不同運(yùn)行工況下的換流站多模態(tài)數(shù)據(jù)深度感知模型

石延輝，楊 洋，阮彥俊，張 博，洪樂(lè)洲

(中國(guó)南方電網(wǎng)有限責(zé)任公司 超高壓輸電公司廣州局，廣東 廣州 510000)

換流站內(nèi)設(shè)置了紅外測(cè)溫系統(tǒng)、一體化監(jiān)測(cè)系統(tǒng)、機(jī)器人巡檢系統(tǒng)等，眾多監(jiān)測(cè)系統(tǒng)內(nèi)數(shù)據(jù)不斷更新[1]，換流站內(nèi)多模態(tài)數(shù)據(jù)的感知水平受到眾多研究學(xué)者的關(guān)注。以往換流站內(nèi)的運(yùn)檢人員，通過(guò)人工比對(duì)方式，分析設(shè)備監(jiān)測(cè)數(shù)據(jù)[2]，確定換流站內(nèi)設(shè)備運(yùn)行狀況。換流站內(nèi)設(shè)備存在數(shù)據(jù)量大、設(shè)備數(shù)量多以及設(shè)備過(guò)于分散的特點(diǎn)[3]，人工比對(duì)分析方式存在時(shí)效性差以及無(wú)法精準(zhǔn)預(yù)判設(shè)備故障的缺陷。換流站運(yùn)維人員無(wú)法及時(shí)明確換流站內(nèi)設(shè)備運(yùn)行狀態(tài)[4]，大量人工提升了換流站的運(yùn)維成本。

高壓直流輸電過(guò)程中，換流站內(nèi)設(shè)備狀態(tài)影響電力系統(tǒng)直流供電的運(yùn)行可靠性。有學(xué)者將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于換流站能效評(píng)估中[5]，有效評(píng)估換流站的能效；將改進(jìn)關(guān)聯(lián)規(guī)則方法應(yīng)用于診斷換流站運(yùn)維事件中[6]，實(shí)現(xiàn)運(yùn)維事件的精準(zhǔn)診斷。以上2種方法評(píng)估換流站能效以及診斷換流站運(yùn)維事件時(shí)，并未考慮換流站設(shè)備的運(yùn)行工況，應(yīng)用性差。研究不同運(yùn)行工況下的換流站多模態(tài)數(shù)據(jù)深度感知模型，通過(guò)多模態(tài)數(shù)據(jù)深度感知模型，感知換流站內(nèi)眾多設(shè)備運(yùn)行工況，及時(shí)發(fā)現(xiàn)換流站內(nèi)設(shè)備故障，保障換流站內(nèi)設(shè)備維持安全穩(wěn)定運(yùn)行狀態(tài)，實(shí)現(xiàn)換流站內(nèi)海量設(shè)備運(yùn)行工況的綜合分析。

1 換流站多模態(tài)數(shù)據(jù)深度感知模型

1.1 換流站多模態(tài)數(shù)據(jù)缺失值處理

利用傳感器采集換流站內(nèi)設(shè)備數(shù)據(jù)，將所采集數(shù)據(jù)傳送至上位機(jī)中。換流站多模態(tài)數(shù)據(jù)采集和傳輸過(guò)程中可能存在缺失值。填充換流站多模態(tài)數(shù)據(jù)時(shí)，需要考慮多模態(tài)數(shù)據(jù)的趨勢(shì)，不同趨勢(shì)的多模態(tài)數(shù)據(jù)需要選取不同的填充方式。

1.1.1線性插值填充

針對(duì)換流站多模態(tài)數(shù)據(jù)序列，采用平均值填充方式。依據(jù)傳感器監(jiān)測(cè)換流站內(nèi)設(shè)備數(shù)據(jù)的時(shí)間序列，對(duì)所采集多模態(tài)數(shù)據(jù)進(jìn)行從小到大排序[7]。利用A表示傳感器采集換流站多模態(tài)數(shù)據(jù)的空值，平均值填充序列前后空值的表達(dá)式：

(1)

式中：Df與Db分別表示空值前、空值后與空值距離最近的非空數(shù)據(jù)值。

1.1.2眾數(shù)填充

用M表示換流站多模態(tài)數(shù)據(jù)中具有最多出現(xiàn)次數(shù)的數(shù)據(jù)，采用眾數(shù)填充換流站多模態(tài)數(shù)據(jù)空值表達(dá)式：

A=M

(2)

1.1.3聚類算法填充

利用聚類算法對(duì)換流站多模態(tài)數(shù)據(jù)聚類，利用聚類中心對(duì)應(yīng)的值填補(bǔ)換流站多模態(tài)數(shù)據(jù)缺失值。

換流站內(nèi)包含直流分壓器、接地極系統(tǒng)、換流變壓器、站用變壓器、水冷卻系統(tǒng)以及接地極系統(tǒng)等眾多設(shè)備，換流站內(nèi)眾多設(shè)備包含不同類型的多模態(tài)數(shù)據(jù)[8]。換流站設(shè)備的多模態(tài)數(shù)據(jù)包含上升趨勢(shì)、下降趨勢(shì)、無(wú)規(guī)律數(shù)據(jù)、周期性數(shù)據(jù)以及定值數(shù)據(jù)等眾多數(shù)據(jù)類型。換流站多模態(tài)數(shù)據(jù)分類方法：

(1)換流站設(shè)備數(shù)據(jù)為統(tǒng)計(jì)參量時(shí)間序列數(shù)據(jù)時(shí)，設(shè)備數(shù)據(jù)中超過(guò)95%的數(shù)據(jù)均為相同值時(shí)，表示該設(shè)備數(shù)據(jù)為定值數(shù)據(jù)；

(2)對(duì)換流站內(nèi)的參量時(shí)間序列數(shù)據(jù)進(jìn)行一階差分處理，超過(guò)85%的數(shù)據(jù)為正表示上升趨勢(shì)；

(3)對(duì)換流站內(nèi)的參量時(shí)間序列數(shù)據(jù)進(jìn)行一階差分處理，超過(guò)85%的數(shù)據(jù)為負(fù)表示下降趨勢(shì)；

(4)設(shè)置T為樣本周期，將換流站多模態(tài)數(shù)據(jù)樣本劃分為多個(gè)序列片段[9]，判斷所劃分多個(gè)序列片段的皮爾遜相似度。換流站多模態(tài)數(shù)據(jù)的不同樣本序列片段具有較高相似度時(shí)，表示換流站多模態(tài)數(shù)據(jù)樣本為周期性數(shù)據(jù)。

換流站多模態(tài)數(shù)據(jù)缺失值填充方式如表1所示。

表1 數(shù)據(jù)缺失值填充方法Tab.1 Data missing value filling method

1.2 基于負(fù)荷片的換流站運(yùn)行工況劃分

完成換流站多模態(tài)數(shù)據(jù)缺失值填充后，對(duì)換流站運(yùn)行工況進(jìn)行劃分。換流站同一運(yùn)行工況時(shí)，多模態(tài)數(shù)據(jù)中的各變量具有近似相等的相關(guān)關(guān)系，負(fù)荷數(shù)據(jù)較為近似。用X(N×J×F)表示換流站某設(shè)備的運(yùn)行數(shù)據(jù)集，其中，N與J分別表示樣本數(shù)量和設(shè)備不同變量的數(shù)量；F表示換流站設(shè)備負(fù)荷。在換流站設(shè)備負(fù)荷F處，建立二維數(shù)據(jù)矩陣用XF(nF×J)表示，所建立二維數(shù)據(jù)矩陣即負(fù)荷片，將負(fù)荷片作為換流站運(yùn)行工況劃分的數(shù)據(jù)分析單元。利用多模態(tài)數(shù)據(jù)各變量間的相關(guān)關(guān)系合并換流站負(fù)荷片，合并具有相似過(guò)程特性的負(fù)荷片[10]；獲取換流站的不同運(yùn)行工況，確定換流站各工況的過(guò)程特性，提升換流站多模態(tài)數(shù)據(jù)的深度感知性能。

利用負(fù)荷軸的有序工況劃分算法，依據(jù)換流站設(shè)備的負(fù)荷變量劃分換流站工況，以下為換流站運(yùn)行工況的劃分過(guò)程。

1.2.1構(gòu)造負(fù)荷片

設(shè)置較小的ΔF作為負(fù)荷片的劃分間隔，將換流站設(shè)備負(fù)荷區(qū)間劃分為[Fmin+(i-1)ΔF,Fmin+iΔF]，構(gòu)造負(fù)荷片。

1.2.2合并調(diào)整負(fù)荷片

1.2.3利用PCA方法建立負(fù)荷片模型

利用PCA分解方法分解完成標(biāo)準(zhǔn)化處理后的負(fù)荷片矩陣，建立各負(fù)荷片的PCA模型表達(dá)式：

(3)

式中：Qk與Tk分別表示負(fù)載矩陣以及得分矩陣；Ek表示殘差矩陣。

1.2.4負(fù)荷片PCA模型的SPE統(tǒng)計(jì)

確定負(fù)荷片PCA模型的SPE統(tǒng)計(jì)量公式：

(4)

1.2.5建立負(fù)荷段PCA模型

合并負(fù)荷片建立負(fù)荷段矩陣用Xi,j表示，利用PCA分解方法分解負(fù)荷段數(shù)據(jù)矩陣[11]，獲取負(fù)載矩陣Fi,j(J×R)。利用負(fù)載矩陣分解負(fù)荷端內(nèi)各負(fù)荷片，計(jì)算各負(fù)荷片的SPE統(tǒng)計(jì)量。

1.2.6劃分換流站運(yùn)行工況

1.2.7換流站多模態(tài)數(shù)據(jù)

更新?lián)Q流站多模態(tài)數(shù)據(jù)樣本，重復(fù)以上過(guò)程直至完成全部換流站運(yùn)行工況的劃分。

通過(guò)以上過(guò)程劃分換流站運(yùn)行工況，對(duì)不同運(yùn)行工況內(nèi)的多模態(tài)數(shù)據(jù)構(gòu)建不同的深度感知模型，提升換流站多模態(tài)數(shù)據(jù)的深度感知水平。

1.3 Shannon小波熵的換流站多模態(tài)數(shù)據(jù)特征提取

利用Shannon小波熵提取換流站多模態(tài)數(shù)據(jù)特征，Shannon小波熵對(duì)不同運(yùn)行工況的換流站多模態(tài)數(shù)據(jù)進(jìn)行離散小波變換，分割完成小波變換后的換流站多模態(tài)數(shù)據(jù)；利用Shannon小波熵運(yùn)算分割后的重構(gòu)換流站多模態(tài)數(shù)據(jù)，提取換流站多模態(tài)數(shù)據(jù)中包含的特征；利用Shannon小波時(shí)間熵提取換流站多模態(tài)數(shù)據(jù)特征，通過(guò)η層離散小波變換處理?yè)Q流站多模態(tài)數(shù)據(jù)，獲取重構(gòu)后的換流站多模態(tài)數(shù)據(jù)數(shù)量為S，重構(gòu)信號(hào)用D={di(k)}表示。設(shè)置一個(gè)窗寬為w的數(shù)據(jù)滑動(dòng)窗于重構(gòu)換流站多模態(tài)數(shù)據(jù)中，用δ表示數(shù)據(jù)滑動(dòng)窗的滑動(dòng)因子，數(shù)據(jù)滑動(dòng)窗表達(dá)式：

W(w,δ)=[dh(1+δ),dh(2+δ),…,dh(w+δ)]

(5)

利用R個(gè)區(qū)間Zl表示滑動(dòng)窗口，將數(shù)據(jù)滑動(dòng)窗口轉(zhuǎn)化：

(6)

通過(guò)離散小波對(duì)換流站多模態(tài)數(shù)據(jù)變換后[12]，獲取的重構(gòu)信號(hào)di(k)位于區(qū)間Zl的概率用pm(Zl)表示。小波變換尺度為h時(shí)，換流站多模態(tài)數(shù)據(jù)的Shannon小波時(shí)間熵表達(dá)式：

(7)

利用Shannon小波熵提取換流站多模態(tài)數(shù)據(jù)特征時(shí)，信號(hào)頻域劃分情況對(duì)特征提取精度影響較大。用x(n)表示傳感器采集的換流站多模態(tài)數(shù)據(jù)，利用η層小波變換處理?yè)Q流站多模態(tài)數(shù)據(jù)后，獲取重構(gòu)后換流站多模態(tài)數(shù)據(jù)D(n)與A(n)的頻帶范圍表達(dá)式：

(8)

完成換流站多模態(tài)數(shù)據(jù)頻域劃分后，利用Shannon小波時(shí)間熵提取換流站多模態(tài)數(shù)據(jù)特征。

1.4 堆疊自動(dòng)編碼器的多模態(tài)數(shù)據(jù)深度感知模型

將所提取的換流站多模態(tài)數(shù)據(jù)特征作為深度感知模型的輸入，利用堆疊自動(dòng)編碼器構(gòu)建換流站多模態(tài)數(shù)據(jù)的深度感知模型，感知換流站不同運(yùn)行工況下，換流站設(shè)備的運(yùn)行狀態(tài)。

自動(dòng)編碼器的編碼器設(shè)置于深度神經(jīng)網(wǎng)絡(luò)的輸入層與隱藏層之間，換流站多模態(tài)數(shù)據(jù)特征xi輸入深度神經(jīng)網(wǎng)絡(luò)后，映射至隱含層的表達(dá)式：

h=f(x)

(9)

自動(dòng)編碼器的解碼器設(shè)置于深度神經(jīng)網(wǎng)絡(luò)的隱藏層與輸出層間[13-18]，利用解碼器將映射后的數(shù)據(jù)重構(gòu)為原始數(shù)據(jù)，解碼器計(jì)算公式：

r=g(h)

(10)

式中：x與r分別表示輸入向量以及重構(gòu)向量；h表示隱含層向量。

用n與m表示輸入層與隱藏層的神經(jīng)元數(shù)量，自動(dòng)編碼器的隱藏層與輸出層神經(jīng)元輸出表達(dá)式：

(11)

(12)

式中：W與b分別表示權(quán)值與偏置。relu表示激活函數(shù)，其表達(dá)式：

relu(x)=max(0,x)

(13)

利用損失函數(shù)衡量輸入的換流站多模態(tài)數(shù)據(jù)特征x與重構(gòu)向量r的相似性，損失函數(shù)表達(dá)式：

(14)

式中：p表示自動(dòng)化編碼器梯度化下降處理樣本數(shù)量。深度神經(jīng)網(wǎng)絡(luò)的梯度下降過(guò)程中，通過(guò)調(diào)整損失函數(shù)L，保證輸入向量與輸出向量具有較高相似性，實(shí)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)的無(wú)監(jiān)督訓(xùn)練。

以自動(dòng)化編碼器為基礎(chǔ)，利用二級(jí)自動(dòng)編碼器構(gòu)建多模態(tài)堆疊自編碼器的深度感知模型，將各編碼器作為深度感知模型的初始化權(quán)重與偏置，選取全連接層融合換流站多模態(tài)數(shù)據(jù)特征，全連接層設(shè)置relu激活函數(shù)，實(shí)現(xiàn)特征融合。全連接層融合了換流站不同運(yùn)行工況的多模態(tài)數(shù)據(jù)。深度感知模型全連接層的表達(dá)式：

(15)

2 模型測(cè)試

為了驗(yàn)證不同運(yùn)行工況下的換流站多模態(tài)數(shù)據(jù)深度感知模型，對(duì)換流站多模態(tài)數(shù)據(jù)的深度感知性能，將該模型應(yīng)用于某換流站多模態(tài)數(shù)據(jù)感知中。利用所構(gòu)建的深度感知模型，感知換流站設(shè)備運(yùn)行狀態(tài)，明確換流站內(nèi)設(shè)備運(yùn)行工況。

本文模型利用Shannon小波熵提取換流站多模態(tài)數(shù)據(jù)特征，以換流站發(fā)生BC相短路為例，驗(yàn)證本文模型提取換流站多模態(tài)數(shù)據(jù)特征有效性。設(shè)置換流站設(shè)備信號(hào)采樣頻率為100 Hz，本文模型提取換流站運(yùn)行信號(hào)特征結(jié)果如圖1所示。

圖1 BC相短路特征提取結(jié)果Fig.1 Extraction results of BC phase short circuit feature

由圖1可以看出，本文模型在換流站出現(xiàn)B、C相短路時(shí)，有效提取換流站多模態(tài)數(shù)據(jù)中包含的故障特征；提取的換流站B相與C相小波時(shí)間熵，在相同時(shí)間內(nèi)發(fā)生了突變情況。換流站的A相小波時(shí)間熵，并未發(fā)生突變情況，信號(hào)運(yùn)行平穩(wěn)。特征提取結(jié)果與B、C相故障特征相符。結(jié)果驗(yàn)證：本文模型可以有效提取換流站的故障特征，具有較高的換流站多模態(tài)數(shù)據(jù)特征提取有效性。

統(tǒng)計(jì)采用本文模型感知換流站多模態(tài)數(shù)據(jù)中的交流設(shè)備輸出電流，交流設(shè)備輸出電流感知結(jié)果，具體如圖2所示。

圖2 交流設(shè)備輸出電流感知結(jié)果Fig.2 Output current perception results of AC equipment

由圖2可以看出，采用本文模型可以有效感知換流站交流設(shè)備輸出電流變化，依據(jù)交流設(shè)備輸出電流感知結(jié)果，明確換流站內(nèi)交流設(shè)備的運(yùn)行工況。換流站交流設(shè)備為正常運(yùn)行工況時(shí)，多模態(tài)數(shù)據(jù)感知結(jié)果為穩(wěn)定運(yùn)行狀態(tài)；換流站交流設(shè)備為故障運(yùn)行工況時(shí)，交流設(shè)備輸出電流感知結(jié)果波動(dòng)明顯。圖2驗(yàn)證本文模型可以有效感知多模態(tài)數(shù)據(jù)中的交流設(shè)備輸出電流，在不同運(yùn)行工況時(shí)的運(yùn)行狀態(tài)。

在換流站網(wǎng)側(cè)設(shè)置0～200 Ω的過(guò)渡電阻，令換流站出現(xiàn)不同類型的短路故障。統(tǒng)計(jì)采用本文模型對(duì)換流站短路工況時(shí)的短路故障感知結(jié)果，具體統(tǒng)計(jì)結(jié)果如表2所示。

表2 接地短路工況感知結(jié)果Tab.2 Ground short-circuit condition perception results

由表2可知，采用本文模型可以實(shí)現(xiàn)換流站短路工況時(shí)，不同類型短路故障的精準(zhǔn)感知。對(duì)于換流站不同相出現(xiàn)短路時(shí)，本文模型均可以精準(zhǔn)感知，僅出現(xiàn)少量故障相感知錯(cuò)誤以及故障類型感知錯(cuò)誤情況。結(jié)果驗(yàn)證：本文模型具有較高的感知性能，可以精準(zhǔn)感知換流站運(yùn)行狀態(tài)，應(yīng)用性能較高。

設(shè)置換流站多模態(tài)數(shù)據(jù)的采樣周期為3 s，統(tǒng)計(jì)采用本文模型感知換流多模態(tài)數(shù)據(jù)，不同運(yùn)行工況時(shí)，換流變壓器繞組溫度感知結(jié)果，具體如圖3所示。

圖3 換流變壓器繞組溫度感知結(jié)果Fig.3 Windings temperature perception result of converter transformer

由圖3可以看出，采用本文模型可以精準(zhǔn)感知換流站不同運(yùn)行工況時(shí)的換流變壓器繞組溫度；本文模型的繞組溫度感知結(jié)果與實(shí)際換流變壓器繞組溫度相差較小。結(jié)果驗(yàn)證：本文模型具有較高的多模態(tài)數(shù)據(jù)深度感知性能，可以精準(zhǔn)感知換流站多模態(tài)數(shù)據(jù)中的不同類型數(shù)據(jù)。換流站不同運(yùn)行工況時(shí)，均可以實(shí)現(xiàn)多模態(tài)數(shù)據(jù)的精準(zhǔn)感知，感知性能良好。

統(tǒng)計(jì)采用本文模型感知換流多模態(tài)數(shù)據(jù)，不同運(yùn)行工況時(shí)的夾件接地電流感知結(jié)果，統(tǒng)計(jì)結(jié)果如圖4所示。

圖4 夾件接地電流感知結(jié)果Fig.4 Ground current perception results of the clamp

由圖4可以看出，采用本文模型可以有效感知換流站夾件的接地電流。換流站不同運(yùn)行工況時(shí)，夾件接地電流感知結(jié)果與實(shí)際夾件接地電流相差較小。結(jié)果驗(yàn)證：本文模型可以實(shí)時(shí)監(jiān)測(cè)換流站的夾件接地電流，實(shí)現(xiàn)換流站內(nèi)多模態(tài)數(shù)據(jù)的有效感知。

3 結(jié)語(yǔ)

換流站內(nèi)包含眾多設(shè)備，眾多設(shè)備運(yùn)行形成海量多模態(tài)數(shù)據(jù)。換流站眾多設(shè)備運(yùn)行時(shí)，存在多種運(yùn)行工況，研究換流站多模態(tài)數(shù)據(jù)深度感知模型，明確換流站運(yùn)行工況。利用多模態(tài)數(shù)據(jù)感知模型綜合分析換流站內(nèi)眾多運(yùn)行參數(shù)，為開(kāi)展換流站設(shè)備狀態(tài)檢修與運(yùn)維提供有效的決策依據(jù)。