模糊证据推理下的智能变电站运行态势异常实时在线告警仿真

舒斐,李永光,赵亮,於湘涛

(1.国网新疆电力有限公司电力科学研究院,新疆 乌鲁木齐 835011;2.国网新疆电力有限公司,新疆 乌鲁木齐 830018;3.中国科学院沈阳计算技术研究所有限公司,辽宁 沈阳 110168)

每个变电站均有着信息高度集成共享的规则[1-2],各个电力线路监测得到的信息量中带有海量设备状态数据,若利用目前异常告警对海量信息量进行检测,会出现告警不及时的问题[3],工作人员无法在短时间内得知发生故障的线路,从而耽误线路维修,最终造成不必要的影响。

线路监测和警告是相辅相成的,只有及时监测到变电站存在故障变电站才能及时告警。张元星等[4]首先预测变电站的实际运行状态,模拟出实时状态下变电站的各项参数,对运行过程中正常运行状态和实际运行的电力状态进行对比,判断目前两种状态间是否存在差异,若出现异常则及时发出告警。王宇飞等[5]首先根据原始电力攻击观测序列识别出所有预警,同时使用动态计算方法计算出预警的信息物理协同判据,缩小变电站告警范围,并对该范围线路进行检测同时加以告警。但是在实际告警过程中没有对智能变电站可能发生故障和异常情况进行预测,导致异常检测范围过大,加大工作量,获取的异常线路特征单一且冗余量大,存在识别率低、态势分析耗时长以及噪声干扰下告警时间延长的问题。为此,提出了模糊证据推理下的智能变电站运行态势异常实时在线告警仿真。

1 挖掘运行态势异常特征

1.1 提取变电站运行数据特征

将RVM视为分类器的输入向量[6-9],由于数据中不可避免带有一些冗余数据[10-11],这会影响特征提取、分类以及最终的异常检测结果,因此需要对变电站的数据特征进行选择,选取出对检测结果影响较小的特征。

RVM是目前常用的分类算法,它的优点是带有极强的稀疏性,可自行选择影响较小的特征,同时保证特征提取以及分类是在同一个优化函数内,以此生成更加优越的分类结果。

假设变电站特征训练样本的向量集合为{ym,zm},则RVM分类算法的优化函数表达式为:

(1)

式中,M代表变电站数据特征训练样本数量,m=1,2,…,M,ym代表变电站数据特征向量,zm代表特征类别编号,α代表变电站数据中的高斯白噪声,K(y,ym)代表核函数,wm代表第m个特征的权重,y和ω均代表准备计算的变量。

在sigmoid函数的帮助下通过RVM分类算法估计输入特征为目标结果的概率[12],似然函数的计算公式为:

{1-β[f(ym,m)]}1-zm

(2)

其中,β代表冲击函数。

重新建立模型内参数的先验分布,以此生成最完整的贝叶斯模型[13],若变量ω的均值以及方差均为高斯分布χ-1,且χ-1以及噪声方差γ-1的先验分布均为伽马分布,其表达式为:

(3)

式中,c和d代表超参数,χ代表χ-1的逆,χm代表第m个逆χ的分量,γ代表γ-1的倒数。

在实际计算过程中χ会被无限放大,对应的分量ω会无限接近于0,保证权值向量的稀疏化[14],当迭代停止后,权值不等于0的特征向量即为故障特征选取结果。

1.2 判断运行态势异常

为了能够及时发现异常运行情况,利用马尔可夫模型对变电站实际运行过程中态势进行预测,通过详细分析变电站的异常机制,可定义出变电站中较为薄弱的环节参数,将参数引入模型中,得出变电站运行的可靠性模型δ,其表达式为:

(4)

式中,a代表各个子系统对应的故障率,b代表各个子系统对应的故障修复率,n表示总子系统数量。

利用式(1)可生成变电站运行的可靠性,以此定义出变电站稳定域运行的阈值,当式(1)结果不在阈值范围内,说明变电站中存在线路运行异常,否则反之。

2 告警变电站运行态势异常

根据模糊证据推理原理可知[15],变电站运行态势异常告警需要分成三个步骤:第一步,计算异常目标运行态势的模糊隶属函数;第二步,根据证据理论合成所有目标对象的隶属函数;第三步,依据判决准则检测异常并加以告警。

目前发生异常运行情况时,因智能变电站的特性,会导致与异常子系统相连部分的系统也发生运行错误,进而生成大量错误的告警信息。一般情况下,系统会用0和1来表示变电站是否发生故障。模糊证据推理方法是比较模糊的一种故障判断方法,所以仅仅用0和1来表示是否发生故障比较片面,为此使用区间[0,1]之间的任意数来表示发生故障的概率。在实际监测过程中,会引入最大隶属法,对告警信息实施模糊相关性的分析,进而得出最精准的告警描述。

假设变电站的论域为U,模糊数据集合为A,则A在U上的映射uA表达式为:

(5)

式中,uA代表集合A的隶属度函数。

将这种方法使用于智能变电站中,对变电站的异常态势数据实施特征提取等预处理后,计算出异常数据的隶属度,并依据实际的数据性质,选取模糊分布的形式。

不同的变电站中因设备的不同,其模糊集合也不尽相同,因此隶属度函数针对每个变电站设备均是不同的,常规的隶属度函数有三角形以及梯形等,其中三角形隶属度函数的计算公式为:

(6)

其中,a′和c′代表三角形隶属度函数的参数,b′代表三角形隶属度函数“峰”的参数。

梯形隶属度函数的计算公式为:

(7)

其中,a″和d″均代表梯形隶属度函数“脚”的参数,b″和c″均代表梯形隶属度函数“肩膀”的参数。

假设变电站的全部运行态势异常集合为θ={θ1,θ2,…,θn},集合中的某个节点A′的告警证据集合为eA′={e1,e2,…,eNA′},则告警对故障的支持度计算公式为:

(8)

其中,NA′,θi代表确实为需要告警的异常运行姿态个数,NA′代表变电站设备异常运行姿态告警的总数。

根据式(8)生成变电站设备对运行姿态异常的支持度集合表达式为:

uA′={uA′(θ1),uA′(θ2),…,uA′(θn)}

(9)

在上升函数S形隶属度函数的基础上,得出智能变电站运行态势异常告警证据的隶属度函数计算公式:

fA′(θi)=

(10)

式中,a‴和b‴均代表S形隶属度函数的参数。

在式(10)的帮助下,得出变电站中每种设备针对不同异常姿态的支持度模糊隶属度[16-17],生成下列支持度集合表达式:

fA′={fA′(θ1),fA′(θ2),…,fA′(θn)}

(11)

为了更好地统一变电站运行姿态的隶属度,对支持度集合进行归一化处理,将所有带有量纲隶属度转化成无量纲的,更加直观地比较隶属度结果,隶属度的归一化公式为:

(12)

经过归一化处理后的隶属度,就可以轻易完成整合处理,最终对其中的异常进行选取并加以告警即可。

根据变电站的异常姿态预测以及特征处理,得出变电站目前可能存在的异常现象,将异常态势的隶属度计算出并加以整合后,工作人员可以直接了解需要告警的事件,同时还要对告警故障实施事件化处理,在告警指令序列的辅助下详细描述告警事件,其中包含异常现象的发生时间、变电站名称以及线路位置等,同时还需要将告警事件序列分类成实体以及告警虚体,因为智能变电站之间的设备存在着大量联系,所以告警序列的相关信息间十分相似,为了尽可能提高告警精度和效率,需进一步提炼关键词,同时在系统中添加语言处理技术,语言的分析和处理如下所示。

第1步,统计所有告警本体,对相应词性进行标注,构建出本体词典。

第2步,将异常姿态样本特征数据实时向量化处理,对异常姿态的词语进行区分,构建出异常样本向量。

根据以上步骤将告警指令实施序列事件化处理,针对物理设备和虚拟化资源制定资源控制接口,实现资源状态的实时管理、更新,在线设备识别,运行状态异常告警,构成4项资源管控接口制定报告,通过Tdengine电力运维平台自动发出告警。

3 实验结果与分析

为了验证模糊证据推理下的智能变电站运行态势异常实时在线告警方法的整体有效性,现和故障监测与预警方法、电网级联故障预警方法,进行态势异常识别率、告警耗费时间以及加入噪声后的告警时延测试。

假设实验过程中共选取15组数据样本进行实验,每组样本中带有2000条告警信息的训练集,将每组实验进行编号,分别为编号1～编号15,通过三种方法对数据进行训练,得出告警的真实情况。

3.1 态势异常识别率与虚警率

变电站异常监测的精度直接关系最终告警的精度,所以将故障监测识别率、虚警率视为告警精度的评价指标,计算公式如下所示:

(13)

(14)

在实验过程中保证所有方法所处的外界环境以及干扰全部一致,排除所有可能带来误差的因素,仅仅比较三种方法对异常现象的识别率,从而验证本文方法的有效性,实验结果如表1所示。

表1 三种方法的异常现象识别率(%)

由表1可知,识别率最高的是本文方法,均在90%以上,最低93.4%,最高99.8%;虚警率最低的是本文方法,最高1.4%,最低0.3,总体表现优于其他两种方法。其他两种对比方法没有对智能变电站可能发生故障和异常情况进行预测,致使异常检测范围过大,其获取的异常线路特征单一且冗余量大,因此识别率较本文方法低。根据实验结果,说明本文方法对异常姿态的在线警告精度较高,能够及时提示工作人员变电站发生故障以及对变电站实施维修处理,保证变电站的寿命。

这是因为本文方法提前预测智能变电站可能发生的故障以及异常情况,能够提示工作人员及时关注可能发生故障的线路,并第一时间监测到该线路的实际运行情况,从而及时发出告警,加强告警识别率。但识别率未达到100%、虚警率未达到0,是因为该方法中其预测过程还无法保证100%的准确性,但已能够大幅改善对智能变电站可能发生故障和异常情况的识别率以及虚警率。

3.2 告警全周期耗时

识别精度的高低是验证态势异常告警方法的重要指标,但保证精度的同时,也需要告警全周期耗时。在上述环境下随机选取出5组实验样本,分别计算出三种方法所需的告警时间,实验结果如图1所示。

由图1可知,本文方法耗时均在5s以内,其余两种方法远远大于5s。得出本文方法的性能无论是识别精度或是告警耗时均优于其余两种方法,再一次证明了本文方法的告警能力。这是因为本文方法选取其中不会影响告警结果的特征,这降低了监测数据量,加强了监测精度,同时减少了告警所需时间。

图1 三种方法的告警全周期耗时

3.3 抗噪能力分析

全周期耗时是在完全无干扰情况下得出的理想结果,但是变电站本身具有大量电磁干扰,影响检测及告警结果,为了进一步验证本文方法的抗噪能力性,在实验过程中,对实验样本数据添加不同的高斯白噪声,生成带有不同信噪比的样本,判断三种方法告警的稳定性,即是否能够及时发出告警,实验结果如图2所示。

图2 三种方法的抗噪能力分析

由图2可知,本文方法的抗噪能力最强,其余两种方法的抗噪能力均较差,不利于异常态势检测精度,以上实验充分说明本文方法的告警效果更优。

4 结 论

变电站数量不断增加,同时也在不断更新变电站系统,模糊证据推理下的智能变电站运行态势异常实时在线告警方法,对变电站数据进行故障预测以及特征提取处理,通过模糊证据推理和信息事件化方法,完成异常告警,解决了识别率低、告警异常情况所需时间长以及抗噪能力差的问题,加强新型电力系统工作能力,可大大加长电力系统各设备的使用寿命,为保证用户的用电安全以及稳定性,帮助工作人员及时发现问题并及时维修发生故障的节点。接下来的研究方向是进一步加快实时告警效率,以及提前预测每段线路可能发生故障的概率,提前对线路进行检修,降低故障发生率。