配電站監控體系架構與健康評估

田 鵬，李 森，王振樹，鐘 遜，孫靚雨，高 輝

（1.國網山東省電力公司棗莊供電公司，棗莊 277000；2.山東大學電氣工程學院，濟南 250061）

隨著社會經濟、信息技術、人工智能以及能源結構的發展，構建智能電網是電力行業發展的必然要求[1]。配電站作為構建新型電網的關鍵環節，在電網電能傳輸和信息獲取的過程中起著重要的作用[2]。但目前配電站監控存在智能化程度較低、監測覆蓋不足、業務響應不及時等諸多問題[3-4]。因此，加強配電站監控體系研究并實時獲取配電站的健康狀態具有重要理論意義和工程價值。

電力物聯網建設的推進以及電網規模裝機容量的迅速增長使海量電網數據的采集、存儲、處理、搜索和決策面臨巨大的挑戰[5]。不僅要求數據的時效性、完整性、安全性；還要提高數據的處理能力，剔除無效冗余數據，對多參量數據有序存儲和應用[6]。傳統配電站監控“采集+云端集中處理”垂直結構制約了狀態感知和信息處理的時效性，且部分終端設備具有局限性，無法遠程接入網絡，網絡的不穩定性也使得云計算模式無法保證數據處理的實時性。邊緣計算有效解決數據處理的延時問題，將云端的一部分應用下沉到邊緣側，分擔云平臺的計算壓力，提高信息高效處理水平。

配電站具有結構復雜、設備眾多的特點，導致運行時采集數據困難，增加了對其狀態評估的難度。模糊層次分析FAHP（fuzzy analytical hierarchy process）[7]法靈活簡單，常應用于健康評估。然而這種方法存在主觀性太強的問題，不能根據配電站設備的實時運行狀態進行調整，當某一設備健康狀態下降時，處于同一層級的設備具有較高的健康度而使得某一設備健康狀態下降濃度被稀釋，造成評估結果產生較大的偏差。

知識圖譜是一種將客觀世界的概念、實體、時間及其之間的關系以可視化方式展示的圖數據庫[8]。它提供一種能夠從海量的文本和圖像中抽取結構化信息，并描述實體間關系的語義網絡[9]，具有從關系的角度分析問題的能力。目前，已被廣泛應用于智能搜索、智能回答、個性化推薦等領域[10]。

本文融合邊緣計算技術和知識圖譜構建配電站監控體系架構，部署智能終端設備和邊緣計算平臺，對電氣信息、環境信息和設備運行狀態進行全面感知和全方位交互，實現配電網設備智能互聯和本地智能決策。針對FAHP求取權重時受人為因素影響大的問題，在分析配電站相關設備指標參量的基礎上，構建配電站知識圖譜，結合新型劣化度函數，提出基于知識圖譜和改進模糊層次分析法IFAHP（improved fuzzy analytic hierarchy process）的配電站健康狀態評估方法，實現配電站的健康狀態評估。

1 基于邊緣計算和知識圖譜的配電站監控體系架構

1.1 邊緣計算

邊緣計算是指在靠近物或數據源頭的一側，采用網絡、計算、存儲、應用核心能力為一體的開放平臺，提供最近邊緣服務[11]。邊緣計算算法在邊緣設備平臺上進行計算和任務處理時，相較于云計算，減少計算延遲和云平臺的存儲壓力，降低網絡傳輸的風險，提高設備本地的實時處理能力和智能水平，同時進行云端以及終端設備協同配合，使配電站監控具備更強的數據處理效率。

1.2 邊緣計算和知識圖譜的配電站監控體系架構

傳統配電站監控系統架構如圖1所示。從配電站采集運行數據和環境信息，由網關向上傳送給服務器對數據進行收集和處理，通過調度中心進行統一監控。

圖1 傳統配電監控系統Fig.1 Traditional distribution station monitoring system

為了滿足配電站監控對配電站電氣、環境和設備運行狀態等信息進行全面感知和全方位交互，實現配電網設備智能互聯和本地智能決策，依據物聯網和互聯網技術，采用云-邊-端三層架構，其體系架構如圖2所示。云表示云平臺，依托云計算和大數據技術，對電力系統進行統一的資源管理調配和運行維護；邊表示邊緣計算層，位于云-端中間，支持與設備和云平臺的通訊；端表示智能終端，負責采集電氣信息、環境信息和狀態信息等。“云邊”之間采用5G通訊技術進行信息交互；“邊端”之間采用485以及zigbee通信技術等進行組網，并采用多協議適配、多參量物聯、即插即用和即時響應。

圖2 基于邊緣計算和知識圖譜的配電站監控體系架構Fig.2 Architecture of distribution station monitoring system based on edge computing and knowledge graph

配電站系統需要對海量結構化和半（非）結構化數據進行匯聚和分析，為加速異構數據的挖掘和價值轉化，打破信息之間的交互屏障，通過物理設備采集配電站數據，對系統存儲的歷史數據和間接信息提取關聯知識，記錄并保存至知識圖譜的數據庫中。對配電站進行健康評估時，從圖譜的數據庫搜索和匹配關鍵信息，快速從密集的信息和知識中挖掘數據特征，進行配電站健康評估。

1.3 邊緣四核處理及電力專用算法的搭載

現場節點通過各種類型的現場網絡和工業總線與邊緣層中的配電站邊緣裝置相連接，實現現場層和邊緣計算層之間數據流和控制流的連通。現場層連接傳感器、執行器、設備和控制系統等現場節點。邊緣計算層接收、處理和轉發來自現場層的數據流，提供智能感知、數據分析、智能計算、過程優化和實時控制等服務。

邊緣層封裝了邊緣側的計算、存儲和網絡資源，作為配電站邊緣裝置架構的核心，其性能要求大幅提高。邊緣計算四核處理器如圖3所示，邊緣計算層利用四核處理器對邊緣數據進行實時采集、處理和計算，提升了系統的并發能力和數據的實時性。同時為進一步提高程序的并行度，充分發揮多核處理優勢，通過編譯優化把原先單線程的代碼編譯成多線程。

圖3 邊緣計算四核處理器Fig.3 Quad core processor used in edge computing

基于現場實時采集的各類數據，邊緣計算層搭載配電站健康狀態評估電力專用算法對配電站進行健康評估，確保配電站始終處于良好的運行狀態。

2 配電站健康評估知識圖譜構建

2.1 知識圖譜

知識圖譜分為通用知識圖譜和領域知識圖譜。通用知識圖譜的涵蓋范圍廣，強調大量實體融合，對精確度要求低，且很難設定一個標準規范實體、屬性與關系。領域知識圖譜通常是針對某一行業，考慮具體的業務需求等因素構建的知識圖譜，對某一領域具有重要意義。

2.2 配電站知識圖譜

配電站作為向用戶或用電設備輸送電能的站點，內部包含多種設備，其中每個設備具有多項指標，要得到配電站的健康狀態，就需要對各項指標進行監測分析。面對海量的數據，工作人員往往得到的是單個指標的信息，沒有將整體的關系建立起來。因此，借助知識圖譜技術，對配電站主體、設備、以及指標之間的關系進行描述，構建配電站知識圖譜，以可視化的形式向工作人員提供配電站的相關信息[11-12]。

2.2.1 配電站的知識圖譜框架

針對配電站監控相關要求構建知識圖譜的框架如圖4所示。該框架包含3個層面：數據層、物理層和功能層。數據層包含在配電站運行過程中的結構化數據和非結構化文本數據。物理層主要包括：在功能層的指導下獲取數據層中相關實體、關系、屬性等結構化數據的知識抽取；對知識抽取所得到的實體進行融合；對配電站運行過程中實時變化的數據信息進行修正或更新。模式功能層應用知識圖譜中的相關數據信息進行健康評估、人機交互、智能搜索等。

圖4 配電站的知識圖譜框架Fig.4 Knowledge graph framework for distribution station

2.2.2 面向配電站健康評估的知識圖譜

選取基于Java的Neo4j圖數據庫，分別采用自頂向下、自底向上的方式構建知識圖譜的模式層、數據層；兩者相互結合建立配電站健康評估知識圖譜，如圖5所示。模式層是對實體、實體關系、屬性建立的模型。配電站健康評估知識圖譜的模式層由配電站主體目標層、一級指標設備層、底層設備指標層和各設備指標層以及它們之間的關系構成。數據層的構建主要分為知識抽取、知識融合、知識更新3部分。通過知識抽取方法從變壓器、10 kV真空斷路器、歷史故障記錄等中獲取半結構化數據，從配電站數據庫中獲取開關柜工作電壓、開關電流等結構化數據；根據實時運行數據，對知識圖譜中的內容進行更新和修正。

圖5 面向配電站健康評估的知識圖譜模式層與數據層構建Fig.5 Construction of knowledge graph pattern layer and data layer for distribution station health assessment

對配電站各層級間的實體關系進行初始化設置，采用向量表示方法（＜頭實體，關系，尾實體＞）[13]，建立＜配電站、設備主觀權值，設備層＞，＜設備層，關系1，圖譜權重＞，＜設備，指標主觀權值，指標＞等三元組，配電站健康評估預置知識圖譜，如圖6所示。

圖6 配電站預置知識圖譜Fig.6 Preset knowledge graph of distribution station

3 知識圖譜和IFAHP的配電站健康狀態評估

3.1 IFAHP健康評估方法

3.1.1 配電站健康評估體系評價集

對于配電站來說，如何將設備及指標的狀態進行客觀評價是很重要的。在健康狀態等級劃分的前提下，用模糊隸屬度函數表現各設備和指標屬于某一狀態的模糊程度，隸屬度越高代表其隸屬于這個模糊狀態的可能性就越大[14]。配電站健康狀態等級劃分如表1所示。

表1 健康狀態等級劃分Tab.1 Classification of health status levels

取每個狀態的分數區間的最大值作為此狀態的標準分數，用Cj表示。

模糊隸屬度函數的取值區間可采用等分法來確定隸屬度，通過該方法能夠有效減少計算編程的復雜程度，并且對于最終結果的精確度影響不大。引入三角隸屬度函數對其進行描述，具體步驟如下。

（1）評估對象的狀態分為5類，設指標i的第j個狀態的中心點為λj(j=1,2,3,4,5)，那么這一狀態的取值范圍是 [λj-1,λj+1]。將 (λj-1,0)、(λj,1)、(λj+1,0)3點連接起來，得到指標i關于狀態j的三角隸屬度函數，如圖7所示。

圖7 配電站狀態隸屬度函數Fig.7 Membership function for distribution station status

（2）將設備m對應指標測量數據分別歸一化后代入隸屬度函數，得到設備m(m=1,2,3,4)對應指標隸屬度矩陣Lm為

式中，矩陣中元素lm,ij(i=1,2,3,4;j=1,2,3,4,5)為設備m對應的指標i處于狀態j的隸屬度。

3.1.2 基于知識圖譜的主觀權重

基于知識圖譜，對實體之間關系的邏輯判斷，得到不同情況下的主觀權重。配電站中各設備的運行狀態除了受其運行參數的影響外，還受到氣候、使用年限等因素的影響。計及這兩種主要因素（可根據實際情況調整），設定關系1判斷。對區間進行劃分或分類；將氣候設定為夏季、冬季、春秋，確定設備使用年限的過渡值，進行排列組合；由專家法對不同情況下的每一層內的因素兩兩比較，利用1～9標度法得出判斷矩陣，通過判斷矩陣得到設備及指標的主觀權重αi，并進行一致性檢驗[15]，將各情況下得到的權值與關系1對應后存入圖譜。

當健康評估時，獲取當前氣候以及設備使用年限的相關數據，根據設定標準進行邏輯判斷；將此判斷與知識圖譜中的設備關聯關系匹配，得到對應的權值，并更新三元組＜配電站，主觀圖譜權重，設備＞中的圖譜權重，即此狀態下設備與指標的主觀權重。

3.1.3 改進動態權值

傳統求取權重的方法側重于專家評分的主觀方法，不能準確反映系統運行情況的變化。當運行參數在閾值范圍內，對設備的影響程度較小；當參數超出閾值范圍，隨著偏離程度的增大，對設備的健康狀態影響也越來越大。因此，根據這一特性提出新型劣化度函數，如圖8所示，通過劣化度函數求得指標的客觀權重，在閾值范圍內為線性函數，當超出閾值時用指數函數表示為

圖8 劣化度函數Fig.8 Deterioration degree function

在眾多的賦權方法中，主觀賦權法是以研究對象本身的特性為基準來確定相關權重，但是忽略了客觀性；而客觀賦權法往往能夠體現出這些研究對象的屬性在不同情況下的變化狀態。為了能夠將主、客觀的優點結合，把將兩種賦權方法相結合的方法稱為組合賦權法[16]，可求得設備或指標對應的組合權值為

式中：αi為指標i的主觀權值；ωi為指標i的組合權值；n為指標的總個數。

3.1.3 健康評估分數

由指標的隸屬度矩陣以及權值，求得對應設備m的隸屬度矩陣Bm，表示為

式中：ωm為設備m對應指標的權值矩陣；ωmi為設備m第i個指標對應的組合權值；Lm為設備m對應指標隸屬度矩陣，i=1,2,3,4；lm,ij為矩陣Lm中元素，表示設備m對應的指標i處于狀態j的隸屬度，j=1,2,3,4,5。

將各設備的隸屬度矩陣與其對應狀態區間的標準分數相乘得到設備m的評分Qm，即

式中，C1、C2、C3、C4、C5分別為狀態S1、S2、S3、S4、S5對應分數區間的標準分數。配電站健康狀態等級劃分如表1所示。

根據設備評分和權值，求出配電站整體的評分，即

式中，Qm為設備m對應的評估分數。

3.2 配電站健康狀態評估流程

知識圖譜和IFAHP的配電站健康狀態評估流程如圖9所示。

圖9 知識圖譜和IFAHP的配電站健康狀態評估流程Fig.9 Flow chart of distribution station health status assessment based on knowledge graph and IFAHP

4 算例分析

以山東地區某配電站為研究對象，基于歷史相關運行數據，利用MATLAB R2019b進行健康評估算例分析。

4.1 配電站設備層與指標層權重的確定

結合當前季節與使用年限，對關系1進行判斷，確定各設備及其指標[17-20]。以變壓器為例，此時關系下4項指標的重要程度按從高到低依次為：絕緣油介質、繞組短路阻抗初值差、C2H2含量、糖醛含量，并從知識圖譜中獲取對應權值。根據當前各指標測試值的偏移程度，應用層次分析法結合劣化度函數得到變壓器的4項指標狀態量的權值，如表2所示。

表2 變壓器指標權值Tab.2 Index weights of transformer

同理，可得其他設備對應的指標權值，如表3所示。

表3 10 kV真空斷路器、低壓開關柜、二次設備指標權值Tab.3 Index weights of 10 kV vacuum circuit breaker,low-voltage switchgear,and secondary equipment

重復上述步驟，得到的變壓器、10 kV真空斷路器、低壓開關柜、二次設備最終的改進權值依次為[0.32、0.28、0.18、0.22]。

4.2 指標層狀態評估計算

由圖7所示的隸屬度函數求得各設備指標的狀態數據對應的健康等級，如表4～表7所示。

表4 變壓器各指標對應的健康等級Tab.4 Health levels corresponding to each indicator of theTransformer

表5 10 kV真空斷路器各指標對應的健康等級Tab.5 Health levels corresponding to each indicator of the10 kV vacuum circuit breaker

表6 低壓開關柜各指標對應的健康等級Tab.6 Health levels corresponding to each indicator of the low-voltage switchgear

表7 二次設備各指標對應的健康等級Tab.7 Health levels corresponding to each indicator of the secondary equipment

由表2～表7的數據并根據加權運算，求得各設備的評估分數，如表8所示。

表8 各設備的狀態評估值Tab.8 Status assessment value of each equipment

4.3 配電站健康評估計算

根據各設備的評估分數與各設備改進權重，采用加權模糊綜合評判法，將表8中數據代入式（7）求得配電站整體的狀態評估分數。改進后的狀態評估分數與傳統的模糊層次分析法所得分數的對比如表9所示。

表9 狀態評估分數對比Tab.9 Comparison of status assessment score

本文方法求出的狀態分數為72.758，由健康狀態等級表可知，雖然配電站的整體運行狀況良好，但是存在某設備健康狀態下降；結合表8中變壓器的評估值為51.443分，說明目前變壓器設備的指標值已接近閾值，需要采取適當的措施以保證其運行的安全性；而傳統方法求出的分數為81.080，評估結果為健康，未反映出配電站目前的實際情況，證明了基于知識圖譜和IFAHP配電站健康評估方法有效性。

5 結語

本文構建了基于邊緣計算和知識圖譜的配電站監控體系架構。利用邊緣計算技術，構建智能化程度高、信息采集能力強、響應快速的配電站監控，并提出了基于知識圖譜和IFAHP的配電站健康狀態評估方法，提高了配電站健康評估的可信度。