基于大数据背景下电站设备状态监测及故障检修管理系统仿真设计

王立峰,马 超,牛永光 ,苏 彪,刘祥振,辛思远

(山东鲁软数字科技有限公司，山东 济南 250000)

2020年8月，浙江省杭州市配电网络实现了全面状态检修，全面启动10 kV线路的状态检修运行规则，这是最终实现“大运行、大检修”理念的标志。城市10 kV配电网络中，只要实现了全部城区供电的拉手线路及环形线路的多电源供电，同时在所有用电单位的电源设计中实现在2条以上拉手线路或者环形线路中采集电源，则在任何一个35/10变电站或110/10变电站需要停电检修时，拉手线路中均可实现不停电服务，且任何一条拉手线路或环形线路不得不停电时，用电单位也均可以从另一条拉手线路或环形线路中获得电源支持。

本文重点就电力大数据对变电站设备状态监测分析的支持模式进行分析，设计一套应用于全面状态检修的电力大数据独立系统。

1 电力大数据系统的层次化服务模型

从最初在电力管理系统中部署的五防系统及逻辑压板闭锁系统，到后来的倒闸专家系统及电子操作票系统、程控远程倒闸系统，以及在后来的设备状态监控系统、母线状态监控系统、变电站全系统状态监测系统，冗余设备自动投切系统等，这些系统均具有共同点，结果如图1所示。

图1 早期智能电网的平行管理系统Fig. 1 Parallel management system of early smart grid

由图1可知，基于物联网的电网数据采集系统将所有的互感器数字化信号、温度红外监测信号、震动及噪声监测信号等进行采集；同时也利用API服务器与其他相关系统的API服务器之间构建逻辑数据链接获取元数据库信息，用于维护数据仓库的底层数据。在MySQL、HaDoop、Python、Matlab、CAE、Simu Works等开发环境集的支持下，实现对数据治理、数据挖掘、机器学习、模糊决策等相关模块的编写，进一步在LAMP等服务器开发环境中，构建桌面端脚本和移动端脚本，实现对系统的开发。

早期智能电网相关系统的开发过程中，几乎所有平行系统均需要独立对上述开发工作进行开发、部署、测试、运行。早期，这种平行开发模式可以最大限度提升系统的开发效率，降低开发成本，减少系统联合调试的压力，且某一个平行系统出现问题时，不会对其他系统带来直接影响。但是，随着智能电网的管理信息系统越来越全面，各种平行系统之间存在重复建设的情况，一方面导致数据仓库规模快速扩大，冗余重复信息增多；另一方面，因为多个平行系统的数据挖掘算法不同，数据混沌效应明显，导致不同系统容易做出相悖的策略。基于此，在智能电网IDC中构建独立的数据仓库系统，对包括设备状态监测系统在内的各平行系统实现统一数据支持，将成为未来智能电网IDC建设的基本思路。其构建模式如图2所示。

由图2可知，将数据仓库进行分层设计，其中接口层(Interface Layer)包括基于工业物联网数据采集功能的物业物联网探头集、工业网桥、数据采集系统等和基于平行系统API接口管理的元数据库集、以太网接口、数据API接口等；存储介质层(Rigid-disk Layer)包括数据仓库的硬件集用于管理所有的存储介质及相关的数据库管理软件(MySQL、HaDoop等)；策略层(Strategy Layer)包括数据的治理策略、归一化策略、去量纲策略、机器学习策略、模糊决策策略等，并包括执行相关策略所用到的任务服务器(CPU Servers)、浮点服务器(GPU Servers)、逻辑服务器(TPU Servers)等；环境层(Environment Layer)包括应用层脚本开发使用的各种支持软件，但不限于Python、Matlab、CAE、Simu Works等。

图2 独立数据仓库系统架构Fig.2 Schematic diagram of independent data warehouse system architecture

2 变电站设备状态检修管理信息系统构成

2.1 设备状态信息的采集

变电站设备，包括母线类设备、触点类设备、线圈类设备及其他相关设备。母线类设备包括各种电压等级的母线、连接线缆等，负责实现三相负荷、中性线、接地线等功能。触点类设备包括断路器、接触器、隔离开关、压板等，重点指相应开关设备中的接触和灭弧元件。线圈类设备是变电站中分布广种类多的设备，包括变压器、互感器、接地灭弧器等。对不同类型设备的大数据采集需求，结果如表1所示。

表1 该系统的数据采集需求表Tab.1 Schematic diagram of independent data warehouse system architecture

由表1可知，除隔离开关没有采集设备相关的电压电流信息外，其他设备的状态监测系统均会采集设备相关线路的电压电流信息；变压器设备、互感器设备等，需要采集多个电压等级条件下的相关电压电流信息。对温度、震动、噪声、行动位置等信息的采集任务，也会因不同设备运行原理不同而有所不同。

研究上述6种数据的实时采集方案，其采集方式和数据初步治理方案如表2所示。

由表2可知，电流、电压、温度等数据，均为建立在时域序列上的离散数据；而震动、噪声数据均采用专用声音处理器进行记录，记录频率为44 MHz，行动位置数据的记录由相应的动作元件的实际动作触发，以逻辑型数据记录在时域序列上。所以，上述所有数据均以时间戳为主键进行记录，并可根据时间戳进行联动分析。

表2 该系统的数据采集方法Tab.2 Data acquisition method table of the system

2.2 该系统对策略集的需求

因为电流、电压、温度、震动和噪声(dB)等数据均由量纲影响，所以应对数据进行归一化以实现数据去量纲，采用Z-Score算法进行数据去量纲治理，如式(1)：

=(-)

(1)

式中：为数据序列中第个数值；为数据序列的算数均值；为数据序列的标准差；为经过归一化的数据序列。其中：

(2)

式中：为序列的元素个数；为数据序列中第个数值。

(3)

式中：为序列的元素个数；为数据序列中第个数值；为数据序列的算数均值。

对于判断系统的故障状态，系统属于数据不完备的模糊推理状态，所以有必要使用神经网络对数据进行分析处理。单一设备而言，对设备做出状态判断，应有设备的状态级别，即将数据投影到[0,1]数据空间上。当数据接近于1时，认为设备接近崩溃；当数据接近于0时，认为设备完全正常，此时可使用单一神经网络模块进行二值化判断。该系统神经网络结构，具体如图3所示。

图3 系统神经网络结构Fig. 3 Neural network structure diagram of the system

由图3可知，6个输入量均为一定时间周期的序列数据，所以有必要使用基于简单神经网络模块的输入模块对数据进行初步整理。即将一维的数据序列值降维到零维数据，每一列输入数据降维生成一个Double格式的单一变量以对数据的当前状态做出标识；此过程为模糊神经网络的数据模糊化过程。将经过模糊化的数据通过神经网络核心模块进行推算后，形成一个经过二值化的[0,1]上的输出数据，并对该数据使用模糊矩阵进行解模糊，最终实现数据的输出。

3 神经网络的设计

3.1 输入模块的设计

输入模块的统计学意义是将数据充分降维，即将输入数据序列的256～512个序列集在不超过3层隐藏层处理过程中使其保留大部分数据特征的前提下，压缩成1个Double数据。此时，可以使用多项式函数进行节点设计，3层隐藏层的节点数，分别为512、128和11个，其节点函数：

(4)

式中：为第个输入量；为输出量；为多项式阶数；为第j阶多项式的待回归变量。

3.2 神经网络核心模块设计

神经网络核心模块的功能较为复杂，应对6个输入变量的数据特征充分放大；然后对其数据逻辑关系和投影规则进行整理，进而实现数据的充分二值化。即如果采用6层隐藏层设计，则其隐藏层特征应符合如表3所示的结果。

表3 神经网络核心模块的隐藏层设计Tab. 3 Hidden layer design table of neural network core module

由表3可知，第1层和第2层是充分放大数据的细部特征，采用了对数函数进行节点设计；第3层和第4层是对数据的逻辑关系和投影规则进行整理，采用了多项式函数进行节点设计；第5层和第6层为实现数据的充分二值化，采用了二值化函数进行节点设计，式中：为第个输入量；为输出量；为自然常数；、为待回归变量。

4 独立数据仓库的应用

根据前文分析，在早期智能电网开发策略中，从数据采集的物联网硬件开始，直到数据的可视化桌面端和移动端的展示界面，都进行独立开发。但在本文的开发策略中，该系统直接从独立数据仓库中获取相应信息，并在数据的策略层(Strategy Layer)开发2个神经网络模块和1个模糊策略矩阵；在应用层(Application Layer)中开发1套可视化脚本，即可完成系统的开发工作。

该模糊策略矩阵为传统的单值二维控制矩阵，具体如表4所示。

表4 解模糊矩阵策略Tab.4 Strategy table for resolving fuzzy matrix

由表4可知，当神经网络的输出值超过0.85且数据较上一周期急剧上升时，给出红色预警；输出值的分档线设定在0.85、0.70、0.50共4个区间，分别给出红色、橙色、黄色、蓝色4种状态。其中红色状态会触发系统自动倒闸；而蓝色状态表示系统处于正常运行状态。

在触发系统自动倒闸时，该过程将传值给电子操作票生成系统执行。此策略在本文独立数据仓库分层开发理念指导下进行。

5 真实数据下该系统的仿真测试

选择某变电站近2年的运行大数据进行测试，该变电站拥有110/35/10变压器4台，110 kV开关设备21台、35 kV开关设备55台，10 kV开关设备142台；其他一二次设备275台。2年运行期内，出现设备故障233次，分析该系统不同预警状态下的故障发生率，分析系统预警的敏感性和特异性，结果如表5所示。

表5 系统仿真测试结果Tab.5 System simulation test results table

由图5可知，系统给出红色、橙色、黄色预警的过程，已经涵盖了所有233处已经发现的故障，可认为，该系统可以基本满足判断设备状态故障的可能。在其给出红色预警时，相关设备的故障可能性达到了97.1%，在当前机器学习判断准确率公认为95%的技术现状下，此判断结果可基本达到设计要求。系统给出橙色预警时，可认为需要短时间内对设备进行切除检修，因为此时判断敏感性可达到72.2%。系统给出黄色预警时，也有11.6%的敏感性。

系统进行开发的过程中，使用本文的开发策略，总开发周期为96 d，开发代码量为1.7万行，而传统开发模式，该系统的总开发周期预计达到600 d以上，开发代码量超过12万行。且该系统在开发全过程中未添置任何工业物联网硬件，对IDC硬件的新增量，从传统模式下的70～90 U减少到了27 U。可认为，该开发策略在较小的开发量、较小的硬件新增量的前提下，实现了完全满足开发需求的开发任务。

6 结语

在独立数据仓库支持环境下的变电站设备状态检修管理信息系统，是适应当前智能变电站开发需求的一种新型变电站设备检修管理系统。根据变电站当前对独立数据仓库的前置开发成果，在该开发策略下，以较小的开发量、较小的硬件新增量的前提，实现了完全满足开发需求的开发任务。该系统不同预警状态均表现出较强的预警判断敏感性。