煉化企業電力系統運行異常檢測技術研究

楊雪馳

（遼河石化公司，遼寧 盤錦 124000）

近年來，我國相繼發生多次大規模電力系統的停電事故，為國民經濟帶來了巨大的損失，尤其是在煉化企業等工業電力系統中，如果生產裝置運行時突然停電，對企業工作人員存在一定的生命威脅。總結整理相關大規模停電事故可知，其主要誘因就是電力系統運行異常，從局部小范圍的異常迅速擴散成為大規模的故障，從而引發停電事故。所以，為有效避免電力系統大面積停電事件的發生，我國眾多學者針對電力數據異常檢測紛紛展開相關研究，文獻[1]作者孫瀅濤等人從波動性、趨勢性與變動性幾個方面提取電力數據的時間序列特征，結合支持向量機進行數據異常檢測，以此解決電力數據異常威脅電網穩定運行的問題；文獻[2]作者董小瑞等人通過KLDA 模型對電力系統運行數據進行降維，再利用INFLO 模型發掘異常節點，實現電力運行數據的異常檢測。隨著研究的逐步深入，我國在民用電系統的大規模電力事故預防中已經取得了一定成果，但關于特殊行業的電力系統事故防范研究還很少，因此，有必要對煉化企業電力系統運行異常檢測技術進行探討，為提升我國煉化企業的生產效率奠定基礎。

1 提取煉化企業電力系統的異常電氣特征

對煉化企業電力系統運行異常進行檢測，主要是建立在電力系統運行數據基礎上進行的，所以本章主要介紹如何有效且高效地提取煉化企業電力系統運行異常數據特征。首先，在煉化企業電力系統運行過程中，實時采集電氣數據，一般來說，在電氣數據中，電流、電壓、電阻、功率等電氣特征更能直觀地體現出電力系統的運行異常事件，所以本文主要提取煉化企業電力系統的電壓、電流等異常電氣特征。以電壓特征為例，企業原始電壓曲線和戶變關系之間存在一定聯系，所以，為了通過電壓特征更精準地檢測異常事件，本文將電力系統的日電壓數據作為數據基礎，為便于特征提取，首先，將采集日電壓特征數據進行歸一化處理，使原始數據的空間維度一致，然后通過APAA 方法進行電壓特征的提取。在利用APAA 方法提取煉化企業電力系統的電壓特征時，主要采用電壓上升事件數量NU來表征異常的電壓特征，假設煉化企業日電壓數據的最大值與最小值之間的差值為ΔU，那么，需要根據下式來判斷煉化企業是否存在電壓上升事件：

式中，U 表示煉化企業電力系統的電壓上升事件；ε表示閾值。根據式（1）確定煉化企業電力系統存在電壓上升事件后，即可利用下式來提取異常電壓特征：

式中，Ut表示t 時刻煉化企業電力系統的電壓上升事件；T 表示電壓采集周期。以上，本文通過對比電壓上升事件數量NU與閾值的大小，來提取電力系統的異常電壓特征，一般情況下，在煉化企業的日電壓曲線上，不同時間的電壓變化特征存在不同的變化規律，所以難以提取到精準的異常電壓特征，而本文采用的APAA 算法可以精準捕捉到電壓的局部變化，從而有效提取到異常電壓特征。此外，煉化企業電力系統的電流、功率等異常電氣特征，同樣采用APAA 算法進行提取即可，本章將不再詳細贅述。

2 異常電氣特征選擇

一般來說，煉化企業電力系統在運行過程中產生的電氣特征種類與數量極多，如果直接對提取的異常特征進行檢測，不利于異常檢測的精度與速度，所以本章通過特征選擇算法，剔除掉冗余、無關的電氣特征，對異常電氣體征集合進行重構。當下，我國常用的特征選擇算法較多，每種方法的特點各不相同，本文結合煉化企業電力系統電氣特征的實際特點，引入Relief 算法進行特征選擇，該算法屬于特征權重法，對電氣數據類型無任何要求，只需計算出各個電氣特征的權重值，即可實現特征的選擇。具體步驟如下：首先，根據文中上述內容提取的異常電氣特征，生成一個特征集合，由于維度較高的特征數據會影響異常檢測技術的性能，所以在進行特征選擇前，需要對特征集合中樣本數據進行降維處理，使其由高維度特征空間映射至低維度的特征空間中。然后根據Relief 算法進行特征選擇，假設煉化企業電力系統異常電氣特征樣本集中隨機抽取一個特征樣本為B，與該樣本最近的M 個同類樣本特征均值為：

與樣本B 最近的M 個異類樣本特征均值β(δ)為：

式中，αi表示第i 個與B 最近鄰同類樣本；β i(δ)第i 個與B 最近鄰δ類樣本。根據式（3）、（4）即可求出特征權重，計算公式如下：

式中，ω(X)表示煉化企業電力系統異常電氣特征X 的權重值；分別表示B 與、B 與在特征X 下的差值；G(δ)表示δ類樣本出現的概率。根據式（5）即可求得提取的各個煉化企業電力系統異常電氣特征權重，所求權重值越大，表明該特征越重要需要保留，反之所求權重值越小，表明該特征越不重要，需要剔除，本文在進行特征選擇時，設定了一個初始權重閾值，根據該閾值完成特征選擇，得到一個全新的煉化企業電力系統異常電氣特征集合。最后，對這個異常電氣特征集中樣本的完整性與代表性進行驗證，確認無誤后，用于異常檢測技術中。

3 電力系統運行異常檢測

對于煉化企業電力系統而言，單變量的異常電氣特征之間是相互影響且相互制約的，據此本文提出相關變量間的假設：電力系統的電壓、電流等電氣特征之間存在相關性，且該相關性在系統運行正常狀態下與異常狀態下存在一定差距；電力系統的電壓、電流等電氣特征與系統組件的物理量之間存在相關性，且該相關性在系統運行正常狀態下與異常狀態下存在一定差距。基于此，本文采用相似性度量的方法來檢測電力系統的運行異常事件，由文中上述內容已知，煉化企業電力系統異常電氣特征為X，那么假設電力系統的正常電氣特征為Y，本文在上述兩個假設的基礎上，引入皮爾遜相關系數來度量X 與Y 之間的相關性，其計算公式如下所示：

式中，γX,Y表示煉化企業電力系統異常電氣特征與正常電氣特征之間的相關系數； cov (X,Y)表示電氣特征X 與Y 的協方差矩陣；λX、λY分別表示異常電氣特征X與正常電氣特征Y 的方差。如式（6）所示，本文在進行煉化企業電力系統運行異常檢測時，將上式抽象成一個具有泛化能力的計算模型，在電力系統運行過程中，求出電氣特征在電力系統正常運行模式下與異常運行模式下的相差明顯的相關系數，作為判定提取的電氣特征是否為異常特征的依據，在利用上述抽象模型進行異常檢測時，假設提取的電氣特征為觀測值，判定觀測值與模板值是否相關，如果相關，那么將該觀測值判定為異常電氣特征，反之，如果不相關，那么該觀測值判定為正常電氣特征，以此實現了煉化企業電力系統運行異常的動態檢測，且可以取得較為理想的檢測效果。

4 實驗分析

4.1 實驗準備

本章將對尚未涉及的煉化企業電力系統運行異常檢測技術進行仿真實驗與結果分析，分別采用基于深度學習的電力系統運行異常檢測技術、基于支持向量機的電力系統運行異常檢測技術作為實驗對照組。一般來說，煉化企業的電力系統就是由眾多總線、傳輸線及負載等組件構成的系統，所以，本文采用HIL 試驗臺來模擬電力系統運行環境，如圖1 所示。

圖1 電力系統模擬場景

如圖1 所示，本次實驗模擬的是2 總線、2 發電機的煉化企業電力系統，且在該電力系統中存在運行異常及正常事件如表1。

表1 模擬系統運行異常事件

如表1 所示，在本次實驗模擬的電力系統中，實驗數據集包含1 種正常數據和4 種異常數據，在原始實驗數據集中共存在181345 條數據，為確保本次檢測實驗的科學、可信，剔除部分殘缺、冗余的數據，每種異常事件僅保留28000 條有效數據，并將這些數據以2∶1 的比例劃分為訓練數據與測試數據，然后分別采用上述三種技術對這些數據進行檢測，得到檢測結果。

4.2 結果分析

由于煉化企業電力系統運行異常檢測的本質是一個二分類問題，所以本文為判斷各檢測技術的性能，采用下式所示指標來評估檢測結果：

式中，Recall表示查全率，體現了煉化企業電力系統運行異常檢測技術的準確性與完整性；TP 表示真正例，也就是被準確檢測的樣本數據數量；FN 表示假負例，也就是被錯誤檢測的樣本數據數量。當訓練與測試數據充足時，本文利用上式分別求出三種技術下檢測結果的查全率，并進行了比較，如表2 所示。

表2 電力系統運行異常檢測結果

從表2 中數據可以看出，本文設計電力系統運行異常檢測技術，相較實驗對照組中深度學習與支持向量機的檢測技術，其查全率有著明顯的提高，設計檢測技術的平均查全率為96.05%，提升了13.86%、14.40%，實驗對照組方法所構建的異常檢測器，將最大允許偏差的閾值調小了，所以導致電力系統異常事件檢測條件更加苛刻，檢測查全率較低，甚至基于深度學習的檢測技術基本無法有效識別電力系統的繼電器禁用異常事件。由此可知，提取電力系統異常電氣特征，基于特征選擇所設計的檢測技術的性能優越，很好地解決了傳統分類器因特征數據較多出現性能驟降的問題，該技術通過對異常數據的相似性度量，使得各類異常事件的檢測結果普遍較好，所以文中設計技術具有有效性與先進性，可以完美匹配煉化企業電力系統不同的異常檢測場景。

5 結語

本文針對煉化企業電力系統運行異常檢測問題進行了深入研究，首先，提取到電力系統在運行過程中產生的異常電氣特征；其次，在特征選擇的基礎上，基于相似性度量完成了異常事件的檢測；最后，文中搭建了模擬測試系統，對該檢測技術的性能進行驗證，結果表明，設計技術具有可行性與普適性。在煉化企業的電力系統運行期間，一旦出現設備故障等異常事件，就會造成用戶端企業出現不正常的停電事件，從而引發經濟損失甚至安全事故。所以，本文研究的煉化企業電力系統運行異常檢測技術具有重要的現實意義，為我國煉化企業開展循環性電力安全評估工作奠定了理論基礎，也為電力系統日常供電管理提供了理論依據。