電力系統(tǒng)中輸變電設(shè)備智能化網(wǎng)絡(luò)運(yùn)維管理方法

金海勇， 盧貴有， 王慶利， 李秀廣

(1.上海樂研電氣有限公司，上海 201802；2.國(guó)網(wǎng)四川省電力公司檢修公司，四川, 成都 610041；3.河南平高電氣股份有限公司，河南，平頂山 467001；4.國(guó)網(wǎng)寧夏電力公司電力科學(xué)研究院，寧夏，銀川 750001)

0 引言

輸變電設(shè)備在電力設(shè)備中發(fā)揮著至關(guān)重要的作用，關(guān)系到電力系統(tǒng)的穩(wěn)定和用戶的安全。現(xiàn)有技術(shù)中的輸變電設(shè)備在運(yùn)維過程中存在諸多缺點(diǎn)，故障能力診斷效果較差，針對(duì)該問題，相關(guān)學(xué)者進(jìn)行了一系列研究。文獻(xiàn)[1]采用人工智能(Artificial Intelligence,AI)技術(shù)實(shí)現(xiàn)輸變電設(shè)備運(yùn)維過程中的識(shí)別、預(yù)測(cè)、優(yōu)化、決策等，該技術(shù)雖然為電力設(shè)備運(yùn)維作出技術(shù)貢獻(xiàn)，為電力設(shè)備的運(yùn)維檢修提供了全新的技術(shù)手段與研究思路，但該方案并沒有有針對(duì)性地分析某一項(xiàng)技術(shù)問題，對(duì)輸變電設(shè)備的故障發(fā)生點(diǎn)也難以實(shí)現(xiàn)定位，數(shù)據(jù)交互能力差。文獻(xiàn)[2]將物聯(lián)網(wǎng)和移動(dòng)互聯(lián)技術(shù)有機(jī)地融合在一起，提高了設(shè)備智能識(shí)別、可視化展示能力，但是故障診斷能力較差，當(dāng)輸變電設(shè)備運(yùn)維過程出現(xiàn)電網(wǎng)紋波、電力故障或者其他數(shù)據(jù)信息時(shí)，難以實(shí)現(xiàn)輸變電設(shè)備智能化診斷。

基于以上分析，本研究設(shè)計(jì)一款新型的輸變電運(yùn)維管理平臺(tái)，能夠?qū)崿F(xiàn)底層設(shè)備運(yùn)維過程中的全過程監(jiān)控。

1 輸變電運(yùn)維管理平臺(tái)架構(gòu)設(shè)計(jì)

針對(duì)上述技術(shù)的不足，本研究設(shè)計(jì)出新型的輸變電運(yùn)維管理平臺(tái)，如圖1所示。

圖1 輸變電運(yùn)維管理平臺(tái)整體架構(gòu)設(shè)計(jì)

這個(gè)電力系統(tǒng)輸變電設(shè)備智能化網(wǎng)絡(luò)運(yùn)維管理平臺(tái)整體架構(gòu)大體上分類為底層設(shè)備層、數(shù)據(jù)采集層、數(shù)據(jù)傳輸層、數(shù)據(jù)計(jì)算層和運(yùn)維監(jiān)控層。

在底層設(shè)備層，主要設(shè)置各種輸電設(shè)備。輸電設(shè)備在運(yùn)維過程中能夠輸出各種數(shù)據(jù)信息，比如電流、電壓、功率等。輸電設(shè)備被數(shù)據(jù)采集模塊采集信息，比如輸變電設(shè)備的各種參數(shù)，如運(yùn)行數(shù)據(jù)、環(huán)境數(shù)據(jù)、設(shè)備通信數(shù)據(jù)等不同信息。數(shù)據(jù)采集的技術(shù)手段包括但不限于氣體濃度傳感器、溫度探頭、濕度計(jì)、攝像頭、水浸、煙感等硬件設(shè)備。采集到的數(shù)據(jù)信息通過云通信、網(wǎng)關(guān)、RS485協(xié)議等接收，并匯總上傳到云端進(jìn)行存儲(chǔ)[4]。

在數(shù)據(jù)計(jì)算層，設(shè)置了各種計(jì)算機(jī)算法模型，進(jìn)而實(shí)現(xiàn)多種不同數(shù)據(jù)信息的交互和通信[5]。設(shè)置的數(shù)據(jù)處理工具有改進(jìn)型人魚算法模型(Artificial Fish Swarm Algorithm, AFSA)、故障診斷模型等，這些大大提高了數(shù)據(jù)分析和計(jì)算的能力。計(jì)算后的數(shù)據(jù)信息傳遞到上層管理中心，通過運(yùn)維監(jiān)控層實(shí)現(xiàn)計(jì)算后數(shù)據(jù)信息的遠(yuǎn)程控制，使得用戶能夠快速獲取輸變電運(yùn)維管理情況[5]。

2 關(guān)鍵技術(shù)設(shè)計(jì)

2.1 改進(jìn)型人魚算法模型數(shù)據(jù)追蹤方法

本研究采用的改進(jìn)型人魚算法模型具有以下技術(shù)特點(diǎn)：在人魚算法模型中融入行波定位方法實(shí)現(xiàn)輸變電設(shè)備運(yùn)維過程中的行程分析，實(shí)現(xiàn)輸變?cè)O(shè)備運(yùn)維過程中獲取運(yùn)維中心命令的最佳接收路線或者時(shí)間，通過行波定位方法實(shí)現(xiàn)輸變電設(shè)備的位置定位[6]。改進(jìn)型人魚算法模型數(shù)據(jù)追蹤方法架構(gòu)圖如圖2所示。

圖2 改進(jìn)型人魚算法模型數(shù)據(jù)追蹤方法架構(gòu)圖

下面對(duì)研究的方法進(jìn)行說明，假設(shè)運(yùn)維中的輸變?cè)O(shè)備存在的運(yùn)維數(shù)據(jù)點(diǎn)的數(shù)量記作M，則在電力系統(tǒng)中構(gòu)建輸變電設(shè)備的數(shù)據(jù)集合可以為

x=(x1,x2,x3,…,xM),xi∈{1,2,…,M}

i=1,2,…,M

(1)

式中，xi為輸變?cè)O(shè)備運(yùn)維編碼，輸變?cè)O(shè)備運(yùn)維列表x為1-M的輸變?cè)O(shè)備運(yùn)維序列。輸變?cè)O(shè)備運(yùn)維作業(yè)優(yōu)化的目標(biāo)尋求最佳序號(hào)排列[7]，以便輸出的輸變?cè)O(shè)備運(yùn)維目標(biāo)函數(shù)值達(dá)到最小，以簡(jiǎn)化運(yùn)維評(píng)估程序。在該過程中，融入行波定位方法以檢測(cè)輸變電設(shè)備運(yùn)維過程中的故障點(diǎn)位置。其原理圖如圖3所示。定位原理如下。

圖3 行波定位方法原理圖

假設(shè)運(yùn)維中的輸變?cè)O(shè)備初步檢測(cè)到故障點(diǎn)時(shí)的時(shí)間為t1，第2次為t2，則故障點(diǎn)釋放的行波在時(shí)間點(diǎn)t1和t2之間產(chǎn)生了距離關(guān)系，假設(shè)故障點(diǎn)之間的距離為L(zhǎng)，在不同故障點(diǎn)之間進(jìn)行多次反射，則存在式(2)，

(2)

式中，L為輸變電設(shè)備運(yùn)維過程中出現(xiàn)的故障點(diǎn)與輸變電設(shè)備輸出母線L之間的長(zhǎng)度，v為行波在空氣中的速度，t1和t2分別為不同時(shí)間點(diǎn)下檢測(cè)到的行波。通過這種關(guān)系式，能夠計(jì)算出輸變?cè)O(shè)備在運(yùn)維過程中出現(xiàn)故障的距離。這種方法能夠在輸變電設(shè)備運(yùn)維追蹤過程中及時(shí)獲取輸變電設(shè)備在電力系統(tǒng)中出現(xiàn)的故障位置。

假設(shè)電力系統(tǒng)中存在N臺(tái)輸變電設(shè)備，各臺(tái)輸變電設(shè)備在運(yùn)維過程中，對(duì)應(yīng)輸出的運(yùn)維數(shù)據(jù)量記為pi(i=1,2,…,N)，則不同的輸變電設(shè)備在運(yùn)維過程中的列表通過式(1)可以截取具體輸變電設(shè)備對(duì)應(yīng)部分，追蹤數(shù)量可以為pi(i=1,2,…,N)。通常在電力系統(tǒng)中，所有輸變電設(shè)備通過統(tǒng)一的運(yùn)維中心進(jìn)行管理，在完成任務(wù)后，運(yùn)維數(shù)據(jù)傳遞回運(yùn)維中心，對(duì)于最佳路徑規(guī)劃方案，將所有輸變電設(shè)備運(yùn)維方式、運(yùn)維輸出的參數(shù)長(zhǎng)度進(jìn)行加權(quán)求和[8]，最終輸出適應(yīng)度函數(shù)如式(3)：

(3)

通過上述描述，本研究的改進(jìn)型人魚算法模型參數(shù)設(shè)置可以為：人工魚個(gè)體(在本研究中為輸變電設(shè)備)記作X=(X1,X2,…,Xn)；模型的適應(yīng)度函數(shù)值記作f(X)，表示人工魚在位置X對(duì)應(yīng)的食物濃度，即輸變電設(shè)備在運(yùn)維中面臨的環(huán)境影響情況。2條人工魚所處位置(即本研究中不同輸變電設(shè)備之間)Xi和Xj之距為

(4)

其中，δ表示輸變電設(shè)備在電力系統(tǒng)中的擁擠度因子。

經(jīng)過多次迭代計(jì)算，則輸出輸變電設(shè)備接收運(yùn)維中心數(shù)據(jù)信息的位置及其適應(yīng)度函數(shù)值，當(dāng)實(shí)際迭代次數(shù)與預(yù)期次數(shù)相同時(shí)，則可記錄魚群算法尋優(yōu)輸出結(jié)果。

2.2 改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)算法模型的故障診斷方法

本研究改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)算法模型的故障診斷示意圖如圖4所示。

圖4 改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)算法模型

故障診斷分為以下步驟。

(1)輸入輸變電設(shè)備運(yùn)維數(shù)據(jù)信息，對(duì)數(shù)據(jù)信息進(jìn)行初始化，以提高運(yùn)維數(shù)據(jù)的純潔度。

(2)啟動(dòng)分類算法模型，按照輸出電流、電壓或者電網(wǎng)中的其他數(shù)據(jù)信息進(jìn)行分類，將輸變電設(shè)備中的數(shù)據(jù)信息以不同的數(shù)據(jù)屬性分類，作為不同的數(shù)據(jù)分區(qū)。

(3)分區(qū)后的運(yùn)維數(shù)據(jù)信息被輸入到輸入層，設(shè)置BP神經(jīng)網(wǎng)絡(luò)模型中的參數(shù)信息、權(quán)值、隱藏節(jié)點(diǎn)、閾值等，以調(diào)整模型輸出結(jié)果。權(quán)重輸出結(jié)果可以為

(5)

式中，η表示模型中神經(jīng)元的學(xué)習(xí)效率，ωki表示權(quán)重，采用式(6)調(diào)整隱含層權(quán)系數(shù)：

(6)

實(shí)際輸出與目標(biāo)輸出之間的誤差公式可以為

(7)

總準(zhǔn)確函數(shù)表達(dá)式為

(8)

上述方法可以通過以下程序完成。

程序表示方法輸入:原始輸入數(shù)據(jù)信息,公式(5)～(8)的數(shù)據(jù)訓(xùn)練集,設(shè)置學(xué)習(xí)效率過程:(1)將輸入數(shù)據(jù)集合初始化處理,包括神經(jīng)網(wǎng)絡(luò)模型中的連接權(quán)值、閾值、神經(jīng)元等(2)Repeat(3)Forall(xk,yk)∈Ddo(4)根據(jù)設(shè)置的隱層,逐層計(jì)算(5)Endfor(6)Until達(dá)到停止條件輸出:診斷誤差

3 試驗(yàn)結(jié)果與仿真

通過上述技術(shù)論證，下面對(duì)本研究的方法進(jìn)行試驗(yàn)。仿真環(huán)境為MATLAB/R2018，數(shù)據(jù)平臺(tái)為OMAP 5432 平臺(tái)，CPU采用ARM CorTex-A15框架的Exynos5250，主頻高達(dá)1.7 GHz。硬件結(jié)構(gòu)如表1所示。

表1 硬件參數(shù)示意圖

試驗(yàn)架構(gòu)示意圖如圖5所示。

圖5 試驗(yàn)架構(gòu)示意圖

3.1 改進(jìn)型人魚算法模型驗(yàn)證

將該算法與不具有行波行為功能的k-means算法模型進(jìn)行對(duì)比驗(yàn)證。在電力系統(tǒng)中存在 1 000 000臺(tái)電力系統(tǒng)設(shè)備，各臺(tái)輸變電設(shè)備在運(yùn)維過程中，對(duì)應(yīng)輸出的運(yùn)維數(shù)據(jù)量記為pi(i=1,2,…, 1 000 000)。為了驗(yàn)證數(shù)據(jù)接收量，將電力設(shè)備運(yùn)行過程中的不同數(shù)據(jù)信息之間的故障點(diǎn)距離記作為L(zhǎng)，通過將試驗(yàn)數(shù)據(jù)代入上述公式 進(jìn)行計(jì)算后，記錄輸入數(shù)據(jù)信息任務(wù)下達(dá)量，再分別采用本研究不同的方法，比如k-means算法模型任務(wù)接收量、耗時(shí)、本研究方法任務(wù)接收量及耗時(shí)等多種數(shù)據(jù)情況，進(jìn)而對(duì)比不同方法的數(shù)據(jù)接收情況與耗時(shí)情況。輸入數(shù)據(jù)樣本示意表如表2所示。

在表2中，假設(shè)在A、B、C、D四處位置對(duì)1 000 000臺(tái)輸變電設(shè)備發(fā)出命令，分別計(jì)算運(yùn)維命令追溯的準(zhǔn)確率。通過表1的數(shù)據(jù)信息，為了提高數(shù)據(jù)計(jì)算率，將不同的數(shù)據(jù)信息劃分為不同數(shù)據(jù)組，以提高數(shù)據(jù)運(yùn)行能力。通過不同數(shù)據(jù)運(yùn)行情況，可以看到本研究方法接收數(shù)據(jù)量90%以上，采用k-means算法時(shí)，時(shí)間耗費(fèi)大于200 s以上，本研究的方法數(shù)據(jù)接收量大、耗時(shí)短，并且具有定位功能。

表2 輸入數(shù)據(jù)樣本示意表

3.2 改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)算法模型

在進(jìn)行改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)算法模型驗(yàn)證時(shí)，通過幾組計(jì)算式對(duì)構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行驗(yàn)證。其中，準(zhǔn)確率公式為

(9)

召回率公式為

(10)

(11)

最終輸出評(píng)估FI值可以為

(12)

采集到的數(shù)據(jù)樣本和輸出計(jì)算如表3所示。

表3 測(cè)試樣本數(shù)據(jù)計(jì)算表

通過樣本計(jì)算，發(fā)現(xiàn)改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)模型計(jì)算后，其召回率分別為93.5%、94.1%、91.9%、92.1%和91.9%，正確率分別為93.4%、94.5%、93.6%、94.3%和93.9%，計(jì)算準(zhǔn)確率為95.8%、96.3%、95.9%、97.3%和96.4%。將BP神經(jīng)網(wǎng)絡(luò)模型與改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行誤差對(duì)比，得出如圖6所示的誤差對(duì)比。

圖6 誤差對(duì)比

BP神經(jīng)網(wǎng)絡(luò)模型的誤差評(píng)估模型雖然具有較高的準(zhǔn)確率，但是改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)模型具有的誤差準(zhǔn)確率更高。

4 總結(jié)

針對(duì)輸變電設(shè)備運(yùn)維過程中管理和數(shù)據(jù)故障監(jiān)管，本研究設(shè)計(jì)了一種智能化、多功能輸變電運(yùn)維管理平臺(tái)，實(shí)現(xiàn)底層設(shè)備運(yùn)維過程中的各種數(shù)據(jù)信息管理、采集、計(jì)算、傳輸和遠(yuǎn)程應(yīng)用，新型的改進(jìn)型人魚算法模型提高了數(shù)據(jù)分析能力，基于分類算法的BP神經(jīng)網(wǎng)絡(luò)模型提高了數(shù)據(jù)處理和分類能力。本研究雖然在一定程度上提高了輸變電設(shè)備運(yùn)維過程的管理能力，但仍舊遺留了諸多問題，比如數(shù)據(jù)采集問題等，這需要進(jìn)一步地研究。