基于自組織特征映射的變電站巡視周期分類研究

張宇澤　蒙高鵬　安瑞

摘? 要：針對差異化制定變電站巡視周期問題，首先分析了變電站巡視周期的影響因素，包括變電站電壓等級、重要程度、歷史故障/缺陷發生頻次、設備運行情況、變電站運行環境和設備負載情況六個方面。提出了基于自組織特征映射的變電站巡視周期分類方法，利用機器學習實現變電站巡視周期的科學合理分類，為供電公司提高變電站巡視效率提供技術支撐。

關鍵詞：變電站;巡視周期;自組織特征映射網絡;聚類

中圖分類號：TM732? ? ? ? 文獻標志碼：A? ? ? ? ? ? ? 文章編號：2095-2945（2020）14-0064-03

Abstract： Aiming at the problem of making substation patrol cycle based on differentiation， this paper first analyzes the influencing factors of substation patrol cycle， including substation voltage level， importance， frequency of historical faults/defects， equipment operation situation， substation environment， and equipment load. Then the paper puts forward the classification method of substation patrol cycle based on self-organizing feature maps， which uses machine learning to realize the scientific and reasonable classification of patrol cycle of substations， and provides technical support for power supply enterprises to improve the efficiency of substation patrol.

Keywords： substation; patrol cycle; self-organizing feature maps; clustering

目前，我國各地區無人值守變電站主要采用定期巡視與特殊巡視相結合的巡視模式[1]。國網天津市電力公司規定，設備為敞開式布置的220kV變電站例行巡視不少于每3天1次，110kV及以下變電站每3～7天進行一次例行巡視。隨著社會經濟發展，變電站的數量和規模不斷擴大，電力用戶對供電可靠性的要求不斷提高，供電公司普遍面臨變電站巡視工作量日益增大而運維人員有限的難題，常常出現巡視時走馬觀花、巡視不到位的情況。如何根據變電站的特點差異化制定巡視周期，使用有限的人力、物力資源達到更好的巡視效果，是供電公司重點關注的問題之一。

文獻[1]利用可靠性理論建立了變電站巡視與設備缺陷情況之間的關系，引入基于設備缺陷的設備狀態評估體系，提出了根據設備狀態優劣動態調整巡視項目和巡視周期的狀態巡視策略，但該方法只考慮到了設備運行情況。文獻[2]根據變電站的設備缺陷情況、運行年限、設備運行工況和設備布置情況，將變電站劃分為A、B、C、D、E五個級別確定巡視周期、巡視要求和巡視內容。文獻[3]采用相似的方法，以年度設備狀態評價結果、年（季）度缺陷發生次數和缺陷性質、變電站運行環境、變電站設備隱患為變電站狀態評價基礎量，將變電站評價為“良好”“一般”“關注”三種狀態，分別確定巡視周期。但文獻[2，3]提出的分級標準完全由人為制定，劃分界限較模糊，缺乏科學合理性和客觀性。

基于此，本文在分析了變電站巡視周期影響因素的基礎上，提出了基于自組織特征映射的變電站巡視周期分類方法，利用人工智能手段對變電站的巡視周期進行分類，提高變電站巡視工作的質量和效率。

1 變電站巡視周期影響因素

影響變電站巡視周期的因素包括以下幾個方面：

1.1 變電站電壓等級

電壓等級越高，巡視周期應相對越短。

1.2 變電站重要程度

變電站重要程度主要取決于所在區域供電等級（A+、A、B、C、D、E），供電負荷大小和所供用戶中是否含有重要用戶、敏感用戶、電采暖用戶、防汛用戶等。變電站所在區域供電等級越高，供電負荷越大，所供用戶中包含重要用戶、敏感用戶、電采暖用戶、防汛用戶等，則重要程度越高，應加強巡視力度，即安排較短的巡視周期。

1.3 變電站歷史故障/缺陷發生頻次

變電站歷史發生設備故障、設備缺陷的頻次越高，說明變電站存在的薄弱點越多，與其他變電站相比在未來一段時間內發生故障或缺陷的可能性越大，應針對性加強巡視，縮短巡視周期。

1.4 設備運行情況

設備運行情況主要取決于設備當前存在的缺陷情況，設備運行隱患和運行年限。若設備存在缺陷而未完成消缺，已知設備存在家族缺陷，某些預試數據接近、達到或超過規程中的注意值，設備有不良工況記錄，設備運行隱患呈劣化趨勢[1]，設備運行年限較長，則應適當縮短巡視周期。

1.5 變電站運行環境

根據運行經驗，室內設備發生缺陷的概率明顯低于室外設備。若變電站為室外站，周邊環境較為惡劣，處于重污區、重冰區，經常遭受強風、雷雨、冰雪等天氣，則應適當加強巡視力度，縮短巡視周期。

1.6 變電站設備負載情況

設備負載率越高，發生接頭過熱、絕緣老化、主變異響等缺陷的可能性越大，應相應的縮短巡視周期，及時發現并排除隱患。

2 自組織特征映射網絡

自組織特征映射網絡是一種競爭性神經網絡，包含輸入層、競爭層兩層網絡，結構如圖1所示。

圖1 自組織特征映射網絡結構

神經元具有競爭性，輸入神經元與輸出神經元通過權值相連，近鄰的輸出神經元之間也通過權值向量相連。輸出神經元的傳遞函數通常為線性函數，因此網絡的輸出是輸入值的線性加權和。輸出神經元之間根據距離的遠近決定抑制關系，最終使連接權值的統計分布與輸入模式漸趨一致。當輸入新樣本時，網絡就以拓撲結構的形式輸出分類結果。每個輸入的樣本都對應一個競爭層節點[4]。當所有樣本輸入完畢，網絡訓練結束時，對應同一個競爭層節點的輸入樣本就被歸為同一類別，實現聚類功能。

3 基于自組織特征映射的變電站巡視周期分類方法

由第1節論述可知，變電站巡視周期的影響因素包括變電站電壓等級、重要程度、歷史故障/缺陷發生頻次、設備運行情況、變電站運行環境和設備負載情況六個方面。為了科學安排變電站巡視周期分類，首先將上述六個方面因素進行量化。變電站電壓等級方面，220kV、110kV和35kV變電站的電壓等級指數分別定義為4、2、1。變電站重要程度方面，定義所有變電站的重要程度指數初始值為0，所在區域供電等級為A+、A、B、C、D、E分別加1、0.5、0.25、0.125、0.1、0.075，平均供電負荷大小與該站變壓器容量之和的比值為0.75以上、0.5～0.75、0.25～0.5、0.25以下時分別加1、0.5、0.25、0.125，所供用戶中每包含一個重要用戶加0.5，每包含一個敏感用戶加0.25，每包含一個電采暖用戶或防汛用戶加0.1。變電站歷史故障/缺陷發生頻次方面，定義歷史故障/缺陷發生頻次指數為該座變電站投運后平均每年發生故障或缺陷的次數。設備運行情況方面，定義所有變電站的設備運行情況指數初始值為0，設備每存在一項嚴重缺陷、一般缺陷而未完成消缺時分別加1、0.5，設備存在運行隱患時視情況加0～1，變壓器、母線、斷路器等主要設備運行年限在20年以上、10～20年、5～10年、5年以下時分別加1、0.5、0.25、0.125。變電站運行環境方面，定義所有變電站的運行環境指數初始值為0，室外站和室內站分別加1、0.5，室外站視周邊環境惡劣程度加0～1，視所在地區氣候情況加0～1。設備負載方面，定義變壓器平均負載率為0.75以上、0.5～0.75、0.25～0.5、0.25以下時設備負載指數分別4、2、1、0.5。需說明，以上指數計算方法僅代表指標量化思路，各供電公司可根據實際情況及特點建立變電站巡視周期影響因素指標量化體系。通過以上指標量化方法，每座變電站可用一個六維特征向量表示，即

式中：Si表示第i座變電站的特征向量;si1、si2、si3、si4、si5、si6分別表示第i座變電站的電壓等級指數、重要程度指數、歷史故障/缺陷發生頻次指數、設備運行情況指數、變電站運行環境指數和設備負載指數。

第二步，建立自組織特征映射網絡。根據文獻[2，3，5]，變電站巡視周期分類宜分為3至5類。分類過多則不便于供電公司相關工區安排變電站巡視計劃，分類過少則不能達到差異化管理目的。本文選擇將變電站巡視周期分為4類進行論述，各供電公司可根據實際情況及特點合理選擇分類類別數。由于輸入向量維數為6，因此設置自組織特征映射網絡的輸入層神經元節點數為6個。網絡競爭層選用2×2六邊形結構，即最終分類的類別數為4類。網絡的競爭層包含4個節點，訓練完畢后，每一個輸入向量，即每座變電站，屬于一個競爭層節點。

第三步，使用MATLAB工具箱函數selforgmap實現自組織特征映射網絡分類。計算流程如圖2所示。

第四步，根據自組織特征映射網絡給出的分類結果，確定每座變電站的巡視周期。例如第一類變電站每月巡視一次，第二類變電站每半月巡視一次，第三類變電站每周巡視一次，第四類變電站每3天巡視一次。各供電公司和工區可根據實際情況及特點合理安排巡視周期。

4 結束語

本文針對差異化制定變電站巡視周期問題，在分析了現有文獻取得成果和不足的基礎上，提出了基于自組織特征映射的變電站巡視周期分類方法。

首先分析了變電站巡視周期的影響因素，包括變電站電壓等級、重要程度、歷史故障/缺陷發生頻次、設備運行情況、變電站運行環境和設備負載情況六個方面。電壓等級越高，重要程度越高，歷史故障/缺陷發生頻次越高，設備運行情況越差，變電站運行環境越惡劣，設備負載率越高，越應該加強巡視力度，縮短巡視周期。

提出了基于自組織特征映射的變電站巡視周期分類方法，其步驟可概括為：將影響變電站巡視周期的六方面因素進行指標量化，得到表征每座變電站巡視周期影響因素的六維特征向量;建立自組織特征映射網絡，輸入層神經元節點數為6個，競爭層節點數取變電站巡視周期想要分類的類別數;使用MATLAB工具箱函數selforgmap實現自組織特征映射網絡分類;根據自組織特征映射網絡給出的分類結果，確定每座變電站的巡視周期。

本方法可利用機器學習原理實現變電站巡視周期的科學合理分類，分類結果完全取決于變電站本身實際情況，不受主觀因素影響。為供電公司差異化安排變電站巡視周期，保障巡視工作的合理性和有效性提供技術支撐。

參考文獻：

[1]謝金泉，李曉華，何毅，等.變電設備狀態巡視策略研究[J].廣東電力，2012，25（9）：5-9，15.

[2]王少博，劉輝，張蘭欽，等.基于設備狀態分析的無人值班變電站巡視模式研究[J].河北電力技術，2013（2）：10-12.

[3]陳宏彬，李悅寧，劉琨.基于狀態檢修的無人值班變電站狀態巡視管理[J].現代營銷（經營版），2019（4）：150.

[4]陳明，等.MATLAB神經網絡原理與實例精解[M].北京：清華大學出版社，2013.

[5]彭業.引入狀態評估分析的變電站設備巡視優化策略的研究[D].廣州：華南理工大學，2012.