基于多數據源融合的變電站設備狀態評估方法

王文華 陳定標 張旭東 趙 耀 李發元

（貴州電網六盤水供電局）

0 引言

變電站設備狀態對變電站整體運行有著重要影響，通過狀態評估研究的現狀分析，采取有效措施確保電力系統的穩定運行，提高設備的運行效率［1］。從維護電力系統的穩定運行角度分析，變電站設備狀態評估可以在未出現故障之前預測設備健康狀況，并及時采取維修和保養措施，避免設備故障［2］，確保電力系統的穩定運行。從提高變電站設備的運行效率角度分析，經過一定的使用期限，一些設備由于受到環境、電壓等多種因素影響，會出現性能下降等問題［3］。在此時，通過狀態檢修可以及時發現和修復設備存在的問題，使設備恢復到最佳工作狀態，從而提高設備的運行效率和性能指標。現階段，變電站設備狀態監測技術還有待提高。盡管現有的監測技術取得了一定的進展，但在實時性、可靠性和準確性方面仍存在一定的局限性［4］。例如，對于一些關鍵設備的微小故障或潛在問題難以準確識別和診斷。另外，電站設備狀態評估工作涉及大量的數據處理和分析，需要專業的技術人員進行操作和管理［5］。然而，目前部分發電廠在這方面的人力資源配置相對薄弱，技術人員的培訓和管理也不夠完善，影響了設備狀態評估的效率和準確性［6］。

在此基礎上，本文提出基于多數據源融合的變電站設備狀態評估方法研究，并設置了對比測試環境，分析驗證了設計評估方法的應用性能。

1 變電站設備狀態評估

1.1 多源變電站設備狀態數據關聯關系分析

在分析多源變電站設備狀態數據之間的關聯關系時，較為常見的方法為統計分析方法，包括相關性分析、主成分分析、聚類分析等，這也是研究不同數據源之間關系的重要手段之一［7］。考慮到變電站設備狀態自身的屬性特征，本文采用主成分分析（PCA）方法，計算和分析多源變電站設備狀態數據之間的關聯關系。

主成分分析（PCA）作為一種常用的降維方法，它通過將原始特征線性組合成一組新的特征，這組新的特征被稱為主成分。主成分之間的正交性意味著對應的多源變電站設備狀態數據之間沒有相關性［8］，同時它們也盡可能地包含了原始數據的變異性。因為，本文借助主成分分析減少多源變電站設備狀態數據集的維度，以此最大限度保留多源變電站設備狀態數據中盡可能多的信息［9］。計算過程如下：

（1）原始多源變電站設備狀態數據標準化：由于不同數據源的量綱可能不同，首先需要對數據進行標準化處理。具體計算公式如下：

式中，xi*是標準化后的變電站設備狀態數據，xi是原始變電站設備狀態數據，是原始變電站設備狀態數據的均值，s是原始變電站設備狀態數據的標準差。

（2）計算多源變電站設備狀態數據協方差矩陣：協方差矩陣可以衡量數據源之間的相關性。具體計算公式如下：

式中，Cij是變電站設備狀態數據協方差矩陣的元素，xij*是變電站設備狀態數據源的標準化數據，和分別是第i和第j個數據源的均值，N是樣本數量。變電站設備狀態數據協方差矩陣元素的構成受變電站設備的具體情況影響，本文設置了以下四類矩陣元素構成，具體如表1所示。

表1 變壓器和斷路器相關參數信息統計表

表1 變電站設備狀態數據協方差矩陣元素構成

依據表1所示的變電站設備狀態數據協方差矩陣元素的構成設計情況，最大限度保障分析結果的可靠性。

通過以上計算過程，可以得到一組不相關的主成分，這組主成分可以用來表示原始變電站設備狀態數據中的主要信息。如果主成分之間存在相關性，則說明它們之間存在信息重疊，這時可以選擇更少的主成分來保留更多的信息。

1.2 變電站設備狀態評估

結合上述分析結果，本文在變電站設備狀態進行評估時，主要是根據實際變電站設備狀態數據與計算得到的相關系數特征分布閾值之間的關系實現的。

對于計算多源變電站設備狀態數據特征值和特征向量，協方差矩陣的特征值和特征向量可以表示變電站設備狀態數據源之間的相關性。具體計算公式如下：

式中，C是變電站設備狀態數據的協方差矩陣，λ是變電站設備狀態數據的特征值，E是單位矩陣。通過求解方程可以得到特征值和特征向量。

對于設備狀態評估階段主成分的選擇，本文將特征值從大到小排序，選擇前k個最大的特征值對應的特征向量，則k個特征向量是最終的主成分。

在此基礎上，具體的評估方式可以表示為

式中，y表示實際變電站設備狀態數據，a表示特征向量的置信區間，結合選擇前k個最大的特征值對應的特征向量充分，ka的主要作用是對變電站設備狀態數據進行修正。那么則有，當修正后的變電站設備狀態數據在變電站設備狀態數據的協方差矩陣范圍時，則設備處于正常狀態；相反地，當修正后的變電站設備狀態數據不在變電站設備狀態數據的協方差矩陣范圍時，則設備處于異常狀態。

按照上述所示的方式，實現對變電站設備狀態的評估分析，為實際的變電站設備安全穩定運行以及相關維護措施的有序開展提供有價值的幫助。

2 應用測試

2.1 測試環境

本實驗旨在驗證基于多數據源融合的變電站設備狀態評估方法的有效性。為了對比分析，另外設置兩種變電站設備狀態評估方法作為對照組：基于單數據源的變電站設備狀態評估方法和基于傳統監測設備的變電站設備狀態評估方法。

在具體的實驗準備階段，需要選擇合適的測試環境參數，收集了一座220kV變電站的主站和子站的歷史數據，包括變壓器、斷路器、隔離開關等設備的運行數據、故障歷史、維修記錄等。該變電站共有20個設備，收集了每個設備連續12個月的數據包括電壓等級、設備類型和系統結構等。在具體的測試階段，本文主要以變壓器和斷路器作為狀態評估對象。其中，變壓器和斷路器的相關參數信息如表1所示。

在上述基礎上，為了能夠更加客觀地對本文設計的基于多數據源融合的變電站設備狀態評估方法性能進行評估，設置三種方法在相同的測試工況下進行設備狀態評估測試。通過對比不同方法的評估效果，對其進行分析。

2.2 測試結果與分析

在分析不同方法的變電站設備狀態評估效果時，本文將故障誤報次數和故障漏報次數作為具體的評價指標，其中，故障誤報次數用于衡量設備狀態評估方法錯誤地檢測到設備故障的能力。故障誤報次數越小，說明在避免誤報方面的性能越好。故障漏報次數用于衡量設備狀態評估方法未能檢測到設備故障的能力。故障漏報次數越少，說明在檢測設備故障方面的性能越好。其中，具體的測試結果如圖1所示。

圖1 不同方法測試結果對比結果

結合圖1所示的測試結果可以看出，基于單數據源的變電站設備狀態評估方法下，故障誤報次數和故障漏報次數均處于較高水平，分別達到了16次和10次；在基于傳統監測設備的變電站設備狀態評估方法的測試結果中，雖然故障誤報次數和故障漏報次數與基于單數據源的變電站設備狀態評估方法相比有所下降，但仍存在進一步優化的空間。相比之下，在本文設計方法的測試結果中，故障誤報次數分別低于對照組11次和10次，故障漏報次數分別低于對照組8次和5次。綜合上述測試結果可以得出結論，本文設計的基于多數據源融合的變電站設備狀態評估方法具有良好的實際應用價值。

3 結束語

本文設計基于多數據源融合的變電站設備狀態評估方法。通過整合多個數據源的數據，能夠更全面、準確地評估設備的狀態，從而為電力系統的穩定運行提供有力支持。經實驗驗證，設計方法的故障誤報次數和故障漏報次數均較低，其在未來將具有更廣泛的應用前景。未來的研究方向包括改進數據預處理方法、優化特征提取技術以及引入更先進的機器學習算法等，進一步提高變電站設備狀態評估的深度、廣度和精度。