大數據技術在電力故障預測方法中的研究

楊健， 葉秋紅， 王懷俊， 馬德萍

(國網寧夏電力有限公司吳忠供電公司， 寧夏，吳忠 751100)

0 引言

隨著經濟的發展，大數據技術得到了快速的推廣和普及，大數據技術在電力故障預測中有著普遍的應用。李俊艷[1]針對大數據分析角度提出數據三角模糊函數的方法，采用主客觀相結合的方法分析電力故障發生的概率。袁智勇等[2]利用評價分析法對電力故障情況進行評價，分析電力故障發生的概率。陳清明等[3]提出FFTA分析方法，即利用模糊故障樹的思路將事件發生的概率用梯形模糊數替代，深入分析電力故障情況。羅蘭溪[4]利用Apriori算法，分析電力故障的關聯關系，以及發生故障的關聯原因，分析電力故障影響因素的關聯性。有學者利用FDS和梯形模糊事故樹結合建立電力故障預測模型，分析多種有效影響因素，以此判定電力故障的發生程度[5-6]。

綜上所述，目前專家學者的研究主要是利用大數據手段中的梯形模糊事故樹進行預測，但是并未對梯形模糊事故樹存在的線性處理方法缺陷進行改進，導致預測的準確度仍有待提升。因此，本文從改進梯形模糊事故樹的角度出發，建立基于大數據技術的電力故障預測模型，提高對電力故障預測的精度，降低預測誤差。

1 梯形模糊事故樹在大數據中的應用

梯形模糊事故樹是大數據技術中對電力系統故障處理的常用方法，旨在利用構建事故樹的方法，在梯形模糊事故樹上表示故障事件發生的概率[7]。將事故樹與離散小波分解相結合，不僅可以分析電力系統的故障，還可以從電力信號的角度進行分析。

為了保證采集信號的連續性，在噪聲信號、有用電流信號之間分別設置平滑過渡區。這種情況下，離散小波分解函數可以表示為

δ(h)=h+Y2l+1-Yh≥Y

1(2l+1)Y2lh2l+1h≤Y

(1)

式中，h表示電流信號，δ表示降噪處理后離散小波系數，l表示小波系數序列，Y表示最優噪聲處理閾值。按照最大、最小估計方法進行計算，得到噪聲閾值為

Y=φ2lnF

(2)

式中，φ表示噪聲標準差，F表示故障檢測過程中采樣點數量，ln表示對數函數。利用式(2)計算的閾值對采集的電力信號進行降噪。

2 改進的梯形模糊事故樹的電力故障預測模型

采用以矩陣分解理論為核心的奇異值分解技術，對電流信號進行變換處理。當某一個矩陣內包含的行向量、列向量之間存在線性關系，則向該矩陣的兩側分別乘一個正交矩陣，形成對角陣，則該對角陣的對角線元素就是奇異值分解結果如下:

ηYQM=P

(3)

式中，Q表示故障檢測領域上的p*q階矩陣，η、M表示正交矩陣，P表示矩陣的奇異值分解。

其中：

η=f1,f2,…,fε

M=v1,v2,…,ve

(4)

P=κ10…0

0κ2…0

00?0

000κσ

(5)

并且：

σ=min(p,q)

(6)

式中，f表示正交矩陣η內的特征向量，ε表示正交矩陣η內向量總數，v表示正交矩陣M內包含的特征向量，e表示矩陣內向量總數，κ表示奇異值，σ表示分解后形成的奇異值總數量，min表示最小化函數。

當電力系統出現故障后，電流和電壓的波形都會出現較大變化，針對一系列電流離散信號構建特征矩陣，以此作為奇異值分解特征提取方法的基礎。通常情況下，為了保證奇異值分解結果能夠更好地反映出數字化三維電力故障信息，將離散序列的右移步長設置為1，其生成的特征矩陣屬于二維空間，該特征矩陣可以用公式表示為

T=t1t2…tτ

t2t3…tτ+1

????

tφtφ+1…tφ+τ-1

(7)

式中，T表示故障電流信號離散序列，t表示故障信號，τ表示行向量，φ表示空間維度。利用式(7)得到一個待分解的特征矩陣，針對該矩陣進行奇異值分解，分解結果可以更加準確地提取出故障特征。

3 實例分析

在電力系統故障檢測中，以某檢測區域為例，采集該區域變電設備電流的實時信息，采用db5小波基函數，進行小波變換處理，得到多個電流信號近似波形、細節波形，形成圖1所示的小波分解圖。

圖1 小波分解圖

在圖示中，d1、d2、d3、d4和d5表示了不同層小波分解結果。根據小波分解圖可以看出，數字化三維變電站出現故障問題后，原始電流信號內包含的高頻分量波形出現較大變化，表明故障時刻信號局部特征的改變。為了加強故障檢測的準確性，本次采集了三相電流信號，運用文中提出的改進的梯形模糊事故樹，即奇異值分解方法提取出原始電流信號內包含的特征信息，并定義信號特征參數,再結合小波變換算法、奇異值分解原理計算變電站運行過程中該區域最大小波奇異值，當最大小波奇異值出現大幅度突變趨勢，表明此時出現了故障問題。結合三相電流信號的波形特點，將最大小波奇異值計算的時間窗口長度設置為15 ms。

為了加強故障檢測結果的準確性，本次實驗采用小波變換算法，對圖1內顯示的d5層小波分解結果進行相空間重構，形成與原始電流信號相符的特征矩陣。控制時間窗口不斷向右側移動，獲取最大小波奇異值仿真波形圖，如圖2所示。

圖2 故障發生時各相最大小波奇異值波形圖

本次實驗測試過程中，同時采用CFS、PSO-RF方法進行故障檢測作為對比實驗(見圖3)。為了驗證文中提出檢測方法的抗干擾性能，在實驗過程中，不斷向信號中添加噪聲信息，對比3種方法的故障檢測誤差變化情況，體現文中設計方法的優越性。

由實驗結果可知，文中設計故障檢測方法的誤差不再穩定在0.04，而是呈現出上升趨勢,而基于CFS的故障檢測方法，在干擾噪聲為10 dB時就出現了誤差增長情況，當干擾噪聲為32 dB時，故障檢測誤差達到了0.47。與上述兩種檢測方法相比，PSO-RF方法的抗干擾性能更差，當干擾噪聲為2.4 dB時,檢測誤差無法保持穩定。綜上所述，文中提出的電力系統故障檢測方法抗干擾能力與其他兩種方法相比，提升了45%、66%。

圖3 3種故障檢測方法的抗干擾性能對比圖

4 總結

(1) 改進的梯形事故樹預測模型可以較大程度地降低預測誤差，與其他方法相比，誤差分別實現了一定程度的減弱。

(2) 本研究提出的電力系統故障檢測方法具有較強的抗干擾能力，可以在多種干擾因素下保證故障檢測的準確性。