基于業務驅動的變電站信息點表生成新方法

Abstract：Thesubstation information pointtableis thepointtableof Various monitoringdatainthe substation，which is the keyto the developmentof the dispatching automation system.In order to solvethe problem of low accuracy of automatic configurationof substation information point table，a service-driven substation information pointtable generation method was proposed.The extracted source data of the scheduling automation system was repaired to eliminatethe influence of the missing data on the model，and the K-nearest neighbor algorithm was used to classifyit. Through business driven，the association between substation operation and maintenance business and information point table data was established.Onthis basis，the substation informationpoint table wasautomaticallygenerated through the businesslogic verification.The simulation verification was caried out，and the accuracy rate of substation information point table generation was 99.72% . The proposed method can effectively improve the accuracy of substation information point table generation.

Key words：business driven;information point table;transformer substation;logic check ;automatic configuration; operation and maintenance overhaul

變電站信息點表是指變電站中各類設備運行、監視數據的具體點位的匯總表，是變電站智能化監測的關鍵[2-3]。當前，變電站的監控設備種類繁多，存在部分設備點表信息重疊，識別準確率低的問題[4-5]。

劉超通過圖模分析方法校正了錯誤點表，實現了變電站信息點表在自動生成[6。王朋飛等通過變電站模型數據問題，提高點表生成的正確率[7]袁龍等通過該遠動信息配置文件進行點表配置[8]李智玲等通過一、二次設備的自動關聯，提高了變電站信息點表自動生成能力[9]。但上述方法并未與變電站運檢業務結合，自動化配置點表準確率低，影響變電站自動化運行水平。

為提高變電站信息點表配置準確率，提出業務驅動的自動生成方法，通過業務邏輯映射與校驗實現錯誤識別及修正。

1變電站信息點表生成流程

文中所述基于業務驅動的變電站信息點表生成方法流程如圖1所示。

2變電站信息點表生成模型

2.1提取變電站三遙數據

調度自動化系統是國內外電力系統的重要領域之一，調度自動化系統中的變電站信息點表作為調度主站與各廠站數據交互的基礎[10]。因此，在進行變電站信息點表配置前，需提取變電站三遙數據。

設調度自動化系統中變電站信息的數量為 ?_m 則調度自動化系統中提取的數據集 d_all 為：

式中： d₁，d₂，…，d_m 分別為不同的調度自動化系統提取數據。

通過插值法處理缺失的調度自動化系統變電站三遙數據[1-12]，變電站三遙數據區間 [c_a，c_z] 中某一位置的缺失值 c_f 為：

式中： c_a 和 c_z 分別變電站三遙數據中缺失點附近數據； c_f 為變電站三遙數據缺失點； o 為變電站三遙狀態； h 和 l 為變電站三遙數據臨近點狀態。

K近鄰（KNN）算法是一種數據分類方法，該方法首先確定數據分類，并將數據與該樣本集進行比對，從而得到樣本的數據分類[13]

KNN算法的核心是兩個數據之間的距離，文中采用歐氏距離進行衡量。2個調度自動化系統提取的變電站三遙數據歐氏距離 d_ED 為：

式中： _：xa 和 y_a 分別為第 Δ_a 個變壓器三遙數據的KNN分類的橫、縱坐標點； x_b 和 y_b 分別為第 b 個變壓器三遙數據的KNN分類的橫、縱坐標點。經過KNN算法分類后，實現變電站的遙信、遙測和遙控數據的分類。

2.2變電站信息點表業務數據關聯

業務驅動是一種結合業務流程環節的分析方法，業務驅動可以挖掘變電站信息點表之間的業務邏輯關系，可避免變電站信息點表配置錯誤[14-15]

變電站信息點表的業務驅動 W_T 為：

W_T=σ（δ，ω，λ）

式中： σ 為變電站信息點表業務驅動關聯函數； δ 為采集的調度自動化系統變電站信息點表數據； ω 為變電站信息點表的業務驅動的時間間隔； λ 為變電站信息點表業務驅動狀態。

變電站業務驅動的點表配置模型以樹形結構表示，數據關聯如下：

（1）變電站信息點表業務驅動遙信數據關聯：通過信號描述與正則表達式匹配模糊識別間隔名稱，并存儲提取結果；

（2）遙測、遙控數據關聯：匹配方式同遙信；若正則匹配失敗，則將信號描述與遙信提取的間隔名稱匹配，并作為遙測間隔名。

2.3變電站信息點表自動生成

全站系統配置文件（SCD）是IEC61850標準中點表生成的基礎，為變電站監控信息點表配置提供解決方案。其包含的電壓等級、間隔及設備信息是信息點表的關鍵內容，支持按設備類型關聯監控模板，自動獲取遙測、遙信、遙控等標準化信息[16-17] ○

解析SCD文件，提取一/二次設備信息（電壓等級、間隔、設備名稱），自動識別設備類型并生成信息點表。輸出點表后，比對點表描述與站端監控業務邏輯。

有窮自動機（deterministic finiteautomaton，DFA）是一種信息比對方法，該方法可以實現變電站信息點表邏輯與業務邏輯關系進行比對。

變電站信息點表的比對結果 Z_k 為：

Z_k={g∈ψ，g∩η≠0}

式中： g 為變電站信息點表的閉包； ψ 為變電站信息點表的活動狀態； η 為變電站信息點表其余的狀態。

若不一致，則修復問題數據并輸出正確點表。

3 算例分析

3.1 場景與參數設定

在某省電力科學研究院的750、500、220、110、

66和 35kV 變電站仿真環境中進行了驗證。

所提環境采用計算機服務器，處理器為至強2.8GHz ，內存配置 16×4 GB，服務器硬盤容量為40TB 。軟件采用Python開發。與本文進行對照實驗的是改進神經網絡方法[18]。

3.2算例運行分析

3.2.1變電站信息點表自動生成性能分析

在電力科學研究院的仿真環境中，輸人750、500、220、110、66和 35kV 變電站監控數據各10個，分別采用文中所提基于業務驅動的變電站信息點表生成方法與改進神經網絡方法比較變電站信息點表自動生成時長，結果如表1所示。

由表1可見，文中方法采用優化的結構算法，平均變電站信息點表自動生成時長為13.67s。而改進神經網絡方法算法結構復雜，平均變電站信息點表自動生成時長為41.32s。由此可見，文中所提方法變電站信息點表自動生成性能更好。

3.2.2變電站信息點表自動生成結果

按照變電站、電壓等級、間隔、設備的順序選定模型對象，根據映射規則，生成監控信息點表模板用配置項替換規范名稱內對應位置，同時根據配置項生成對應“設備名稱”，即可生成正式的監控信息點表。變電站信息點表生成架構如圖2所示。

變電站信息點表標準監控模板配置模型以設備類型分類，分別配置生成不同模板，標準監控模板以樹形列表展示。變電站信息自動生成結果如圖3所示。

QGDW11389-2015標準單元 信號類型 信號名稱 告警分級站端信息GIS 遙測 變壓器各側有功 告知中性點隔直裝置 遙測 變壓器各側有功 告知低抗保護 遙測 變壓器各側A相電流 告知?低頻減載 遙測 變壓器各側B相電流 告知-其他設備 遙測 變壓器各側C相電流 告知

刀閘 遙測 變壓器各側線電壓 告知-變壓器 遙測 變壓器各側A相電壓 告知變壓器保護 遙測 變壓器各側B相電壓 告知合并單元 遙測 變壓器故障 異常一備自投 遙測 變壓器異常 異常-故障解列裝置 遙測 變壓器冷卻器全停跳間 異常斷路器 遙測 變壓器冷卻器全停告警 異常-斷路器保護 遙測 變壓器冷卻器故障 異常

3.2.3變電站信息點表生成準確率分析

在電力科學研究院的仿真環境中，輸人750、500、220、110、66和 35kV 變電站監控數據各10000個點表數據，分別采用文中所提基于業務驅動的變電站信息點表生成方法與改進神經網絡方法比較變電站信息點表生成準確率，結果如表2所示。

由表2可見，文中方法實現了變電站運維檢修業務與變電站信息點表數據的緊密相關，并進行了業務邏輯校驗，其變電站信息點表生成準確率為99.72% 。而改進神經網絡和變電站運維檢修業務仍存在脫節之處，且未進行邏輯校驗，其變電站信息點表生成準確率為 96.98% 。由此可見，文中方法變電站信息點表生成更準確。

4結語

（1）通過KNN算法，進行了調度自動化系統變電站監控數據的遙測、遙信、遙控數據分類；（2）通過業務驅動，建立了變電站運維檢修業務與信息點表數據的關聯；（3）通過業務邏輯校驗，提高了變電站信息點表生成的準確率；

本文所提方法在提升變電站信息點表生成的準確率仍存在提升空間；下一步，將結合生成對抗網絡算法對所提方法做進一步研究。

【參考文獻】

[1] 王磊，陳端兵，周俊臨，等.彈性異質電網的重要目標識別算法[J].電子科技大學學報，2023，52（2）：280-288.

[2] 張煒，黃鋒，梁俊斌.變電站巡檢機器人讀取儀表指針示值方法研究[J].機械設計與制造，2023，387（5）：296-299.

[3] 唐冬來，李玉，楊平，等.基于旋轉投射校準的配電室指針儀表讀取方法[J].微型電腦應用，2023，39（8）：9-12.

[4] 張婷，張興忠，王慧民，等.基于圖神經網絡的變電站場景三維目標檢測[J].計算機工程與應用，2023，59（9）：329-336.

[5] 唐冬來，李強，陳永東，等.基于電壓時空聚合曲線的鄉鎮配電臺區戶變關系識別方法［J].電力系統自動化，2023，47（19）：86-96.

[6] 劉超.錨點法監測變電站通信網關機信息點表的竄點問題[J].現代商貿工業，2022（7）：192-193.

[7] 王朋飛，楊光輝，馮豆，等.基于B/S架構的監控信息點表自動生成系統研究[J].電工技術，2022（18）：129-132.

[8] 袁龍，安琪，王建樹，等.基于無線網絡的智能變電站監控信息自動核對新方法[J].電測與儀表，2023，60（1）：160-166.

[9] 李智玲，江慶霞.基于調控一體化海量監控數據信息點表的規范應用[J].內蒙古科技與經濟，2022（12）：82-83.

[10] 楊雨涵.基于PLC 技術的智能變電站繼電保護二次回路檢修方法[J].電子設計工程，2023，31（10）：25-28.

[11] 唐冬來，倪平波，李玉，等.基于互信共識標識的縣域屋頂光伏消納交易策略［J].電力系統自動化，2022，46（22） ：41-50.

[12] 汪廣明，何滔，熊璽，等.基于改進循環神經網絡的多數據流缺失值估計[J].粘接，2022，49（2）：108-111.

[13] 馬新宇，黃春梅，姜春茂.基于三支決策的KNN漸進式文本分類方法［J].計算機應用研究，2023，40（4）：1065-1069.

[14] 張向聰，張潺，楊瑩，等.智能信息系統業務事件驅動機理分析與運維模型優化研究[J].粘接，2023，50（10） ：181-184.

[15] 張斌.業務場景驅動下RPA財務機器人實驗創新研究[J].中國鄉鎮企業會計，2023（6）：168-170.

[16] 朱長銀，呂航，丁杰.基于模板復用的智能變電站系統配置描述文件自動配置方案［J].電氣技術，2022，23（3） ：77-81.

[17] 魏志文.智能電網下分布式電源并網容量配置優化[J].粘接，2021，47（8）：102-105.

[18] 張宇，張昊，李勝，等.基于改進型神經網絡的變電站監控信息點表優化分析［J].電子技術應用，2019，45（11） ：96-99.