基于趨勢分析的變電站設備異常檢測方法

姚 艷 秋

(長春師范大學 計算機科學與技術學院, 長春 130032)

變電站使用的電力設備在各種環境因素作用下, 會導致性能指標下降, 甚至發生電力事故. 利用對電力設備的在線監測[1-2], 能及時獲知設備的性能狀況, 如設備的絕緣性. 介質損耗因數可表征設備的絕緣性, 當設備的絕緣性較差時, 設備運行的能量損耗將增大. 因此, 通常采用隨時間變化的介質損耗因數衡量電容型設備的絕緣性[3-4]. 不僅要分析某設備在某時刻或某段時間內參數的變化情況, 還要判斷該設備運行狀態的長期變化情況, 即分析設備參數的變化趨勢. 隨著設備使用時間的延長, 其受環境因素影響而老化, 設備的介質損耗因數會緩慢增加. 目前, 已有一些利用智能技術對電力設備運行狀況進行異常診斷的方法[5-8]. 本文提出的趨勢分析方法能根據設備介損變化趨勢判斷設備的絕緣性狀況, 實現在線輔助診斷, 減輕人工識別判斷的工作量.

1 趨勢分析方法

本文主要對介質損耗因數的時序數據進行趨勢分析, 當介質損耗因數呈增長趨勢時, 認為設備的絕緣性變差, 此時需要對設備進行檢修. 趨勢分析方法通過模擬一段數據流的變化直線, 忽略其細節, 得到總體的變化趨勢. 該方法通過對待分析數據流進行合理分割, 先計算各段數據的特征值, 再根據每段數據的特征值分析數據的變化趨勢. 本文將進行趨勢分析的數據流定義為Y={xt1,xt2,…,xti,…,xtn}, 其中xti表示ti時刻的監測數據.

因為直線擬合的誤差會隨著所擬合數據段的增長而增大, 所以要對數據段進行適度分割. 數據流分割后的數據段表示為Y={Y1,Y2,…,Yi,…,Yj}, 其中數據段Yi可表示為Yi={xi1,xi2,…,xij,…,xik},Yi數據段內的xi1到xik滿足對某個統計模型的誤差最小, 這樣將其分割在一個數據段內可減少直線擬合的誤差. 數據流分割后, 對每段數據Yi進行直線擬合, 根據其統計模型進行趨勢分析. 因為設備介質損耗因數的增大, 表示設備絕緣性變差, 通過對介質損耗因數進行直線擬合, 能較直觀地判斷介質損耗因數的增大或減小. 直線擬合可表示為x(t)=(a+δj)t+(b+εj), 其中x(t)表示按時序排列的數據流,δj和εj為誤差, 參數a和b表示x(t)的特征值, 記錄a和b的值即可記錄這段數據的趨勢. 因此, 對監測的介質損耗因數進行趨勢分析, 需要對數據流進行分割和擬合.

2 數據流分割擬合方法

監測得到的介質損耗因數是離散的, 且不斷波動, 因此對其進行趨勢分析, 就要從數據序列中找出規律性, 進而分析數據的變化趨勢, 所以將數據擬合成一條直線, 判斷介質損耗因數總體的變化趨勢. 直線擬合是根據一些離散數據得到一條直線, 使原始數據與擬合直線符合相同的變化趨勢. 本文采用最小二乘法進行監測數據的直線擬合. 其通過求得具有最小誤差的擬合函數進行直線擬合, 所以通過直線擬合得到的函數是使離散數據與擬合直線誤差平方和最小的函數, 擬合直線與原始數據的趨勢較接近.

數據流分割是趨勢分析的一個重要問題. 當數據量增大時, 直線擬合的誤差將增大, 所以需要對數據流進行適度分割, 如果分割不當, 會增加擬合直線誤差. 分割數據流的方法目前主要有滑動窗口法和外推式分割方法. 滑動窗口分割通過設置滑動窗口, 當數據段長度達到窗口大小時就進行分割, 該方法是最簡單的數據流分割方法, 但分割后數據段中的數據直線擬合誤差可能較大, 所以這種方法通常不能選取最合適的分割點. 外推式分割方法[9]取適量數據, 將其擬合成一條直線, 再逐步增加新數據, 當累計誤差增加到所規定的誤差最大值時, 分割數據段. 該方法可減小擬合的誤差, 但擬合直線只符合原數據規律, 并未考慮后續增加數據的規律.

本文將上述兩種方法相結合. 設置基本滑動窗口, 從數據流的起始點開始, 逐漸增加數據, 進行直線擬合. 用擬合后直線的誤差平方和與閾值進行比較, 當誤差比閾值大時, 如果數據段長度小于等于基本滑動窗口大小, 則認為數據段波動較大, 不作為趨勢分析參考； 否則, 將該數據所在位置作為分割點, 再取該數據后的數據點作為起始點, 重復擬合直線步驟； 當誤差比閾值小時, 每增加一個數據, 重新擬合直線. 本文算法步驟如下：

輸入：I={x1,x2,…,xi,…,xn}, 基本滑動窗口長度lmin, 誤差平方和閾值t,f( )為擬合函數;

輸出： {S,E,A,B,L},S和E表示數據流分割起止點,A和B表示特征值,L表示數據段是否作為趨勢分析參考；

1)m=1 //分割數據段開始點

2)j=1 //數據流分割段數

3) FORi=2 TOn

4)Yj={xm,…,xi}

5)k=i-m+1 //Yj數據段的長度為k

6) 由擬合函數f(Yj)計算誤差E和特征值a,b

7) IFE>t

8) IFk≤lmin

9)L(j)=1 //數據段特征值不作為趨勢分析參考

10) ELSE

11)L(j)=0 //數據段特征值表示趨勢

12) ENDIF

13)S(j)=m,E(j)=i-1 //記錄數據段起止點

14)A(j)=a,B(j)=b//記錄擬合直線的特征值

15)m=i,j=j+1 //分割數據流, 重新開始擬合直線

16) ENDIF

17) ENDFOR.

3 實例分析

為驗證本文趨勢分析方法的實際應用效果, 采用某變電站電容型設備的介質損耗實測數據進行實驗. 對如圖1所示的隨時間變化的介質損耗因數進行趨勢分析, 首先對數據流進行分割, 對數據流進行分割先要確定基本滑動窗口、 誤差平方及閾值大小. 本文基本滑動窗口設置為30. 因為監測參數每天測量一次, 根據經驗分析, 滑動窗口不能太小, 否則診斷結果可能由于突變引起, 并不代表變化趨勢. 將基本滑動窗口設為一個月大小30, 符合實際應用對數據流的分割需求. 閾值t表示擬合直線誤差平方和允許的最大值, 當誤差平方和大于閾值時, 需要分割數據流. 根據經驗分析, 當誤差閾值t=0.003時較符合實際要求. 對圖1中介質損耗因數進行趨勢分析, 得到擬合曲線如圖2所示. 圖2的趨勢分析結果列于表1. 由圖2可見, 其擬合的曲線與圖1的趨勢相符.

圖1 介質損耗因數數據

圖2 對圖1介質損耗因數數據的擬合曲線

表1 擬合曲線分析數據

由表1可見: 從時刻1到時刻24, 數據段擬合結果無意義； 從時刻25到時刻68, 時刻69到時刻103, 數據快速下降； 從時刻104到時刻155, 時刻156到時刻226, 時刻227到時刻275, 數據較平穩, 有上升趨勢； 從時刻276到時刻303, 數據段擬合結果無意義； 從時刻304到時刻375, 數據快速上升； 從時刻376到時刻429, 時刻430到時刻459, 數據較平穩, 前段有上升趨勢, 后段有下降趨勢； 從時刻460到時刻509, 時刻510到時刻545, 數據快速上升； 從時刻546到時刻575, 數據快速下降； 從時刻576到時刻623, 數據較平穩, 呈上升趨勢； 時刻624到時刻643, 數據段擬合結果無意義； 從時刻644到時刻675, 數據較平穩, 呈上升趨勢.

趨勢分析主要分析數據長期的發展趨勢, 數據可能在短時間內波動, 而短時間內波動不作為關注的重點, 所以將基本滑動窗口長度設為30, 即1個月作為閾值, 當數據段長度不超過30時, 可認為是干擾引起, 不作為數據發展趨勢. 根據經驗分析, 當擬合曲線斜率超過2×10-5時, 設備出現故障的可能性較大. 本文研究結果表明, 具有這種趨勢的數據段為異常數據段, 所以反映設備出現故障的數據段包括時刻460～509,510～545產生的數據段. 這里不考慮超過閾值并且趨勢為快速下降的數據段. 分析結果表明： 超過長度閾值并且趨勢為快速上升的數據段為異常數據段； 在時刻460～509,510～545數據產生期間, 設備可能發生故障, 需要工作人員到現場檢修.

綜上所述, 基于電容型設備的介質損耗因數能反映設備的絕緣狀況, 本文應用時序數據的趨勢分析方法對設備介損監測參數進行了分析, 通過對數據流進行合理分割, 基于最小二乘法進行直線擬合, 進而實現了對變電站設備異常趨勢的檢測. 該方法目前已應用在變電站的實際監測系統中, 其能對實時監測數據進行自動分析判斷, 對電力設備的可能異常提示預警, 從而為工作人員提供輔助分析判斷.