基于數據分析的智能電網監控信號預警系統設計

楊連營，劉輝，吳文兵，王叫，杜榮林，王稼祥

（國網安徽省電力有限公司銅陵供電公司，安徽銅陵 230061）

作為一種較為復雜的能量傳輸網絡系統，電網集輸電、變電、配電一體化[1-2]，滿足各類不同電能終端用戶的基本用電需求。隨著終端用戶電能消耗總量的不斷增長，電網的復雜程度和總負荷均在持續增加[3]，同時電網發生故障的風險也在增加[4]。為適應電力系統現代化運營的總體發展要求，電網也逐步開始朝著智能化的方向發展，智能電網大都配備故障智能監控系統[5]，具有一定的自適應在線故障預警能力。當智能電網發生較為復雜的故障時，大量故障信息、故障代碼會在同一時間涌入電網控制中心，導致短時間內的信息擁塞[6]，但這些故障預警信息主要由干擾信息和噪聲信息組成，能夠用于故障定位和故障識別的有用信息較少[7]。為更準確地去除干擾信息，識別和定位故障點，文中提出一種基于電力數據分析的智能電網監控信號預警系統設計，通過對采集到的原始電網故障信號的降噪、預處理和類別分析，識別和提取出原始故障信號中的細節特征，達到智能電網故障預警的最終目的。

1 系統總體框架設計

基于數據分析的故障信號預警系統通過前置網線接入電力調度網絡，并與各個變電站的RTU 模塊進行電力數據通信[8-9]。當系統發生故障時，故障信息、干擾信息及其他信息通過數據端口同時接入電力調度網絡，由預警系統對輸入的全部數據進行分析和篩選，確定電網的該區域是否存在故障。

智能電網管理與監控系統以變電站為節點被劃分為各個區塊，每個變電站實時采集電網運行的數據，并通過無線傳感網絡、光纖網絡將區域范圍內的電網運行信息傳遞到后臺管理中心。系統啟動Hadoop 大數據分析與檢測功能，處理傳感器采集到的故障信號，以判斷該區域是否存在故障風險[10]。智能檢測系統配備的數據服務器具有基礎數據庫功能，電力故障數據的存儲、備份、調取等操作都不會影響到系統的軟件功能[11]。Hadoop 大數據分析與管理模塊采用通過型架構設計和通信協議設計，具有強大的兼容性、開放性和性能可靠性，在保證系統具有較強的數據分析處理能力之外，還確保系統具有良好的容錯能力和自適應能力。

2 系統模塊設計

監控系統的硬件部分包括監控模塊、人機交互模塊、故障診斷模塊和顯示模塊，各模塊之間的功能結構[12]如下：

1）分布于變電站及電網系統中的無線傳感器采集到的電網基礎數據都傳輸到系統的數據監控模塊，監控模塊先對原始時間做去冗余的預處理和初步分類，發現有明顯異常的異構數據需及時剔除。

2）經過數據監控模塊處理后的電網數據通過數據接口進入故障診斷模塊，該模塊是系統的核心部分，具有數據的多線程管理和電網結構拓撲分析功能[13]。數據接口采用主流的16 通道結構設計，從電網系統和監控模塊中直接導入CIM 模型，得到用于故障分析和處理的全部原始靜態數據和電網實時運轉信息。由于大型電網的結構極為復雜，監控模塊采集的數據總量巨大，需要借助大數據工具的分析和處理才能完成。Hadoop 數據分析系統是基于Apahce 開發的開源框架，采用分布式的HDFS 系統和MapReduce 模塊。HDFS 存儲方式對于單個Datenote 的計算機硬件規格要求不高，也從一定程度上降低了智能電網系統硬件一次性投入成本。MapReduce 模塊是Hadoop 數據分析系統的核心部分，MapReduce 模塊采用節點任務分配機制，模塊的工作執行機制，如圖1 所示。

圖1 故障診斷模塊Hadoop框架數據分析的工作機制

在Hadoop 數據分析框架下，基礎架構支持、電力故障數據采集、數據存儲、數據計算與結果顯示都會用到不同的工具類型，每種工具類型的分配會影響到系統對于故障信號的檢測和預警精度[14]。

3）人機交互模塊的主要功能貫穿于監控信號處理的全過程，當系統出現警報時人機交互模塊發出警報提醒后臺的管理人員。報警同時故障區域電網內部的終端傳感器會將大量的故障信息送至后臺中心，在短時間內導致數據通道的擁塞。利用人機交互模塊，后臺管理員根據數據的總量排序，利用MapReduce 模塊的數據并行處理功能，去除干擾數據、噪聲數據，判斷出發生異常的電網準確位置。

4）結果顯示模塊的功能主要用于顯示最終的故障定位與識別效果。電網故障數據集被分類檢測和特征提取之后，可以定位出故障發生的網絡區域，但系統還會存在誤操作和誤啟動的風險[15]。為了避免在無障礙的條件下由于系統重啟帶來的Hadoop 拓撲結構的更新和變化，基于人機交互模塊事先設置故障的識別與診斷功能，通過各種參數值的設定鎖定Hadoop 系統的拓撲結構，并設置系統的故障識別與診斷功能，避免出現重復預警、誤預警的情況發生[16]。故障預警與識別系統具有手動模式和全自動模式供管理員選擇，可以根據實際需要選擇適合的方式。

3 算法選擇與優化

在大數據的總體框架下要針對海量源數據的特征，對故障數據做深度挖掘，從故障數據集中提取有價值的故障信息。Hadoop 系統環境下卷積神經網絡模型的層次關系主要包括卷積層和池化層，在分類處理故障數據的過程中卷積層和池化層發揮著不同的功能。其中模型卷積層主要用于提取故障特征，池化層主要負責對特征的抽象和細化處理。卷積層和池化層配合工作，從整體上縮短了數據處理的時間，也提高了Hadoop 系統模型的數據擬合程度，輸出故障數據的映射過程描述為：

其中，y(t)表示經過分類處理后的輸出項，?表示深度學習卷積神經網絡模型的核函數，x表示經過去噪和預處理的輸入數據。卷積神經網絡模型本質上也是一種包含多層次的神經網絡，具體包括輸入層、輸出層和中間隱含層。對于一個包含4 個卷積核函數的卷積模型，4 個層次的卷積結果分別為(1,0,0,0)、(0,1,0,0)、(0,0,1,0)、(0,0,0,1)，深度神經網絡卷積模型的4 個卷積層次，所對應的首層次卷積結果為(1,0,0)、(0,1,0)、(0,0,1)、(0,0,0)，同理可以按照要求計算出其他層次的卷積結果，不同的卷積代表不同類型的故障類別，基于此能夠區分出不同類別的故障。假定智能電網中的故障類別包括開路故障、短路故障、接地故障、變電站故障、跳線故障等，依據卷積神經網絡模型故障的數據結果，4 個層次的結果輸出如表1 所示。

表1 卷積神經網絡故障結果輸出

調用最佳的屬性選擇算法作為故障類別的分類準則，最佳屬性分類細則僅僅屬于一個類別，輸出結果的屬性準則具體測試過程選用熵值法，求解公式如式（2）所示。

其中，n代表故障類別總數量，pi代表第i個故障類別出現的概率，如果將輸出結果的熵值lny(t)作為分類屬性，則輸入故障數據集合X可以被分為多個數據組，原始故障數據的分類過程為：

lny(t)與lnX(t)之間的差值即為信息增益，當兩者之間的差出現最小值的條件下，即為最優的分類點，該組數據中如果包含不同的故障類別，基于信息增益差值的大小能夠做出準確的區分和篩選。在Hadoop 系統環境已經完成了對原始故障數據的去噪和預處理，避免了數據量過大造成的誤操作。而對于多層次的卷積神經網絡而言，在卷積核函數的選擇及模型參數調整中能夠節省大量的時間，基于熵值法做最后的故障類別篩選，根據信息增益的變化情況確定故障的類別，在數據篩選的準確性方面也具有一定優勢。

4 系統測試

智能電網故障監控信號預警系統的監控模塊、診斷模塊、人機交互模塊及數據顯示模塊，分別由監控管理服務器、應用程序服務、用戶終端服務器和數據庫服務器控制，包括各服務器及總交換機的基本功能及基礎硬件配置。系統在軟件層面與操作系統上選擇Windows10 專業版系統，其他相關的系統應用軟件還包括SQL Server、Websphere7、Proxy 等。

性能測試階段首先利用文中設計的監控系統隨機采集3 組電壓信號和3 組電流信號，其中電壓信號為方波信號、電流信號為正弦波信號，信號的時間采樣周期變化存在差異，如圖2 所示。

圖2 故障預警電壓信號波形圖

上圖中a、b、c 分別表示采樣周期為0.1 s、0.3 s 和0.5 s 信號周期條件下電壓信號波形的變化情況，如圖所示在3 種不同的采樣周期下，電壓信號并未出現異常波動，證明信號預警系統具有良好的濾波性能。電流信號的波形變化情況，如圖3 所示。

圖3 故障預警電流信號波形圖

從3 種采樣周期條件下故障信號電流波形的變化結果可知，電流信號的周期性變化平穩、周期性的峰值變化平穩，未出現異常變化，表明系統的信號處理功能穩定，故障信號濾波效果較好。基于Hadoop系統的卷積神經網絡模型在智能電網故障電壓信號、電流信號的降噪和濾波處理方面具有明顯優勢，可以保證故障信號特征提取的準確性和完整性。從智能電網故障電壓信號和電流信號集合中，分別選取10 個采樣點觀測真實值與監測值之間的差距，同時引入基于模糊理論的預警系統參與對比，統計結果如表2 和表3 所示。

表2 故障信號電壓的監控數據

表3 故障信號電流的監控數據

經過數據統計分析，基于數據分析的故障信號預警系統的電壓采樣方差值為0.005 4 和0.001 3，遠低于傳統基于模糊理論系統的0.014 5 和0.0126 7，這表明文中系統在故障信號控制穩定性和預警效率方面優于傳統系統。

5 結束語

智能電網能否穩定運行，將直接影響到電力用戶的經濟損失與人身安全，為實時監控智能電網的運行情況，并在海量故障源數據條件下，提高對監控信號的預警準確率，文中在Hadoop 環境下基于數據分析模型設計了一種針對智能電網的故障信號預警系統。在系統硬件設計方面以Hadoop 為框架設計了各模塊的構成和功能，在預警算法方面基于卷積神經網絡模型和熵值法對采集到的故障數據精確分類，并提取故障信號的電流與電壓特征，系統測試結果驗證了文中預警系統的有效性與可靠性。