利用大數(shù)據(jù)檢測(cè)智能電網(wǎng)異常的分層架構(gòu)

王振達(dá), 范晟, 吳福疆, 方志丹, 陳爽

(廣東電網(wǎng)有限責(zé)任公司汕頭供電局, 廣東 汕頭 515000)

0 引言

智能電網(wǎng)的本質(zhì)是運(yùn)行在高冗余電力一次硬件基礎(chǔ)上的，基于全輸配送電系統(tǒng)大數(shù)據(jù)支持下的，高度自主化運(yùn)行的電網(wǎng)系統(tǒng)。高度理想化的智能電網(wǎng)，可以實(shí)現(xiàn)一兩次設(shè)備主動(dòng)投切、自動(dòng)倒閘、故障自主判斷切除及自愈、負(fù)載自動(dòng)均衡、無功自動(dòng)平衡、能耗自動(dòng)記錄并實(shí)現(xiàn)自動(dòng)電費(fèi)扣繳等一兩次功能。但當(dāng)前條件下，全球各國(guó)電網(wǎng)功能尚未實(shí)現(xiàn)該理想化智能電網(wǎng)系統(tǒng)。所以，智能電網(wǎng)系統(tǒng)的建設(shè)任務(wù)仍有較長(zhǎng)的道路要走。當(dāng)前，除電網(wǎng)一次設(shè)備和二次設(shè)備的建設(shè)外，電網(wǎng)CBA架構(gòu)的建設(shè)是實(shí)現(xiàn)電網(wǎng)智能化的重要硬件設(shè)施，CBA即是云計(jì)算(Cloud Computing)大數(shù)據(jù)(Big Data)人工智能(Artificial Intelligence)的技術(shù)架構(gòu)整合，其中大數(shù)據(jù)部分是最容易實(shí)現(xiàn)人機(jī)交互的部分，通過對(duì)數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)進(jìn)行整合分析和深度挖掘，可以得到電網(wǎng)的諸多運(yùn)行狀態(tài)，即分析智能電網(wǎng)的異常。

因?yàn)橹悄茈娋W(wǎng)的部分CBA功能運(yùn)行在公網(wǎng)系統(tǒng)或包含公網(wǎng)接口的系統(tǒng)上，所以，吳麗佳[1](2020)使用壓縮感知算法，從網(wǎng)絡(luò)安全角度對(duì)智能電網(wǎng)的網(wǎng)絡(luò)入侵行為進(jìn)行了識(shí)別檢測(cè)。何奉祿(2020)等[2]研究了智能電網(wǎng)的物聯(lián)網(wǎng)部分，即各種電壓、電流、震動(dòng)、絕緣、溫度、侵入物等的相關(guān)探頭的物聯(lián)網(wǎng)采集系統(tǒng)以及各種斷路器、接觸器、變壓器的控制物聯(lián)網(wǎng)系統(tǒng)，并對(duì)這些系統(tǒng)進(jìn)行了技術(shù)現(xiàn)狀綜述研究。栗維勛(2020)等[3]研究了區(qū)塊鏈技術(shù)在智能電網(wǎng)監(jiān)控系統(tǒng)中的應(yīng)用，該研究認(rèn)為，區(qū)塊鏈不僅僅是聯(lián)合記賬和自動(dòng)合約技術(shù)整合，其分布式計(jì)算，去中心化網(wǎng)絡(luò)，不可篡改數(shù)據(jù)記錄模式，無中心大數(shù)據(jù)管理等，均在智能電網(wǎng)大數(shù)據(jù)中起到重要技術(shù)支持作用。賴偉平(2019)等[4]對(duì)智能電網(wǎng)中的數(shù)據(jù)認(rèn)證追蹤方案進(jìn)行了研究，該研究對(duì)提升智能電網(wǎng)的數(shù)據(jù)安全性和可用性有重要意義。陳陣(2019)等[5]通過智能電網(wǎng)的運(yùn)行大數(shù)據(jù)分析，對(duì)智能電網(wǎng)的故障自動(dòng)檢測(cè)系統(tǒng)進(jìn)行了整合研究。

以上研究均與智能電網(wǎng)的大數(shù)據(jù)資源深度開發(fā)有關(guān)，所以，智能電網(wǎng)的CBA架構(gòu)，特別是大數(shù)據(jù)資源，對(duì)智能電網(wǎng)的運(yùn)行過程有積極意義。

1 智能電網(wǎng)大數(shù)據(jù)的構(gòu)成

因?yàn)楫?dāng)前智能電網(wǎng)大數(shù)據(jù)系統(tǒng)的建設(shè)過程仍處于探索中不斷創(chuàng)新的階段，不同的變電輸配電系統(tǒng)中使用的智能電網(wǎng)大數(shù)據(jù)構(gòu)成也各不相同。但歸結(jié)起來，主要包括運(yùn)行數(shù)據(jù)、負(fù)荷數(shù)據(jù)、安全數(shù)據(jù)和日志數(shù)據(jù)等諸多方面，如圖1所示。

圖1 智能電網(wǎng)大數(shù)據(jù)構(gòu)成圖(局部)

如果不考慮大數(shù)據(jù)管理成本，理想化的智能電網(wǎng)大數(shù)據(jù)應(yīng)包括以下組成部分。

第一，電能質(zhì)量數(shù)據(jù)。

電能質(zhì)量數(shù)據(jù)一般來自電網(wǎng)內(nèi)的CT設(shè)備，通過采集二次側(cè)的電流、電壓、相位、諧波、雜波、中性點(diǎn)狀態(tài)、接地線狀態(tài)等相關(guān)數(shù)據(jù)，可以構(gòu)建完整的電能質(zhì)量數(shù)據(jù)，對(duì)一次系統(tǒng)內(nèi)的電能質(zhì)量進(jìn)行實(shí)時(shí)的控制性測(cè)量。因?yàn)楫?dāng)前國(guó)內(nèi)電網(wǎng)運(yùn)行在工頻50 Hz頻率上，而最大精度采集此類信息，則應(yīng)在1/4波形上設(shè)置采集點(diǎn)，即形成5 ms間隔甚至更高頻率的采樣頻率，實(shí)現(xiàn)對(duì)電網(wǎng)電能質(zhì)量進(jìn)行有效控制。這對(duì)電網(wǎng)內(nèi)的諧波、雜波處理，浪涌抑制，無功補(bǔ)償，反送電，接地及漏電等現(xiàn)象進(jìn)行及時(shí)的狀態(tài)捕捉并提出預(yù)警信息，對(duì)電網(wǎng)內(nèi)設(shè)備的微故障進(jìn)行定位定性分析。

第二，設(shè)備狀態(tài)數(shù)據(jù)。

電網(wǎng)中的主要一次設(shè)備，包括變壓器、斷路器、隔離開關(guān)、防雷器、CT線圈、浪涌抑制器等。二次設(shè)備構(gòu)成更加復(fù)雜，包括各種控制屏、補(bǔ)償器、吸收器及其配套的超級(jí)電容器、電抗器、接地線圈等。這些設(shè)備大部分由線圈繞組、滅弧器等核心部件構(gòu)成，也牽扯到各種安全相關(guān)附屬設(shè)施。因?yàn)榘殡S著智能電網(wǎng)的功能逐步完善，相關(guān)設(shè)備的構(gòu)成模式和系統(tǒng)對(duì)相關(guān)設(shè)備的依賴性逐漸增加。在大數(shù)據(jù)系統(tǒng)中，對(duì)這些設(shè)備的溫度、震動(dòng)、油量、微電弧、以及各種動(dòng)植物及空票物的侵入物等必須進(jìn)行充分監(jiān)測(cè)，以形成大數(shù)據(jù)資源。

第三，管理日志數(shù)據(jù)。

智能電網(wǎng)的自動(dòng)化設(shè)備運(yùn)行過程產(chǎn)生大量的系統(tǒng)日志數(shù)據(jù)，人為的值班、運(yùn)行、倒閘、檢修、巡線等過程中，也會(huì)產(chǎn)生大量的日志數(shù)據(jù)。這些數(shù)據(jù)也會(huì)較直觀的顯示出智能電網(wǎng)的運(yùn)行狀態(tài)，與前兩者之間形成數(shù)據(jù)互補(bǔ)。

當(dāng)前，絕大部分智能電網(wǎng)管理信息系統(tǒng)，均以BIM系統(tǒng)作為核心管理平臺(tái)，整合各種輔助的監(jiān)測(cè)系統(tǒng)、日志系統(tǒng)、值班系統(tǒng)、辦公系統(tǒng)的大數(shù)據(jù)資源，構(gòu)成智能電網(wǎng)的大數(shù)據(jù)核心，如圖2所示。

圖2 大數(shù)據(jù)核心管理系統(tǒng)一般模式示意圖

2 智能電網(wǎng)可用的大數(shù)據(jù)分析技術(shù)

智能電網(wǎng)的大數(shù)據(jù)分析過程，一般分為數(shù)據(jù)的治理和預(yù)處理技術(shù)，數(shù)據(jù)的深度挖掘分析技術(shù)，數(shù)據(jù)預(yù)估及預(yù)警技術(shù)，專家系統(tǒng)相關(guān)技術(shù)等。

2.1 數(shù)據(jù)的治理與預(yù)處理

因?yàn)榻^大多數(shù)智能電網(wǎng)運(yùn)行數(shù)據(jù)均來自智能監(jiān)測(cè)系統(tǒng)的物聯(lián)網(wǎng)采集接口，采集過程中，受到系統(tǒng)內(nèi)的各種干擾影響，較容易出現(xiàn)數(shù)據(jù)的離群或者空值現(xiàn)象，所以需要在數(shù)據(jù)治理過程中執(zhí)行部分的離群數(shù)據(jù)判斷、數(shù)據(jù)擬合、空值補(bǔ)全等操作。其中對(duì)離群數(shù)據(jù)的治理過程一般采用小波分析法進(jìn)行處理。

常用的電力小波基函數(shù)，如式(1)—式(3)。

(1)

式中，

(2)

(3)

通過多次小波函數(shù)的迭代，可以將大部分離群數(shù)據(jù)拉回到理論值范圍內(nèi)，只要不是持續(xù)2-3個(gè)波形出現(xiàn)的離群數(shù)據(jù)，大數(shù)據(jù)系統(tǒng)一般不會(huì)發(fā)出相應(yīng)預(yù)警，而是偏向于認(rèn)定相關(guān)數(shù)據(jù)的物聯(lián)網(wǎng)采集系統(tǒng)受到了不可抗和一過性干擾。

而將上述小波函數(shù)p(y)進(jìn)行傅里葉變換，可以得到數(shù)據(jù)的雜波信息和諧波信息，如式(4)。

(4)

傅里葉變換的統(tǒng)計(jì)學(xué)意義是將相關(guān)的時(shí)域函數(shù)p(y)進(jìn)行頻域轉(zhuǎn)化，以發(fā)現(xiàn)不同頻率下的波形位移量分布情況。

當(dāng)然，如果要將多列不同量綱數(shù)據(jù)進(jìn)行整合分析，還需要對(duì)相關(guān)數(shù)據(jù)進(jìn)行去量綱變換，即將電流安培、電壓伏特、溫度開爾文等數(shù)據(jù)的量綱進(jìn)行去量綱化，實(shí)現(xiàn)不同量綱數(shù)據(jù)的相互運(yùn)算和相互比較。其中分為線性去量綱和非線性去量綱兩種計(jì)算模式。

線性去量綱一般采用min max算法進(jìn)行數(shù)據(jù)預(yù)處理，如式(5)。

(5)

非線性去量綱一般是在線性去量綱的基礎(chǔ)上，將接近0值附近的數(shù)據(jù)投影充分拉大，一般采用對(duì)數(shù)法進(jìn)行非線性投影,如式(6)。

Li(x)=logeMi(x)

(6)

2.2 模糊神經(jīng)元網(wǎng)絡(luò)算法支持下的數(shù)據(jù)深度挖掘

不同的分析需求下，智能電網(wǎng)大數(shù)據(jù)的深度挖掘分析過程略有不同，但絕大部分分析過程，均是采用了模糊神經(jīng)元網(wǎng)絡(luò)的分析方法。即整合了模糊分析的指數(shù)級(jí)狀態(tài)擴(kuò)增和狀態(tài)捕捉優(yōu)勢(shì)和神經(jīng)元網(wǎng)絡(luò)的深度迭代回歸支持的數(shù)據(jù)隱藏規(guī)律擬合優(yōu)勢(shì)。使用模糊分析的方式將經(jīng)過2.1預(yù)處理的數(shù)據(jù)進(jìn)行模糊化，將模糊后的數(shù)據(jù)輸入到神經(jīng)元網(wǎng)絡(luò)中，經(jīng)過3-7個(gè)卷積循環(huán)后，通過多個(gè)卷積節(jié)點(diǎn)的數(shù)據(jù)整合成神經(jīng)元網(wǎng)絡(luò)的輸出節(jié)點(diǎn)，再通過模糊算法將神經(jīng)元網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行解模糊處理。最終通過格式化輸出模塊，對(duì)經(jīng)過解模糊的數(shù)據(jù)進(jìn)行解釋、表示和可視化處理，最終形成最終輸出數(shù)據(jù)。這類最終輸出數(shù)據(jù)，可以用作數(shù)據(jù)預(yù)警和專家方案匯總，如圖3所示。

圖3 卷積神經(jīng)元網(wǎng)絡(luò)在智能電網(wǎng)的一般應(yīng)用模式圖

其中，神經(jīng)元網(wǎng)絡(luò)常用以下四種節(jié)點(diǎn)實(shí)現(xiàn)方式。

第一，線性回歸函數(shù)支持的神經(jīng)元網(wǎng)絡(luò)節(jié)點(diǎn)模式。

線性回歸主要用于節(jié)點(diǎn)數(shù)的壓縮算法，多用于輸入節(jié)點(diǎn)的大矩陣數(shù)據(jù)壓縮整合過程。電力大數(shù)據(jù)的分析中，往往一個(gè)輸入矩陣還有數(shù)百甚至數(shù)千個(gè)輸入節(jié)點(diǎn)，而在神經(jīng)元網(wǎng)絡(luò)內(nèi)部卷積模塊中，一般只使用1-3個(gè)輸入變量即可完成卷積，所以需要使用線性回歸函數(shù)對(duì)大量輸入節(jié)點(diǎn)進(jìn)行壓縮。其節(jié)點(diǎn)基函數(shù)，如式(7)。

Y=∑(A·Xi+B)

(7)

第二，多項(xiàng)式回歸函數(shù)支持的神經(jīng)元網(wǎng)絡(luò)節(jié)點(diǎn)模式。

多項(xiàng)式回歸主要用作對(duì)高維度數(shù)據(jù)進(jìn)行降維處理，即發(fā)現(xiàn)數(shù)據(jù)中的微小變動(dòng)規(guī)律，以放大數(shù)據(jù)的變化趨勢(shì)，提升數(shù)據(jù)的信度。多項(xiàng)式回歸函數(shù)是一般的神經(jīng)元網(wǎng)絡(luò)卷積模塊的實(shí)現(xiàn)模式。其基函數(shù)，如式(8)。

(8)

根據(jù)群論規(guī)則，超過5階多項(xiàng)式就不可能有一般解，所以，絕大多數(shù)多項(xiàng)式函數(shù)采用最高5-6階多項(xiàng)式進(jìn)行相應(yīng)處理，更高的多項(xiàng)式函數(shù)會(huì)給系統(tǒng)帶來較大的算力壓力，容易造成系統(tǒng)崩潰。

第三，二值化函數(shù)支持的神經(jīng)元網(wǎng)絡(luò)節(jié)點(diǎn)模式。

二值化函數(shù)主要用于數(shù)據(jù)預(yù)警系統(tǒng)和數(shù)據(jù)判斷系統(tǒng)，其統(tǒng)計(jì)學(xué)意義是將數(shù)據(jù)投影盡可能向無限接近于二值化函數(shù)兩個(gè)極點(diǎn)的方向移動(dòng)。一般的二值化函數(shù)的移動(dòng)方向是無限接近于1.000和無限接近于0.000。用于供系統(tǒng)判斷一個(gè)Logical結(jié)果。而其他函數(shù)更傾向于輸出一個(gè)Double結(jié)果。所以二值化函數(shù)一般應(yīng)用于輸出節(jié)點(diǎn)模塊。其基函數(shù)，如式(9)。

(9)

第四，非線性函數(shù)支持的神經(jīng)元網(wǎng)絡(luò)節(jié)點(diǎn)模式。

當(dāng)然，電力大數(shù)據(jù)挖掘系統(tǒng)的輸出目標(biāo)不一定是一個(gè)Logical結(jié)果，所以也有可能并不適用于二值化輸出模式，而是顯示更多細(xì)節(jié)的非線性輸出模式。這就常用到對(duì)數(shù)函數(shù)模式和指數(shù)函數(shù)模式。

其中，對(duì)數(shù)回歸的基函數(shù)，如式(10)。

Y=∑(A·logeXi+B)

(10)

指數(shù)回歸的基函數(shù)，如式(11)。

Y=∑(A·eXi+B)

(11)

3 電力大數(shù)據(jù)異常分析的層次架構(gòu)

電力大數(shù)據(jù)的異常分析，一般分為4個(gè)層次進(jìn)行分析，如表1所示。

表1 電勢(shì)大數(shù)據(jù)異常分析層次架構(gòu)表

3.1 直接層(第一層)架構(gòu)特征

結(jié)合2.1中分析方法，對(duì)數(shù)據(jù)進(jìn)行完整性、信度、效度等分析，發(fā)現(xiàn)持續(xù)離群數(shù)據(jù)或持續(xù)缺失數(shù)據(jù)，此時(shí)，可以發(fā)現(xiàn)相關(guān)的一次或二次設(shè)備的故障，或大數(shù)據(jù)采集物聯(lián)網(wǎng)系統(tǒng)的探頭故障或網(wǎng)絡(luò)故障。特別是發(fā)現(xiàn)持續(xù)數(shù)據(jù)離群或持續(xù)數(shù)據(jù)缺失故障時(shí)，一次或者二次系統(tǒng)的電磁保護(hù)或者綜合保護(hù)并未發(fā)生動(dòng)作，則其故障源多為物聯(lián)網(wǎng)系統(tǒng)本身。此時(shí)系統(tǒng)應(yīng)報(bào)錯(cuò)數(shù)據(jù)采集故障并由運(yùn)行人員或者檢修人員確認(rèn)故障源并進(jìn)行相應(yīng)維護(hù)操作。

3.2 關(guān)聯(lián)層(第二層)架構(gòu)特征

當(dāng)兩列或者兩列以上的數(shù)據(jù)關(guān)聯(lián)特征發(fā)生持續(xù)性變化，則一般認(rèn)定系統(tǒng)出現(xiàn)了多點(diǎn)同時(shí)發(fā)作的復(fù)雜故障或者設(shè)備兼容性故障。比如因?yàn)镃T飽和導(dǎo)致的普遍性二次故障，或因?yàn)殡娙萜麟娍蛊鞴收蠈?dǎo)致的系統(tǒng)補(bǔ)償能力降低導(dǎo)致的故障。關(guān)聯(lián)層數(shù)據(jù)分析過程一般需要直接層分析結(jié)果作為數(shù)據(jù)支持。其分析方法同樣在2.1中進(jìn)行了論述。

3.3 特征層(第三層)架構(gòu)特征

對(duì)各列數(shù)據(jù)進(jìn)行單獨(dú)傅里葉變換分析，發(fā)現(xiàn)其時(shí)域特征和頻域特征應(yīng)保持一定的穩(wěn)定性，而當(dāng)其時(shí)域特征或者頻域特征發(fā)生突發(fā)的持續(xù)性變化時(shí)，一般認(rèn)為其數(shù)據(jù)特征層發(fā)生了故障。這些故障一般來自設(shè)備的自身故障，比如設(shè)備慢性擊穿、內(nèi)部持續(xù)放電、絕緣油污染、絕緣紙老化、容性接地特征變化等。這些故障一般為系統(tǒng)的慢性故障，可根據(jù)這些故障排定狀態(tài)檢修任務(wù)計(jì)劃，防止故障的擴(kuò)大化。而特征層分析的原始數(shù)據(jù)一般來自關(guān)聯(lián)層數(shù)據(jù)的支持。其分析方法同樣在2.1中進(jìn)行了論述。

3.4 挖掘?qū)?第四層)架構(gòu)特征

當(dāng)前三層數(shù)據(jù)分析過程中未發(fā)現(xiàn)系統(tǒng)異常時(shí)，數(shù)據(jù)可以提交到第四層進(jìn)行深度挖掘分析，即一般采用2.2中的分析方法進(jìn)行數(shù)據(jù)深度挖掘分析。這一層架構(gòu)中，一般判斷特征層中未能體現(xiàn)的微小設(shè)備故障，比如各種未能影響設(shè)備狀態(tài)的微擊穿、微形變等故障。以及設(shè)備負(fù)荷能力不足等其他故障。且挖掘?qū)右部蓪?shí)現(xiàn)與BIM系統(tǒng)、GIS系統(tǒng)等相關(guān)電力運(yùn)行維護(hù)管理的輔助系統(tǒng)的數(shù)據(jù)整合分析過程，以發(fā)現(xiàn)更多深層次的故障形式。

4 總結(jié)

當(dāng)前，電力大數(shù)據(jù)的分析過程，特別是大數(shù)據(jù)的離線分析過程和整合分析過程，已經(jīng)初步構(gòu)成了大數(shù)據(jù)分層架構(gòu)。在分層架構(gòu)下，可以實(shí)現(xiàn)各層次的單獨(dú)數(shù)據(jù)處理并形成單獨(dú)的數(shù)據(jù)處理子系統(tǒng)。不同層次下可以對(duì)不同層次的故障異常進(jìn)行針對(duì)性的分析處理，可以較大程度減少相關(guān)大數(shù)據(jù)系統(tǒng)的開發(fā)量，并實(shí)現(xiàn)不同系統(tǒng)之間的數(shù)據(jù)相互支持和數(shù)據(jù)分析結(jié)果復(fù)用。研究電力大數(shù)據(jù)系統(tǒng)的分層架構(gòu)，可以有效提升電力系統(tǒng)大數(shù)據(jù)的利用效率和開發(fā)進(jìn)程。