厉建宾,潘 阳,闫亚俊,赵光辉,高建莉,刘 曼
(国网河北省电力有限公司营销服务中心,河北 石家庄 050035)
随着电力设备的广泛应用,电能检测技术得到发展,实现电力设备的远端控制,而电能检测过程依赖于状态辨识和故障诊断技术。传统人工技术对电能状态辨识存在误差,设备故障诊断效率较差[1],已无法满足现代化电力发展进程,因此提出本文的研究。
国外对电能状态辨识方法进行研究,通过观察设备运行状态完成设计,文献[2]设计空间矢量调制——直接转矩控制(Space Vector Modulation-Direct Torque Control,SVM-DTC)故障辨识模型简化电能运行状态的辨识过程,利用深度置信网络形成可检测数据,通过重复脉冲法完成电能辨识波动的归正,进而确定电能运行状态。但这种方式无法解决故障诊断问题,设计理念过于片面。国内电力市场研究部门通过调研实际设备故障诊断过程,建立电能检测诊断结构。文献[3]建立了有限元分形结构检测电能状态,利用多征兆模糊诊断技术实现设备的全面诊断,并利用拓扑解析方法统计、整理诊断数据,提高了诊断效率。但这种方法对电能状态的辨识度较差,存在较高的检测误差。国外对电能检测状态也进行了相关研究,文献[4]通过测量结构噪声来识别故障带来的新的挑战。考虑如何在计算关于平均振动特征的异常度量时,与已知的度量进行比较。进一步利用减少的差相关度量来解决不同阶轨道上的异常,从而扫描谱图以寻找异常重合。该方法通过2类故障(电气和机械)进行评估。故障不能通过基本顺序分析来区分,因为它们在主励磁中匹配,需要采用一种包含次级故障激励的观点,以便对每个故障进行分类。不同新秩序之间的相互联系是明显可见的,可以对故障进行分类,虽然对检测存在一定的技术启示,但是该技术无法实现电能规律的动态曲线检测。
针对上述不足,本文构建改进双曲S变换算法模型,并在模型中加入图卷积神经(Graph Convolution Neural,GCN)网络模型,以提高电能状态分析和故障诊断能力,能够大大提高设备电能规律分析能力,并通过实际应用案例提高电能规律分析能力,下面对该研究进行详细说明。
改进双曲S变换算法模型的改进点在于在GCN模型,主要目的是实现电能变换频率和电能状态分析,提高电能监控的能力,下面对改进双曲S变换算法模型进行详细介绍。
传统S变换主要针对电能变换频率进行分析,通常程序输出频率为固定波形,但在实际运行中,电能变化往往是不规律的,因此传统S变换存在一定的局限性。针对实际电能规律函数,通过对S变换进行改进,利用不对称函数和双曲函数实现电能规律曲线的完美演绎,更好地反映其时频变化规律[5]。
对电能检测图像进行分析,经过算法程序解析和曲线化处理,其变化规律可以看作S变换函数形式,即:
(1)
式中:ωh表示电能检测规律曲线,τ表示电能检测周期,t表示检测过程消耗时间,f表示双曲函数变量,α表示函数曲线前置系数,β表示函数曲线后置系数,x表示电能矢量变化。从式(1)可以看出,电能检测数据曲线处于不稳定状态,其变化规律受到多种因素影响,影响因素变量函数表示为:
(2)
式中:X表示影响因素变量函数,ξ表示数据变化幅度,λ表示变量函数曲率。针对本文检测的电能状态曲线,变化幅度为0~1,幅度计算如下:
(3)
式(3)中, 对于电能波动曲线,若变化幅度为0,则表示函数曲线稳定;若变化幅度不位0,则表示函数曲线存在波动性。对S变换函数进行改进[5],通过添加不对称变量和双曲变量实现电能检测数据的完美映射,即:
(4)
式中:ωgh表示改进S变换函数式,g表示不对称函数变量。根据式(4)分析曲线,对于任意检测单元可以通过改进双曲S变换进行映射[6],能够完美显示所检测设备的电能规律,为后续诊断提供数据保证。
为了提高设备电能规律分析能力,还采用GCN模型,以将曲线数据信息进行微观分析,提高电能计量计算能力,其中GCN模型在结构上包括生成模型G和判别模型D,判别模型D的损失是其分配给正确分类的平均对数概率[7],对真实经验专利样本x和生成模型输出的均等混合函数R(D,G)进行评估:
R(D,G)=E[lnD(x)]+E[ln(1-D(G(z)))],
(5)
式中:G的优化方向是使D(x)增大、D(G(z))减小,即欲使判别模型真实专利样本概率值大,生成模型样本概率值尽可能小,而D与其理念相反[8]。G作为训练样本的概率期望回报值V计算如下:
(6)
(7)
式中:Pd表示整个GCN训练出专利样本的概率,PG表示生成模型G训练出专利样本的概率。将式(7)带入式(6)并经过转换得到生成模型G训练得到的真实经验专利样本x为:
G=R(G,D)-2 ln2+2JSD(Pd(x)‖PG(x))。
(8)
式(8)中,判别模型D与生成模型G组合成一个GCN模型。通过GCN模型生成真实经验专利样本集为:
K=[(s,a),(s′,r)]=[K1,K2],
(9)
式中:(s,a)、(s′,r)为经验样本集中的样本数据,K1、K2为经验样本集状态函数。本文引入相对熵,即Kullback-Leibler散度(Kullback-Leibler divergence,KL)的概念,用其表示K1、K2二者相似性:
(10)
式中:P1、Q分别为指状态函数与动作函数,p、q分别P和Q中的函数值,i为相对熵函数自变量。
电力部门信息辨识和故障诊断大数据资料显示,二者运行功能存在一定的延时性。本文通过一体化组态网络完成电能检测辨识与故障诊断的一体化恢复,并在突发异常状况下基于现场可编程门阵列(Field Programmable Gate Array,FPGA)的传感器网络及时辨识故障来源[9],提前发出组态控制指令,形成灵活可变的诊断方式,一体化组态网络架构设计如图1所示。
图1 一体化组态网络架构设计Fig.1 Architecture design of integrated configuration network
对于电力系统一体化组态网络的设计,基于Web和项目管理信息系统(Project Management Information System,PMIS)应用技术进行研究,主要运行过程为组态化运营和结构化组成[10]。组态化运营通过分析系统暂态情况,与配置人员通过浏览器方式对模式隐马尔科夫模型(Pattern Hidden Markov Model,PHMM)评估发出指令请求,由PHMM评估系统做出应答,同时在此模块完成数据的路径选择和归一请求。评估结果通过参数表示的方式进行请求处理,然后进行组态解析和模型库筛选,将组态解析结果输入到应答处理结构,与PHMM系统形成循环处理结构[11]。在PHMM处理过程中,通过平台界面控制视图模块和组态模型,将结果集合进行模型化解析。在组态解析过程中由接口池供给能源消耗,同时与判别式控制策略形成集合操作模式,根据FPGA的音频数据和手动系统的输入信号,将脉冲信号送入电子控制单元,判别式控制识别电能监测运行状态。
采用客户机/服务器(Client/Server,C/S)、浏览器/服务器(Browser/Server,B/S)和客户端应用程序(Application,App)结合的架构。通过图模管控平台确定电能质量匹配的数据融合结果,通过图模增量和状态数据同步进行管控平台和电能检测状况平台的数据互通。基于监控与数据采集(Supervisory Control and Data Acquisition,SCADA)和营销配变负荷等数据,通过Web和App的方式在调度网内的任意终端进行业务功能的应用。电能检测状态辨识系统设计如图2所示。
图2 电能检测状态辨识系统设计Fig.2 Design of state identification system for electric energy detection
通过网元管理系统(Element Management System,EMS)的馈线实测以及电能检测状况辅助决策设备台账,得到系统运行实测数据系统消耗电量处理的融合数据以及OMS/PMS中的检修计划、工单和设备缺陷等信息,并在数据库中形成标准的辅助决策模型、图形文件和电能质量匹配调融合运行状态等。
在电能表检测运行状态时,通过分析检测点来控制不同点的电能数据信息。电能检定信号包括电压信号、电流信号、纹波信息、磁场信号、抗干扰信号、振动信号、声音信号和通信信号等多种数据信息。这些数据信息被用于改进双曲线S变化算法模型进行进一步的分析。系统的运行主要包括自动成图、图形渲染、红黑图对比、GIS应用、电能质量匹配模型对应、电能检测状况决策故障研判、线路事故范围分析和App后台管理等[12-13]。通过地调区域,将采集到的电能检测状况相关设备的遥测数据,以标准E格式同步到省调区域系统中,实现状态同步。在调度区域网内的任意终端可进行图形绘制,通过Web访问的方式上传图形到省调集中管理。用户也可以通过App终端的方式,对电能检测状况条图进行查看、简单修改和同步。对于组态数据处理,主要通过以太网和交换机的形式进行传输[14],数据经过多个服务器的处理后,通过光纤/GPRS获取指令,在这个过程中不仅完成了GPS定位和系统的维护,还能够完成报表的打印。
为了提高电能检测状态故障诊断能力,本文采用图模交互与融合技术将电能状态通过图像的形式进行辨识,增加辨识度的同时实现电能状态的图像化检测[15-16]。由于电能检测数据变化频率较高,图像辨识模型能够更清晰地展示电能数据变化规律。因此加强电能检测图像与辨识模型之间的交互能力,能够提高电能状态检测精度,使电能状态辨识更为精准,图模交互与融合技术设计如图3所示。
图3 图模交互与融合技术设计Fig.3 Design of image-model interaction and fusion technology
图模交互涉及电能辨识图像和运行数据辨识模型之间的互动。这种互动在交互平台上生成融合文件,然后进行展示。图模交互结构中电能辨识图像与辨识模型数据同时进行传输,其中电能图像文件主要由电能计算机集成制造(Computer Integrated Manufacturing,CIM)数据和辨识图像两部分组成,辨识图像主要负责电能检测的图像信息采集[17];辨识模型主要由辨识数据辅助交互软件完成模型数据的整合,然后将整合后的辨识模型数据传入图模交互平台,在平台中完成电能图像文件与辨识模型数据的交互,最终输出融合文件。融合文件的设计程序为辨识模型CIM文件和图元定义逗号分隔值(Comma-Separated Values,CSV)文件,经过融合文件最终显示出电能运行规律。电能检测状态故障诊断方法流程如图4所示。
图4中,预处理原始数据序列将包括电压、电流、纹波、抗干扰信号、声音、振动和磁场等多种电能计量数据信息转换为检测辨识数据信息,对检测到的数据信息进行数据信息或者格式转换,利用双曲S变换算法模型将采集到的参数数据信息分类并转换为模型所识别出的数据信息,通过式(1)~式(4)将电能检测状态数据信息以曲线的形式进行展现。通过添加不对称变量和双曲变量实现电能检测数据的完美映射,消除影响变量对不同电能计量数据信息进行诊断与计算,然后对电能数据信息进行评估计算,对适应性进行评价,观测电能计量数据信息是否满足评估条件。当不满足评价条件时,更改属性,将计算进行返回,重新进行评价适应性;当满足评估条件时,输出目标函数。再然后判断目标函数是否满足全局最小值等约束条件。若满足,则将目标函数输入到GCN模型中;若不满足,则重新输出目标函数。最后对输入的电能计量数据信息进行评估,判断电能计量数据信息是否满足评估条件,满足评估条件时,评价任务结束;不满足评估条件时,重新输入GCN模型,以重新提高数据信息计算能力。
经数学计算后,通过式(10)的延展推导,能满足以下2个关键定理:
(1)若P=Q,则DKL=0
以上关键要素用文字描述,当生成的状态函数与动作函数对于生成的后续状态与动作函数之间的相似性非常高时,二者的相对熵无限趋近于0。同样地,通过训练F-GCN模型,产生的样本质量也非常高,根据式(10)演变得出:
W(D,G)=R(D,G)+kDKL,
(11)
式中:k表示权重参数,W表示GCN模型的目标函数。当相对熵无限趋近于0时,GCN模型的目标函数会取得全局最小值。
(2)若PG=Pd,则R(D,G)达到局部最优
以上关键要素用公式推导,如果PG=Pd,则根据式(10)得出D(x)=0.5,根据式(11)得出:
R=-2ln2+2JSD(Pd(x)‖PG)+kDKL。
(12)
如果PG=Pdata,则P=Q,DKL=0,JSD=0,R(D,G)为最小值-2ln2,取得局部最优。然而,在实际训练中,G和D取得局部最优并不是同时进行,普遍是D先进行优化,随后是G再优化。这是因为D的优先优化更有利于目标函数R快速收敛,对知识信息的训练速度影响更大。综上所述,基于F-GCN模型将真实经验专利样本一分为二,并算出二者的相似性,在状态函数矩阵大的情况下,能显著提高T-GCN模型的训练速度,继而实时分析大量电能计量多维度的数据信息。
为了验证本文电能状态分析系统的实用性与可靠性,在广州市某电网公司进行实例测试,实验环境参数与配置软件如表1所示。
表1 环境参数与配置软件Tab.1 Environment parameters and configuration software
本试验对电能运行状态检测进行研究,根据实验数据分析,对同等电压下电能设备的参数辨识度和诊断误差进行实验,根据Proteus仿真软件对实际工作过程进行仿真演示,电能状态分析系统仿真如图5所示。
图5 电能状态分析系统仿真Fig.5 Simulation of electric energy state analysis system
根据改进型双曲S变换算法中的式(4)记录电能状态变化规律。同时,以文献[2]所采用的SVM-DTC模型与文献[3]所采用的有限元分形结构作为参照对比,启动故障诊断,电能状态故障诊断示意如图6所示。
图6 电能状态故障诊断示意Fig.6 Schematic diagram of power state fault diagnosis
故障诊断结果示意如图7所示。
图7 故障诊断结果示意Fig.7 Fault diagnosis results
将实验结果汇总,最终显示电能检测实验数据如表2所示。
表2 电能检测实验数据Tab.2 Data of electric energy detection experiment
由表2可以看出,本文设计对电能运行状态的检测研究具有明显效果,在30~50 kV高压电厂环境中,输出电能最大为2 760.5 kW·h,最佳辨识度为93.2%,诊断误差最高为1.4%,远低于文献[2-3]中采用的算法模型。由此看出,本文对电能运行状态的检测具有较高可行性。
进一步完成对比实验,分别以电厂输出电能(2 000~3 000 kW·h)和电能分析数据量(0~600 GB)作为自变量,根据Proteus软件实现电能分析系统的仿真,得到的系统电能状态辨识度曲线如图8所示。
图8 电能状态辨识度曲线Fig.8 Electric energy state identification degree curve
系统故障诊断误差曲线如图9所示。
图9 系统故障诊断误差曲线Fig.9 Error curve of system fault diagnosis
由图8和图9可以看出,3种系统电能状态辨识度变化幅度相对稳定,本文系统电能状态辨识度远高于其他2种系统,在电能分析数据量为600 GB的环境下,本文系统诊断误差低至1.4%。综上所述,本文设计对电能运行状态的检测具有明显效果。实验表明,本文电能数据辨识度和系统分析误差均为最佳,体现出该设计电能检测方案的优越性。
本文对电能运行状态检测方法进行研究,通过分析电能数据辨识度和系统分析误差关系完成方案设计,主要技术研究如下:
①利用图模交互技术完成电能状态图像的模型辨识,完成数据与图像的融合。将数据信息的动态研究融入到电能状态检测中,大大提高了电能检测能力。
②通过一体化组态网络完成辨识模型与诊断模型的一体化设计,将组态网络融入到电能状态检测中。通过人工智能的方式增强数据计算和故障诊断能力,从而加强电能检测效率。
③利用改进双曲S变换算法分析电能检测规律,将动态曲线规律应用到电能检测中,通过动态观测频谱曲线,进行电能状态辨识和诊断过程规律化解析,形成S曲线变化方式。
通过对本文电能检测过程进行测试,将实验结果汇总为电能检测实验数据表,发现本文电能数据辨识度和系统分析误差均为最佳,通过仿真对比分析,表明该设计方案具有明显优势。上述技术方案为电能检测状态辨识及故障诊断提供新的技术思路,但是在实验过程中仍存在问题,如系统程序出错导致无法辨识、图像模糊导致的误差较大等仍待解决。