基于数据挖掘的变电一次设备运行故障检测方法

黄宝航，高征宇

（国网陕西超高压公司，陕西 榆林 710026）

0 引 言

电力系统的稳定运行与变电一次设备的运行状态直接关联。日常工作中，变电一次设备的异常一定程度上也体现出电力系统某一位置的故障，因此对变电一次设备运行故障的检测十分重要。合理的检测方式可提升电力系统的运行效率，提高电力供应和调度效果。传统的变电一次设备运行故障检测形式多为单一结构，如设定传统深度卷积神经网络变电一次设备运行故障检测方法、传统数据挖掘与关联分析变电一次设备运行故障检测方法等[1,2]。单一结构的检测方法虽然可以实现预期的故障检测目标和任务，但是易受外部环境和特定因素的影响，导致最终的检测结果存在较大误差，难以精准把控各检测环节，实现检测方案的调整[3]。基于以上问题，提出基于数据挖掘的变电一次设备运行故障检测方法，并对该方法进行验证分析。所谓数据挖掘，是从大量的数据中通过算法搜索其中隐藏信息的处理过程[4]。为实现数据挖

掘技术与变电一次设备运行故障检测工作的融合，还需要计算机科学、在线分析处理、机器学习以及模式识别等诸多技术的辅助，进一步扩大故障检测范围，并逐步形成更加灵活、多变的检测结构，更好地对发生异常或故障的位置进行锁定标记、采集相应的异常数据和信息，避免出现关联性故障，提高变电一次设备的故障检测精度，为相关技术的创新完善奠定基础[5]。

1 变电一次设备运行故障数据挖掘检测方法

1.1 故障数据采集及预处理

变电一次设备的日常运行会形成大量的数据和信息，需要对其进行分类、筛选，以完成后续的故障识别和检测处理。但是传统的数据处理方式过于单一、固化，且针对性不强，难以达到预期的数据处理效果。因此，可以结合故障检测需求和标准，进行基础故障数据采集和预处理[6]。故障数据采集前，对所采集的故障数据进行分类，如数值数据、信息数据、图像数据集以及视频数据等类型，并结合数据挖掘技术，建立数据预处理训练集合，测定出单元处理框架[7]。故障数据指标参数标准如表1 所示。

表1 故障数据指标参数标准

根据表1 完成故障数据指标参数的设置与调整，并进行多维预处理。一方面需要对数据和信息进行分类、筛选，完成量化处理；另一方面需要将数据划分为可变量与非可变量，根据故障数据对发生异常的位置进行标定，以供后续使用。需要注意的是，数据预处理的标准并不固定，而是随着数据类型和处理需求的不同进行动态化调整，以此完善后续的故障检测程序，保证最终检测结果真实可靠[8]。

1.2 部署多目标故障检测节点

与传统的变电一次设备故障检测节点部署方式不同，本次部署是在数据挖掘技术的辅助与支持下，以多目标的形式布设故障检测节点的位置。首先提取设备的故障特征，进行抽象化的描述；其次设计一个故障顺序识别程序，将其与故障检测结构进行搭接关联，形成定向的检测框架；最后依据变电一次设备的故障特征，锁定容易出现故障的位置并设置检测节点，对节点周围区域进行实时监测。多目标故障检测节点部署流程如图1 所示。

实现多目标故障检测节点部署流程的设计与实践分析后，结合数据挖掘技术，明确各位置节点的检测范围，并完成控制参数的多维选择。分3 个阶段进行节点的实践应用部署：一是故障特征提取与异常数据的存储；二是结合数据挖掘技术组建故障检测器；三是对未知的故障进行多方向学习。

1.3 建立数据挖掘故障检测模型

利用部署的多目标故障检测节点，进行异常数据和信息的实时采集，并综合数据挖掘技术，进行变电一次设备故障检测模型的构建。设备的故障检测范围一般可以划分为时域和频域2 个部分，时域一般是针对不同的时间背景进行故障的识别、检测以及标定，而频域与一次设备的运行频率存在直接关系，需要利用获取的基础数据计算故障识别限值差，并将其设定为模型的故障检测基准值。基于数据挖掘的故障检测模型如图2 所示。

图2 数据挖掘故障检测模型

完成数据挖掘故障检测模型结构的设计与实践分析后，将所属的故障检测目标导入模型的程序之中，通过检测测试集与矩阵辅助模型进行多目标训练。但是在故障检测的不同阶段，触发虚拟故障指令时需要优先提取时域内部的异常信号，并通过傅里叶变换将其转换为频域异常信号，形成一个完整的故障检测体系。需要注意的是，所获取的故障检测信号必须是连续的，如果出现中断，将无法保证最终检测结果的真实性与可靠性。

1.4 自适应识别处理完成故障检测

完成数据挖掘故障检测模型的建立后，采用自适应识别的方式完成对变电一次设备的故障检测处理。自适应识别主要是对模型输出的模糊检测结果进行修正处理，消除存在的检测误差，确保最终得出的故障检测结果真实可靠。将自适应识别划分为3 个处理阶段，设置对应的故障检测标准，如表2 所示。

表2 自适应识别阶段故障检测标准

实现自适应识别阶段故障检测标准的设定后，进一步了解一次设备的故障状态和实际情况，对故障环节做出更为严格的把控，增加故障识别检测之间的关联紧密度，以获取最佳的检测结果。

2 方法测试

对基于数据挖掘的变电一次设备运行故障检测方法的实际应用效果进行分析与验证研究，为确保最终测试结果的真实性和可靠性，采用对比的方式展开分析，选定G 变电站的一次设备作为辅助测试对象。设定3 个检测小组，分别为传统深度卷积神经网络变电一次设备运行故障检测小组、传统数据挖掘与关联分析变电一次设备运行故障检测小组以及基于数据挖掘的变电一次设备运行故障检测小组。

2.1 测试准备

结合数据挖掘技术，对G 变电站一次设备运行故障检测方法的测试环境进行设定和分析。根据当前的测定需求和标准，要先明确故障检测的实际识别范围，并设定边缘覆盖区域，以此为基础设置运行故障检测节点。需要注意的是，故障检测节点的布设多为独立形式，可以在安装完毕后进行节点的搭接和关联，形成循环式的检测程序，便于后续检测工作的执行与处理。

根据当前G 变电站一次设备的运行状况设置故障检测周期，每个周期为24 h，共设定7 个周期。结合数据挖掘技术，将故障识别程序与Simulink 实验平台连接，检测的间隔为30 s。设定检测点与故障点之间的可控距离在250 ～500 m，一次设备的过渡电阻为125 Ω，故障识别的范围转换比为3.5。利用数据挖掘技术构建一个多层级的故障检测矩阵，并计算初始的故障识别瞬时频率。结合当前的测定需求和标准，完成故障识别瞬时频率的计算，调整故障检测环境，并设置检测指标和参数。一次设备故障检测指标和参数如表3 所示。

表3 一次设备故障检测指标和参数

根据表3 完成一次设备故障检测指标和参数的设置与分析。

初始的测试环境中设定关联性的故障检测规则，形成完整、具体的检测程序，并结合数据挖掘技术进行具体的测试分析。

2.2 测试过程及结果分析

在搭建的测试环境中，综合数据挖掘技术，验证一次设备运行故障检测方法在G变电站的应用效果。结合一次设备的运行情况，设定4 条虚拟化的故障测试指令输入可控程序，以供后续使用。结合测定结果计算故障应变极限时长，并将其设定为模型的故障基准限制检测时长。按照顺序启动4 条虚拟化的故障测试指令，对变电一次设备进行虚拟测试攻击。启动故障检测程序，先进行异常数据的清理，完成数据变换后再设定一个检测解析程序，针对不同周期范围内的故障情况，设置故障识别检测测试过程。

根据测试流程对采集的异常故障数据信息进行分类，同时测算故障检测的误报率。

相比于传统的深度卷积神经网络变电一次设备运行故障检测小组、传统数据挖掘与关联分析变电一次设备运行故障检测小组，本次设计的数据挖掘变电一次设备运行故障检测小组得出的一次设备故障检测的误报率均在20%以下，说明在数据挖掘技术的辅助下，所设计的故障检测结构更加高效且误差可控，具有实际的应用价值。

3 结 论

在数据挖掘技术的辅助和支持下，文章设计的变电一次设备运行故障检测结构更加灵活、多变，具有较强的针对性与稳定性。此外，还扩大了设备的故障识别范围，能够精准锁定发生异常或故障的位置，加强检测误差的控制，降低误识率，保障变电一次设备的运行安全性，推动故障检测技术迈入新的发展台阶。