變電站電氣設備運行狀態自動化預測方法

王軍華，李富強，胡曉華，吳健軍

（1.寧波永耀電力投資集團有限公司，寧波 315099；2.國網浙江省電力有限公司寧波供電公司，寧波 315016；3.寧波送變電建設有限公司永耀科技分公司，寧波 315153）

變電站[1-2]作為配電網整個電能傳輸的樞紐，主要負責保障設備安全和穩定運行。但近年來變電站出現大量設備老化等質量問題引發的變電站故障，嚴重阻礙了電網的建設發展，因此有效提升電網安全運行，成為當前電網技術人員亟待解決的問題。

文獻[3]根據新型傳感器技術對電氣設備狀態全面感知，提取電氣設備運行特征指標，利用大數據原理構建電氣設備狀態預測模型并求解，完成電氣設備狀態的精準預測；文獻[4]使用傳感器對電氣設備內部以及外部實施監測，確定設備健康狀態指標因子，并開展數據預處理獲取不相關指標系數，結合自適應參數訓練方法對神經網絡展開參數訓練，完成網絡優化，建立設備狀態預測模型，實現對電氣設備狀態的精準預測；文獻[5]根據變電站電氣設備狀態數據，構建設備狀態評估體系指標，結合機器學習算法構建電氣設備狀態預測模型并進行求解，完成電氣設備狀態預測。但上述方法在變電站電氣設備狀態預測時，預測效果差。為此，提出變電站電氣設備運行狀態自動化預測方法。

1 電氣設備運行信號采集以及信號處理

1.1 電氣設備運行信號采集方法

開展電氣設備狀態預測時，采集電氣設備中的運行信號，并對其進行數字化處理[6]。對電氣設備中的時間上連續變化的信號實施離散化采樣。采樣過程中使用CHZ 型號駐極體電容傳聲器采集變電站電氣設備聲波信號，采樣模型如圖1 所示。

圖1 信號采樣模型結構Fig.1 Structure of signal sampling model

基于圖1 分析結果可知，電氣設備正常運行時，采集的電氣設備頻率信號會通過二極管進行轉換，將轉換后的電流信號通過電路轉換為電壓信號，再通過模型中設定的放電電路以及濾波電路，經由主放大電路完成幅值輸出，最后根據單端的差分輸入電路對信號實施AD 轉換，電氣設備運行狀態數字信號的獲取。

1.2 信號去噪處理

通過高斯濾波器[7-8]對采集的信號實施去噪處理，可有效提升信號質量，為后續電氣設備運行特征提取提供有效依據。高斯濾波器的去噪原理如圖2 所示。

圖2 濾波器去噪原理圖Fig.2 Filter denoising principle diagram

根據圖2 內容，設g（1）（t，σ）為數字信號的一維高斯函數，則數字信號的濾波原理為

式中：σ 為電氣設備數字信號的高斯函數標準方差；f（t）為t 時刻的濾波器響應。

通過高斯濾波對變電站電氣設備運行信號實施去噪時，需要基于電氣設備運行信號的特點對濾波器的參數選取以及濾波性能展開具體分析，確定濾波器在信號去噪時的各項參數。

根據上述流程可知，高斯濾波[9]過程中當確定的濾波器權值為1 時，濾波器對所有信號都實施了平滑，未能對數字信號中的突變信號展開保留處理，影響去噪效果，為此需要調整濾波器權值，提升信號去噪效果，權值調整過程為

根據式（3）完成濾波器權值調整后，輸出去噪后的信號：

式中：K 為濾波器的采樣數量。根據式（4）完成電氣設備運行數據信號的濾波輸出，實現對電氣設備運行數據信號的平滑去噪處理，提升信號質量，為后續提取電氣設備運行狀態特征做好基礎準備工作。

2 變電站電氣設備狀態自動化預測過程

2.1 變電站電氣設備運行特征提取方法

根據上述去噪后的電氣設備運行數據信號，使用小波包原理[10-11]，對電氣設備中運行狀態的特征向量進行提取，得到其運行狀態的特征值。特征提取時，通常會將信息從測量控制變換至低維的特征空間，突出設備的運行狀態，提高電氣設備運行狀態自動化預測精度。

基于小波包的電氣設備運行特征提取流程如下：

（1）對完成去噪的電氣設備運行數據信號實施小波包分解，提取信號在不同分解層級中的頻率成分信號特征，將重構信號設定成Cio，并對不同層級的信號節點展開分析，獲取總信號C，表述形式如式（5）所示：

（2）基于上述計算結果，對不同頻帶信號的總能量展開計算，過程中將Eij設為不同層級重構信號所對應的信號能量，計算過程如式（6）所示：

（3）構建特征向量

將上述確定信號能量作為特征元素，完成電氣設備運行特征向量的建立，并通過小波包分解方法，精準完成電氣設備運行特征的提取，結果如式（7）所示：

式中：E 為信號能量均值；T 為提取的變電站電氣設備運行特征向量值。

2.2 構建電氣設備狀態自動化預測模型

將提取到的變電站電氣設備運行特征值輸入模型中，進行狀態預測。LSTM 模型作為典型的深度學習模型在電氣設備狀態預測中應用廣泛，但是由于自身在預測過程中隨著數據復雜程度的增加，會降低預測精度，因此需要結合卷積模型構建一個用于電氣設備狀態自動化預測的混合模型，在簡化電氣設備狀態預測流程的同時，完成對變電站電氣設備狀態的精準預測。建立的預測模型結構如圖3所示。

圖3 變電站電氣設備狀態自動化預測模型結構Fig.3 Structure of automation prediction model for substation electrical equipment status

分析圖3 可知，電氣設備狀態自動化預測模型主要分成2 個部分。前一部分通過深度卷積神經網絡進一步獲取設備狀態的空間特征，并將提取結果傳輸進LSTM 模型中進行深度學習，通過學習結果，完成模型輸出確定電氣設備運行狀態自動化預測。

電氣設備狀態預測時，首先設定提取的變電站電氣設備運行特征為輸入向量值，和設備運行特征數量，完成向量值輸入后，通過卷積神經網絡進一步提取設備狀態的空間特征，將其輸入至LSTM 模型中。在LSTM 模型中，將不同LSTM 網絡堆疊，狀態預測過程中，設定訓練數據的設備狀態值，輸出最終設備狀態的自動化預測結果，如式（8）所示：

式中：ρy為模型訓練參數；ρs為特征提取參數。通過對模型展開訓練，完成模型輸出，實現對電氣設備狀態精準自動化預測。

3 實驗與分析

為了驗證上述變電站電氣設備狀態預測方法的整體有效性，分別采用變電站電氣設備運行狀態自動化預測方法（所提方法）、數字孿生技術在輸變電設備狀態評估中的應用現狀與發展展望（文獻[3]方法）、基于自適應概率神經網絡的變壓器健康狀態評估（文獻[5]方法）進行測試。

測試過程中，以某地220 kV 變電站為測試目標，將該變電站內同廠家同型號的電氣設備作為測試對象，將其中電源電壓的額定工作電壓設置成5 V，電源電壓的工作范圍設置為［4.3 V，5.3 V］，使用上述預測方法對變電站內電氣設備的運行狀態展開預測，以此驗證不同預測方法的實際有效性。

3.1 信號處理效果測試

開展變電站電氣設備運行狀態預測時，若采集的設備運行信號不夠平滑，會直接影響后續的設備運行狀態預測效果，因此對不同方法的設備運行信號的處理效果展開測試，測試結果如圖4 所示。

圖4 不同預測方法的信號處理效果測試結果Fig.4 Test results of signal processing effects of different prediction methods

分析圖4 可知，文獻[3]方法和文獻[4]方法未考慮信號噪聲對設備狀態預測的影響，信號處理效果還需進一步提升。而所提方法由于在信號處理過程中使用高斯濾波器對設備運行信號實施了平滑去噪處理，所以經過所提方法處理后的設備運行信號更加平滑，后續設備運行狀態的預測結果更加精準。

3.2 預測效果測試

基于上述3 種方法開展電氣設備運行狀態預測時，將平均絕對誤差以及預測時間作為設備狀態預測方法的度量指標，對不同方法的預測平均絕對誤差展開測試，設定γ 為設備狀態預測的預測平均絕對誤差，公式如下：

式中：ηt表示t 時刻設備運行狀態時間的序列數據實際值；μt表示t 時刻設備運行狀態的預測輸出值；Z 表示設備狀態數據信號數量。基于上述預測精度獲取流程驗證不同預測方法的預測效果，結果如表1 所示。

表1 不同方法的預測效果測試結果Tab.1 Test results of predictive effects of different methods

分析表1 可知，隨著測試過程中設備狀態信號數據的不斷增加，3 種方法測試出的預測精度以及預測時間都呈現出不同程度的上升趨勢。其中，文獻[3]方法由于未能充分考量信號噪聲帶來的影響，所以該方法測試出預測誤差較所提方法而言，略低于所提方法預測效果；文獻[4]方法則在確定設備健康狀態指標因子，并開展數據預處理獲取不相關指標系數計算時存在問題，所以該方法的預測效果還需不斷提升；而所提方法由于及時對采集的設備信號展開了平滑去噪，平均絕對誤差和預測時間始終低于0.052%和79 ms，該方法在設備狀態預測時的預測效果好。

4 結語

變電站電氣設備的運行狀態直接關系到變電站的安全運行。因此，提出變電站電氣設備運行狀態自動化預測方法。該方法使用小波包特征提取方法對去噪后設備信號實施設備運行特征的提取，并根據確定運行特征構建變電站電氣設備狀態預測模型，最后根據建立的模型實現對變電站電氣設備狀態的精準預測。實驗結果表明，該方法具有良好的預測效果。