炼化企业电力系统运行异常检测技术研究

杨雪驰

（辽河石化公司，辽宁 盘锦 124000）

近年来，我国相继发生多次大规模电力系统的停电事故，为国民经济带来了巨大的损失，尤其是在炼化企业等工业电力系统中，如果生产装置运行时突然停电，对企业工作人员存在一定的生命威胁。总结整理相关大规模停电事故可知，其主要诱因就是电力系统运行异常，从局部小范围的异常迅速扩散成为大规模的故障，从而引发停电事故。所以，为有效避免电力系统大面积停电事件的发生，我国众多学者针对电力数据异常检测纷纷展开相关研究，文献[1]作者孙滢涛等人从波动性、趋势性与变动性几个方面提取电力数据的时间序列特征，结合支持向量机进行数据异常检测，以此解决电力数据异常威胁电网稳定运行的问题；文献[2]作者董小瑞等人通过KLDA 模型对电力系统运行数据进行降维，再利用INFLO 模型发掘异常节点，实现电力运行数据的异常检测。随着研究的逐步深入，我国在民用电系统的大规模电力事故预防中已经取得了一定成果，但关于特殊行业的电力系统事故防范研究还很少，因此，有必要对炼化企业电力系统运行异常检测技术进行探讨，为提升我国炼化企业的生产效率奠定基础。

1 提取炼化企业电力系统的异常电气特征

对炼化企业电力系统运行异常进行检测，主要是建立在电力系统运行数据基础上进行的，所以本章主要介绍如何有效且高效地提取炼化企业电力系统运行异常数据特征。首先，在炼化企业电力系统运行过程中，实时采集电气数据，一般来说，在电气数据中，电流、电压、电阻、功率等电气特征更能直观地体现出电力系统的运行异常事件，所以本文主要提取炼化企业电力系统的电压、电流等异常电气特征。以电压特征为例，企业原始电压曲线和户变关系之间存在一定联系，所以，为了通过电压特征更精准地检测异常事件，本文将电力系统的日电压数据作为数据基础，为便于特征提取，首先，将采集日电压特征数据进行归一化处理，使原始数据的空间维度一致，然后通过APAA 方法进行电压特征的提取。在利用APAA 方法提取炼化企业电力系统的电压特征时，主要采用电压上升事件数量NU来表征异常的电压特征，假设炼化企业日电压数据的最大值与最小值之间的差值为ΔU，那么，需要根据下式来判断炼化企业是否存在电压上升事件：

式中，U 表示炼化企业电力系统的电压上升事件；ε表示阈值。根据式（1）确定炼化企业电力系统存在电压上升事件后，即可利用下式来提取异常电压特征：

式中，Ut表示t 时刻炼化企业电力系统的电压上升事件；T 表示电压采集周期。以上，本文通过对比电压上升事件数量NU与阈值的大小，来提取电力系统的异常电压特征，一般情况下，在炼化企业的日电压曲线上，不同时间的电压变化特征存在不同的变化规律，所以难以提取到精准的异常电压特征，而本文采用的APAA 算法可以精准捕捉到电压的局部变化，从而有效提取到异常电压特征。此外，炼化企业电力系统的电流、功率等异常电气特征，同样采用APAA 算法进行提取即可，本章将不再详细赘述。

2 异常电气特征选择

一般来说，炼化企业电力系统在运行过程中产生的电气特征种类与数量极多，如果直接对提取的异常特征进行检测，不利于异常检测的精度与速度，所以本章通过特征选择算法，剔除掉冗余、无关的电气特征，对异常电气体征集合进行重构。当下，我国常用的特征选择算法较多，每种方法的特点各不相同，本文结合炼化企业电力系统电气特征的实际特点，引入Relief 算法进行特征选择，该算法属于特征权重法，对电气数据类型无任何要求，只需计算出各个电气特征的权重值，即可实现特征的选择。具体步骤如下：首先，根据文中上述内容提取的异常电气特征，生成一个特征集合，由于维度较高的特征数据会影响异常检测技术的性能，所以在进行特征选择前，需要对特征集合中样本数据进行降维处理，使其由高维度特征空间映射至低维度的特征空间中。然后根据Relief 算法进行特征选择，假设炼化企业电力系统异常电气特征样本集中随机抽取一个特征样本为B，与该样本最近的M 个同类样本特征均值为：

与样本B 最近的M 个异类样本特征均值β(δ)为：

式中，αi表示第i 个与B 最近邻同类样本；β i(δ)第i 个与B 最近邻δ类样本。根据式（3）、（4）即可求出特征权重，计算公式如下：

式中，ω(X)表示炼化企业电力系统异常电气特征X 的权重值；分别表示B 与、B 与在特征X 下的差值；G(δ)表示δ类样本出现的概率。根据式（5）即可求得提取的各个炼化企业电力系统异常电气特征权重，所求权重值越大，表明该特征越重要需要保留，反之所求权重值越小，表明该特征越不重要，需要剔除，本文在进行特征选择时，设定了一个初始权重阈值，根据该阈值完成特征选择，得到一个全新的炼化企业电力系统异常电气特征集合。最后，对这个异常电气特征集中样本的完整性与代表性进行验证，确认无误后，用于异常检测技术中。

3 电力系统运行异常检测

对于炼化企业电力系统而言，单变量的异常电气特征之间是相互影响且相互制约的，据此本文提出相关变量间的假设：电力系统的电压、电流等电气特征之间存在相关性，且该相关性在系统运行正常状态下与异常状态下存在一定差距；电力系统的电压、电流等电气特征与系统组件的物理量之间存在相关性，且该相关性在系统运行正常状态下与异常状态下存在一定差距。基于此，本文采用相似性度量的方法来检测电力系统的运行异常事件，由文中上述内容已知，炼化企业电力系统异常电气特征为X，那么假设电力系统的正常电气特征为Y，本文在上述两个假设的基础上，引入皮尔逊相关系数来度量X 与Y 之间的相关性，其计算公式如下所示：

式中，γX,Y表示炼化企业电力系统异常电气特征与正常电气特征之间的相关系数； cov (X,Y)表示电气特征X 与Y 的协方差矩阵；λX、λY分别表示异常电气特征X与正常电气特征Y 的方差。如式（6）所示，本文在进行炼化企业电力系统运行异常检测时，将上式抽象成一个具有泛化能力的计算模型，在电力系统运行过程中，求出电气特征在电力系统正常运行模式下与异常运行模式下的相差明显的相关系数，作为判定提取的电气特征是否为异常特征的依据，在利用上述抽象模型进行异常检测时，假设提取的电气特征为观测值，判定观测值与模板值是否相关，如果相关，那么将该观测值判定为异常电气特征，反之，如果不相关，那么该观测值判定为正常电气特征，以此实现了炼化企业电力系统运行异常的动态检测，且可以取得较为理想的检测效果。

4 实验分析

4.1 实验准备

本章将对尚未涉及的炼化企业电力系统运行异常检测技术进行仿真实验与结果分析，分别采用基于深度学习的电力系统运行异常检测技术、基于支持向量机的电力系统运行异常检测技术作为实验对照组。一般来说，炼化企业的电力系统就是由众多总线、传输线及负载等组件构成的系统，所以，本文采用HIL 试验台来模拟电力系统运行环境，如图1 所示。

图1 电力系统模拟场景

如图1 所示，本次实验模拟的是2 总线、2 发电机的炼化企业电力系统，且在该电力系统中存在运行异常及正常事件如表1。

表1 模拟系统运行异常事件

如表1 所示，在本次实验模拟的电力系统中，实验数据集包含1 种正常数据和4 种异常数据，在原始实验数据集中共存在181345 条数据，为确保本次检测实验的科学、可信，剔除部分残缺、冗余的数据，每种异常事件仅保留28000 条有效数据，并将这些数据以2∶1 的比例划分为训练数据与测试数据，然后分别采用上述三种技术对这些数据进行检测，得到检测结果。

4.2 结果分析

由于炼化企业电力系统运行异常检测的本质是一个二分类问题，所以本文为判断各检测技术的性能，采用下式所示指标来评估检测结果：

式中，Recall表示查全率，体现了炼化企业电力系统运行异常检测技术的准确性与完整性；TP 表示真正例，也就是被准确检测的样本数据数量；FN 表示假负例，也就是被错误检测的样本数据数量。当训练与测试数据充足时，本文利用上式分别求出三种技术下检测结果的查全率，并进行了比较，如表2 所示。

表2 电力系统运行异常检测结果

从表2 中数据可以看出，本文设计电力系统运行异常检测技术，相较实验对照组中深度学习与支持向量机的检测技术，其查全率有着明显的提高，设计检测技术的平均查全率为96.05%，提升了13.86%、14.40%，实验对照组方法所构建的异常检测器，将最大允许偏差的阈值调小了，所以导致电力系统异常事件检测条件更加苛刻，检测查全率较低，甚至基于深度学习的检测技术基本无法有效识别电力系统的继电器禁用异常事件。由此可知，提取电力系统异常电气特征，基于特征选择所设计的检测技术的性能优越，很好地解决了传统分类器因特征数据较多出现性能骤降的问题，该技术通过对异常数据的相似性度量，使得各类异常事件的检测结果普遍较好，所以文中设计技术具有有效性与先进性，可以完美匹配炼化企业电力系统不同的异常检测场景。

5 结语

本文针对炼化企业电力系统运行异常检测问题进行了深入研究，首先，提取到电力系统在运行过程中产生的异常电气特征；其次，在特征选择的基础上，基于相似性度量完成了异常事件的检测；最后，文中搭建了模拟测试系统，对该检测技术的性能进行验证，结果表明，设计技术具有可行性与普适性。在炼化企业的电力系统运行期间，一旦出现设备故障等异常事件，就会造成用户端企业出现不正常的停电事件，从而引发经济损失甚至安全事故。所以，本文研究的炼化企业电力系统运行异常检测技术具有重要的现实意义，为我国炼化企业开展循环性电力安全评估工作奠定了理论基础，也为电力系统日常供电管理提供了理论依据。