摘 要：變電站的廣泛分布帶來了較高的運維成本，人力維護復雜苛刻條件下研究者更關注智能自動化運維模式，本文基于此分析和討論了變電站關鍵設備的實時監(jiān)測與運維管理。本文構建的變電站運維安全管控模型收集環(huán)境溫濕度和電壓電流等傳感器數(shù)據(jù)，使用LightGBM算法進行分析，相應實現(xiàn)智能響應。結果顯示，模型能夠有效支持其較低的錯誤率和誤判樣本量，且有較好的泛化能力，AUC達到0.9783。研究結果能夠驗證模型的良好表現(xiàn)，從而實現(xiàn)此類智能化技術在變電站運行維護和安全管控中的應用價值。

關鍵詞：智能化；LightGBM模型；變電站；運維；安全管控

中圖分類號：TM 63 文獻標志碼：A

為了提高變電運維安全性和效率，智能化技術被引入其中。唐浩等[1]研究公共建筑智能化運維平臺，指出其在提升運維效率和降低成本方面具有重要作用。姚毓瑾等[2]設計懸掛式單軌道岔智能化運維系統(tǒng)，強調其通過GIS與BIM建模實現(xiàn)實時監(jiān)控與預測分析的技術創(chuàng)新。景強等[3]探討港珠澳大橋智能化運維技術，提出了多項基于物聯(lián)網(wǎng)與無人機技術的運維解決方案。臧釗[4]研究了基于BIM+GIS的京張高速鐵路空地一體“數(shù)字孿生”智能化運維技術。賀莉娜等[5]提出基于人工智能和大數(shù)據(jù)的城市軌道交通智能化運維生態(tài)系統(tǒng)。吳建國等[6]研究了面向能源互聯(lián)網(wǎng)的智能化運維管控平臺。汪杰等[7]通過云計算和大數(shù)據(jù)技術設計了貴州煤礦智能化系統(tǒng)運維服務平臺。張鶴等[8]分析了城市軌道交通車輛智能化運維檢測技術的應用。周正欽等[9]研發(fā)了分層分布的變電站帶電運維智能化技術。倪輝等[10]提出基于移動應用平臺的變電站智能化現(xiàn)場運維系統(tǒng)。本文將探討智能化技術在變電運維安全管控中的應用研究。

1 模型構建

模型收集構建了包括電壓、電流、溫度和濕度等特征的數(shù)據(jù)集，由此構成輸入數(shù)據(jù)x，并設定簡單規(guī)則確定狀態(tài)y，即正?；虍惓?。然后將數(shù)據(jù)分為訓練集和測試集，并利用LightGBM庫構建模型。其中，決策樹是一種重要組成部分，在LightGBM算法中被作為基礎分類器，其結構如公式（1）所示。

y=wroot+wleft（x）+wright（x） （1）

式中：y為特征空間內輸入數(shù)據(jù)x映射出來的最終輸出結果；wroot、wleft（x）、wright（x）分別為決策樹節(jié)點包括根節(jié)點和左右子節(jié)點上所設定權重或者閾值條件。

這一決策樹結構可幫助識別關鍵特征以及異常情況下采取正確行動?；诖髷?shù)據(jù)分析和人工智能算法構建風險預警模型，可以幫助管理人員快速、準確地評估潛在故障風險，并制定有效應對策略。例如，當檢查傳感器數(shù)據(jù)時，可以利用不同閾值判定當前環(huán)境是否存在危險因素，例如超壓、漏電等事項；該方法有助于制定精準報警規(guī)則并快速響應問題。繼而，基于此構建損失函數(shù)，損失函數(shù)是一個衡量模型預測結果與實際標簽之間差異的指標，針對本文的二元分類問題，常用交叉熵損失（Binary Cross Entropy Loss）來衡量錯誤率，如公式（2）所示。

（2）

式中：y為運維決策；p為對應模型輸出概率值；L（y，p）為基于特定運維決策和概率的模型損失。

在變電站監(jiān)測系統(tǒng)中，利用這種二元交叉熵損失函數(shù)可以評估異常狀態(tài)檢測算法的性能。通過比較實際觀察事件（例如故障、過載等）和模型預測得到事件發(fā)生可能性之間差距來提高敏感度和準確度。

Boosting是一種集成學習技術，在每次迭代過程都會優(yōu)化弱分類器，從而提高整體效果，每一輪的訓練過程中，Boosting算法更新參數(shù)，以減少殘差，并逐步改善模型預測效果。模型通過設置參數(shù)并創(chuàng)建LightGBM數(shù)據(jù)集，在100次迭代中訓練了模型，實現(xiàn)遠程監(jiān)測、故障診斷與遠程操作，在保證生產正常運行的同時，提高工作效率，對測試集進行預測并計算準確率。

2 性能測試

2.1 樣本數(shù)據(jù)特征

電力系統(tǒng)中，特別是對電力傳輸和配電網(wǎng)絡來說，線路的電壓、電流、溫度和濕度等參數(shù)具有關鍵性的影響。這些參數(shù)的穩(wěn)定和合適范圍內的分布對保證電網(wǎng)的安全運行和有效性至關重要。為了研究電力系統(tǒng)中關鍵參數(shù)的影響及其在故障預測中的作用，本文實驗設計依托于真實場景的數(shù)據(jù)采集與處理。具體而言，本文收集了18條實際電力網(wǎng)絡故障事件的關鍵數(shù)據(jù)，涵蓋電壓、電流、溫度和濕度等參數(shù)。同時，為了構建對照組，選取了與故障事件匹配的18條正常運行數(shù)據(jù)，共同構成性能測試所使用的樣本集。通過這種設計，實驗數(shù)據(jù)能夠反映正常運行狀態(tài)與故障狀態(tài)的典型特征差異，為模型的訓練和測試提供可靠依據(jù)。整理這一輸入樣本的分布數(shù)據(jù)如圖1所示。

檢測結果顯示，樣本數(shù)據(jù)中的溫濕度和電壓電流數(shù)據(jù)分布特征基本正常。輸電線路常見的電壓等級為100kV或330kV及以上，中部區(qū)間空缺，高壓輸電線路的電流一般不會超過25kA，溫度范圍通?？刂圃?0℃～40℃，過高或過低的溫度都可能會對電力系統(tǒng)的穩(wěn)定性和安全性造成影響，檢測結果顯示，樣本數(shù)據(jù)中的溫濕度和電壓電流數(shù)據(jù)分布特征基本正常?；趥鞲衅鲾?shù)據(jù)的可靠溫度范圍尤為重要，異常高溫提示線路老化、短路和自然風險。濕度范圍主要分布在30%～70%，這個范圍內的濕度對維持電力設備的正常運行和長期穩(wěn)定性非常關鍵。過高或過低的濕度都可能導致設備性能下降或損壞，因此定期監(jiān)測和調節(jié)濕度水平，保持在適當?shù)臐穸确秶潜匾拇胧┲弧?/p>

樣本數(shù)據(jù)顯示的溫濕度和電壓電流數(shù)據(jù)基本符合正常范圍，但仍需要密切關注中部區(qū)間的電壓等級情況以及定期監(jiān)測和維護溫濕度水平，以確保電力系統(tǒng)的穩(wěn)定性和安全性。在高壓輸電線路中，電流控制在合理范圍內是至關重要的，同時保持適當?shù)臏貪穸纫彩蔷S持設備長期穩(wěn)定運行的關鍵因素。通過持續(xù)的監(jiān)測和調節(jié)，可以確保電力系統(tǒng)的正常運行并最大程度地減少潛在風險。

2.2 預測性能評估

在試驗方法上，采用對照試驗設計，將正常運行數(shù)據(jù)與故障前后的運行數(shù)據(jù)進行對比。在這一常規(guī)水平的樣本規(guī)模下，進一步處理其信息。由于樣本總體規(guī)模較小，因此針對這一樣本數(shù)據(jù)選擇手工添加其故障標簽y，相應形成訓練和測試所使用的總體樣本，如公式（3）所示。

A=[（x1，y1），x2，y2，…，（xn，yn）] （3）

試驗對不同故障類型的預測能力進行了測試和驗證。分類器的設計以決策樹為基礎，通過集成學習方法構建隨機森林來整合，將多個基礎分類器的預測結果整合起來，以提高整體的預測準確性和魯棒性。

為了評估分類模型的性能，試驗采用混淆矩陣、OOB錯誤率和ROC曲線等多種分析指標。這些指標不僅能夠全面揭示模型在不同類別上的表現(xiàn)，還能反映模型在不同參數(shù)設置下的穩(wěn)定性與準確性。同時，為了驗證模型的泛化能力，試驗設計了交叉驗證流程，以最大程度避免過擬合問題。

混淆矩陣（Confusion Matrix）是評估分類模型性能的一種表格，它對分類器的預測結果與實際標簽之間的關系進行總結，根據(jù)樣本序號，整理預測結果和實際標簽，通過對比將樣本分為4個不同的類別，使用熱圖可視化，從而可以展示分類器在不同類別上的預測準確性和錯誤情況?；煜仃嚱Y果如圖2所示。

由圖2可知，針對預測值為1（正常）的樣本，有17例被分類器正確地預測為正例。只有1例（1/18）將異常值識別為正常值，這意味只有很少一部分異常樣本被錯誤分類，顯著較低的錯誤率反映了異常檢測模型在識別變電站設備運行異常方面的高效性和有效性。與此同時，針對18例故障數(shù)據(jù)，分類器正確地預測為負例，無一例錯誤地將正例預測為負例。通過混淆矩陣，可以更全面地評估分類器的性能，識別分類器在不同類別上的弱點，并進一步優(yōu)化模型，以提高分類準確性。就現(xiàn)有數(shù)據(jù)表現(xiàn)來看，模型的假陰性率相對較低，說明它能夠較好地捕捉并標識變電站設備可能存在的問題或異常情況，有助于提前預警和進行適當?shù)木S修或保養(yǎng)。這對電力系統(tǒng)的穩(wěn)定性和安全性至關重要，因為及時發(fā)現(xiàn)和處理設備問題可以有效減少潛在的故障風險和運營中斷。

基于混淆矩陣，模型分析結果的性能表現(xiàn)可以使用多種方式展現(xiàn)，以平衡其性能選擇。如ROC曲線呈現(xiàn)分類器靈敏度與假陽性率之間的關系，AUC值表示分類器質量，其結果如圖3所示。

考慮ROC曲線，當假陽性率較低時，真陽性率保持在95%附近高位，說明模型在識別正樣本時有相當高的靈敏度和準確度，在大多數(shù)情況下可以有效地捕獲真實異常值。當假陽性率超過0.3時，ROC曲線上揚，其真陽性率也隨之上升，但這一準確性的提升代價較高，對電力系統(tǒng)運維環(huán)境來說，意味顯著較高的誤報率。當假陽性率升至50%以上后，真陽性率已達到100%。這意味即使存在更多誤報或誤判情況（高假警報），模型仍然能夠將絕大部分正例正確識別為異常值，并且避免錯過任何重要異常。但面向使用場景，此類高水平的誤報率必然將使變電站運維的錯誤動作保持高位，也即意味系統(tǒng)長期被判斷為異常狀態(tài)，假警報易導致應急響應系統(tǒng)虛設，這對整體發(fā)生概率較低的故障信息捕捉尤為不利，在實踐中的應用價值有限。通過降低真陽性率和假陽性率，其對故障的捕捉能力仍保持較高水平，能夠極大地削減虛假預警的發(fā)生概率。AUC是ROC曲線下面積的一個指標，通常用來量化分類器質量。AUC值接近于1表示該分類器具有很好的區(qū)分能力，在不同閾值下正確預測結果的水平較高。

2.3 隨迭代次數(shù)變化的性能表現(xiàn)

可視化結果可以更好地展示學習曲線，以觀察錯誤率變化，OOB（Out-of-Bag）錯誤率是隨機森林模型中用于評估預測準確性的指標，它衡量了模型在未使用的數(shù)據(jù)上的預測誤差。對每個樣本來說，記錄它被多少棵樹作為Out-of-Bag樣本，使用其所在的決策樹進行預測，并對這些預測結果進行平均，從而與人工標記的實際標簽進行比較，計算錯誤率。將所有決策樹的OOB錯誤率進行平均，得到整體的OOB錯誤率。

因此，本文通過觀察OOB錯誤率可以了解隨機森林模型在訓練過程中對新樣本進行預測時的表現(xiàn)，其結果如圖4所示。

當開始迭代時，OOB錯誤率較高，約為0.3，意味模型在早期迭代階段對未見樣本進行預測時存在一定程度的偏差或誤差。隨著迭代次數(shù)上升，OOB錯誤率下降，迭代5到10次時其已經快速降至0.1水平，整體來看，迭代次數(shù)增長顯著抑制了OOB錯誤率，這種情況表明隨機森林模型通過更多輪次迭代習得了更多特征和關系，并且能夠更準確地對新樣本進行分類和識別異常值。后續(xù)迭代次數(shù)增加后，OOB錯誤率的繼續(xù)下降有限，迭代20次后OOB錯誤率已經降至0.05以下，而在迭代次數(shù)超過50次時有所上升，反映模型對變電運維環(huán)境的傳感器數(shù)據(jù)挖掘能力不足，現(xiàn)有信息量難以支持更精細化的模型分析結果，易出現(xiàn)過擬合現(xiàn)象。在這一過程中，上升后難以進一步降低的預測精度也提示局部最優(yōu)的存在，此類因素也反映模型自身的局限性難以應對更高水平的預測精度。

3 結語

本文使用LightGBM模型在變電站運維中參與數(shù)據(jù)分析和處理，提供安全管控服務。性能測試結果顯示，主要檢測數(shù)據(jù)的分布范圍符合變電站運行基本特征，模型能夠有效預測其狀態(tài)的可靠性，從而相應達成較低的錯誤率，其結果在迭代20余次后基本穩(wěn)定，而ROC曲線也反映出良好的真陽性率水平?？傮w來說，此類依賴變電站內部環(huán)境監(jiān)測和傳感器數(shù)據(jù)的智能化運維管控能夠降低操作風險，提高設備安全性，對智慧電網(wǎng)系統(tǒng)的發(fā)展也有積極意義。

參考文獻

[1]唐浩，余娟，耿陽，等.公共建筑智能化運維平臺應用現(xiàn)狀調研[J].建筑科學，2024，40（6）：130-137.

[2]姚毓瑾，李琦，李卓然.懸掛式單軌道岔智能化運維系統(tǒng)設計及關鍵技術研究[J].鐵道標準設計，2023，67（10）：101-107.

[3]景強，鄭順潮，梁鵬，等.港珠澳大橋智能化運維技術與工程實踐[J].中國公路學報，2023，36（6）：143-156.

[4]臧釗.基于BIM+GIS的京張高速鐵路空地一體“數(shù)字孿生”智能化運維技術研究[J].鐵道運輸與經濟，2022，44（9）：139-145.

[5]賀莉娜，郭澤闊.基于人工智能和大數(shù)據(jù)的城市軌道交通智能化運維生態(tài)系統(tǒng)研究[J].城市軌道交通研究，2022，25（9）：79-84，89.

[6]吳建國，徐銘，廖清陽，等.面向能源互聯(lián)網(wǎng)的智能化運維管控平臺研究[J].電子器件，2022，45（3）：744-752.

[7]汪杰，王春華，李曉華，等.貴州煤礦智能化系統(tǒng)運維服務平臺設計[J].煤礦安全，2021，52（9）：161-166.

[8]張鶴，伊宏偉，曹琦.城市軌道交通車輛智能化運維檢測[J].城市軌道交通研究，2020，23（4）：89-93.

[9]周正欽，杜振波，王文瑞，等.基于分層分布的變電站帶電運維智能化技術及應用[J].電力系統(tǒng)保護與控制，2019，47（1）：150-157.

[10]倪輝，胡文山，徐進霞，等.基于移動應用平臺的變電站智能化現(xiàn)場運維系統(tǒng)[J].電測與儀表，2018，55（6）：35-41.