国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于人工智能技術(shù)的電網(wǎng)故障診斷與預(yù)警系統(tǒng)

2021-08-19 04:10王振國(guó)
黑龍江電力 2021年3期
關(guān)鍵詞:烏海決策樹故障診斷

王振國(guó),賈 飛,余 洋

(內(nèi)蒙古電力(集團(tuán))有限責(zé)任公司烏海電業(yè)局,內(nèi)蒙古 烏海 016000)

0 引 言

近年來(lái),隨著電網(wǎng)系統(tǒng)的不斷發(fā)展,中國(guó)已建成世界上最大且最為復(fù)雜的電網(wǎng)系統(tǒng)。如何保障電網(wǎng)供電穩(wěn)定,及時(shí)發(fā)現(xiàn)并解決電網(wǎng)故障成為急需解決的主要問(wèn)題。現(xiàn)如今,人工智能技術(shù)高速發(fā)展,對(duì)于電網(wǎng)故障診斷和預(yù)警,很多學(xué)者已將人工智能技術(shù)應(yīng)用其中,極大地提高了電網(wǎng)故障診斷效率,如文獻(xiàn)[1]提出一種基于隨機(jī)森林算法建立的配網(wǎng)搶修故障量預(yù)測(cè)模型,對(duì)不同的故障進(jìn)行預(yù)測(cè);文獻(xiàn)[2]提出AI視頻監(jiān)控,可以及時(shí)高效發(fā)現(xiàn)故障;文獻(xiàn)[3]提出一種基于時(shí)序貝葉斯知識(shí)庫(kù)(TBKB)電網(wǎng)故障診斷方法的原型系統(tǒng);文獻(xiàn)[4]提出基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷。通過(guò)對(duì)以上學(xué)者研究方向的深入了解,可以總結(jié)為在對(duì)電網(wǎng)故障進(jìn)行診斷的同時(shí),需要提前發(fā)現(xiàn)電網(wǎng)系統(tǒng)可能存在的問(wèn)題,并做到及時(shí)預(yù)警,以保證電網(wǎng)供電更加穩(wěn)定順暢。

基于人工智能的電網(wǎng)故障診斷與預(yù)警系統(tǒng),前期可以通過(guò)獲取烏海地區(qū)的電網(wǎng)數(shù)據(jù)進(jìn)行預(yù)處理,采用多種數(shù)據(jù)驅(qū)動(dòng)和人工智能算法,構(gòu)建故障診斷綜合模型。該系統(tǒng)平臺(tái)能自動(dòng)監(jiān)控電網(wǎng)運(yùn)行狀態(tài),自動(dòng)對(duì)電網(wǎng)診斷結(jié)果進(jìn)行分析,并以可視化界面展示給工作人員。當(dāng)電網(wǎng)故障診斷與預(yù)警系統(tǒng)預(yù)測(cè)到電網(wǎng)有大概率出現(xiàn)故障時(shí),通過(guò)多種警報(bào)方式及時(shí)預(yù)警,做到提前發(fā)現(xiàn)問(wèn)題、解決問(wèn)題[5]。

1 烏海地區(qū)電網(wǎng)運(yùn)行現(xiàn)狀

目前,烏海各級(jí)電網(wǎng)調(diào)度中心均配備運(yùn)行監(jiān)控、數(shù)據(jù)采集系統(tǒng)(SCADA)和能量管理系統(tǒng)(EMS)。在輸電網(wǎng)絡(luò)突發(fā)故障時(shí),相應(yīng)的數(shù)據(jù)監(jiān)控設(shè)備會(huì)產(chǎn)生報(bào)警信息,如開(kāi)關(guān)跳閘、自動(dòng)保護(hù)裝置動(dòng)作、欠電壓、過(guò)電流和設(shè)備過(guò)負(fù)荷等信息,并由專用網(wǎng)絡(luò)上傳到電力調(diào)度中心。特別是當(dāng)整體架構(gòu)規(guī)模巨大的電力輸送系統(tǒng)發(fā)生故障、電網(wǎng)發(fā)生復(fù)故障或自動(dòng)裝置動(dòng)作不正常時(shí),會(huì)在短時(shí)間內(nèi)產(chǎn)生大量的故障報(bào)警信息到達(dá)控制中心。其中包括大量的由保護(hù)或斷路器誤動(dòng)、拒動(dòng)、信道傳輸干擾錯(cuò)誤、保護(hù)動(dòng)作時(shí)間偏差等因素造成的不確定性知識(shí)和數(shù)據(jù)。電網(wǎng)調(diào)度中心工作人員面對(duì)如此紛繁復(fù)雜的報(bào)警信息,要從中快速準(zhǔn)確的查找到故障源,判斷故障類型,進(jìn)行正確的故障處理,專業(yè)知識(shí)的匱乏以及精神壓力可能會(huì)做出誤判,進(jìn)而造成電網(wǎng)故障范圍的擴(kuò)大或延長(zhǎng)供電系統(tǒng)恢復(fù)時(shí)間[6]。

變電設(shè)備故障預(yù)警是電力調(diào)度生產(chǎn)業(yè)務(wù)的重中之重。因此,構(gòu)建故障診斷體系可以大大降低故障發(fā)生、減少檢修成本。

2 電網(wǎng)故障預(yù)警系統(tǒng)架構(gòu)設(shè)計(jì)

2.1 數(shù)據(jù)選取與預(yù)處理

調(diào)研烏海地區(qū)的調(diào)度、生產(chǎn)相關(guān)主站系統(tǒng)數(shù)據(jù)和圖模情況,對(duì)多種電網(wǎng)監(jiān)控系統(tǒng)的跨平臺(tái)數(shù)據(jù)進(jìn)行獲取和預(yù)處理,主要包括:數(shù)據(jù)采集渠道與接口技術(shù)、數(shù)據(jù)存儲(chǔ)與清洗技術(shù)、數(shù)據(jù)關(guān)系預(yù)處理。

基于電網(wǎng)設(shè)備拓?fù)淠P蜆?gòu)建運(yùn)行數(shù)據(jù)、設(shè)備在線監(jiān)測(cè)及歷史故障信息等多維度統(tǒng)一存儲(chǔ)方式,結(jié)合多種大數(shù)據(jù)處理方法,對(duì)多源信息進(jìn)行一致性檢查、無(wú)效值剔除以及缺失值補(bǔ)漏,提供數(shù)據(jù)利用率,減少重復(fù)率。

融合多種統(tǒng)計(jì)學(xué)模型與智能算法,建立數(shù)據(jù)關(guān)系預(yù)處理模型,對(duì)設(shè)備數(shù)據(jù)、運(yùn)行數(shù)據(jù)和生產(chǎn)數(shù)據(jù)等多元數(shù)據(jù)進(jìn)行預(yù)處理。根據(jù)電網(wǎng)設(shè)備故障分析模型的要求,經(jīng)數(shù)據(jù)預(yù)處理后,數(shù)據(jù)規(guī)模得到合理控制,并且涵蓋設(shè)備故障分析所需的所有關(guān)鍵數(shù)據(jù),電網(wǎng)分布式數(shù)據(jù)轉(zhuǎn)化為更適用于設(shè)備故障分析與預(yù)警的高效數(shù)據(jù)集。

2.2 模型建立與算法設(shè)計(jì)

根據(jù)變電設(shè)備故障相關(guān)特征數(shù)據(jù)、故障原因分析結(jié)果等信息,采用多種數(shù)據(jù)驅(qū)動(dòng)和人工智能算法,針對(duì)不同故障模式特點(diǎn),研究相應(yīng)的故障診斷方法,構(gòu)建故障診斷綜合模型,實(shí)現(xiàn)電力系統(tǒng)變電設(shè)備的在線故障診斷和高風(fēng)險(xiǎn)設(shè)備故障預(yù)警。

采用已構(gòu)建的故障診斷離線模型,對(duì)采集的設(shè)備運(yùn)行數(shù)據(jù)進(jìn)行再學(xué)習(xí),同時(shí)采用強(qiáng)化學(xué)習(xí)和遷移學(xué)習(xí)技術(shù),能模擬監(jiān)控人員的思維方式,處理離線學(xué)習(xí)結(jié)果和設(shè)備實(shí)際運(yùn)行狀態(tài)判定結(jié)果。構(gòu)建變電設(shè)備故障診斷自主學(xué)習(xí)方法,增強(qiáng)模型故障分析處理能力的智能性和遷移能力,完成監(jiān)控人員的部分工作,減輕相關(guān)人員的工作負(fù)擔(dān)。

2.3 系統(tǒng)實(shí)現(xiàn)

建立人工智能的電力設(shè)備故障分析與預(yù)警平臺(tái)。對(duì)現(xiàn)有的電網(wǎng)數(shù)據(jù)監(jiān)控系統(tǒng)跨平臺(tái)采集的變電設(shè)備運(yùn)行數(shù)據(jù)進(jìn)行在線展示,通過(guò)多種圖表要素和圖層疊加功能,直觀快捷地展示關(guān)鍵變電設(shè)備的運(yùn)行狀態(tài)。根據(jù)平臺(tái)提供的離線故障診斷模型,在線采集的變電設(shè)備運(yùn)行狀態(tài)數(shù)據(jù),對(duì)設(shè)備異常和故障進(jìn)行在線診斷,并采用圖標(biāo)、文字分析等對(duì)在線診斷結(jié)果進(jìn)行多維度可視化分析與推送。

2.4 技術(shù)架構(gòu)邏輯

技術(shù)架構(gòu)邏輯如圖1所示,系統(tǒng)內(nèi)部結(jié)構(gòu)分為:基礎(chǔ)數(shù)據(jù)層、核心算法、業(yè)務(wù)邏輯和可視化展示。其中,外部系統(tǒng)從SCADA、EMS、PMS和在線監(jiān)測(cè)(報(bào)告)中獲取基本數(shù)據(jù),經(jīng)過(guò)數(shù)據(jù)清洗和校驗(yàn),形成圖形庫(kù)、模型庫(kù)、運(yùn)行數(shù)據(jù)庫(kù)和生產(chǎn)數(shù)據(jù)庫(kù)等。

圖1 技術(shù)架構(gòu)邏輯

經(jīng)過(guò)三層故障判別(先驗(yàn)故障判別決策模塊、拓?fù)潢P(guān)系聯(lián)動(dòng)故障識(shí)別和檢修計(jì)劃數(shù)據(jù)異動(dòng)識(shí)別),結(jié)合潮流計(jì)算、故障診斷和拓?fù)浞治龅人惴?,最終在可視化展示中根據(jù)不同的主題畫面提供GIS和系統(tǒng)一次接線圖的SVG展示。

2.5 數(shù)據(jù)服務(wù)分析

數(shù)據(jù)架構(gòu)由離線計(jì)算區(qū)和實(shí)時(shí)計(jì)算區(qū)構(gòu)成,遵循電網(wǎng)企業(yè)數(shù)據(jù)庫(kù)架構(gòu)要求。數(shù)據(jù)流包括實(shí)時(shí)數(shù)據(jù)流、離線數(shù)據(jù)流、計(jì)算結(jié)果返回和在線數(shù)據(jù)查詢。本項(xiàng)主要涉及分析預(yù)警類應(yīng)用,包括離線計(jì)算區(qū)和實(shí)時(shí)計(jì)算區(qū),離線數(shù)據(jù)流和在線數(shù)據(jù)查詢兩方面內(nèi)容,整體數(shù)據(jù)流架構(gòu)如圖2所示。

圖2 系統(tǒng)數(shù)據(jù)流程架構(gòu)

3 電網(wǎng)故障預(yù)警判別

3.1 先驗(yàn)故障識(shí)別

基于當(dāng)前電網(wǎng)設(shè)備,包括變電站內(nèi)一次設(shè)備、二次設(shè)備的設(shè)備分類與特征,結(jié)合先驗(yàn)知識(shí)建立決策樹集合。針對(duì)遙信信號(hào)的實(shí)時(shí)傳輸,引入信號(hào)內(nèi)容的語(yǔ)法、語(yǔ)義識(shí)別,分離變電站設(shè)備類型、設(shè)備特性、告警內(nèi)容,在決策樹集合中進(jìn)行并發(fā)的瞬時(shí)激活及半激活判定。在故障的決策過(guò)程中,將海量不同信道的實(shí)時(shí)數(shù)據(jù)按先驗(yàn)規(guī)則給出故障判定分類,建議包括:故障、異常、越限、變位、告知。故障判別決策模塊判定源端包含:斷路器、刀閘、接地刀閘、母線、變壓器、變壓器繞組、容抗器、負(fù)荷、交流線段端點(diǎn)、保護(hù)節(jié)點(diǎn)、終端設(shè)備。

3.2 拓?fù)潢P(guān)聯(lián)聯(lián)動(dòng)故障識(shí)別

基于先驗(yàn)故障判別決策集合的判定結(jié)果,結(jié)合電網(wǎng)拓?fù)浣Y(jié)構(gòu),對(duì)預(yù)判定故障的有效性進(jìn)行聯(lián)動(dòng)二次識(shí)別。即時(shí)讀入遙信信號(hào)在電網(wǎng)拓?fù)渲袑?duì)各類設(shè)備進(jìn)行置位,結(jié)合遙測(cè)信號(hào)對(duì)各導(dǎo)線、母線、變壓器的負(fù)荷等數(shù)據(jù),建立二次識(shí)別的聯(lián)動(dòng)決策樹集合。

通過(guò)故障的二次聯(lián)動(dòng)識(shí)別,可以在電網(wǎng)拓?fù)浣Y(jié)構(gòu)層對(duì)故障的有效性進(jìn)行校核。例如,故障導(dǎo)致開(kāi)關(guān)斷開(kāi)判定,但是通過(guò)即時(shí)拓?fù)浞治龊蟀l(fā)現(xiàn)開(kāi)關(guān)關(guān)聯(lián)導(dǎo)線依然存在負(fù)荷遙信量,則二次識(shí)別將暫時(shí)抑制該故障,并在特定延時(shí)后再次運(yùn)行聯(lián)動(dòng)識(shí)別,給出最終故障判斷。由于采用拓?fù)潢P(guān)聯(lián)的二次聯(lián)動(dòng)故障識(shí)別,能夠在先驗(yàn)故障判別決策的基礎(chǔ)上,有效提高故障的識(shí)別率,降低誤報(bào)可能。

3.3 檢修計(jì)劃故障異動(dòng)識(shí)別

根據(jù)檢修計(jì)劃的安排數(shù)據(jù),將檢修計(jì)劃與運(yùn)維計(jì)劃的內(nèi)容建立為基于甘特圖的決策集合。在拓?fù)潢P(guān)聯(lián)聯(lián)動(dòng)故障識(shí)別的二次判定結(jié)果基礎(chǔ)上,與檢修計(jì)劃的安排過(guò)程進(jìn)行三次聯(lián)動(dòng)識(shí)別,對(duì)由于檢修工作和運(yùn)維工作導(dǎo)致的設(shè)備動(dòng)作的遙信信號(hào)進(jìn)行標(biāo)記,識(shí)別故障的異動(dòng)特征,剔除故障誤報(bào)概率。

由于檢修工作與運(yùn)維工作可能導(dǎo)致電網(wǎng)關(guān)聯(lián)設(shè)備的異常動(dòng)作或短暫越限,因此檢修計(jì)劃故障異動(dòng)的三次聯(lián)動(dòng)識(shí)別將包含相關(guān)設(shè)備的影響評(píng)估,對(duì)相關(guān)設(shè)備的故障告警結(jié)果進(jìn)行識(shí)別,標(biāo)定其故障程度,根據(jù)決策預(yù)評(píng)估的方式進(jìn)行故障等級(jí)降低與提升。

3.4 自成長(zhǎng)隨機(jī)森林決策

隨機(jī)森林是Leo Breiman和Adele Cutler提出的一種組合決策樹的分類預(yù)測(cè)算法,本質(zhì)是由一組決策樹分類器(h(X,θk),k∈(1,n))組成的集成分類器,其中{θk}是服從獨(dú)立分布的隨機(jī)變量,n表示隨機(jī)森林中決策樹的個(gè)數(shù),在給定自變量X的情況下,每個(gè)決策樹分類器通過(guò)投票來(lái)決定最優(yōu)的分類結(jié)果[7]。

基于大規(guī)模的遙信數(shù)據(jù)和遙測(cè)數(shù)據(jù)記錄結(jié)果,以及在先驗(yàn)故障判定記錄、拓?fù)潢P(guān)聯(lián)聯(lián)動(dòng)故障識(shí)別記錄和檢修計(jì)劃故障異動(dòng)識(shí)別記錄的三級(jí)故障判定結(jié)果后,對(duì)基于隨機(jī)森林的決策體系進(jìn)行自修正與自生成,做到?jīng)Q策體系的自成長(zhǎng)。

在該系統(tǒng)中,基于機(jī)器學(xué)習(xí)中的隨機(jī)森林模型,能夠有效提高整個(gè)三級(jí)決策體系的有效性和實(shí)用性。通過(guò)集成決策樹集合的機(jī)器學(xué)習(xí)思想將多棵決策樹集成為一種算法,基本單元采用三級(jí)決策體系中的決策樹,形成自成長(zhǎng)的集成學(xué)習(xí)模塊。由于每棵決策樹都是一個(gè)樣本分類器,那么對(duì)于一個(gè)遙信和遙測(cè)信號(hào)組合后的故障輸入樣本,n棵樹會(huì)有n個(gè)不同的分類結(jié)果,隨機(jī)森林模塊集成所有的分類投票結(jié)果,將投票次數(shù)最多的類別指定為最終的輸出。

4 現(xiàn)場(chǎng)應(yīng)用

變壓器油色譜數(shù)據(jù)分析是發(fā)現(xiàn)變壓器內(nèi)部故障的重要手段。傳統(tǒng)的定期檢測(cè)油色并分析色譜,很難及時(shí)發(fā)現(xiàn)變壓器潛在的故障。將文中所開(kāi)發(fā)的故障預(yù)警系統(tǒng)應(yīng)用于烏海電業(yè)局,通過(guò)實(shí)時(shí)分析該局110 kV千北站主變絕緣油色譜數(shù)據(jù),對(duì)主變的運(yùn)行狀況進(jìn)行了及時(shí)預(yù)警。圖3為2020年烏海110 kV千北站主變絕緣油色譜在線監(jiān)測(cè)數(shù)據(jù),表1為烏海電業(yè)局110 kV千北站主變故障診斷結(jié)果。

圖3 烏海110 kV千北變油色譜分析

通過(guò)絕緣油的熱力學(xué)研究表明,隨著故障點(diǎn)溫度的升高,變壓器油裂解產(chǎn)生的烴類氣體按CH4、C2H6、C2H4、C2H2的順序推移。故障原因的分析也隨著氣體間含量比值的變化而改變。

表1 故障類型診斷

5 結(jié) 語(yǔ)

通過(guò)在三級(jí)故障識(shí)別過(guò)程中采用隨機(jī)森林模塊,能提高故障的識(shí)別準(zhǔn)確率,可有效的運(yùn)行在大數(shù)據(jù)集上。能夠處理具有高維特征的輸入樣本,能評(píng)估各個(gè)故障特征在分類問(wèn)題上的重要性。在自生成過(guò)程中,能夠獲取到內(nèi)部生成誤差的一種無(wú)偏估計(jì),從而提高參數(shù)的識(shí)別與辨識(shí)效果。

通過(guò)三級(jí)故障判別模塊,以及系統(tǒng)運(yùn)行過(guò)程中的自成長(zhǎng)隨機(jī)森林決策模塊,能夠結(jié)合非同源數(shù)據(jù)對(duì)故障進(jìn)行綜合判定。在判定基礎(chǔ)上,引入電網(wǎng)運(yùn)行信息,能夠給出故障影響分析,以及發(fā)現(xiàn)未來(lái)潛在問(wèn)題的可能性。

結(jié)合不同的電氣設(shè)備固有特征,可對(duì)不同型號(hào)、廠家、年代的設(shè)備進(jìn)行數(shù)據(jù)切片,根據(jù)出現(xiàn)不同類型故障的密度,對(duì)其他未出現(xiàn)故障設(shè)備的潛在故障率進(jìn)行評(píng)估,輔助巡視計(jì)劃的配置建議。

結(jié)合運(yùn)方潮流運(yùn)算方案,能夠在設(shè)備故障后,自動(dòng)對(duì)接指定的運(yùn)行方式,進(jìn)行準(zhǔn)實(shí)時(shí)潮流計(jì)算,為調(diào)度提供故障后的可能電網(wǎng)運(yùn)行情況,給出參考情況,提升調(diào)度操作效率。 結(jié)合電網(wǎng)運(yùn)行狀態(tài)、運(yùn)方潮流運(yùn)算、 負(fù)荷預(yù)測(cè)結(jié)果, 能夠?qū)ξ磥?lái)短期和中期的負(fù)荷情況進(jìn)行潮流試算,發(fā)現(xiàn)潛在的超限等問(wèn)題,從而輔助調(diào)度人員提前做好預(yù)防準(zhǔn)備,合理安排調(diào)度方案。

猜你喜歡
烏海決策樹故障診斷
烏海湖庫(kù)區(qū)河床裸露監(jiān)測(cè)分析
基于包絡(luò)解調(diào)原理的低轉(zhuǎn)速滾動(dòng)軸承故障診斷
基于梯度提升決策樹的量子科學(xué)實(shí)驗(yàn)衛(wèi)星光學(xué)實(shí)驗(yàn)預(yù)測(cè)
決策樹和隨機(jī)森林方法在管理決策中的應(yīng)用
數(shù)控機(jī)床電氣系統(tǒng)的故障診斷與維修
烏海湖(組詩(shī))
決策樹多元分類模型預(yù)測(cè)森林植被覆蓋
基于量子萬(wàn)有引力搜索的SVM自駕故障診斷
烏海:太陽(yáng)神照耀的地方
江淮同悅純電動(dòng)汽車無(wú)倒檔故障診斷與排除