模糊證據推理下的智能變電站運行態勢異常實時在線告警仿真

舒斐,李永光,趙亮,於湘濤

(1.國網新疆電力有限公司電力科學研究院,新疆 烏魯木齊 835011;2.國網新疆電力有限公司,新疆 烏魯木齊 830018;3.中國科學院沈陽計算技術研究所有限公司,遼寧 沈陽 110168)

每個變電站均有著信息高度集成共享的規則[1-2],各個電力線路監測得到的信息量中帶有海量設備狀態數據,若利用目前異常告警對海量信息量進行檢測,會出現告警不及時的問題[3],工作人員無法在短時間內得知發生故障的線路,從而耽誤線路維修,最終造成不必要的影響。

線路監測和警告是相輔相成的,只有及時監測到變電站存在故障變電站才能及時告警。張元星等[4]首先預測變電站的實際運行狀態,模擬出實時狀態下變電站的各項參數,對運行過程中正常運行狀態和實際運行的電力狀態進行對比,判斷目前兩種狀態間是否存在差異,若出現異常則及時發出告警。王宇飛等[5]首先根據原始電力攻擊觀測序列識別出所有預警,同時使用動態計算方法計算出預警的信息物理協同判據,縮小變電站告警范圍,并對該范圍線路進行檢測同時加以告警。但是在實際告警過程中沒有對智能變電站可能發生故障和異常情況進行預測,導致異常檢測范圍過大,加大工作量,獲取的異常線路特征單一且冗余量大,存在識別率低、態勢分析耗時長以及噪聲干擾下告警時間延長的問題。為此,提出了模糊證據推理下的智能變電站運行態勢異常實時在線告警仿真。

1 挖掘運行態勢異常特征

1.1 提取變電站運行數據特征

將RVM視為分類器的輸入向量[6-9],由于數據中不可避免帶有一些冗余數據[10-11],這會影響特征提取、分類以及最終的異常檢測結果,因此需要對變電站的數據特征進行選擇,選取出對檢測結果影響較小的特征。

RVM是目前常用的分類算法,它的優點是帶有極強的稀疏性,可自行選擇影響較小的特征,同時保證特征提取以及分類是在同一個優化函數內,以此生成更加優越的分類結果。

假設變電站特征訓練樣本的向量集合為{ym,zm},則RVM分類算法的優化函數表達式為:

(1)

式中,M代表變電站數據特征訓練樣本數量,m=1,2,…,M,ym代表變電站數據特征向量,zm代表特征類別編號,α代表變電站數據中的高斯白噪聲,K(y,ym)代表核函數,wm代表第m個特征的權重,y和ω均代表準備計算的變量。

在sigmoid函數的幫助下通過RVM分類算法估計輸入特征為目標結果的概率[12],似然函數的計算公式為:

{1-β[f(ym,m)]}1-zm

(2)

其中,β代表沖擊函數。

重新建立模型內參數的先驗分布,以此生成最完整的貝葉斯模型[13],若變量ω的均值以及方差均為高斯分布χ-1,且χ-1以及噪聲方差γ-1的先驗分布均為伽馬分布,其表達式為:

(3)

式中,c和d代表超參數,χ代表χ-1的逆,χm代表第m個逆χ的分量,γ代表γ-1的倒數。

在實際計算過程中χ會被無限放大,對應的分量ω會無限接近于0,保證權值向量的稀疏化[14],當迭代停止后,權值不等于0的特征向量即為故障特征選取結果。

1.2 判斷運行態勢異常

為了能夠及時發現異常運行情況,利用馬爾可夫模型對變電站實際運行過程中態勢進行預測,通過詳細分析變電站的異常機制,可定義出變電站中較為薄弱的環節參數,將參數引入模型中,得出變電站運行的可靠性模型δ,其表達式為:

(4)

式中,a代表各個子系統對應的故障率,b代表各個子系統對應的故障修復率,n表示總子系統數量。

利用式(1)可生成變電站運行的可靠性,以此定義出變電站穩定域運行的閾值,當式(1)結果不在閾值范圍內,說明變電站中存在線路運行異常,否則反之。

2 告警變電站運行態勢異常

根據模糊證據推理原理可知[15],變電站運行態勢異常告警需要分成三個步驟:第一步,計算異常目標運行態勢的模糊隸屬函數;第二步,根據證據理論合成所有目標對象的隸屬函數;第三步,依據判決準則檢測異常并加以告警。

目前發生異常運行情況時,因智能變電站的特性,會導致與異常子系統相連部分的系統也發生運行錯誤,進而生成大量錯誤的告警信息。一般情況下,系統會用0和1來表示變電站是否發生故障。模糊證據推理方法是比較模糊的一種故障判斷方法,所以僅僅用0和1來表示是否發生故障比較片面,為此使用區間[0,1]之間的任意數來表示發生故障的概率。在實際監測過程中,會引入最大隸屬法,對告警信息實施模糊相關性的分析,進而得出最精準的告警描述。

假設變電站的論域為U,模糊數據集合為A,則A在U上的映射uA表達式為:

(5)

式中,uA代表集合A的隸屬度函數。

將這種方法使用于智能變電站中,對變電站的異常態勢數據實施特征提取等預處理后,計算出異常數據的隸屬度,并依據實際的數據性質,選取模糊分布的形式。

不同的變電站中因設備的不同,其模糊集合也不盡相同,因此隸屬度函數針對每個變電站設備均是不同的,常規的隸屬度函數有三角形以及梯形等,其中三角形隸屬度函數的計算公式為:

(6)

其中,a′和c′代表三角形隸屬度函數的參數,b′代表三角形隸屬度函數“峰”的參數。

梯形隸屬度函數的計算公式為:

(7)

其中,a″和d″均代表梯形隸屬度函數“腳”的參數,b″和c″均代表梯形隸屬度函數“肩膀”的參數。

假設變電站的全部運行態勢異常集合為θ={θ1,θ2,…,θn},集合中的某個節點A′的告警證據集合為eA′={e1,e2,…,eNA′},則告警對故障的支持度計算公式為:

(8)

其中,NA′,θi代表確實為需要告警的異常運行姿態個數,NA′代表變電站設備異常運行姿態告警的總數。

根據式(8)生成變電站設備對運行姿態異常的支持度集合表達式為:

uA′={uA′(θ1),uA′(θ2),…,uA′(θn)}

(9)

在上升函數S形隸屬度函數的基礎上,得出智能變電站運行態勢異常告警證據的隸屬度函數計算公式:

fA′(θi)=

(10)

式中,a?和b?均代表S形隸屬度函數的參數。

在式(10)的幫助下,得出變電站中每種設備針對不同異常姿態的支持度模糊隸屬度[16-17],生成下列支持度集合表達式:

fA′={fA′(θ1),fA′(θ2),…,fA′(θn)}

(11)

為了更好地統一變電站運行姿態的隸屬度,對支持度集合進行歸一化處理,將所有帶有量綱隸屬度轉化成無量綱的,更加直觀地比較隸屬度結果,隸屬度的歸一化公式為:

(12)

經過歸一化處理后的隸屬度,就可以輕易完成整合處理,最終對其中的異常進行選取并加以告警即可。

根據變電站的異常姿態預測以及特征處理,得出變電站目前可能存在的異?，F象,將異常態勢的隸屬度計算出并加以整合后,工作人員可以直接了解需要告警的事件,同時還要對告警故障實施事件化處理,在告警指令序列的輔助下詳細描述告警事件,其中包含異?，F象的發生時間、變電站名稱以及線路位置等,同時還需要將告警事件序列分類成實體以及告警虛體,因為智能變電站之間的設備存在著大量聯系,所以告警序列的相關信息間十分相似,為了盡可能提高告警精度和效率,需進一步提煉關鍵詞,同時在系統中添加語言處理技術,語言的分析和處理如下所示。

第1步,統計所有告警本體,對相應詞性進行標注,構建出本體詞典。

第2步,將異常姿態樣本特征數據實時向量化處理,對異常姿態的詞語進行區分,構建出異常樣本向量。

根據以上步驟將告警指令實施序列事件化處理,針對物理設備和虛擬化資源制定資源控制接口,實現資源狀態的實時管理、更新,在線設備識別,運行狀態異常告警,構成4項資源管控接口制定報告,通過Tdengine電力運維平臺自動發出告警。

3 實驗結果與分析

為了驗證模糊證據推理下的智能變電站運行態勢異常實時在線告警方法的整體有效性,現和故障監測與預警方法、電網級聯故障預警方法,進行態勢異常識別率、告警耗費時間以及加入噪聲后的告警時延測試。

假設實驗過程中共選取15組數據樣本進行實驗,每組樣本中帶有2000條告警信息的訓練集,將每組實驗進行編號,分別為編號1～編號15,通過三種方法對數據進行訓練,得出告警的真實情況。

3.1 態勢異常識別率與虛警率

變電站異常監測的精度直接關系最終告警的精度,所以將故障監測識別率、虛警率視為告警精度的評價指標,計算公式如下所示:

(13)

(14)

在實驗過程中保證所有方法所處的外界環境以及干擾全部一致,排除所有可能帶來誤差的因素,僅僅比較三種方法對異?，F象的識別率,從而驗證本文方法的有效性,實驗結果如表1所示。

表1 三種方法的異?，F象識別率(%)

由表1可知,識別率最高的是本文方法,均在90%以上,最低93.4%,最高99.8%;虛警率最低的是本文方法,最高1.4%,最低0.3,總體表現優于其他兩種方法。其他兩種對比方法沒有對智能變電站可能發生故障和異常情況進行預測,致使異常檢測范圍過大,其獲取的異常線路特征單一且冗余量大,因此識別率較本文方法低。根據實驗結果,說明本文方法對異常姿態的在線警告精度較高,能夠及時提示工作人員變電站發生故障以及對變電站實施維修處理,保證變電站的壽命。

這是因為本文方法提前預測智能變電站可能發生的故障以及異常情況,能夠提示工作人員及時關注可能發生故障的線路,并第一時間監測到該線路的實際運行情況,從而及時發出告警,加強告警識別率。但識別率未達到100%、虛警率未達到0,是因為該方法中其預測過程還無法保證100%的準確性,但已能夠大幅改善對智能變電站可能發生故障和異常情況的識別率以及虛警率。

3.2 告警全周期耗時

識別精度的高低是驗證態勢異常告警方法的重要指標,但保證精度的同時,也需要告警全周期耗時。在上述環境下隨機選取出5組實驗樣本,分別計算出三種方法所需的告警時間,實驗結果如圖1所示。

由圖1可知,本文方法耗時均在5s以內,其余兩種方法遠遠大于5s。得出本文方法的性能無論是識別精度或是告警耗時均優于其余兩種方法,再一次證明了本文方法的告警能力。這是因為本文方法選取其中不會影響告警結果的特征,這降低了監測數據量,加強了監測精度,同時減少了告警所需時間。

圖1 三種方法的告警全周期耗時

3.3 抗噪能力分析

全周期耗時是在完全無干擾情況下得出的理想結果,但是變電站本身具有大量電磁干擾,影響檢測及告警結果,為了進一步驗證本文方法的抗噪能力性,在實驗過程中,對實驗樣本數據添加不同的高斯白噪聲,生成帶有不同信噪比的樣本,判斷三種方法告警的穩定性,即是否能夠及時發出告警,實驗結果如圖2所示。

圖2 三種方法的抗噪能力分析

由圖2可知,本文方法的抗噪能力最強,其余兩種方法的抗噪能力均較差,不利于異常態勢檢測精度,以上實驗充分說明本文方法的告警效果更優。

4 結 論

變電站數量不斷增加,同時也在不斷更新變電站系統,模糊證據推理下的智能變電站運行態勢異常實時在線告警方法,對變電站數據進行故障預測以及特征提取處理,通過模糊證據推理和信息事件化方法,完成異常告警,解決了識別率低、告警異常情況所需時間長以及抗噪能力差的問題,加強新型電力系統工作能力,可大大加長電力系統各設備的使用壽命,為保證用戶的用電安全以及穩定性,幫助工作人員及時發現問題并及時維修發生故障的節點。接下來的研究方向是進一步加快實時告警效率,以及提前預測每段線路可能發生故障的概率,提前對線路進行檢修,降低故障發生率。