基于改进关联规则的电力设备故障预测与诊断

杨明祥，李佳宣，殷商莹，贺 皎，邹兰青

（1.国网甘肃物资事业部，甘肃 兰州；2.国网物资有限公司，北京）

引言

随着人民生活综合水平的不断提高，社会群体对电力供应的质量提出了更高要求。然而，在电网运行中，由于各种原因造成的电力设备故障，已成为影响并制约电力系统稳定运行的主要因素之一。基于此层面分析，通过对电力设备的故障进行管理和预测，可以有效地改善电网供电质量[1]。在深入电力市场故障诊断研究进展的分析中发现，当前，我国电网在实际运行中面临着如下问题：电力设备在运行中技术参数无法实现很好地控制，影响常规条件下的设备运行与故障诊断结果。在上述内容的基础上，在电力设备的正常运行过程中，如存在电网不稳定的现象，也会诱发一定的设备故障。特别是对于电力设备的自动控制系统来说，如果长期处于不稳定的网络环境中，那么不但会降低设备的运行质量，还会对电网整体运行产生破坏，从这一点就可以看得出来，电力设备故障预报的重要性。

为全面落实此项工作，保障电力设备在一个相对稳定、安全、可靠的条件下运行，技术人员开展了大量的研究，并提出了多种可用于诊断电力设备故障的现代化技术，但显而易见的是，当前开发的技术与方法均未能在应用中达到预期的故障预测与诊断效果，导致电网运行中电力设备故障现象仍屡见不鲜[2]。为解决此方面问题，本文将基于改进关联规则，对此展开设计与研究。

1 基于改进关联规则的电力设备故障预测与诊断

1.1 建立电力设备故障信号模型

引入信号处理理论，获取电力设备在故障时产生的信号，通过对故障信号的处理，提取故障状态下的特征，以此实现对电力设备故障的预测与诊断[3]。基于上述逻辑，在故障信息的相空间中构建电力设备故障信号模型。模型的构建流程见图1。

图1 电力设备故障信号模型构建流程

故障诊断的本质是：利用有效的检测技术获取电力设备在运行过程中的参数，并对信号和信息进行处理和分析，以此实现对故障状态和故障类型的表示。结合图1所示的流程可以看出，能够代表电力设备故障特征的信号通常为非线性时间序列。因此，针对这些非线性的时间序列进行分析，结合关联规则，可以获取到在故障状态下的电力设备关联维故障特点，以此实现故障检测[4]。在相空间中，可将起始的故障特征信息转变为时频分析模型。基于相空间重构技术，构建了电力设备故障下的多维状态空间。在电网运行中，由于存在大量的继电保护装置。故障的产生是由一个差分方程所描述的非线性系统的分析过程，该方程为：

式中，zn+1代表电力设备故障产生后的非线性差分方程。zn代表电力设备故障前一时刻产生的信号。F 代表非线性函数。可将上述公式（1）看作是多路径增益的体系，按照训练集，推断公式（1）的结果所对应的故障类别。进一步对故障的时间序列幅值进行估计，其表达式为：

式中，z（t）代表故障时间序列。F（z）代表故障时间序列幅值。在上述运算基础上，结合Takens 中的嵌入定理，将电力设备故障信号的信息流以可分离谱加权方式形成新的映射函数：

式中，Xn代表新的映射函数。τ代表待检测值。m 代表嵌入到该空间当中的故障类型代表系数。在电力设备实际的运行环境当中，由于存在复杂的影响因素，因此设备的运行状态会受到非线性干扰[5]。针对这一问题，结合分析方法当中常见的关联规则，将故障信号应用到存在干扰的环境当中，并针对时间序列进行相空间轨迹的重构。在相空间重构后，嵌入虚假最近邻近算法[6]。电力设备发生故障问题后，其故障信号的相空间重构时间估计参量可通过计算平均互信息得到。互信息量的计算公式为：

式中，I（τ）代表互信息量计算结果。pi和pj均代表特征参量，并且二者之间独立不相关。当通过上述计算得到的互信息量的取值为第一个极小值时，此时可以使pi和pj在最大程度上不相关。并且，此时对应的时间矢量可表示为最小延迟时间。结合上述计算公式（4），可以实现对电力设备故障时间序列在相空间中的重构。在此基础上，通过对故障特征关联特性的分析，提取非线性特征参数，通过对参数的分析实现对电力设备故障的预测和诊断。

1.2 电力设备故障关联维分析

电力设备可看作是一个连续系统，其中，离散序列或者连续系统中的连续矢量，指的是训练样本在n 点或者t 时刻的一组状态矢量，使用无向图设计，用d（u，v）来代表无向图中从u 到v 相空间重构路径，从而获得故障信号的特征输入量[7]。假定电力装置被N 台的电控系统平均分配到协作任务安排区，假定R 形的电力装置簇首节点对输入相关矩阵进行帧级补偿，并根据故障信号子空域Vs与噪声子空域Vn的正交性（其中，主对角上的各分量为输入信号子空域的均方分量），得出了电力装置故障信号子空域的重构时序：

式中，h 代表系统函数。ωn代表测量误差。在上述公式基础上，利用Takens 定理，对故障时间序列进行重构。通过分析，得出对电力设备故障信号进行重构时的时间延迟窗口值。在相空间当中，需要对故障特征的簇中心进行初始化处理。在此基础上，提取电力设备的故障特征，采用关联维提取算法，对故障信号的关联函数进行计算。根据上述论述，得到关联维分析结果，以此为后续的故障预测与诊断改进提供条件。

2 故障预测与诊断改进设计

以第一节为依据，建立了电力设备的故障信号模型，并对其进行了相空间重构，进而对其进行了故障特征的关联规则分析。在故障关联特性分析和预测中，基于关联规则，采用关联特征提取算法，对监控数据中的关联特性进行检测和预测。然而，在抽取关联维度特征时，将会出现以下问题：故障信息有余，误差较大。在此基础上，采用了一种新的、具有较强鲁棒性和鲁棒性的关联规则，并在此基础上进行了改进[8]。下面将对该算法的改进设计进行说明。在高维相空间，用一种非线性的时间序列来描述电力装置的故障信号，得到信号的关联规则指向性特征约束函数。采用MUSIC方法，对电力设备故障信号的子空间信息特征进行估计，这一过程可表示为：

式中，s（t）代表电力设备故障信号的子空间信息特征估计结果。s1（t），s2（t），……，sq（t）代表子空间信息特征。将估计结果作为依据，获得信源的二维参数，并进行对故障信息的实时获取。在相空间当中遵循关联规则，完成对电力设备故障的预测和诊断。

3 方法测试

电力设备工程是一种高科技、易发生故障的系统工程，大部分投入电网使用的电力设备具有结构复杂、工作条件苛刻的特点。同时，随着设备的持续更新，其运行中的故障形式开始呈现多元化趋势，也正因如此，导致电力设备现有的故障诊断与预报技术并不能满足实际工作需要，也不能确保大型电力设备完全处于无故障状态。

在现代电网及自动化技术日益成熟的今天，为了保证电网的安全稳定运行，必须确保电力设备在运行中的安全、稳定。由于电力设备工作环境复杂，控制参数多且具有不确定性，因此，如何对其进行有效的故障预报与监控，是当前电力有关部门的关注重点。

为此，本文基于改进关联规则，对电力设备在运行中故障进行了预报与诊断研究，为测试该方法的故障预报性能，将其与传统的故障预测与诊断方法进行对比，采用设计仿真实验的方式，进行本文方法的检验。

测试过程中，对电力设备终端计算机进行配置，配置参数见表1。

表1 仿真测试环境中电力设备终端计算机配置

使用Abaqus 工具，在计算机上进行虚拟机测试，通过此种方式，进行电力设备在运行中的故障模拟，为更直观的实现对故障信号采集与电力设备运行调试，根据相关工作的具体操作需求，安排专门的技术人员，负责电力设备现场调试与故障信号采集，现场反馈图见图2。

图2 电力设备现场调试与故障信号采集

根据实验需求，进行电力设备采样信息的筛选，为确保获取的采样信息可以在实际应用中发挥预期效果，按照下述表2 中内容，进行采样参数的设计与样本数据的统计。

表2 采样参数的设计与样本数据的统计

在上述内容的基础上，将电力设备故障划分为四种类型，分别为设备电机故障、输电线路故障、配电故障、发电端口故障，明确不同类别故障信号在空间中所呈现的频率是不同的，在已知不同类别故障信号对应频段的基础上，使用基于改进关联规则的故障诊断方法与传统方法，进行电力设备故障诊断。

诊断前，根据技术人员的现场勘验，明确所检验的电力设备在运行中存在电机故障，以此为依据，对比本文方法与传统方法的故障检测结果，见图3 和图4。

图3 传统方法的故障检测结果

图4 本文方法的故障检测结果

对照上述图中两种方法的故障诊断结果可知，基于改进关联规则的故障诊断方法，不仅可以实现对电力设备故障的诊断，还可以精准辨识设备的故障类别，以此种方式，为电力设备的稳定、持续、安全、可靠运行提供全面的技术指导与帮助。而传统方法不仅无法实现对电力设备在运行中故障类别的精准辨识，其诊断结果还会受到测试环境中其他因素的影响，存在一定的异常波动现象。综合以上内容可以证明，基于改进关联规则的电力设备故障诊断方法在应用中，可以发挥预期的作用以达到对电力设备故障精准诊断的目的，通过此种方式，为电力系统中的设备予以全面的技术保障。

结束语

随着现代工业文明的发展，大型电力设备的故障诊断和预报技术也在不断更新，在对电力系统中发电、输电、配电三大主要构成进行故障检测的过程中，应做好对电力设备在运行中相关参数的分析，明确设备在常态化条件下的用电、供电过程，并以此为依据展开研究。

为满足行业发展的需求，技术单位在开展大量研究后，提出了利用现代化手段，进行电力设备在运行中故障信号的采集，并通过对信号的处理，实现对设备在运行中故障类别的精准辨识，以此种方式，掌握设备的故障性质与机理。本项目拟开展方法，在经过测试后，证明了对电力设备故障的及时排查与处理而言，具有重要的理论和现实意义。