基于RBF 的电网大型设备运行状态实时监测方法

李朝瑞，郭龙，戚永青，邓奕星

（国网湖北省电力有限公司襄阳供电公司，湖北襄阳 441000）

电网在长期运行的情况下，由于在受到电磁干扰、运行参数显示错误、变压器短路以及外界环境等方面的影响时，大型设备的运行状态会发生异常。目前采用的电网大型设备运行状态实时监测方法，通常在监测电网大型设备的运行状态时，没有及时显示大型设备的实时运行数据，造成电网大型设备在发生异常时没有被及时发现和处理。再加上电网内部和外部噪声的影响，电网大型设备的运行状态极易发生异常，无法保证电网在一个安全、稳定的环境下运行。

为了实现电网大型设备正常、稳定、持续运行，国内的研究学者对此进行了相关的研究。有些学者提出了基于Storm 的电网大型设备运行状态监测方法，该方法针对大型设备向量域的异常状态进行了监测，实现了对电网大型设备运行状态的监测[1]。有些学者提出了一种基于小波模型极大值序列的电网大型设备运行状态监测方法，该方法以大型设备的异常运行数据作为异常值，并对其进行修正，通过监测修正后的运行数据实现对电网大型设备运行状态的监测[2]。还有学者研究了基于设备在线监测的电网状态检修决策模型，基于当前设备状态的系统级检修计划，考虑规划时间内新增的状态信息，更新检修计划，并设计了设备在线监测下电网状态检修的决策模型[3]，但以上监测方法均存在监测数据不准确、监测缓慢的问题。

为了解决以上出现的问题，该文提出了基于RBF 的电网大型设备运行状态实时监测方法，该方法对电网大型设备分别进行了在线监测和脉冲监测，实现了对大型设备运行状态的监测，最后通过实验研究，验证了该文方法的性能。

1 基于RBF的电网大型设备运行状态在线监测

基于Storm 的电网大型设备运行状态监测技术只能监测电网中少量大型电力通信设备的异常运行数据，不能与其他大型设备的运行数据进行共享和交互，造成电网大型设备存在一定量的信息孤岛，无法完成交互操作，使得大量电力通信设备无法发挥作用，基于此，该文提出了基于RBF 的电网大型设备运行状态实时监测方法。

通过在线监测电网大型设备的运行数据，提升运行数据的共享和交互能力，采用并行存储技术实现电网中所有大型设备运行数据的共享存储，利用RBF 提取电网大型设备的运行状态信号脉冲，将电网大型设备的放电信号脉冲进行归一化处理，再对处理完的放电信号进行分析、归类，利用RBF 识别电网大型设备在运行时出现的故障，采用Storm 技术分析出现故障的波形信号，并进行处理，并行处理过程如图1 所示。

将处理后的电网大型设备运行数据与运行故障数据进行对比，使用并行技术监测电网大型设备的运行数据与故障数据，并采用spark 进行计算，计算结果与串行计算结果均采用循序渐进的方式，但采用spark 方式可以同时计算运行数据与故障数据，能够减少计算环节，缩短计算时间，实现电网大型设备运行状态的实时监测[4]。

除此之外，spark 计算方式在计算电网大型设备的运行数据和故障数据时，可将运行数据和故障数据分配到不同的子任务中，以数据指令集的方式嵌入到电网大型设备运行过程中，以此完成大型设备的监测任务。

电网大型设备在运行过程中，不同指令集具有不同的运行方式，根据运行方式的不同，指令集最终会被映射成不同的指令流，指令流具有不同的类型，通过不同类型的指令流，划分电网大型设备的运行阶段。其中，多指令流单数据流存在于电网大型设备的启动阶段，多指令流多数据流存在于电网大型设备的调度阶段，单指令流单数据流存在于电网大型设备的监测阶段，单指令流多数据流存在于电网大型设备的诊断阶段，划分完成后可以实现电网大型设备运行状态的在线监测[5-6]。

2 电网大型设备运行状态脉冲监测

实现电网大型设备运行状态在线监测后，对其进行脉冲监测。将电网大型设备内部数据分类后，电网大型设备的持续运行，会产生大量的局部放电信号，局部放电信号在经过一定强度的衰减和震荡后，会产生大量的局部放电信号脉冲，有效采集和提取局部放电信号脉冲，能够监测电网大型设备运行状态。

在提取过程中，由于对电网大型设备内部数据进行了分类操作[7-9]，内部数据极不稳定，容易在提取局部放电信号脉冲过程中发生丢失状况，因此在提取前，采用并行存储技术将分类后的电网大型设备内部数据进行存储，并建立并行存储模型，将分类完的电网大型设备内部数据统一上传到并行存储模型中，在并行存储模型中每个独立的子任务对应不同的内部数据[10-12]。

通过增大子任务的存储空间提升电网大型设备内部数据的稳定性，设置完毕后开始提取电网大型设备内部全部的局部放电信号脉冲，提取技术采用小波分析法，该方法在提取局部放电信号脉冲方面效果非常明显，且提取时间短、成本较低，能够很好地提取和处理局部放电信号，降噪效果较为明显[13-15]。脉冲提取图如图2 所示。

脉冲提取的具体过程如下：首先将产生的局部放电信号传输到电网大型设备中，通过波形信号确定局部放电信号的运行周期，通常为一个局部放电信号脉冲的正半周和负半周，然后增大大型设备内部数据流的采样序列点，找到局部放电信号最大值和最小值对应的采样序列数据。如果采样序列中的最大值和最小值个数与输入的脉冲信号个数完全相同，则认为该采样序列点为最佳序列点，此时的局部放电信号脉冲为最优，则通过采用小波分析法提取此时的局部放电信号脉冲[16]。

如果电网大型设备内部数据流出现了偏差，需要将偏差值与强度比率进行对比，对比结果差值较大，说明电网大型设备出现了异常运行状态。为了获得出现异常运行状态的原因，需要在出现问题的数据流中选择一个窗口，通过窗口序列长度获取大型设备采样序列的特征强度，特征强度中含有一定量的时序模式数，根据时序模式数的数值即可确定出现故障的原因。解决运行故障后，可以继续提取电网大型设备的局部放电信号脉冲。

3 实验研究

为了验证该文提出的基于RBF 的电网大型设备运行状态实时监测方法的实际运行效果，将电网某一时间段内收集的大型设备运行数据作为实验样本，与基于Storm 的电网大型设备运行状态监测方法进行对比实验。选取收集的电网大型设备运行数据中的某一组运行数据，如果这组运行数据发生异常，则当前电网大型设备在运行过程中出现了异常，运行数据中存储的数据流状态会发生较大变化。监测偏差值实验结果如图3 所示。

由图3 可知，该文所提方法与基于Storm 的电网大型设备运行状态监测方法的大型设备运行状态监测时域情况如下：采用该文所提方法和基于Storm 的监测方法对电网大型设备的运行状态进行监测时，该文方法的运行数据频率在第2 次实验时为0 Hz，基于Storm 的监测方法运行数据频率为0.1 Hz，实际结果为-0.05 Hz，该文方法的运行数据频率更接近实际结果；实验次数为第8 次时，运行数据频率的实际结果为0 Hz，该文方法的监测结果为0.1 Hz，基于Storm的监测方法监测频率为0.3 Hz，根据数据对比可知，该文方法与实际结果的偏差值较小。观看整体趋势，该文方法的运行数据监测频率与实际结果更为接近，基于Storm 的监测方法的运行数据频率波动较大，与实际结果相差较大。通过对比可知，该文所提的监测方法监测效果更好，采用所提的监测方法对电网大型设备的运行状态进行监测时，能够较精准地监测出电网大型设备的运行状态是否发生了异常。

为进一步验证所提方法的有效性，在已经确定电网大型设备运行状态出现异常的条件下，识别和统计电网大型设备的运行数据中出现异常的数据数量，再与实际异常数据总数进行对比，其比值最大为1∶1，比值越高，说明监测出的异常运行数据越多，对电网大型设备运行状态监测效果越好。

采用该文所提的监测方法和基于Storm 的监测方法分别对电网大型设备的运行状态进行监测，监测的目标向量包括电网大型设备运行数据中异常数据总数，去除电网大型设备中异常运行数据后剩下的运行数据个数。通过目标向量对比不同监测方法对电网大型设备运行状态的监测效果。得到监测范围实验结果如图4 所示。

由图4 可知，该文所提方法与基于Storm 的电网大型设备运行状态监测方法的对比结果为：采用该文所提的基于RBF 的电网大型设备运行状态实时监测方法监测时，监测范围内容数据节点覆盖的数量相较于基于Storm 的电网大型设备运行状态监测方法更多。由此可知，基于Storm 的电网大型设备运行状态监测方法的异常运行状态监测范围比该文所提监测方法的异常运行状态监测范围相对较小。因此，该文所提的基于RBF 的电网大型设备运行状态实时监测方法，可以更大范围地捕获电网大型设备运行数据中的异常运行数据，进而准确地判定电网大型设备当前的运行状态。

最后测试两种方法的监测时间，实验结果如图5所示。

由图5可知，采用该文所提的基于RBF 的电网大型设备运行状态监测方法的监测时间最大为6.2 s，采用基于Storm 的电网大型设备运行状态监测方法的监测时间最大为14.8 s，由监测时间可知，该文所提监测方法的监测时间远远短于采用基于Storm 的电网大型设备运行状态监测方法的监测时间，证明了该文所提监测方法能够精准、快速地捕获电网大型设备中存在的异常运行数据。

4 结束语

该文所提的基于RBF 的电网大型设备运行状态实时监测方法优于基于Storm 的电网大型设备运行状态监测方法，该文所提的监测方法在监测电网大型设备的运行状态时具有更好的监测效果，可以更精准、快速地捕获电网大型设备中存在的异常运行数据，从而根据异常运行数据快速地判定当前电网大型设备的运行状态。