電力系統(tǒng)中的智能化變壓器接入點推薦系統(tǒng)

梁 戟，鄧長安，湯鐵軍，胡開慶，朱 皓

（貴州電網(wǎng)有限責任公司六盤水供電局，貴州 六盤水 553000）

0 引 言

在變電站中，智能電子設備的廣泛應用為實現(xiàn)設備的遠程監(jiān)控和數(shù)據(jù)傳輸提供便利。傳統(tǒng)的變壓器監(jiān)控方式通常存在數(shù)據(jù)采集和通信問題，如RS-485接口的多主站訪問沖突問題，多個監(jiān)控系統(tǒng)同時存在會導致管理遙控權(quán)限沖突。這些問題不僅影響著監(jiān)控的效率和準確性，還威脅著電力系統(tǒng)的穩(wěn)定運行。因此，急需開發(fā)一種新型的智能化變壓器接入點推薦系統(tǒng)。

1 智能化變壓器接入點推薦系統(tǒng)設計

1.1 系統(tǒng)架構(gòu)

1.1.1 數(shù)據(jù)采集層

數(shù)據(jù)采集層主要負責采集變壓器中的數(shù)據(jù)[1]。數(shù)據(jù)采集設備可以安裝在變壓器的基座上或變壓器內(nèi)部，通過傳感器和儀表收集變壓器的運行狀態(tài)信息。

1.1.2 數(shù)據(jù)處理層

數(shù)據(jù)處理層主要負責處理和分析采集到的數(shù)據(jù)。數(shù)據(jù)處理設備采用嵌入式系統(tǒng)或獨立的計算機，通過處理和分析采集的數(shù)據(jù)，以提取變壓器運行狀態(tài)的相關信息，并評估和診斷這些信息。

1.1.3 數(shù)據(jù)傳輸層

數(shù)據(jù)傳輸層主要負責將處理后的數(shù)據(jù)傳輸?shù)缴霞壪到y(tǒng)。數(shù)據(jù)傳輸可以采用有線或無線方式，如以太網(wǎng)、Wi-Fi、4G/5G 網(wǎng)絡等。在傳輸過程中，需要使用適當?shù)募用芗夹g(shù)，確保數(shù)據(jù)的安全性。

1.1.4 監(jiān)控管理層

監(jiān)控管理層主要負責遠程監(jiān)控和管理變壓器。監(jiān)控管理系統(tǒng)可以是一個獨立的計算機系統(tǒng)，也可以是一個集成的網(wǎng)絡系統(tǒng)。其通過與數(shù)據(jù)處理層的通信，實時獲取變壓器的運行狀態(tài)信息，并借助可視化界面或報警提示等方式向操作人員提供信息。

1.1.5 決策支持層

決策支持層主要負責為操作人員提供決策支持，通過分析數(shù)據(jù)處理層處理后的數(shù)據(jù)，提供有關變壓器維護和檢修的建議，以及相應的預防性維護計劃。

1.1.6 用戶交互層

用戶交互層主要負責與用戶進行交互。用戶可以通過該層獲取變壓器的運行狀態(tài)信息、報警信息、維護建議等信息，也可以通過該層設定變壓器的運行參數(shù)。

1.2 推薦算法設計

智能化變壓器接入點推薦系統(tǒng)是一種利用人工智能算法為用戶提供個性化推薦服務的系統(tǒng)。該系統(tǒng)通過分析變壓器的歷史運行數(shù)據(jù)和實時運行狀態(tài)，預測變壓器未來的運行狀態(tài)和需求，從而為用戶提供更加精準的接入點推薦服務。推薦指數(shù)計算公式為

式中：R為推薦指數(shù)；S1、S2和S3分別為不同方面的評估得分。S1是根據(jù)變壓器的歷史運行數(shù)據(jù)得出的相似度得分，反映其與其他變壓器的相似程度。這可以通過協(xié)同過濾算法實現(xiàn)，如余弦相似度或皮爾遜相關系數(shù)。S2是根據(jù)變壓器的實時運行狀態(tài)數(shù)據(jù)，評估變壓器當前性能和穩(wěn)定性的得分。S3是根據(jù)用戶對變壓器的使用情況和需求計算出的相應得分，包括歷史運行數(shù)據(jù)、負載情況、維修記錄等數(shù)據(jù)，以及用戶對變壓器性能和可靠性的反饋。

智能化變壓器接入點推薦系統(tǒng)主要考慮變壓器的電壓、電流、溫度以及絕緣狀態(tài)等參數(shù)，分析設備的歷史運行、維修記錄、故障頻率等數(shù)據(jù)。分析這些數(shù)據(jù)，系統(tǒng)可以評估變壓器的性能和狀態(tài)，并為用戶提供相應的接入點推薦。

2 智能化變壓器接入點推薦系統(tǒng)實現(xiàn)

2.1 系統(tǒng)硬件平臺選擇

在電力網(wǎng)絡中，變電運行設備是整個系統(tǒng)的重要組成部分。電力領域的變壓器云控終端已經(jīng)成為變壓器廠商必不可少的設備之一[2]。在實際變電運行中，由于缺乏數(shù)據(jù)支撐，難以分析事故原因和界定責任，增加了變壓器接入點推薦系統(tǒng)的風險。而智能化變壓器接入點推薦系統(tǒng)的出現(xiàn)，能夠有效解決這些問題。智能化變壓器接入點推薦系統(tǒng)集成變壓器溫控儀、變壓器運行監(jiān)控器及智能云服務的智能終端，可依托技術(shù)優(yōu)勢，實現(xiàn)變壓器的數(shù)字化、云端化、智能化，有助于增強變壓器生產(chǎn)企業(yè)的產(chǎn)品競爭力和品牌影響力。智能化變壓器接入點推薦系統(tǒng)的硬件平臺選擇如圖1 所示。

圖1 智能化變壓器接入點推薦系統(tǒng)的硬件平臺選擇

2.2 數(shù)據(jù)采集與處理

為確保智能化變壓器接入點推薦系統(tǒng)的準確性和可靠性，從變壓器的各個部位采集相關數(shù)據(jù)，如實時采集變壓器線圈的溫度和油溫。首先，從100 臺智能化變壓器中，采集200 萬條數(shù)據(jù)。其次，對數(shù)據(jù)進行處理，以便為智能化變壓器接入點推薦算法提供有效的輸入。例如，去除異常值、重復值、缺失值，保留180 萬條有效數(shù)據(jù)。再次，整合不同來源的數(shù)據(jù)，形成一個統(tǒng)一的數(shù)據(jù)集。最后，從數(shù)據(jù)集中提取與變壓器性能和狀態(tài)相關的特征，如平均溫度、最高負荷率等，作為推薦算法的主要輸入。

根據(jù)變壓器的歷史運行數(shù)據(jù)和專家經(jīng)驗，標注數(shù)據(jù)，然后用于訓練和驗證推薦算法[3]。采用3σ原則（即拉依達準則）檢測異常值，假設數(shù)據(jù)集為X，均值為μ，標準差為σ。對于數(shù)據(jù)點x，若滿足|x-μ|＞3σ，則視為異常值。根據(jù)變壓器線圈溫度的數(shù)據(jù)集{T1,T2,…,Tn}，計算均值μ和標準差σ，滿足|Ti-μ|＞3σ的數(shù)據(jù)點將被視為異常值并去除。

此外，可以采用哈希函數(shù)檢測重復值。對于數(shù)據(jù)集X，將數(shù)據(jù)點x通過哈希函數(shù)H(·)映射為一個唯一的哈希值H(x)。若不同的數(shù)據(jù)點具有相同的哈希值，則將其視為重復值。

對于變壓器負荷率的數(shù)據(jù)集{L1,L2,…,Ln}，將數(shù)據(jù)點Li通過哈希函數(shù)映射為哈希值H(Li)，比較各哈希值，并去除重復的數(shù)據(jù)點。智能化變壓器接入點推薦系統(tǒng)數(shù)據(jù)處理如表1 所示。

表1 智能化變壓器接入點推薦系統(tǒng)數(shù)據(jù)處理

采用3σ 原則對數(shù)據(jù)集中的線圈溫度進行異常值檢測。假設線圈溫度的均值為80，標準差為5，發(fā)現(xiàn)數(shù)據(jù)點T5和T10滿足|Ti-μ|＞3σ，因此將其視為異常值并去除。同時，采用哈希函數(shù)對數(shù)據(jù)集中的負荷率進行重復值檢測。在負荷率數(shù)據(jù)集中，發(fā)現(xiàn)數(shù)據(jù)點L3和L8具有相同的哈希值，因此將其視為重復值，并去除數(shù)據(jù)點L8。同時，整合處理后的線圈溫度和負荷率數(shù)據(jù)集，形成一個統(tǒng)一的數(shù)據(jù)集Z，以便分析整合后的數(shù)據(jù)集。

2.3 推薦算法實現(xiàn)

推薦算法基于變壓器的歷史運行數(shù)據(jù)、實時運行狀態(tài)及電網(wǎng)的拓撲結(jié)構(gòu)，采用深度學習技術(shù)進行建模[4]。設計一個基于卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks，CNN）和長短時記憶網(wǎng)絡（Long Short-Term Memory，LSTM）的混合模型。其中，CNN用于提取變壓器運行數(shù)據(jù)的空間特征，而LSTM 則用于捕捉變壓器運行狀態(tài)的時序依賴性。

為訓練該混合模型，構(gòu)建一個標注的數(shù)據(jù)集。標注的數(shù)據(jù)包括變壓器的各種運行參數(shù)（如線圈溫度、油溫、負荷率等）和對應的接入點推薦標簽（優(yōu)、良、中及差），且由專家根據(jù)變壓器的歷史運行數(shù)據(jù)和經(jīng)驗進行標注。模型的訓練采用監(jiān)督學習的方式，目標是最小化預測標簽和真實標簽之間的差異。損失函數(shù)為

式中：yp,n為樣本的預測值；yt,n為樣本的目標值；n為樣本的數(shù)量，n=1,2,…,N。在訓練模型的過程中，采用均方誤差（Mean Squared Error，MSE）計算預測標簽與真實標簽之間的差異。通過優(yōu)化模型參數(shù)，使損失函數(shù)值最小化，從而提升模型的預測準確性。模型準確率的計算公式為

式中：TP為真正例；FP為假正例；FN為假反例；TN為真反例。準確率是最常見的評價指標，且容易理解，即正確分類的樣本數(shù)除以總樣本數(shù)。通常來說，準確率越高，分類器越好[5]。在機器學習和統(tǒng)計學中，這些指標通常用于描述分類模型的性能。

3 實驗驗證

推薦系統(tǒng)及其設計算法的有效性數(shù)據(jù)如表2 所示。

表2 推薦系統(tǒng)及其設計算法的有效性數(shù)據(jù)

由表1 可知，推薦系統(tǒng)給出的接入點與實際選擇的接入點一致，且推薦系統(tǒng)得分和實際得分都高于0.90，表明推薦系統(tǒng)在這些理想化的條件下表現(xiàn)出色。通過驗證算法可知，推薦算法最終的準確率達到90%以上，說明其對變壓器接入點的推薦具有較高的精度。因此，采用深度學習技術(shù)進行建模，能夠有效捕捉變壓器的運行規(guī)律和接入點的優(yōu)化策略。同時，算法在實時性方面表現(xiàn)良好，這是由于算法采用高效的分布式訓練方式和優(yōu)化的模型結(jié)構(gòu)，具有較強的健壯性。這充分證明系統(tǒng)在提升變壓器運行性能和降低運維成本方面具有有效性。

4 結(jié) 論

文章通過研究和應用智能化技術(shù)，成功提高了電力系統(tǒng)中的變壓器監(jiān)控水平和安全性能。經(jīng)過實踐應用和性能評估可知，文章設計的智能化變壓器接入點推薦系統(tǒng)展現(xiàn)出優(yōu)異的數(shù)據(jù)采集和通信性能，能夠有效保障電力系統(tǒng)遠動數(shù)據(jù)傳輸?shù)膶崟r性和準確性。