基于智能索引算法的集控設備事故輔助預警方法研究

李 鵬，林 顯，曾旭川

（三峽水利樞紐梯級調(diào)度通信中心，四川成都 610094）

在“流域主導型、市場導向型、決策智慧型、管理創(chuàng)新型”四型梯調(diào)建設中，智慧調(diào)度是很重要的組成部分。但集控中心設備多數(shù)為24 小時高強度運行狀態(tài)，在長期運行過程中均存在不同程度的異常現(xiàn)象[1-2]，該類異常通常被劃分為可承受風險和不可承受風險，其中可承受風險通過定期對集控設備進行保養(yǎng)和更換配件得到解決[3]，而不可承受風險則造成設備損毀的同時也威脅著其他設備安全運行。為此對集控設備進行事故輔助預警非常有必要。學者李丞曜等[4]利用推理方式獲得設備當前運行風險程度，通過設置風險閾值實現(xiàn)事故輔助預警，馬波等[5]提出將設備運行數(shù)據(jù)輸入到無限學生t混合模型內(nèi)，利用該模型迭代輸出故障輔助預警結果。但上述兩種方法在應用過程中受設備數(shù)據(jù)眾多、數(shù)據(jù)維度不統(tǒng)一影響，使其輔助預警結果不夠準確。

空間索引算法是從海量的大數(shù)據(jù)內(nèi)檢索到關鍵信息的算法，空間索引算法包含R-樹、四叉樹、八叉樹等算法，其中R-樹動態(tài)索引算法是運用最為廣泛的算法。該算法在檢索信息時具備較高的檢索效率和較低的時間復雜度[6]。為解決調(diào)控值班中的痛點難點，提升電力集控中心遠程調(diào)控及設備故障預警智能化水平，把調(diào)控值班人員從大量重復性工作中解放出來，更加專注于核心能力提升。將空間索引算法應用其中，研究基于智能索引算法的集控設備事故輔助預警方法。

1 集控設備事故輔助預警方法

1.1 集控設備數(shù)據(jù)采集

集控設備數(shù)據(jù)采集是其事故輔助預警的基礎，但集控設備始終保持高速運行狀態(tài)，電壓互感器型號為JLSZV-10/6，該電壓互感器精度較高且適用于較微小的集控設備電壓采集，其采樣偏差數(shù)值為0.08 V 左右。電流互感器和電壓互感器參數(shù)如表1所示。

表1 電流與電壓互感器詳細參數(shù)

利用電流互感器和電壓互感器采集集控設備運行數(shù)據(jù)，將該數(shù)據(jù)導出后獲得集控設備的采樣值序列，利用采樣值序列建立集控設備數(shù)據(jù)樣本集，對用戶后續(xù)集控設備事故輔助預警。

1.2 基于智能索引算法的集控設備事故信息檢索

R-樹索引算法將集控設備數(shù)據(jù)樣本集內(nèi)信息放置于空間數(shù)據(jù)庫內(nèi)，并為每個數(shù)據(jù)對象分配一個具備唯一性的元組（tuple），且每個元組均具有獨立的標識號。在R 樹內(nèi)，每個葉結點均記錄一個空間數(shù)據(jù)對象，其可由下式描述：

式中，n表示集控設備數(shù)據(jù)空間維度，tupleideftifier 表示數(shù)據(jù)對象的元組和標識號；Q0表示集控設備數(shù)據(jù)的最小包圍框；Qi表示在第i維度空間內(nèi)數(shù)據(jù)對象范圍[7-8]。

在R 樹的非葉結點中，其每個索引記錄均指向下一個結點，其可由(Q,child-pointer) 描述，其中child-pointer 表示指向下一個結點的指針。依據(jù)R樹的葉結點和非葉結點描述，建立其檢索索引后，利用該索引即可在集控設備數(shù)據(jù)樣本內(nèi)獲取到其事故信息[9-10]。R-樹檢索集控設備事故數(shù)據(jù)過程如圖1所示。

圖1 R-樹檢索集控設備事故數(shù)據(jù)過程

將集控設備數(shù)據(jù)樣本導入到R-樹模型內(nèi)，通過建立R 樹索引后，計算查詢集控設備事故數(shù)據(jù)坐標范圍，并利用建立的R 樹索引搜索集控設備事故數(shù)據(jù)，然后判斷事故數(shù)據(jù)是否在該坐標范圍內(nèi)，若是則輸出檢索結果，反之則回到上一步重新計算集控設備事故數(shù)據(jù)坐標范圍[11-12]。經(jīng)過上述步驟，獲取到集控設備數(shù)據(jù)內(nèi)的相關事故數(shù)據(jù)。

1.3 基于滑動相似度的輔助預警方法

依據(jù)集控設備事故數(shù)據(jù)間關聯(lián)規(guī)則，計算其滑動相似度，利用集控設備事故數(shù)據(jù)的滑動相似度，去除個別離群數(shù)據(jù)樣本點，提升集控設備事故輔助預警的精準度。利用滑動相似度計算方式對集控設備事故輔助預警過程如下：

令xi、xj分別表示模糊推理得到的參考狀態(tài)向量和正常狀態(tài)向量，二者之間的歐氏距離用dij表示，其表達公式如下：

式中，o表示集控設備狀態(tài)向量維度；k表示向量內(nèi)元素序號[13-15]。

令區(qū)間[0,1]范圍內(nèi)的標準化相似度為U(xi,xj)，其表達公式如下：

依據(jù)式（3）的相似度標準，計算集控設備狀態(tài)向量和參考向量的相似度數(shù)值[16-17]，其表達公式如下：

由于集控設備狀態(tài)變量內(nèi)涵蓋的故障數(shù)據(jù)量不同，且某些變量間存在關聯(lián)關系，其可反映不同的集控設備故障，在此引入故障輔助預警的貢獻權重?k對式（4）進行改進，則有：

依據(jù)式（5）計算得到集控設備狀態(tài)變量和參考變量間相似度后，利用該相似度數(shù)值組成相似度向量，然后利用滑動窗口方法實現(xiàn)集控設備故障輔助預警，其過程如下：

令N表示滑動窗口寬度即個數(shù)，由集控設備狀態(tài)變量和參考變量間相似度組成的相似度序列由式（6）表示：

計算式（6）在滑動N個窗口后的滑動相似度平均值，其表達公式如下：

利用式（7）計算所有集控設備故障數(shù)據(jù)相似度數(shù)值的平均值后，將該平均值組成向量U″，然后設定Um為最小滑動平均相似度，其表達公式如下：

令ε表示輔助報警閾值系數(shù)，依據(jù)式（8）結果和輔助報警閾值系數(shù)確定集控設備故障預警閾值ε，其報警閾值系數(shù)為：

式中，輔助報警閾值系數(shù)是集控平臺人員依據(jù)以往經(jīng)驗得到的，為降低集控設備故障輔助報警的誤報率，輔助報警閾值系數(shù)一般取值為0.85～0.98 之間。當集控設備參考狀態(tài)向量與實際狀態(tài)向量的相似度數(shù)值低于式（9）數(shù)值時，則向用戶發(fā)出設備故障輔助預警信息。

2 實驗分析

以某大型水電集控中心為實驗對象，該集控中心內(nèi)涵蓋若干臺0.56 萬千瓦的水輪發(fā)電機組，總裝機容量高達1.5 萬千瓦。在該水電集控中心內(nèi)，一次、二次變電設備、轉接設備、負載調(diào)壓設備以及監(jiān)控設備眾多，為保障該水電集控中心各設備正常運轉，應用該文方法對其展開設備事故輔助預警，同時驗證所提方法實際應用效果。為使實驗結果更加準確，使用Matlab 仿真軟件模擬該大型水電集控中心設備運行環(huán)境，進行模擬仿真實驗。

2.1 數(shù)據(jù)采集

以水電集控中心的電壓轉換設備為實驗對象，在Matlab 仿真軟件內(nèi)設置該設備電壓出現(xiàn)微小波動狀況[18-19]，使用所提方法采集該設備電壓，測試所提方法對設備微小電壓的數(shù)據(jù)采集效果，結果如圖2所示。

圖2 微小設備電壓數(shù)據(jù)采集測試結果

分析圖2 可知，在Matlab 仿真軟件內(nèi)模擬電壓轉換設備電壓輕微波動情況時，該文方法采集的設備電壓數(shù)值曲線與仿真軟件模擬數(shù)值曲線幾乎重合，僅在電壓出現(xiàn)波動的波峰和波谷位置處存在輕微偏差。其中，最大偏差出現(xiàn)在時間為0.5 s時，該電壓轉換設備電壓出現(xiàn)下降的波谷位置，其偏差數(shù)值為0.05 V左右，該數(shù)值在電壓互感器采樣允許偏差數(shù)值內(nèi)。

2.2 設備事故信息檢索測試

以水電集控設備某段時間內(nèi)的20 000 個運行數(shù)據(jù)為實驗對象，應用所提方法在20 000 個運行數(shù)據(jù)內(nèi)檢索其事故數(shù)據(jù)，結果如表2 所示。為更明確呈現(xiàn)所提方法設備事故信息檢索功能，同時使用文獻[4]方法和文獻[5]方法展開對比實驗。

表2 設備事故信息檢索測試結果

分析表2 可知，所提方法在開始檢索水電集控設備事故信息的第0.2s時，其檢索到的設備事故信息數(shù)量均高于文獻[4]方法和文獻[5]方法。隨著檢索時間的增加，所提方法在檢索時間為0.8s時其檢索設備事故信息數(shù)量與實際設備事故信息數(shù)量完全相同，而文獻[4]方法和文獻[5]方法分別在檢索時間為1.4s和1.6s時其檢索設備事故信息數(shù)量與實際設備事故信息數(shù)量相同，說明所提方法可有效檢索設備數(shù)據(jù)內(nèi)的事故信息的同時，其檢索時間消耗較少，檢索設備事故信息速度較快。

2.3 輔助預警效果測試

以模糊置信度衡量該文方法輔助預警精度，測試在不同集控設備運行數(shù)據(jù)量情況下，該文方法在輔助預警過程中的模糊置信度變化情況，結果如圖3所示。

圖3 輔助預警模糊置信度變化情況

分析圖3 可知，該文方法在輔助預警集控設備事故時的模糊置信度數(shù)值隨著設備運行數(shù)據(jù)量的增加呈現(xiàn)輕微波動趨勢，其數(shù)值始終保持在0.9 左右。而文獻[4]方法和文獻[5]方法的模糊置信度數(shù)值則隨著設備運行數(shù)據(jù)量的增加呈現(xiàn)降低趨勢，其中文獻[5]方法的模糊置信度數(shù)值降低趨勢尤為明顯。說明該文方法在輔助預警集控設備事故時的模糊置信度數(shù)值較高，說明其預警精度較好。

進一步驗證該文方法對水電集控設備事故的預警能力，在Matlab 仿真軟件內(nèi)模擬不同次數(shù)的設備運行事故，同時使用三種方法對其進行預警，結果如圖4 所示。

圖4 水電集控設備預警測試結果

分析圖4 可知，三種集控設備事故輔助預警方法在模擬集控設備事故次數(shù)為1 000 次之前時，其輔助預警次數(shù)和模擬次數(shù)完全相同，但在模擬集控設備事故次數(shù)為2 500 次時，該文方法預警次數(shù)與模擬次數(shù)之間的差值最小。

3 結論

該文研究了基于智能索引算法的集控設備事故輔助預警方法，應用到了智能索引算法內(nèi)的R-樹算法，利用其搜索集控設備運行數(shù)據(jù)內(nèi)的事故信息，具備較好的集控設備運行數(shù)據(jù)采集能力和設備事故信息檢索能力，同時其具備較為準確的集控設備事故輔助預警能力。