基于云模型的输变电设备状态预测研究

陈 海

（国网桐乡市供电公司，浙江 桐乡 314500）

基于云模型的输变电设备状态预测研究

陈 海

（国网桐乡市供电公司，浙江 桐乡 314500）

输电变设备是电力系统的核心，其健康水平直接关系到“多供电、供好电”战略目标的实现程度。文章针对输变电设备故障爆发呈现随机性的特点，提出采用基于云理论的不确定推测模型来进行运行数据挖掘并预判输变电设备的故障几率，从而为电网运维提供新的科学的辅助决策方法。案例表明，文章的研究成果比较符合实际情况，具有一定推广价值。

云模型；状态预测；输变电设备；健康指数

输变电设备是电力系统的核心，其可靠性关系着“多供电、供好电”目标的实现程度。而要提升输变电设备的可靠性，就是要切实掌控输变电设备的运行状态，并在此基础上采取针对性的运维措施。

因输变电系统分布广、元件多、类型杂，因此其故障发生率受天气变化、线路潮流、外部环境、自身质量等诸多因素的制约而呈现出一定的随机性与模糊性。国内外大量文献就此做了研究，建立起一些数学模型：如文献［1］运用故障树分析法来评估电网元件的故障概率，文献［2］充分考虑线路负载与线路健康的内在关联并确立出函数关系等等。应该说，以上研究是严谨的，但在基础数据（如故障分类信息、故障发生时环境数据等）获取上存在一定困难，难以普适应用。

笔者根据多年运维经验，总结出：状态检修工作所积累的运行数据能在一定程度上折射出设备的健康指数；而健康指数与设备故障发生概率之间显然存在某种具有模糊推理属性的关联。因此形成以下思路：以不同年份的状态检修数据为依托，采用在数据挖掘和预测方面有优异表现的云理论为模型框架，建立输变电设备状态预测的新方法。

1　云理论概要

1.1云的概念

云模型实现定性概念与定量数值之间的不确定性转换［3］。举例：设 U为精确数值论域，x∈U；T为定性概念集，与U对应；若x对应的T的确定度u（x）∈［0，1］为稳定随机数，则u（x）在U上的分布（或U到［0，1］的映射）称为隶属云。

云的数字特征有 3个：期望 Ex、熵 En、超熵He。三者示意如图1所示。其中，Ex与云滴重心相对应；En表示云滴离散程度；He反映云滴凝聚度。

图1　一维正态云的数字特征示意

1.2云发生器

云发生器是云的生成算法，分正向和逆向两类，原理如图2所示。其中，“X条件云发生器”表示通过给定定性概念A的云模型特征（ExA、EnA、HeA）和论域 U1的特定数值x0，生成 x0属于A的云滴分布（即Cdrop（x0，u0（x0））），属于正向发生器；“Y条件云发生器”表示通过给定定性概念B的云模型特征（ExB、EnB、HeB）和论域 U2中某一特定 x0关于 B的隶属度u0（x0）∈［0，1］，生成B中满足该隶属度的云滴分布（即Cdrop（y0，u0（x0））），属于反向发生器。

图2　云发生器原理示意

1.3云语言预测规则

为了实现不确定性推理，云模型需设置语言预测规则，如图3所示。

图3　实现不确定性推理的云语言预测规则示意

步骤解说：

（3）依下式确定对应于输入x0的输出y0。

2　输变电设备状态预测建模

基于云模型的输变电设备运行状态预测思路可由图4表达。由于状态检修情况下，第n-1年的状态检修工作会对第n年的设备状态产生影响，即故障率符合泛正态分布特征，因此文章将采用1维正态云来构建预测模型。

图4　基于云模型的设备状态预测思路框架

2.1“两片云”的构建

根据国网公司的状态检修规程，我们可以视运行情况对输变电设备的元部件进行扣分，而某一设备所有可参与评价的元部件的扣分综合值（0～100）就形成该设备的健康指数。前已述及，健康指数与故障率大小之间不是线性和单调关系，而是模糊推理关系，即：健康指数越小，设备故障率越小。基于该表达，引入两个定性概念：健康态势（概念A）、故障可能（概念B）。接下来要做的工作就是根据历史数据构建与以上定性概念相对应的两片云（主要要得到云的期望、熵和超熵值）。

设ai、gi分别表示第i个历史数据及其隶属度。

1）先将式（1）转换成式（3），并用式（3）对云滴拟合，得到期望xE′。

2）将gi大于0.999的点滤去，云滴个数变为m。

按 1）～4），可以得到用于表征健康态势的云模型C1（ExA，EnA，HeA）和用于表征故障可能的云模型C2（ExB，EnB，HeB）。

2.2“两片云”的关联

设 Xm0为统计期间对应故障率最大的年份的设备健康指数值，xj为统计期间第j年的健康指数；u（xj）为xj之于Xm0的隶属度，其计算为

设pj为统计期间对应xj的故障率，Pmax为统计期间最大故障率；u（pj）为pj之于Pmax的隶属度，其计算为

考虑到“健康态势云”的期望 ExA和“故障可能云”的期望 ExB均指统计期间相应指标的均值，且具有基本确定性，因此认为“两片云”的对应状态的隶属度是相同的，即：只要健康指数一致，故障率也应该相同。这样就实现了“两片云”的关键关联——不确定性传递。

3　算例

以浙江嘉兴供电公司110kV凤南1222线的历年运行数据为例，对文章构建模型进行核验。

3.1基本数据

文献［4］指出：历史数据在5个以上时，期望值误差小于0.01。因此，文章选取2009—2013年共5年的设备健康指数和故障率统计作为基础数据见表1。

表1　2009—2013年嘉兴110kV凤南1222线数据统计

3.2“两片云”的云滴生成

根据文章构建模型，得到“健康态势云”为C1（13.200，4.165，0.291），“故障可能云”为C2（0.172，0.133，0.105），二者的云滴分布（450滴）如图 5和图6所示，其中的虚线部分相当于基于给定健康指数（xa）的一次随机的设备故障率预测过程。

图5　嘉兴110kV线路的健康关联云分布

图6　嘉兴110kV线路的故障态势云分布

3.3故障率预测

110kV凤南 1222线的最新健康指数为 18，将其输入X条件云，得到对应该健康状态的概率最大的模糊隶属度为 0.825，将此值传递至 Y条件云的输入侧，计算得到百公里线路的可能故障率为0.2704次/a。因以上过程具有随机性（即每一次推理得到的预测结果不尽相同），为了使数据更具辅助决策效能，可将推理程序执行10次，然后取平均值。这样，对于案例线路，我们得到的最终状态预测结果为：每百公里线路的故障率为0.2654次/a。

3.4与其他方法的对比

为了凸显文章方法的合理性，我们将嘉兴电网10条110kV线路的相关状态评价数据分别输入基于云理论的预测模型和基于反演法的传统预测模型（该模型构建见文献［5］），得到表 2所示结果。该结果显示：①当设备接近正常时（即健康指数较低），两种方法的预测结果是较为相似的；②当设备潜在或显在问题较多时（即健康指数大于 60），反演法预测结果呈现指数式增长，显然不太符合实际运行规律；而云模型预测方法能充分考虑状态检修对健康指数和故障率的影响，因此其预测值大小适中，可信度较高。

表2　两种方法对于不同健康指数的预测结果比对

4　结论

输变电设备的状态关系着供电可靠性、电能质量等电力系统核心指标，但其又是一个模糊概念，对其进行评价存在较大不确定性。文章基于当前状态检修工作的日趋完善和状态评价数据的极大丰富，提出依靠云理论来建立设备健康指数与设备故障态势之间的关联度，并据此科学预测输变电设备的状态。该方法能正确反映输变电设备故障率的泛正态分布特征，能对状态检修数据进行深度挖掘，从而开辟出不确定性预测层面的一块新天地。算例表明：文章构建的方法实用、有效，对输变电运维工作的辅助决策意义较大，值得进一步研究和推广。

［1］ 孙元章， 程林， 刘海涛. 基于实时运行状态的电力系统运行可靠性评估［J］. 电网技术， 2005， 31（15）：6-12.

［2］ 程林， 何剑， 孙元章. 线路实时可靠性模型参数对电网运行可靠性评估的影响［J］. 电网技术， 2006，42（13）： 8-13.

［3］ 杨洋， 谢开贵， 孙鑫. 基于 FTA法的宁夏电网运行元件故障率分析［J］. 电力系统保护与控制， 2009，36（18）： 134-137， 141.

［4］ 潘乐真， 张焰， 俞国勤， 等. 状态检修决策中的电气设备故障率推算［J］. 电力自动化设备， 2010， 30（2）：91-94.

［5］ 冯管印， 何川， 丁坚勇， 等. 电气设备故障率演化推算综合算法［J］. 武汉大学学报（工学版）， 2014， 2（2）：244-249.

Study on the Prediction of the Power Transmission Equipment based on Cloud Model

Chen Hai
（State Grid Tongxiang Power Supply Company， Tongxiang， Zhejiang 314500）

Power transmission equipment is the core of power system， the level of its health is directly related to the realization of the strategic objectives of the multi power supply and power supply. Aiming at the fault of power transmission and transformation equipment broke out random characteristics， proposed by based on cloud theory of uncertainty estimation model to run data mining and pre judge the probability of failure of power transmission and transformation equipment， thus for power grid operation and maintenance provide new scientific decision-making method. The case shows that the research results of the article are in line with the actual situation， and have some promotion value.

cloud model； state prediction； transmission equipment； health index

陈 海（1980-），男，湖北宜昌人，工程师，研究生学历，主要从事电力工程的管理工作。