基于多维度数据融合的电网机组故障自动诊断系统

吴建勋，宗绪东，林西国，万松森，周东阳

(1.华电邹县发电有限公司，山东 邹城 273522； 2.华电国际技术服务分公司，山东 济南 250000；3.西安热工研究院有限公司，陕西 西安 710054)

众所周知配电网是维护人民生产生活的必要设施之一，配电网安全与否涉及范围广、影响程度大[1]，为此针对配电网机组故障诊断是很多该领域学者重点关注的课题之一。如陈泗贞等[2]和张黎元等[3]分别研究了电力系统多源故障数据融合分析方法和有源配电网故障诊断方法，前者基于电网多源故障数据，使用相关性分析方法分析电网故障数据的关联性，对关联后的电网故障数据进行时间对齐处理后，实现电网故障诊断，但该方法受电网数据时间不统一影响，在对其进行对齐处理时，时间相同但故障数据不同的数据被筛除掉，使其最终的故障诊断结果不够精准；而后者则通过计算电网故障特征向量方式实现电网故障诊断，但该方法受其误判规则影响，使其故障诊断步骤较多，诊断电网机组故障存在延时性，因此应用效果不佳。

由于电网机组数据采集的时间不同，格式不同，需将不同时间与格式的电网机组数据进行融合，因此多维数据融合技术被应用到电网故障诊断过程中。多维度数据融合技术可将具备不同维度特征的数据进行统一处理[4]，使其在时间与空间上保持一致，也可去除多维数据内的冗余数据，为后续的数据调用与运算提供高质量的数据基础。在此利用多维数据融合技术，设计基于多维度数据融合的电网机组故障自动诊断系统，以保障电网系统的安全。

1 电网机组故障自动诊断系统

1.1 系统结构

电网机组故障自动诊断系统总体结构如图1所示。

图1 电网机组故障自动诊断系统结构Fig.1 Schematic of structure of automatic fault diagnosis system for power grid units

电网机组故障自动诊断系统由数据采集层、网络通信层、数据存储层、服务层、逻辑层以及人机交互层构成，其中数据采集层利用采集器采集高、低压进线和出线、变压器、变电柜、配电盒与电表等实时数据，利用移动智能终端采集电网机组图像数据，通过网络通信层将采集电力机组数据传输至数据存储层；网络通信层利用控制基站和GPRS构建电力通信局域网，负责传输电网相关数据至数据存储层；数据存储层利用SQL数据库存储电力机数据，并对电网维护数据以及故障类型数据进行独立存储；服务层主要负责调用数据存储层内相关机组数据，为用户提供数据推送、用户查询消息请求响应以及故障查询功能；逻辑层则依据服务层提供的电力机组数据，使用深度置信网络建立多维度数据决策融合模型，并利用该模型融合多维电力机组数据后，计算电网机组故障权重数值，利用推理机对机组故障进行诊断并输出机组故障诊断结果至人机交互层，该层将机组数据以可视化形式呈现给用户，生成日志，用户也可利用人机交互层实现电力机组业务数据录入和查询等功能。

1.2 系统硬件构成

1.2.1 智能移动终端设计

智能移动终端作为电网机组故障自动诊断系统数据采集层的重要组成部分，负责采集机组图像数据以及手动输入机组数据。移动智能终端依托安卓平台，利用嵌入式技术将蓝牙芯片、无线传感器、摄像头传感器等嵌入集中式主板内，利用无线网络与电网机组故障自动诊断系统相连[5]，具备数据采集实时性。智能移动终端的技术架构如图2所示。

图2 智能移动终端技术架构Fig.2 Schematic of technical architecture of smart mobile terminals

智能移动终端通过无线网与电网机组故障自动诊断系统相连。该终端由操作模块、逻辑模块、展示模块以及数据存储模块构成，其中操作模块基于安卓操作平台构建，该模块内具备摄像头接口，无线网接口，负责传输摄像头拍摄的图像和手动输入的电网机组数据；逻辑模块主要负责业务逻辑处理，数据交互等功能，该模块也具备接口，通过接口与其他模块相连；数据存储模块具备独立SQLite数据库，负责存储拍摄的电网机组图像和手动输入的相关数据；展示模块由超文本标记语言Html5和数据驱动精灵Qm1构成，使用超文本标记语言向用户展示电网机组图像和数据，使用Qm1调动电网机组数据。

1.2.2 网络通信层设计

网络通信层是电网机组故障自动诊断系统内最基础且最为关键的一层，网络通信性能的好坏直接影响整个系统对电网机组故障诊断的及时性。为保障系统网络的有效性和流畅性，利用GPRS局域网技术连接局部网络和系统主体之间的通信。网络通信层的技术架构如图3所示。

图3 网络通信层的技术架构Fig.3 Technical architecture of network communication layer

网络通信层与电网机组故障自动诊断系统内的数据存储层相连，利用GPRS局域网技术连接无线传感器[6]，通过无线传感器将电网机组数据传送至电力数据网内，通过串行通信接口与控制基站相连，最后将电网机组数据输送至数据存储层内。

1.3 系统软件设计

1.3.1 机组故障数据融合

由于电网机组数据是由采集器和智能移动终端共同采集，因此所采集到的电网机组数据格式并不相同且数据维度也不统一[7]。为顺应电网机组故障诊断技术的发展，系统逻辑层使用多维度数据融合技术模型融合电网机组多维数据。多维度数据融合技术模型分为数据、特征和决策等融合模型，模型不同则融合信息的抽象程度和信息融合的容错性不同。在此使用决策融合模型融合电网机组数据。利用深度置信网络构建决策融合模型，深度神经网络是基于非监督数据上的多层神经网络，适用于多维度数据融合分析[8-9]，可处理受独立因素影响造成电网故障中存在的不确定因素。电网机组故障自动诊断系统的逻辑层使用深度置信网络建立决策融合模型，将电网机组数据输入至该模型内，输出融合后的电网机组数据。获取到融合后的电网机组数据后，使用因子分析算法计算电网机组数据的融合权重，为后续电网机组故障诊断提供参考依据。因子分析算法是分析电网机组故障参量矩阵的内部相关关系，搜寻变量属性的公共因子[10]，利用公共因子关联程度对电网机组故障类型进行分组，同一组别内电网机组故障类属同一类。因子分析算法获取电网机组故障过程为：

假设电网机组故障类型为局部放电、低能放电、高温过热、高能放电、低温过热，利用上述5种电网机组故障类型建立标准矩阵。每个电网机组各种均通过n个指标进行诊断，其指标集合由[o1，o2，…，on]表示，假设因子分析需要m个电网机组指标集合，利用点机组集合构建阶样本矩阵，将该样本矩阵简化后由B=AF表示，其中，F为公共因子，B为简化后的n×m阶样本矩阵，A为因子载荷矩阵。将因子荷载矩阵进行逆矩阵处理后[11]，可获取到因子得分系数矩阵。hj表示公共因子方差贡献数值，计算公式为：

(1)

式中，j=1，2，…，n；i=1，2，…，m；q为电网机组数据变量个数；a为因子得分系数。

通过该公式可描述公共因子的比例。

依据式(1)结果，建立指标矩阵由B表示，对该指标矩阵进行标准化处理，其表达公式如下：

(2)

根据相关系数矩阵获取特征值和特征向量后，计算第i个电网机组指标集合公共因子Fi的累计贡献率数值，计算公式为：

(3)

式中，ζ为特征值，依据该公式，选取电网机组数据的公共因子数量，为使电网机组数据故障重要程度更为精准[12]，置信区间设置为0.90～0.98。

Cj为电网机组数据融合权重，计算公式为：

(4)

式中，Gj=aj1ζ1+aj2ζ2+…+ajnζn。

通过上述步骤，可获取电网机组数据融合后的权重数值，为机组故障诊断提供可靠依据。

1.3.2 机组故障诊断

基于1.3.1小节获取到的电网机组权重数值，利用推理机诊断电网机组故障。推理机诊断电网机组故障流程如图4所示。推理机在诊断电网机组故障时，将电网机组故障数据输入到推理机内，将多维度电网机组故障数据进行降维处理后，选取电网机组故障数据并进行归一化处理[13]，同时调取融合后电网机组故障权重，依据该权重数值计算电网机组故障类型因子，将该因子与故障类型库内数据进行对比后，确认故障类型，若是则输出故障诊断结果，反之重新计算故障类型因子，经过迭代输出最终电网机组故障诊断结果。

图4 推理机诊断电网机组故障流程Fig.4 Inference engine diagnoses fault process of power grid unit

推理机在计算电网机组故障因子时，将局部放电、低能放电、高温过热、高能放电、低温过热电网机组故障类型划分为放电故障和过热故障，对其进行归一化处理之后，计算电网机组故障因子，其表达式如下：

(5)

式中，C为上述因子分析获取融合权重；Dh、De分别为过热故障类型因子和放电故障类型因子，该数值越接近1，则表示该故障发生概率越大[14-15]。

利用式(5)结果，经过对比故障和确认故障后，输出电网机组故障诊断结果。

2 具体实例分析

为验证本文系统的实际应用效果，将该系统应用于某省电网维护中，使用Matlab仿真软件模拟该省电网机组架设环境，从系统通信性能、多维数据融合性能和电网机组故障诊断角度对其进行验证。

2.1 通信性能测试

系统的通信性能是衡量系统稳定性指标之一，设置系统通信损失值最高为0.8，测试在不同通信队列长度时本文系统的通信性能，结果如图5所示。分析图5可知，本文系统通信时的损失值随着通信传输时间的增加而降低，在通信时间为5 ms时，通信队列长度虽然不同，但通信损失值数值较为接近。随着通信传输时间的增量，通信队列长度较短的通信损失数值下降幅度较快，在传输时间为25 ms时，不同长度通信队列的通信损失值开始保持平衡状态，其中通信队列长度为600 Bytes时，系统的通信损失数值维持在0.4左右，通信队列长度为200 Bytes时，通信损失数值为0.17左右，且在时间超过15 ms后，不同通信队列长度的通信损失值均低于0.8。该结果表明，本文系统通信损失值较低，较大程度地保障了电网机组数据的完整性，具备较强的通信性能。

图5 通信性能测试结果Fig.5 Communication performance test results

2.2 多维数据融合测试

多维数据融合效果是影响系统诊断电网机组故障的重要因素，以融合后数据剩余比作为描述多维数据融合指标，测试本文系统融合多维电网机组数据能力，结果如图6所示。分析图6可知，本文系统融合多维电网机组数据后，其有效数据剩余百分比与数据量呈成正比，即多维度数据量越多，融合后的有效数据就越多。在数据量为100条时，融合后的有效数据剩余百分比为39%左右，较数据量为800条时低约41%左右，且融合后有效数据剩余百分比数值最高约为80%，表明多维数据内存在20%的冗余数据已被融合掉，综上所述本文系统可有效融合多维电网机组数据，且融合效果较好。

图6 多维数据融合结果Fig.6 Multi-dimensional data fusion results

2.3 故障诊断测试

在Matlab仿真软件模拟的该省电网机组架设环境，设置不同次数的局部放电和低温过热机组故障，为更好地呈现本文系统诊断电网机组故障能力，为电网机组数据添加噪声干扰，测试在不同程度噪声干扰情况下本文系统诊断电网机组故障能力，结果见表1。

表1 故障诊断结果Tab.1 Fault diagnosis results

分析表1可知，在不同机组故障和设置不同故障次数情况下，本文系统在诊断的电网机组局部放电故障次数与实际故障次数完全相同，而在诊断电网机组低温过热故障时，在干扰噪声为100 dB之前诊断的电网机组低温过热故障次数与实际故障次数相同，仅在干扰噪声为100 dB时出现一次诊断错误情况，但诊断低温过热故障的精度依然高达94%，该结果表明本文系统可有效诊断电网机组故障，受干扰噪声影响较小。

2.4 应用测试

将本文系统应用于该省电网机组维护，统计应用本文系统一年后该省电网机组异常运维次数和去年同期该省电网机组异常运维次数，以该异常运维此时描述其应用性，结果如图7所示。分析图7可知，应用本文系统后，该省的电网机组故障较去年同期相比异常运维次数明显降低，尤其是低能放电故障，由去年同期的12次下降到2次，统计总异常运维次数发现，应用本文系统后的总异常运维次数为20次，而去年同期未应用本文系统时，该省电网总异常运维次数为64次，该结果表明本文系统可有效诊断电网机组故障，降低电网异常运维次数，具备较强的应用性。

图7 异常运维次数统计Fig.7 Statistics of abnormal operation and maintenance times

3 结语

本文设计基于多维度数据融合的电网机组故障自动诊断系统，并通过仿真实验和实际实验对其进行了测试，测试结果表明该系统传输电网机组数据的损失值较小，通信能力好；诊断电网故障精度最低为94%，电网机组故障诊断能力卓越；可有效降低电网异常运维次数，提升电网的安全性。