電力系統中輸變電設備智能化網絡運維管理方法

金海勇， 盧貴有， 王慶利， 李秀廣

(1.上海樂研電氣有限公司，上海 201802；2.國網四川省電力公司檢修公司，四川, 成都 610041；3.河南平高電氣股份有限公司，河南，平頂山 467001；4.國網寧夏電力公司電力科學研究院，寧夏，銀川 750001)

0 引言

輸變電設備在電力設備中發揮著至關重要的作用，關系到電力系統的穩定和用戶的安全。現有技術中的輸變電設備在運維過程中存在諸多缺點，故障能力診斷效果較差，針對該問題，相關學者進行了一系列研究。文獻[1]采用人工智能(Artificial Intelligence,AI)技術實現輸變電設備運維過程中的識別、預測、優化、決策等，該技術雖然為電力設備運維作出技術貢獻，為電力設備的運維檢修提供了全新的技術手段與研究思路，但該方案并沒有有針對性地分析某一項技術問題，對輸變電設備的故障發生點也難以實現定位，數據交互能力差。文獻[2]將物聯網和移動互聯技術有機地融合在一起，提高了設備智能識別、可視化展示能力，但是故障診斷能力較差，當輸變電設備運維過程出現電網紋波、電力故障或者其他數據信息時，難以實現輸變電設備智能化診斷。

基于以上分析，本研究設計一款新型的輸變電運維管理平臺，能夠實現底層設備運維過程中的全過程監控。

1 輸變電運維管理平臺架構設計

針對上述技術的不足，本研究設計出新型的輸變電運維管理平臺，如圖1所示。

圖1 輸變電運維管理平臺整體架構設計

這個電力系統輸變電設備智能化網絡運維管理平臺整體架構大體上分類為底層設備層、數據采集層、數據傳輸層、數據計算層和運維監控層。

在底層設備層，主要設置各種輸電設備。輸電設備在運維過程中能夠輸出各種數據信息，比如電流、電壓、功率等。輸電設備被數據采集模塊采集信息，比如輸變電設備的各種參數，如運行數據、環境數據、設備通信數據等不同信息。數據采集的技術手段包括但不限于氣體濃度傳感器、溫度探頭、濕度計、攝像頭、水浸、煙感等硬件設備。采集到的數據信息通過云通信、網關、RS485協議等接收，并匯總上傳到云端進行存儲[4]。

在數據計算層，設置了各種計算機算法模型，進而實現多種不同數據信息的交互和通信[5]。設置的數據處理工具有改進型人魚算法模型(Artificial Fish Swarm Algorithm, AFSA)、故障診斷模型等，這些大大提高了數據分析和計算的能力。計算后的數據信息傳遞到上層管理中心，通過運維監控層實現計算后數據信息的遠程控制，使得用戶能夠快速獲取輸變電運維管理情況[5]。

2 關鍵技術設計

2.1 改進型人魚算法模型數據追蹤方法

本研究采用的改進型人魚算法模型具有以下技術特點：在人魚算法模型中融入行波定位方法實現輸變電設備運維過程中的行程分析，實現輸變設備運維過程中獲取運維中心命令的最佳接收路線或者時間，通過行波定位方法實現輸變電設備的位置定位[6]。改進型人魚算法模型數據追蹤方法架構圖如圖2所示。

圖2 改進型人魚算法模型數據追蹤方法架構圖

下面對研究的方法進行說明，假設運維中的輸變設備存在的運維數據點的數量記作M，則在電力系統中構建輸變電設備的數據集合可以為

x=(x1,x2,x3,…,xM),xi∈{1,2,…,M}

i=1,2,…,M

(1)

式中，xi為輸變設備運維編碼，輸變設備運維列表x為1-M的輸變設備運維序列。輸變設備運維作業優化的目標尋求最佳序號排列[7]，以便輸出的輸變設備運維目標函數值達到最小，以簡化運維評估程序。在該過程中，融入行波定位方法以檢測輸變電設備運維過程中的故障點位置。其原理圖如圖3所示。定位原理如下。

圖3 行波定位方法原理圖

假設運維中的輸變設備初步檢測到故障點時的時間為t1，第2次為t2，則故障點釋放的行波在時間點t1和t2之間產生了距離關系，假設故障點之間的距離為L，在不同故障點之間進行多次反射，則存在式(2)，

(2)

式中，L為輸變電設備運維過程中出現的故障點與輸變電設備輸出母線L之間的長度，v為行波在空氣中的速度，t1和t2分別為不同時間點下檢測到的行波。通過這種關系式，能夠計算出輸變設備在運維過程中出現故障的距離。這種方法能夠在輸變電設備運維追蹤過程中及時獲取輸變電設備在電力系統中出現的故障位置。

假設電力系統中存在N臺輸變電設備，各臺輸變電設備在運維過程中，對應輸出的運維數據量記為pi(i=1,2,…,N)，則不同的輸變電設備在運維過程中的列表通過式(1)可以截取具體輸變電設備對應部分，追蹤數量可以為pi(i=1,2,…,N)。通常在電力系統中，所有輸變電設備通過統一的運維中心進行管理，在完成任務后，運維數據傳遞回運維中心，對于最佳路徑規劃方案，將所有輸變電設備運維方式、運維輸出的參數長度進行加權求和[8]，最終輸出適應度函數如式(3)：

(3)

通過上述描述，本研究的改進型人魚算法模型參數設置可以為：人工魚個體(在本研究中為輸變電設備)記作X=(X1,X2,…,Xn)；模型的適應度函數值記作f(X)，表示人工魚在位置X對應的食物濃度，即輸變電設備在運維中面臨的環境影響情況。2條人工魚所處位置(即本研究中不同輸變電設備之間)Xi和Xj之距為

(4)

其中，δ表示輸變電設備在電力系統中的擁擠度因子。

經過多次迭代計算，則輸出輸變電設備接收運維中心數據信息的位置及其適應度函數值，當實際迭代次數與預期次數相同時，則可記錄魚群算法尋優輸出結果。

2.2 改進型BP神經網絡算法模型的故障診斷方法

本研究改進型BP神經網絡算法模型的故障診斷示意圖如圖4所示。

圖4 改進型BP神經網絡算法模型

故障診斷分為以下步驟。

(1)輸入輸變電設備運維數據信息，對數據信息進行初始化，以提高運維數據的純潔度。

(2)啟動分類算法模型，按照輸出電流、電壓或者電網中的其他數據信息進行分類，將輸變電設備中的數據信息以不同的數據屬性分類，作為不同的數據分區。

(3)分區后的運維數據信息被輸入到輸入層，設置BP神經網絡模型中的參數信息、權值、隱藏節點、閾值等，以調整模型輸出結果。權重輸出結果可以為

(5)

式中，η表示模型中神經元的學習效率，ωki表示權重，采用式(6)調整隱含層權系數：

(6)

實際輸出與目標輸出之間的誤差公式可以為

(7)

總準確函數表達式為

(8)

上述方法可以通過以下程序完成。

程序表示方法輸入:原始輸入數據信息,公式(5)～(8)的數據訓練集,設置學習效率過程:(1)將輸入數據集合初始化處理,包括神經網絡模型中的連接權值、閾值、神經元等(2)Repeat(3)Forall(xk,yk)∈Ddo(4)根據設置的隱層,逐層計算(5)Endfor(6)Until達到停止條件輸出:診斷誤差

3 試驗結果與仿真

通過上述技術論證，下面對本研究的方法進行試驗。仿真環境為MATLAB/R2018，數據平臺為OMAP 5432 平臺，CPU采用ARM CorTex-A15框架的Exynos5250，主頻高達1.7 GHz。硬件結構如表1所示。

表1 硬件參數示意圖

試驗架構示意圖如圖5所示。

圖5 試驗架構示意圖

3.1 改進型人魚算法模型驗證

將該算法與不具有行波行為功能的k-means算法模型進行對比驗證。在電力系統中存在 1 000 000臺電力系統設備，各臺輸變電設備在運維過程中，對應輸出的運維數據量記為pi(i=1,2,…, 1 000 000)。為了驗證數據接收量，將電力設備運行過程中的不同數據信息之間的故障點距離記作為L，通過將試驗數據代入上述公式 進行計算后，記錄輸入數據信息任務下達量，再分別采用本研究不同的方法，比如k-means算法模型任務接收量、耗時、本研究方法任務接收量及耗時等多種數據情況，進而對比不同方法的數據接收情況與耗時情況。輸入數據樣本示意表如表2所示。

在表2中，假設在A、B、C、D四處位置對1 000 000臺輸變電設備發出命令，分別計算運維命令追溯的準確率。通過表1的數據信息，為了提高數據計算率，將不同的數據信息劃分為不同數據組，以提高數據運行能力。通過不同數據運行情況，可以看到本研究方法接收數據量90%以上，采用k-means算法時，時間耗費大于200 s以上，本研究的方法數據接收量大、耗時短，并且具有定位功能。

表2 輸入數據樣本示意表

3.2 改進型BP神經網絡算法模型

在進行改進型BP神經網絡算法模型驗證時，通過幾組計算式對構建的BP神經網絡模型進行驗證。其中，準確率公式為

(9)

召回率公式為

(10)

(11)

最終輸出評估FI值可以為

(12)

采集到的數據樣本和輸出計算如表3所示。

表3 測試樣本數據計算表

通過樣本計算，發現改進型BP神經網絡模型計算后，其召回率分別為93.5%、94.1%、91.9%、92.1%和91.9%，正確率分別為93.4%、94.5%、93.6%、94.3%和93.9%，計算準確率為95.8%、96.3%、95.9%、97.3%和96.4%。將BP神經網絡模型與改進型BP神經網絡模型進行誤差對比，得出如圖6所示的誤差對比。

圖6 誤差對比

BP神經網絡模型的誤差評估模型雖然具有較高的準確率，但是改進型BP神經網絡模型具有的誤差準確率更高。

4 總結

針對輸變電設備運維過程中管理和數據故障監管，本研究設計了一種智能化、多功能輸變電運維管理平臺，實現底層設備運維過程中的各種數據信息管理、采集、計算、傳輸和遠程應用，新型的改進型人魚算法模型提高了數據分析能力，基于分類算法的BP神經網絡模型提高了數據處理和分類能力。本研究雖然在一定程度上提高了輸變電設備運維過程的管理能力，但仍舊遺留了諸多問題，比如數據采集問題等，這需要進一步地研究。