基于人工智能的配变异常分析预警模式的研究

马妍

（国网郑州供电公司 河南省郑州市 450006）

1 引言

在当前电力系统广泛应用的环境下，配电变压器设备是电力系统稳定运行的核心设备。它具有运行环境复杂、发热量大、类型多的特点，容易出现异常运行。当配电变压器设备的异常运行状态达到一定临界值时，会导致配电变压器设备故障，影响电力系统的稳定运行。及时分析区域配变设备的运行状态并对配变设备异常状态进行预警能够帮助相关运维人员了解配变设备的运行情况，确认当前配变设备运行的安全性与稳定性，及时对异常配变设备进行维护与检修，保障配变设备运行的稳定性与可靠性。

文献[1]针对目前配变在线状态监测功能的状况及配变设备运维的重要性，设计网格化区域管理方式，结合负荷预警和智能告警，改善目前处理配变设备异常的被动应对状况，强化设备主人对现场设备的负荷，提升用户的用电质量，文献[2]对变电站站控层网络流量行为特性进行分析，针对变电站典型的网络攻击模式和流量异常特征，构建了阈值模型，计算典型网络异常概率，分析变电站站控层流量数据，实现了变电站在网络攻击情形下的安全态势评价。文献[3]基于智能视觉物联网，对设备发热异常进行实时报警，通过无线组网实现远程监控，对异常发热区域和温度较高区域打上视觉标签，实时地检测和定位设备温度异常区域，为变电站设备异常监测提供了可靠保证。

但是以上方法的评估与预警指标不明确，且配变运行状况检测中的异常数据较多，干扰预警结果，由此，提出基于人工智能的配变异常分析预警模式，其创新点在于利用人工智能技术中的径向基神经网络，对设备老化、长期重过载、三相不平衡与温度过高这四个因素进行准确的配变设备异常分析预警。

2 基于人工智能的配变异常分析预警模式

2.1 基础数据整理

预警模式是人工智能领域基于径向基函数的神经网络，对分布变化的异常情况进行定期评估和量化。本文利用时变神经网络预测异常因素之间的时变相关性，并对异常时间序列进行描述，在此基础上，建立时间序列模型对异常变化进行判断，将异常值达到预警水平进行异常预警。配变异常趋势示意图如图1所示。

图1：配变异常趋势示意图

反映配电变压器运行状态的数据主要由三部分组成，即：配电变压器设备本体、配变电网环境和配电变压器外部环境。配电变电设备的主要数据包括配电变压器基本档案、检测记录、试验记录和故障排除记录等；配电变电电网环境数据包括电网负荷和异常运行记录；配电变压器外部环境数据包括地理位置、温湿度等。

数据预处理不仅是对历史数据的清理和处理，也是对检测数据的处理。根据历史数据获取训练样本，进行径向基函数神经网络模型的训练，且利用径向基函数神经网络模型进行连续监测和预警，其中，数据预处理过程如图2所示。

图2：数据预处理过程

由于以上数据来源不同，数据的规格、质量和范围也有明显不同。为了保证基础数据能够有效地支持后续的影响分析，有必要对数据进行清理。清洗数据主要是不完整数据和重复数据。数据清理后，需要对数据进行分析，定义标准和脚本等，对多源数据进行处理，纠正异常数据。

特别是离群值的监测和处理在数据清理过程中更为重要。如果离群点处理效果不佳，将直接影响后续建模和分析效果。常用的异常值监测与处理方法有残差分析法、缺失值判断法和频率分析法。由于RBF 神经网络建模与分析过程对数据的准确性、周期性和干扰性比较敏感，因此通常采用残差法对异常值进行监测和处理，而对于影响拟合模型的异常数据，通常采用残差法对原始数据进行清理，确定并消除异常数据。

2.2 建模要素评估

根据配电变压器设备异常发生的时间、地点、设备制造厂及型号、设备状态数量及运行年限、设备负荷率、设备三相匹配度、设备温湿度等因素，构造配电设备异常时频项集和时间关联实例，如表1所示。根据表1 分析配变设备异常事件相关因素为径向基神经网络预警提供依据。

由表1 可知，根据分析结果修改配电变压器设备的老化和低健康标准可以增强相关特性的显著性。分析结果表明，设备老化、长期严重过载、三相不平衡和高温四个因素与配电变压器异常时间具有高度的相关性和同步性。因此，这四个因素可以用来评估和预警配电变压器的异常风险。

表1：异常时间相关因素分析表

2.3 基于径向基神经网络的预警方法

2.3.1 径向基神经网络

径向基神经网络的主要优点是收敛速度快，能够以任意精度逼近任意连续函数。径向基神经网络由输入层、隐层和输出层组成。输入层X=[X1,X2,…,Xn]和隐含层内分别包含n 个输入和m 个节点，以分别表示隐含中心和不同中心宽度，其中输出可用Y 表示。

以H 和Mi分别表示径向基函数与第i 个因单元与输出间的权重，其中，径向基函数通常为高斯函数，由此可用式（1）描述实际输出Y 与输入X 间的相关性：

实际应用过程中，经由学习历史数据，确定径向基神经网络参数取值，利用径向基神经网络确定实际数据的报警状态，实现配变异常分析预警的目的。

2.3.2 基于收网算法的径向基神经网络参数确定

收网算法由边界开始搜索空间，针对X 维搜索空间，在初始化条件下，由各变量上限值与下限值公共组成2x的顶点以及2x 个超平面内任意个节点共同组成收网算法的整张网，各超平面上的节点符合任意维度变量处于上限或下限的标准。假设各超平面任意选取y 个节点，则整张网内节点数量可用2x+2xy 表示。

由于径向基神经网络内包含n 维输入与m 个隐含层，因此需要确定的参数如表2所示。

表2：需确定的径向基神经网络参数

在x 取值较大的条件下，仅利用超平面上2xy 个节点实施初始化。

径向基神经网络与实际情况的相符度可通过径向基神经网络计算后输出结果Y 同实际值R 之间一致度表示，两者之间为正比例相关。基于此在学习库内包含K 条配变设备数据的条件下，以式（2）作为径向基神经网络判断的标准。

式（2）内，Y(k)和B(k)分别表示第k 个实际呼出值和第k 个实际值。

通过收网算法优化径向基神经网络令f 值最小，即可获取所需辨识的各项参数。具体辨识流程如表3所示。

表3：参数辨识流程

2.3.3 异常预警

提取配变设备n 组历史数据特征，构建审计网络学习数据集，公式描述如下：

式（3）内，Ci和θi分别表示配变设备老化和长期重过载的中间数据；δi和Ai分别表示配变设备三相不平衡与温度过高的状态数据；Si表示是否存在异常状态的状态数据，1 和0 分别表示存在异常和不存在异常。

在Sn×6内任意选取k 条数据，利用上述参数确定方法确定径向基神经网络参数，同时，利用确定参数后的径向基神经网络确定剩下n-k 条数据的正确性，在预测结果正确率达到预期效果的条件下，即可将这组参数确定为是径向基神经网络的最终参数。

将已经确认参数的径向基神经网络应用于配变异常分析预警中，将设备老化、长期重过载、三相不平衡与温度过高这四个因素作为径向基神经网络的输入，计算异常状态值，在异常状态值计算结果高于预警值的条件下进行预警。

3 实验分析

为验证本文所提基于人工智能的配变异常分析预警模式的实际应用效果，以某市配变站内的各种配变设备为实验对象，采用本文方法对研究对象进行预警，具体预警结果如下。

3.1 径向基神经网络学习数据库构建

本文对研究对象各项参数的500 组数据进行分析，同时标注其异常状态S，最终形成的训练数据集S500×6，如表4所示。

表4：训练数据集内部分数据

以防止本文方法中径向基神经网络输入量高于隐含层与输出层限制为目的，对表4 内全部学习数据实施归一化处理，即对S500×6内不同列数据除以对应列的最大值，令全部学习数据取值范围控制在[0，1]之间，由此生成规范的学习数据集。

3.2 收敛效率测试

设定本文方法内径向基神经网络参数确定过程中收网算法的最大迭代次数为200 次，图3所示为径向基神经网络参数确定过程中收网算法的收敛曲线。

图3：收网算法收敛曲线

分析图3 得到，本文方法内径向基神经网络参数确定过程中，f 值与收网算法迭代次数之间呈反比例相关，也就是随着收网算法迭代次数的提升，f 值逐渐下降。在迭代次数低于30 次时，f 值下降速度较快，由0.3 下降至0.2 左右；随着迭代次数的提升，f 值下降速度逐渐下降，在迭代次数达到40 次时，f 值降至0.16，并稳定在0.16。由此说明本文方法内收网算法迭代次40 次后即可确定径向基神经网络参数，同时也侧面验证了本文方法的效率优势。

3.3 预警应用效果

为验证本文方法的预警效果，在研究对象中任意选取六项配变设备，对所选设备构建相关学习数据集，采用本文方法与所选配变设备的异常情况进行分析预警，对比所选六项配变设备在利用本文方法进行预警后的同期年故障率对比情况（即采用本文方法进行异常分析预警前配变设备年故障次数与采用本文方法进行异常分析预警后配变设备年故障次数的比值×100%），结果如图4所示。

图4：配变设备故障率变化情况

分析图4 得到，所选六项配变设备在利用本文方法进行预警前的年故障率波动范围为13.1%-18.3%，故障率均值约为15.6%；采用本文方法进行预警后的年故障率波动范围为8.6%-15%，故障率均值约为11.9%，相较于采用本文方法之前降低3.7%。实验数据说明采用本文方法对配变设备进行异常预警分析能够大幅降低配变设备故障发生率，利于配变设备稳定运行。

3.4 对比分析

为验证本文方法在实际应用过程中预警效果的优势，选取文献[2]和文献[3]方法为对比方法，从预警精度与预警方法性能两方面对比本文方法与两种对比方法，结果如下。

3.4.1 预警精度对比

图5所示为相同实验环境下，本文方法与两种对比方法对3.2实验内所选六项配变设备的年预警精度均值。

图5：风险预测精度对比

分析图5 得到，本文方法的精度精度均值达到96%以上，相较于本文方法，基于配电变压器制造成本模型的预警方法和基于数据挖掘的配电网故障风险预警方法，对3.2 实验内所选六项配变设备的年预警精度均表现出显著的下降趋势，其中基于配电变压器制造成本模型的预警方法预警精度最低，相较于本文方法下降近10%，由此说明本文方法的预警精度显著高于对比方法。

3.4.2 预警方法性能对比

图6所示为本文方法与两种对比方法的预警性能对比结果。

图6：预警方法性能对比结果

分析图6 得到，本文方法在收敛速度、方法结构与抗干扰性方面与对比方法相比具有显著优势，在应用范围与发展潜力方面与对比方法相比也具有微弱优势，由此说明本文方法具有较大推广价值。

4 结论

本文研究基于人工智能的配变异常分析预警模式，利用人工智能领域中的径向基神经网络进行配变异常分析预警，实验结果显示本文方法能够显著提升配变设备异常分析预警精度，具有较大推广价值。