Hadoop框架数据分析的工作机制

在Hadoop 数据分析框架下，基础架构支持、电力故障数据采集、数据存储、数据计算与结果显示都会用到不同的工具类型，每种工具类型的分配会影响到系统对于故障信号的检测和预警精度[14]。

3）人机交互模块的主要功能贯穿于监控信号处理的全过程，当系统出现警报时人机交互模块发出警报提醒后台的管理人员。报警同时故障区域电网内部的终端传感器会将大量的故障信息送至后台中心，在短时间内导致数据通道的拥塞。利用人机交互模块，后台管理员根据数据的总量排序，利用MapReduce 模块的数据并行处理功能，去除干扰数据、噪声数据，判断出发生异常的电网准确位置。

4）结果显示模块的功能主要用于显示最终的故障定位与识别效果。电网故障数据集被分类检测和特征提取之后，可以定位出故障发生的网络区域，但系统还会存在误操作和误启动的风险[15]。为了避免在无障碍的条件下由于系统重启带来的Hadoop 拓扑结构的更新和变化，基于人机交互模块事先设置故障的识别与诊断功能，通过各种参数值的设定锁定Hadoop 系统的拓扑结构，并设置系统的故障识别与诊断功能，避免出现重复预警、误预警的情况发生[16]。故障预警与识别系统具有手动模式和全自动模式供管理员选择，可以根据实际需要选择适合的方式。

3 算法选择与优化

在大数据的总体框架下要针对海量源数据的特征，对故障数据做深度挖掘，从故障数据集中提取有价值的故障信息。Hadoop 系统环境下卷积神经网络模型的层次关系主要包括卷积层和池化层，在分类处理故障数据的过程中卷积层和池化层发挥着不同的功能。其中模型卷积层主要用于提取故障特征，池化层主要负责对特征的抽象和细化处理。卷积层和池化层配合工作，从整体上缩短了数据处理的时间，也提高了Hadoop 系统模型的数据拟合程度，输出故障数据的映射过程描述为：

其中，y(t)表示经过分类处理后的输出项，ς表示深度学习卷积神经网络模型的核函数，x表示经过去噪和预处理的输入数据。卷积神经网络模型本质上也是一种包含多层次的神经网络，具体包括输入层、输出层和中间隐含层。对于一个包含4 个卷积核函数的卷积模型，4 个层次的卷积结果分别为(1,0,0,0)、(0,1,0,0)、(0,0,1,0)、(0,0,0,1)，深度神经网络卷积模型的4 个卷积层次，所对应的首层次卷积结果为(1,0,0)、(0,1,0)、(0,0,1)、(0,0,0)，同理可以按照要求计算出其他层次的卷积结果，不同的卷积代表不同类型的故障类别，基于此能够区分出不同类别的故障。假定智能电网中的故障类别包括开路故障、短路故障、接地故障、变电站故障、跳线故障等，依据卷积神经网络模型故障的数据结果，4 个层次的结果输出如表1 所示。

表1 卷积神经网络故障结果输出

调用最佳的属性选择算法作为故障类别的分类准则，最佳属性分类细则仅仅属于一个类别，输出结果的属性准则具体测试过程选用熵值法，求解公式如式（2）所示。

其中，n代表故障类别总数量，pi代表第i个故障类别出现的概率，如果将输出结果的熵值lny(t)作为分类属性，则输入故障数据集合X可以被分为多个数据组，原始故障数据的分类过程为：

lny(t)与lnX(t)之间的差值即为信息增益，当两者之间的差出现最小值的条件下，即为最优的分类点，该组数据中如果包含不同的故障类别，基于信息增益差值的大小能够做出准确的区分和筛选。在Hadoop 系统环境已经完成了对原始故障数据的去噪和预处理，避免了数据量过大造成的误操作。而对于多层次的卷积神经网络而言，在卷积核函数的选择及模型参数调整中能够节省大量的时间，基于熵值法做最后的故障类别筛选，根据信息增益的变化情况确定故障的类别，在数据筛选的准确性方面也具有一定优势。

4 系统测试

智能电网故障监控信号预警系统的监控模块、诊断模块、人机交互模块及数据显示模块，分别由监控管理服务器、应用程序服务、用户终端服务器和数据库服务器控制，包括各服务器及总交换机的基本功能及基础硬件配置。系统在软件层面与操作系统上选择Windows10 专业版系统，其他相关的系统应用软件还包括SQL Server、Websphere7、Proxy 等。

性能测试阶段首先利用文中设计的监控系统随机采集3 组电压信号和3 组电流信号，其中电压信号为方波信号、电流信号为正弦波信号，信号的时间采样周期变化存在差异，如图2 所示。

图2 故障预警电压信号波形图

上图中a、b、c 分别表示采样周期为0.1 s、0.3 s 和0.5 s 信号周期条件下电压信号波形的变化情况，如图所示在3 种不同的采样周期下，电压信号并未出现异常波动，证明信号预警系统具有良好的滤波性能。电流信号的波形变化情况，如图3 所示。

图3 故障预警电流信号波形图

从3 种采样周期条件下故障信号电流波形的变化结果可知，电流信号的周期性变化平稳、周期性的峰值变化平稳，未出现异常变化，表明系统的信号处理功能稳定，故障信号滤波效果较好。基于Hadoop系统的卷积神经网络模型在智能电网故障电压信号、电流信号的降噪和滤波处理方面具有明显优势，可以保证故障信号特征提取的准确性和完整性。从智能电网故障电压信号和电流信号集合中，分别选取10 个采样点观测真实值与监测值之间的差距，同时引入基于模糊理论的预警系统参与对比，统计结果如表2 和表3 所示。

表2 故障信号电压的监控数据

表3 故障信号电流的监控数据

经过数据统计分析，基于数据分析的故障信号预警系统的电压采样方差值为0.005 4 和0.001 3，远低于传统基于模糊理论系统的0.014 5 和0.0126 7，这表明文中系统在故障信号控制稳定性和预警效率方面优于传统系统。

5 结束语

智能电网能否稳定运行，将直接影响到电力用户的经济损失与人身安全，为实时监控智能电网的运行情况，并在海量故障源数据条件下，提高对监控信号的预警准确率，文中在Hadoop 环境下基于数据分析模型设计了一种针对智能电网的故障信号预警系统。在系统硬件设计方面以Hadoop 为框架设计了各模块的构成和功能，在预警算法方面基于卷积神经网络模型和熵值法对采集到的故障数据精确分类，并提取故障信号的电流与电压特征，系统测试结果验证了文中预警系统的有效性与可靠性。