数字化电网设备监测与故障诊断

中国能源建设集团广东省电力设计研究院有限公司 谭卓敏 姚 池 何智文 廖德芳 关秋楠

近年来，我国社会经济出现跨越式发展，据专业人员统计发现，在2020年全国GDP总量超过100万亿，和1980年相比，增长幅度为4000%。在这种经济奇迹增长背后，和我国电力工业提供的基础保障能源有直接联系，随着电网规模不断拓展，无形中提高了电网供电能力，但也增加了电网运行的安全风险。

目前，我国辽宁省有很多变电站均受到恶劣天气影响，出现安全故障，导致很多区域发生停电事故，损失负荷为255.2MW，说明自然灾害严重影响到电网运行。除了外在因素影响外，和电网结构、设备故障等因素有关联，电网设备作为电力网络的重要环节，一旦该环节出现安全事故，必然诱发严重的电网振荡，甚至导致电网系统崩溃，严重影响到工农业生产效率[1]。

1 电网设备诊断评估方法

1.1 电网设备状态量选择

电网设备状态量是指能直观反映电网设备实际运行情况的信息。由于电网设备结构过于复杂，单个信息不能反映出设备实际健康状况，但值得注意的是，要合理控制状态量选择数量。在故障诊断过程中，状态量过多很容易影响到判断的准确性，导致有用信息被无效数据埋没，不利于工作人员判断电网设备实际情况。因此，在选择状态量时，要严格遵循科学性、典型性等原则。其中典型性原则决定着设备健康评价质量，能准确反映出设备特征，状态量选择中并非依靠数量，如果其数量过多，不仅会提高数据收集难度系数，还会掺杂各种不相关状态量，避免其对状态评价造成负面影响。可见，典型性状态量筛选是一个减法过程，要解决掉关联性较低的状态，加强模型搭建效率；科学性表示在选择状态量中要具有较强科学依据，通常利用仪器进行检测，能充分体现出设备实际情况[2]。

1.2 数据采集和预处理

为了避免受到上述因素影响，给建模流程打下坚实的基础，工作人员要预处理数据资源：首先，数据清洗。第一，先识别数据中异常信息，主要包括重复信息、不完整信息、不正确信息等，再科学处理异常数据，形成完整的样本集；第二，数据集成。其主要目的是整合各种数据信息，这里的整合不是直接集合过程，由于数据结构、名称、定义等方面存在严重差异性，很容易影响到数据处理的准确性。工作人员要统一数据格式，将这些数据整合，删除重复数据，保证数据使用质量；第三，数据转换。将数据从一种格式转变成其他格式的过程，对数据管理有重要作用，通常应用归一化、规范化两种方法。规范化是指统一数据单位、格式、顺序等要素；归一化是将状态量数据由原本的绝对值向相对值方向转变，是目前最常见的无量纲处理方法。但因为不同电网设备状态数据单位差异性较强，这种处理方法能有效解决不同性质数据差异性，避免量纲给数据信息准确性造成严重影响；最后，数据归约。在确保数据原始特征基础上，合理控制数据集规模，加强算法效率的重要方法，其是由数据规约和数据降维两种处理方式。其中数据降维是通过控制数据集中的属性优化数据集，最常用线性判别分析、特征提取分析、主成分分析等；数值归约控制数据集中数据，改善数据集内容[3]。

2 电网设备故障诊断步骤

2.1 划分样本数据集

将收集到的1039组油中溶解气体数据，严格按照8:2比例，分解到训练集1378组，测试集345组，且进行建模作业。本文实验仿真平台采用Anaconda，编程语言Python 3.7（见表1）。

表1 故障样本数据分布

2.2 参数的调整选择

调整参数主要目的是找到模型的最佳参数比，发现误差和模型复杂度间的必然关联。在挖掘数据过程中，工作人员通常采用衡量算法应用到泛化误差方面，其泛化误差值越低，说明模型泛化能力越强（如图1所示）。

图1 泛化误差和模型复杂度关系图

通过分析上述图片内容，发现当模型复杂程度较低时，会影响到算法模型应用效果，产生较高的泛化误差，即模型欠拟合；而如果模型复杂程度较高，算法模型易将噪声数据特征应用到模型，增加泛化误差，统称模型过拟合；如果模型复杂程度适中，能合理控制泛化误差，检测精度最好。而调整参数主要目的是提高模型检测精度，增加模型使用分数。基于此，本文采用Sklearn库，调参对象为决策树最高深度和数量，直到两个参数数值能达到预期标准。结合自身多年工作经验和数据内容，将参数决策树数量设置为n_estimators= [5,10,15,20,25,30,35,40,45,50,55,60,65,70]，最高深度值为max_depth_list =[5,6,7,8,9,10,11,12,13,14,15]，准确检测测试集准确率变化情况，如图2所示。

图2 RF 测试集的准确率

通过分析上图，发现决策树最高深度和数量经过160次迭代，变压器故障诊断正确率在82次、58次、13次、102次时最高[4]。

2.3 结果分析和性能对比

2.3.1 不同模型性能对比

在故障诊断过程中，最常用支持向量机分类模型、逻辑回归模型、最近领算法模型等方法。因此，工作人员要根据样本集进行划分，以无编码数据为特征参量，应用到不同诊断模型中进行分析（见表2）。

表2 不同诊断模型的结果比较

通过分析上述表格，发现逻辑回归模型诊断模型召回率、分类正确率、F1等分数均小于0.8，诊断效果未达到预期要求；随机森林诊断模型中评价指标均超过0.9，表示其诊断效果较好。从整体角度分析，邻算法模型、支持向量机分类模型正确率较低，随机森林诊断模型能有效提高正确率8%～13%，判断整体性能分数高于其他算法模型，说明本文诊断模型在故障诊断分类方面具有重要作用[5]。

2.3.2 不同故障集结果分析

为了分析各种故障样本集对模型诊断正确率作用，根据不同故障类型，将样本数据分成样本1、样本2、样本3、样本4、样本5、样本6，按照遵循8:2比例，合理规范训练集和测试集，将15对气体比值分别输入到如下表格（见表3）。

表3 不同故障集诊断结果对比

高温过热、正常数据、高能发电、中低温过热等故障数据诊断精确度较高，F1分数超过0.8，具有良好的诊断性能。而低能发电故障数据精确率仅为0.72，通常是由于低能放电故障出现在电力变压器故障前期，且不同放电类型产生的气体比例存在严重影响，造成低能放电数据过于分散，给诊断效果造成严重影响。同时，各种因素影响局部放电故障数据准确性，工作人员要根据实际情况，合理提升样本数量，全面加强诊断准确率。

2.3.3 不同特征量对结果的影响

本文采用15对气体比值作为分类器的特征属性，为了分析这些特征属性对整体模型的重要程度，注重研究特征数据对模型评分的影响（如图3所示）。可看到C10、C13、C14、C12、C11对整体模型影响程度在首位。但C11、C10、C13三组特征量也是行业标准中常用的三比值法的气体数据，不仅检验了以往数据的正确性，还证明了该模型分类的准确性，对工作人员试验有重要作用。

图3 特征属性对模型评分的影响度

3 总结

综上所述，政府部门要提高对电网设备安全故障的重视程度，分析既有设备工作情况和异常数据，提前预测故障问题，针对问题提出有效解决措施，制订应急预案和运行方案，避免出现大规模停电现象，加强电网运行的稳定性。