新型电力系统配用电精细化状态评估方法

温克欢，冯俊豪，耿 博，钟 聪，黄博阳

(1.深圳供电局有限公司，广东 深圳 518048；2.南方电网科学研究院有限责任公司，广东 广州 510663；3.广东省电网智能量测与先进计量企业重点实验室，广东 广州 510663)

0 引言

随着现代化配用电网建设的持续推进,电表箱作为具备电能信息采集、可视化交互和用电行为收集等功能的关键组件,对配电网的稳定运行具有重要作用[1]。相关数据表明,截至2017年,电表箱采集户数累计4.47亿,覆盖率达到99.03%。虽然电表箱已经极为普及,但复杂的工作环境对其可靠运行有着较高的要求,如端子老化、线损、堆积物燃烧和空气的温、湿度都有可能对电表箱运行的可靠性产生较大影响[2-3]。电表箱运行异常易引发电网故障连锁反应[4],甚至危及配用电网运行的安全稳定,因此迫切需要开展电表箱状态评估及故障预警的研究。

传统电表箱状态评估多采用周期性人工巡视的方法,其成本高、效率低,且故障发现与预警及时性差,巡视员工作水平存在差异性,各类评估指标的量化标准仍不完善[5]。目前,已有部分学者针对电表箱状态评估及故障预警技术展开研究,主要研究方法包括主成分分析法[6]、层次分析法[7]、模糊判别法[8]和隶属度函数法[9],但上述方法仍存在判别依据不统一、判别标准主观性较强等问题。在此基础上,为降低单一评价方法的不准确性,部分学者提出了评估模糊层次分析法以及结合主客观因素组合赋权的方法[10],但仍存在定性分析指标不明确的问题。文献[11-12]提出的正态云理论模型为解决上述问题提供了可借鉴的思路。该方法通过改进钟型隶属度函数与正态分布实现定性指标的定量转换,避免传统方法中定性分析主观性强的问题,在灾害预警及设备运行状态评估等领域得到了广泛应用。然而在现场应用环境中,由于表箱机械振动或者地下室等隔离环境信道不佳,表箱进线电流电压采集装置、电表端子测温装置等采集单元数据采集异常、数据传输可靠性不足的问题将导致表箱状态评估数据有潜在异常性,传统的状态评估假设电表运行状态数据均能实现无偏采集与传输,在实际应用中评估准确性仍有待提升。针对这一问题,本文所提电表箱状态评估方法基于数据密度识别筛选并剔除多源监测异常数据,基于数据异常情况动态调整表箱状态定性与定量评估模型,实现复杂运行环境下电表箱运行状态的准确评估。

1 电表箱状态评估指标体系

根据电表箱运行时的影响因素和特征,本文结合历史监测与现场实测数据,选取12项评估指标构建电表箱运行状态评估体系,如图1所示。

图1 多维度层次化电表箱状态评估指标体系Fig.1 Multi-dimensional hierarchical status evaluation index system of meter box

电表箱运行指标主要包括表箱运行时的进/出线电流、进/出线电压、电表箱电量、电表箱功率、机械振动频率和线损,反映了电表箱本体的运行数据;电表箱环境指标主要考虑电表箱温度、接线端子温度、电表箱湿度、烟雾浓度、磁场强度和粉尘浓度,反映了现场运行环境对电表箱可靠性的影响。

2 电表箱多源监测数据预处理方法

基于数据密度识别筛选的多源数据密度过滤方法,对电表箱多源监测数据进行预处理[13-14],其原理如图2所示。计算各样本之间的欧几里得距离,获取最大邻近距离与局部密度,通过阈值比较,检测并剔除电表箱采集数据中的异常数据,保证多源数据的有效性。

图2 电表箱多源监测数据预处理方法Fig.2 Preprocessing method for multi-source monitoring data of meter box

具体步骤如下:

②对样本距离进行升序排列,xi,j的q个最近邻数据集合可表示为:

(1)

式中:nq(xi,j)表示与xi,j距离最近的第q个样本。

(2)

式中:q=λn,λ∈[0,1]为密度衡量参数。

式中:ηρ和ηδ分别为局部密度经验参数和距离经验参数。

3 电表箱多源监测数据状态评估正态云模型

3.1 正态云模型构建

正态云模型构建主要包括正态云数字特征计算和确定度计算,具体步骤如下:

②根据正态云模型数字特征,计算xij的确定度为:

(8)

③重复上述步骤直到产生云滴数目达到要求。

3.2 正态云模型指标权重确定

正态云模型指标权重确定包括指标特性权重和运行特性权重确定[17-18],具体步骤如下:

①根据评估问题中Q个评价指标,构造判决矩阵C=(cij)Q×Q。其中,cij为评估指标Ii相对于评估指标Ij的相对重要关系。

③根据评估问题中M组样本数据,构建初始评价矩阵K=(kqm)Q×M,其中,kqm为第q个评价指标在第m组样本数据上的取值。进一步对评价矩阵进行归一化处理后,获得标准化矩阵K=(k′qm)N×M。

④基于熵权法[19-20]计算第q个评价指标的熵、熵权为:

⑤计算电表箱状态评估正态云模型指标权重为:

ω=a1ωe+a2ωo,

(11)

式中:a1与a2分别表示电表箱状态评估指标特性权重系数和运行特性权重系数。

3.3 评估模型建立

②基于指标特性权重及运行特性权重,构建正态云模型指标权重ω。

(12)

⑤电表箱状态评估评语集如表1所示,基于最大隶属度原则[19-20]对状态评估结果进行隶属等级判断,若:

μf=max{μ1(θ),μ2(θ),…,μ5(θ)},

(13)

则认为θ优先隶属于评语等级μf。

传统的电表箱状态评估健康等级划分区间一般采用“分割制”,即明确地分割各个健康等级,各个健康等级之间存在明确的界限,设备运行状态健康水平非此即彼。然而,“分割制”忽略了2种健康等级之间的过渡状态,不符合现实中设备运行性能衰退的一般规律。因此,提出一种“重叠制”的健康水平划分方法(见表1),相邻的2个健康等级之间存在一定的重叠区域,表示设备运行状态在2种健康等级之间过渡的过程。在电表箱运行状态评估过程中,对于出现电表箱运行状态隶属于相邻2个状态评估评语的情况,为提高电表箱运行的可靠性,此时确定电表箱运行状态隶属于较差的评语等级。

表1 不同评语与重心偏离度之间的对应关系Tab.1 The relationship between comments and deviation degree of gravity center

3.4 基于评估结果的故障预警

电表箱故障预警是在电表箱运行状态评估的基础上,当电表箱运行状态不是优时,确定异常指标数据并做出预警响应。基于电表箱标准运行状态,为表箱状态评估各项指标设定隶属于良、中、差和病态的隶属度阈值,当电表箱运行状态不是优时,启动故障预警机制,分别判断各项指标隶属于良、中、差和病态的隶属度是否超过相应的阈值,超过阈值的指标则为异常指标。电表箱的运行状态评估结果以及所有的异常指标数据均会及时地上传至控制中心,工作人员基于收到的数据可以了解各个电表箱的运行状态以及可能存在的运行隐患,并及时安排相关检修工作。

4 算例分析

选择在广东省某小区同一批次布置的500台电表箱为例进行算例分析。电表箱进/出线电压为0.975Un,电表箱自2017年7月投入使用至今,其频率偏差为[0.05,0.12] Hz,线损率为[4.3,7.4]%。经现场测定电表箱平均温度为20.6 °C,接线端子平均温度为30.8 °C,电表箱平均湿度为63%,平均烟雾浓度为18 mg/m3,平均电磁干扰为2.04 V/m,平均粉尘浓度为11 mg/m3。以某台电表箱温度指标为例,对采样结果进行数据预处理,得到数据处理前后电表箱温度采集样本数据如图3所示。由图3可以看出,通过数据预处理后错误与异常数据被剔除,数据离散程度明显降低。

(a)数据预处理前

(b)数据预处理后图3 电表箱温度数据预处理前后对比Fig.3 Comparison of meter box temperature before and after pretreatment

以温度指标为例,给出了优、良、中、差、病态的电表箱状态评估云模型,如图4所示。

图4 电表箱温度状态评估云模型Fig.4 Cloud model of meter box temperature status evaluation

利用上述电表箱各类指标值,重复进行状态评估与故障预警200次,计算每项指标的平均云隶属度,如表2所示。表3给出了利用指标特性权重判决矩阵和运行特性权重评价矩阵求取的指标云综合权重。

表2 不同指标平均云隶属度Tab.2 Average cloud membership of different indicators

表3 指标云综合权重Tab.3 Comprehensive weight of indicator cloud

利用表2中的平均隶属度矩阵和表3的指标云综合权重集合,求取电表箱状态评估结果如表4所示。根据最大隶属度原则,判定电表箱当前评估结果为优,同时,评估状态良的隶属度为0.132 1,相对较高,说明仍需加强电表箱运行监控。

表4 电表箱状态评估结果Tab.4 Status evaluation results of meter box

采用类似的方法可以对其余电表箱进行状态评估。综合500台电表箱状态评估结果,进一步统计分析所提状态评估结果和表箱的实际运行状态,表箱实际运行状态为优的电表箱数量占电表箱总数500台的比例为75%,本文所提方法评估运行状态为优的电表箱数量占总数比例为74%,其他评语等级的电表箱状态评估结果采用类似方法计算。具体对比结果如表5所示。由表5可以看出,对比现场巡检表箱实际运行状态的结果,所提方法能够在整体上准确评估表箱状态,对于表箱的故障检修有着良好的适用性。同时,为了体现本文所提方法的优越性,将所提方法与主成分分析法、层次分析法、模糊判别法以及隶属度函数法进行了评估准确率对比,具体如表6所示。由表6可以看出,所提方法评估准确率高达97.6%,相比于其他方法准确率有着较大的提升,这是因为本文所提方法充分考虑了电表箱复杂运行环境对电表运行状态数据采集与传输的影响,而传统的状态评估方法则假设电表运行状态数据均能实现无偏采集与传输,从而在实际应用中评估准确率较低。

表5 状态评估结果与表箱的实际运行状态对比Tab.5 Comparison between the state assessment results and the actual running state of the meter box

表6 不同方法评估准确率对比Tab.6 Comparison of assessment accuracy of different methods

5 结论

面向电表箱运行状态评估需求,考虑电表箱复杂运行环境对数据无偏采集与可靠传输的不利影响,构建了多维度层次化电表箱状态评估指标体系。基于数据密度识别筛选并剔除多源监测异常数据,并根据数据异常情况动态调整表箱状态定性与定量评估模型,实现复杂运行环境下电表箱运行状态的准确评估与实时故障预警,有效提升配用电网安全稳定运行水平。