王凌云， 楊雨琪， 史磊， 劉釗

(1.三峽大學(xué)電氣與新能源學(xué)院， 宜昌 443002； 2.國網(wǎng)寧夏電力有限公司， 銀川 750001； 3.國網(wǎng)寧夏電力有限公司檢修公司， 銀川 750001)

隨著特高壓直流輸電的快速發(fā)展，已經(jīng)有眾多的特高壓直流輸電線路應(yīng)用到中國的電力系統(tǒng)中。在換流站交直流轉(zhuǎn)換方面涉及各個(gè)環(huán)節(jié)的關(guān)鍵設(shè)備，其中換流閥占據(jù)重要的地位。由于通態(tài)平均電流較高，換流閥在工作過程中會形成較多的熱量，其中，閥冷系統(tǒng)對于換流閥的正常運(yùn)行發(fā)揮了重要的作用，它能夠保證閥組運(yùn)行在合適的溫度范圍內(nèi)。伴隨2005年第一套國產(chǎn)化靈寶背靠背直流工程投運(yùn)成功，換流閥在中國得到有力發(fā)展。為了保證閥冷系統(tǒng)在全生命周期內(nèi)的可靠性，根據(jù)《國家電網(wǎng)公司直流換流站檢測管理規(guī)定》等條例的要求，換流站每年需要對閥組進(jìn)行全面測試，并定時(shí)對內(nèi)冷水流量、進(jìn)出閥溫度、主泵及回水壓力等運(yùn)行參數(shù)進(jìn)行抄錄。在數(shù)據(jù)收集的過程中，時(shí)常會發(fā)生采樣錯(cuò)誤，對基于深度學(xué)習(xí)的數(shù)據(jù)挖掘過程造成不可忽視的影響。

另外，通過對歷史采樣數(shù)據(jù)研究發(fā)現(xiàn)，閥冷系統(tǒng)中監(jiān)測到的各類參數(shù)與電力負(fù)荷相類似，大時(shí)段內(nèi)存在規(guī)律性，小時(shí)段內(nèi)又具有隨機(jī)性，是典型的時(shí)間序列數(shù)據(jù)?；谏鲜鰧傩裕绻茉谕晟茢?shù)據(jù)集的基礎(chǔ)上實(shí)現(xiàn)對換流閥冷卻系統(tǒng)運(yùn)維環(huán)節(jié)中部分關(guān)鍵參數(shù)的有效預(yù)測和判斷，便可以更深一步挖掘分析閥冷系統(tǒng)的運(yùn)行狀態(tài)及冷卻能力。

文獻(xiàn)[1-2]根據(jù)換流站冷卻系統(tǒng)日常運(yùn)維的實(shí)際需求，進(jìn)行包含系統(tǒng)關(guān)鍵參數(shù)的仿真建模，旨在對閥冷系統(tǒng)運(yùn)行時(shí)各個(gè)設(shè)備的參數(shù)變化進(jìn)行智能判斷，同時(shí)實(shí)現(xiàn)工況預(yù)測和故障診斷等功能，但是該模型側(cè)重于仿真模擬，只能對現(xiàn)有的參數(shù)進(jìn)行輸入分析，并不能發(fā)現(xiàn)閥組運(yùn)行中潛在的問題。另外，基于換流站日常運(yùn)維產(chǎn)生的大量監(jiān)測數(shù)據(jù)也展開了相應(yīng)的研究分析[3-5]。文獻(xiàn)[6-9]研究的內(nèi)容主要包括了閥冷系統(tǒng)漏水研究、冷卻能力分析、邏輯控制研究、保護(hù)值整定計(jì)算等，但都側(cè)重于設(shè)備狀態(tài)分析，無法對閥冷系統(tǒng)的性能進(jìn)行有效預(yù)測和判斷。

在預(yù)測算法方面，文獻(xiàn)[10]研究了城市用電量與季節(jié)、環(huán)境溫度、節(jié)假日、風(fēng)速等因素的相互關(guān)系，并在用電預(yù)測的分析建模中引入了長短期記憶網(wǎng)絡(luò)(long-short term memory,LSTM)。文獻(xiàn)[11]成功將LSTM方法應(yīng)用于風(fēng)力發(fā)電功率的預(yù)測中，并將人工神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)進(jìn)行分析對比，證明在時(shí)間序列處理中采用LSTM可以達(dá)到較好的效果。文獻(xiàn)[12-13]也指出，將LSTM方法應(yīng)用到電力負(fù)荷預(yù)測中，能夠得到較為準(zhǔn)確的預(yù)測結(jié)果。但目前為止，關(guān)于換流站閥冷系統(tǒng)各環(huán)節(jié)關(guān)鍵參數(shù)的預(yù)測研究較少，LSTM在處理時(shí)序?qū)傩詳?shù)據(jù)方面的優(yōu)勢也未能在換流站中充分體現(xiàn)。

基于上述分析，現(xiàn)以寧夏某換流站閥冷系統(tǒng)的運(yùn)行參數(shù)為例，基于均值填補(bǔ)法對回水壓力、進(jìn)出閥溫度等進(jìn)行處理，然后進(jìn)行特征參數(shù)提取的過程。該過程主要利用主成分分析法(principal component analysis, PCA)，同時(shí)結(jié)合LSTM網(wǎng)絡(luò)學(xué)習(xí)時(shí)間維度特征，建立基于PCA-LSTM的換流站閥冷系統(tǒng)時(shí)序運(yùn)行參數(shù)預(yù)測模型，實(shí)現(xiàn)系統(tǒng)冷卻能力的分析與故障判斷，以期幫助換流站運(yùn)維人員提前發(fā)現(xiàn)并及時(shí)處理系統(tǒng)存在的隱患，使換流站閥冷系統(tǒng)能夠獲得更高的安全性。

1 換流站閥冷系統(tǒng)構(gòu)成及工作原理

閥冷系統(tǒng)總體劃分為三個(gè)部分，分別為外冷水系統(tǒng)、內(nèi)冷水系統(tǒng)、閥冷控制系統(tǒng)，各個(gè)部分的功能存在一定的差異性。具體介紹如下。

內(nèi)冷水系統(tǒng)主要利用液態(tài)水的流動帶走換流閥產(chǎn)生的熱量，其中冷卻介質(zhì)是去離子水(電導(dǎo)率低于0.5 μS/cm，純度較高)。在結(jié)構(gòu)上，整個(gè)系統(tǒng)劃分為主水、穩(wěn)壓以及水處理三大回路。其中主水回路內(nèi)包括換熱器以及換流閥等部分；穩(wěn)壓回路能夠維持壓力的穩(wěn)定性，并對水容積變化進(jìn)行緩沖，主要包括氮?dú)馄颗c膨脹管；水處理回路能夠?qū)⑺械碾x子等物質(zhì)進(jìn)行過濾，確保內(nèi)冷水處于較高的質(zhì)量，一般包括補(bǔ)水泵以及交換器等設(shè)備。

外冷水系統(tǒng)包括噴淋泵以及冷卻塔等結(jié)構(gòu)，可以對內(nèi)冷水進(jìn)行冷卻，從而達(dá)到溫度的要求。該系統(tǒng)在運(yùn)行過程中，可以將噴淋泵進(jìn)行蒸發(fā)，使得換熱盤管表面具有適量水分，在水分蒸發(fā)過程中可能帶走一定的熱量，基于這種方式降低閥內(nèi)冷水的溫度，并再次流動到換流閥中。

閥冷控制系統(tǒng)具有設(shè)備運(yùn)行狀態(tài)監(jiān)控等功能，可觀測到的參數(shù)包括電導(dǎo)率、溫度以及壓力等，同時(shí)還能夠?qū)鋮s塔以及閥門的運(yùn)行狀態(tài)進(jìn)行監(jiān)測，一旦發(fā)現(xiàn)異常狀況可以及時(shí)報(bào)警，確保各部分處于穩(wěn)定的工作狀態(tài)。該系統(tǒng)的核心控制部分基于可編程邏輯控制器(programmable logic controller, PLC)實(shí)現(xiàn)，可以控制內(nèi)、外冷水系統(tǒng)使各項(xiàng)參數(shù)運(yùn)行在穩(wěn)定工況下。當(dāng)控制系統(tǒng)監(jiān)測到上述參數(shù)值嚴(yán)重異常時(shí)，PLC將輸出跳閘保護(hù)，向閥控發(fā)出閉鎖請求。換流站閥冷系統(tǒng)整體結(jié)構(gòu)如圖1所示。

通信系統(tǒng)主要與數(shù)據(jù)傳輸?shù)倪^程有關(guān)，它可以實(shí)現(xiàn)報(bào)警量以及設(shè)備運(yùn)行參數(shù)等信息的發(fā)送功能。其中閥冷控制系統(tǒng)內(nèi)流量、壓力、液位和溫度變送器等儀表傳感器由PLC控制系統(tǒng)進(jìn)行控制與監(jiān)測，從整體上實(shí)現(xiàn)閥冷卻系統(tǒng)的全自動運(yùn)行[14]。

2 閥冷系統(tǒng)運(yùn)行參數(shù)預(yù)處理

2.1 數(shù)據(jù)預(yù)處理

在對換流站閥冷系統(tǒng)運(yùn)行參數(shù)進(jìn)行周期性采樣的過程中，可能出現(xiàn)的數(shù)據(jù)缺失問題一般與人為操作失誤以及設(shè)備故障有關(guān)。在文獻(xiàn)[15]之后定義了不同類型的數(shù)據(jù)缺失機(jī)制，并提出了針對性的處理方法，如缺失填充、元組刪除等。當(dāng)對閥冷系統(tǒng)的運(yùn)行參數(shù)進(jìn)行分析時(shí)，基于時(shí)間序列的采樣數(shù)據(jù)分析對樣本連續(xù)性要求較高，刪除部分?jǐn)?shù)據(jù)對整體樣本集特征的研究會產(chǎn)生不利影響。因此，采用填補(bǔ)類型中的均值填補(bǔ)法對換流閥運(yùn)行參數(shù)進(jìn)行處理。

均值填補(bǔ)法主要利用精度、方差、標(biāo)準(zhǔn)差等概念進(jìn)行數(shù)學(xué)分析。

(1)

(2)

圖1 換流閥冷卻系統(tǒng)工藝結(jié)構(gòu)圖Fig.1 Structure of cooling system of converter valve

(3)

均值填補(bǔ)法的應(yīng)用具有一定的優(yōu)勢，如果已經(jīng)明確變量類型以及屬性信息，則處理難度較低，并且能夠達(dá)到較高的精度要求，可以滿足實(shí)際需求。具體算法步驟如圖2所示。

圖2 均值填補(bǔ)法算法步驟圖Fig.2 Algorithm steps of mean filling method

2.2 算法實(shí)例

通過采集寧夏某換流站2019年10月—2020年9月極一低端換流閥組進(jìn)出閥溫度、冷卻水流量、主泵出水壓力及回水壓力抄錄數(shù)據(jù)發(fā)現(xiàn)，原始采樣集由于設(shè)備傳感器故障，導(dǎo)致數(shù)據(jù)存在片段狀缺失以及明顯數(shù)值異常?；诖?，采用優(yōu)化后的均值填補(bǔ)法對上述參數(shù)進(jìn)行了批量處理。數(shù)據(jù)處理結(jié)果如圖3～圖5所示。

由圖3～圖5可以看出，經(jīng)過均值填補(bǔ)法處理后的4類參數(shù)范圍皆符合換流站閥冷系統(tǒng)正常運(yùn)行要求。

選擇合適的模型評價(jià)指標(biāo)，采用均方根誤差(root mean squard error, RMSE)對缺失屬性的預(yù)測偏差進(jìn)行評價(jià)。如果該指標(biāo)較大，則說明采用的模型在數(shù)據(jù)描述上存在較大的偏差；而如果該指標(biāo)較小，則說明精度較高。

(4)

式(4)中：n為x在不同取值下，樣本集中所填充數(shù)據(jù)的個(gè)數(shù)；actual(x)為實(shí)際值；filled(x)為填充值。

由于在真實(shí)測量場景下的n是有限的，一般通過“最可信賴值”來取代真實(shí)值。處理之后的主泵出水壓力、進(jìn)出閥溫度、回水壓力和冷卻水流量數(shù)值與系統(tǒng)實(shí)際運(yùn)行最優(yōu)值之間的RMSE結(jié)果(均值填補(bǔ)法)如表1所示。

圖3 進(jìn)、出閥溫度采樣值處理Fig.3 Temperature sampling value processing of inlet and outlet valves

圖4 主泵出水壓力及回水壓力采樣值處理Fig.4 Treatment of sampling value of outlet pressure and return water pressure of main pump

由表1可知，所求RMSE皆符合模型精度評價(jià)標(biāo)準(zhǔn)，同時(shí)滿足閥冷系統(tǒng)運(yùn)行要求。

綜上可得，采用的數(shù)據(jù)處理方法可以對閥冷系統(tǒng)中的異常數(shù)據(jù)進(jìn)行有效識別，并對缺失數(shù)據(jù)實(shí)現(xiàn)高效準(zhǔn)確的填充，為下一步閥冷系統(tǒng)關(guān)鍵參數(shù)的預(yù)測和應(yīng)用提供了完整而可靠的數(shù)據(jù)基礎(chǔ)。

圖5 冷卻水流量采樣值處理Fig.5 Treatment of sampling value of cooling water flow

表1 模型評價(jià)結(jié)果Table 1 Model evaluation results

3 基于PCA-LSTM網(wǎng)絡(luò)的閥冷系統(tǒng)時(shí)序參數(shù)預(yù)測模型

為進(jìn)一步挖掘和利用換流站閥冷系統(tǒng)潛在的數(shù)據(jù)信息，利用系統(tǒng)運(yùn)行采樣數(shù)據(jù)的時(shí)序性，以完善后的樣本集為基礎(chǔ)，對閥冷系統(tǒng)關(guān)鍵運(yùn)行參數(shù)進(jìn)行預(yù)測，從而對換流閥的冷卻能力進(jìn)行有效評估，為換流站的維護(hù)提供準(zhǔn)確的信息，使其能夠保持最佳且安全的運(yùn)行狀態(tài)。

3.1 相關(guān)性分析

閥冷系統(tǒng)采集到的內(nèi)冷水流量、環(huán)境溫度、出入水溫度、回水壓力和主泵出水壓力等監(jiān)測數(shù)據(jù)之間有著一定的相關(guān)度。因此，基于PCA方法來分析指標(biāo)的相關(guān)性，以此將大量的指標(biāo)簡化為少數(shù)關(guān)鍵指標(biāo)進(jìn)行分析，提高了計(jì)算的效率，降低了模型的復(fù)雜度，且對計(jì)算結(jié)果的精度產(chǎn)生的影響可忽略不計(jì)。

計(jì)算過程如下。

(5)

(6)

(7)

(2)相關(guān)系數(shù)矩陣R的計(jì)算。

R=(rij)m×m

(8)

(9)

式中：rii=1；rij=rji；rij為第i個(gè)指標(biāo)和第j個(gè)指標(biāo)的相關(guān)性系數(shù)；i,j=1,2,…,m。

(3)特征值和特征向量的計(jì)算。按照高低順序排列特征值，得到R的特征值有λ1≥λ2≥…≥λm≥0，而u1，u2，…，um即為特征向量，uj=(u1j，u2j，…，unj)T，由此可以得到的指標(biāo)變量為

(10)

式(10)中：y1為第1主成分；ym為第m主成分。

(4)計(jì)算主成分貢獻(xiàn)率及累計(jì)貢獻(xiàn)率。選取特征值λ1，λ2，…，λm所對應(yīng)的前p個(gè)主成分(m≤p)，并對評價(jià)結(jié)果進(jìn)行計(jì)算，具體公式為

(11)

(12)

式中：bj為主成分yj的信息貢獻(xiàn)率；ap為主成分y1，y2，…，yp的累計(jì)貢獻(xiàn)率。如果αp基本等于1(αp=0.85，0.90，0.95)，那么可以直接將前p個(gè)指標(biāo)作為主成分，在此基礎(chǔ)上進(jìn)行后續(xù)計(jì)算。

(5)計(jì)算綜合得分。

(13)

式(13)中：Z為綜合得分值；bj為第j個(gè)主成分yj的信息貢獻(xiàn)率。

根據(jù)上述算法流程，輸入換流站閥冷系統(tǒng)的入水溫度(x1)、環(huán)境溫度(x2)、主泵出水壓力(x3)、回水壓力(x4)、冷卻水流量(x5)5項(xiàng)指標(biāo)進(jìn)行訓(xùn)練。最終得到的相關(guān)系數(shù)矩陣，如表2所示。

由表2可以得出每兩個(gè)指標(biāo)之間的相關(guān)性。與入水溫度相關(guān)系數(shù)最高的是冷卻水流量；與環(huán)境溫度相關(guān)度最高的是入水溫度；主泵出水壓力與回水壓力相互擁有最高的相關(guān)度；與冷卻水流量相關(guān)度最高的是主泵出水壓力。

如表3所示，前3個(gè)主成分的累積貢獻(xiàn)率達(dá)到了86.769 4%>85%(將PCA的貢獻(xiàn)閾值設(shè)為85%)，所以在后續(xù)研究中只需要選擇前3個(gè)主成分，基于這種方式實(shí)現(xiàn)了降維處理，從而簡化計(jì)算，提高了計(jì)算的效率。計(jì)算所得因子得分矩陣如表4所示。

(1)第1主成分y1的表達(dá)式中，在標(biāo)準(zhǔn)化變量主泵出水壓力(x3)和回水壓力(x4)中有較大的正載荷，因此可以認(rèn)為y1是壓力的綜合成分。

表2 相關(guān)系數(shù)矩陣Table 2 Correlation matrix

表3 主成分表達(dá)式系數(shù)矩陣Table 3 Principal component expression coefficient matrix

表4 因子得分矩陣Table 4 Factor score matrix

(2)第2主成分y2的表達(dá)式中，在入水溫度x1和冷卻水流量x5中有相近且較大的正載荷。通過對運(yùn)維數(shù)據(jù)的調(diào)查研究和相關(guān)資料可知，在換流閥溫度、風(fēng)機(jī)轉(zhuǎn)速一定時(shí)，內(nèi)冷水入水溫度與閥冷系統(tǒng)冷卻效果成反比，即入水溫度越高，冷卻系統(tǒng)冷卻效果越差，換流閥能夠繼續(xù)承受的負(fù)荷越少，因此可以認(rèn)為閥冷系統(tǒng)的冷卻能力能夠近似通過內(nèi)冷卻系統(tǒng)的入水溫度直觀反映。故可認(rèn)為第2主成分y2是冷卻能力的協(xié)調(diào)成分。

(3)第3主成分y3的表達(dá)式中，在入水溫度x1和環(huán)境溫度x2中有比較大的正載荷，可以認(rèn)為第3個(gè)主成分y3是溫度成分。

3.2 時(shí)序數(shù)據(jù)預(yù)測方法

蘊(yùn)含時(shí)序?qū)傩缘臄?shù)據(jù)預(yù)測分析是一類較為復(fù)雜的預(yù)測建模問題，在眾多預(yù)測算法中對蘊(yùn)含時(shí)序?qū)傩缘臄?shù)據(jù)應(yīng)用較多的方法主要有：周期因子法、傳統(tǒng)時(shí)序建模方法(如自回歸移動平均模型、差分自回歸移動平均模型等)，此外還可以利用LSTM模型等針對數(shù)據(jù)組織方式進(jìn)行調(diào)整。RNN(recurrent neural network)網(wǎng)絡(luò)引入了時(shí)序概念[16]，使得網(wǎng)絡(luò)的適用性明顯提高，便于對時(shí)序?qū)傩詳?shù)據(jù)進(jìn)行處理，在RNN的眾多變體中[17]，LSTM作為其中之一，解決了循環(huán)神經(jīng)網(wǎng)絡(luò)存在的諸多不足，如梯度爆炸等，便于應(yīng)用長距離的時(shí)序信息。

3.3 長短期記憶網(wǎng)絡(luò)

LSTM方法在網(wǎng)絡(luò)中融入了sigmoid函數(shù)和雙曲正切函數(shù)，通過求和操作等實(shí)現(xiàn)數(shù)據(jù)的長期保留，所以在應(yīng)用中顯示出明顯的優(yōu)勢。

該網(wǎng)絡(luò)模型基本結(jié)構(gòu)如圖6所示。其運(yùn)行流程可大致分為4部分。

(1)“遺忘門”[18]共有σ層，輸入Ct-1、xt，然后在Ct-1輸出特定的值，處于0～1范圍內(nèi)；其中0、1

xt為模型輸入；ht為模型輸出；Ct為傳遞神經(jīng)元細(xì)胞狀態(tài)； tanh函數(shù)為激活函數(shù)圖6 LSTM網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.6 LSTM network structure diagram

對應(yīng)著兩個(gè)特殊的狀態(tài)，分別是完全遺忘、完全保留；具體公式為

ft=σ(wf[ht-1,xt]+bf)

(14)

式(14)中：ft為t時(shí)刻的遺忘門；σ為sigmoid函數(shù)；xt、ht-1分別為t時(shí)刻和t-1時(shí)刻的輸入層和隱藏層輸出；wf為對應(yīng)的權(quán)重矩陣；bf為對應(yīng)的偏置項(xiàng)。

(2)“輸入門”選擇模型所需要的數(shù)據(jù)。該門的σ層決定要更新的數(shù)值，由雙曲正切層生成一個(gè)新的候選數(shù)值并增加到神經(jīng)元狀態(tài)中。

it=σ(wi[ht-1,xt]+bi)

(15)

C′t=tanh(wc[ht-1,xt]+bc)

(16)

式中：it為t時(shí)刻的輸入門；C′t為更新后的神經(jīng)元細(xì)胞狀態(tài);wi、wc為對應(yīng)的權(quán)重矩陣；bi、bc為對應(yīng)的偏置項(xiàng)。

(3)執(zhí)行神經(jīng)元狀態(tài)更新的過程，即從Ct-1到Ct，將ft與舊狀態(tài)進(jìn)行相乘，添加新候選值，公式為

Ct=ft⊙Ct-1+it⊙C′t

(17)

式(16)中：Ct為t時(shí)的細(xì)胞狀態(tài)。

(4)“輸出門”決定最后的輸出值[19]。

Ot=σ(wο[ht-1,xt]+bο)

(18)

ht=Ot⊙tanh(ct)

(19)

式中：Ot為t時(shí)的輸出門；⊙為矩陣元素相乘[20]；wo為對應(yīng)的權(quán)重矩陣；bo為對應(yīng)的偏置項(xiàng)。

3.4 算法實(shí)例

在當(dāng)前換流站閥冷系統(tǒng)的運(yùn)維工作中，當(dāng)監(jiān)測系統(tǒng)觀測到相關(guān)設(shè)備的運(yùn)行參數(shù)超出保護(hù)整定值時(shí)，系統(tǒng)會進(jìn)行故障報(bào)警；但若運(yùn)行參數(shù)值在保護(hù)定值范圍內(nèi)，系統(tǒng)便無法準(zhǔn)確作出判斷，此時(shí)若是出現(xiàn)其他問題或者記錄設(shè)備狀態(tài)，便只能以運(yùn)維人員的經(jīng)驗(yàn)為依托進(jìn)行記錄或是判斷；同時(shí)，各類儀器提供的大量設(shè)備實(shí)時(shí)監(jiān)測數(shù)據(jù)也并未得到合理充分的利用，多數(shù)情況下對設(shè)備壽命以及運(yùn)行能力的判斷仍然根據(jù)運(yùn)維人員的經(jīng)驗(yàn)或者是生產(chǎn)廠家依據(jù)相關(guān)規(guī)定設(shè)定的告警值。

結(jié)合當(dāng)前運(yùn)維實(shí)際和PCA分析結(jié)果，在風(fēng)機(jī)開機(jī)臺數(shù)固定且轉(zhuǎn)速保持一致的條件下，保留冷卻水流量為LSTM模型輸入，實(shí)現(xiàn)對內(nèi)冷系統(tǒng)入水溫度的預(yù)測，從而對換流閥整體的冷卻能力進(jìn)行判斷。具體算法結(jié)構(gòu)如圖7所示。

整個(gè)框架包含了數(shù)據(jù)預(yù)處理、輸入層、隱藏層、輸出層4個(gè)功能模塊，預(yù)處理模塊負(fù)責(zé)對閥冷系統(tǒng)幾類運(yùn)行參數(shù)進(jìn)行基于均值填補(bǔ)的缺失值處理和基于PCA的指標(biāo)參數(shù)降維，將得到的簡化后的標(biāo)準(zhǔn)數(shù)據(jù)傳遞給輸入層，輸入層將接收到的數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，隱藏層基于LSTM(圖6)構(gòu)建網(wǎng)絡(luò)模型，最后將預(yù)測的結(jié)果輸出[21]。

圖7 基于PCA-LSTM的時(shí)間序列預(yù)測結(jié)構(gòu)圖Fig.7 Time-series prediction structure chart based on PCA-LSTM

由于在同一個(gè)換流站中存在構(gòu)造相同但接線端口不同的閥組，當(dāng)運(yùn)行工況相同時(shí)，不同閥組的相同項(xiàng)參數(shù)在數(shù)值和變化趨勢方面一般差別較小?；诖?，在得出某臺閥組內(nèi)冷系統(tǒng)的入水溫度預(yù)測結(jié)果后，可以與其他閥組的運(yùn)行參數(shù)進(jìn)行橫向?qū)Ρ?。若某一閥組內(nèi)冷系統(tǒng)的入水溫度比其他閥組高，或者在某一時(shí)間段內(nèi)的數(shù)值上升速率過快，則表明該閥組的冷卻能力在下降，即系統(tǒng)中可能存在某些故障，需要運(yùn)維人員進(jìn)行檢修。

以寧夏某換流站極一低端換流閥組2019年10月—2020年9月的冷卻水流量和內(nèi)冷水入水溫度兩項(xiàng)共2 728組運(yùn)行參數(shù)為模型輸入，選取數(shù)據(jù)總量的90%作為訓(xùn)練集，10%作為驗(yàn)證集，基于PCA-LSTM方法進(jìn)行仿真建模，并同ARIMA模型進(jìn)行對比，兩類模型的輸入數(shù)據(jù)皆由相同歷史數(shù)據(jù)集生成，預(yù)測結(jié)果如圖8所示。

圖8為采用PCA-LSTM和ARIMA模型在300個(gè)和3 000個(gè)數(shù)據(jù)集的訓(xùn)練中得到的進(jìn)閥溫度預(yù)測曲線。

圖9為預(yù)測模型結(jié)果對比圖。經(jīng)過對圖10中實(shí)際進(jìn)閥溫度曲線和采用上述兩種方法進(jìn)行預(yù)測的結(jié)果曲線對比分析可知， 建立的PCA-LSTM預(yù)測模型相比ARIMA而言具有更佳的預(yù)測效果。選擇指標(biāo)進(jìn)行評價(jià)，主要有RMSE、平均絕對百分比誤差(mean absolute percentage error,MAPE)兩項(xiàng)指標(biāo)，具體的計(jì)算結(jié)果如表5所示。

由表5可知，在對換流站閥冷系統(tǒng)入水溫度進(jìn)行預(yù)測的過程中，本文中建立的PCA-LSTM模型有著更高的精度，其MAPE比ARIMA模型少了0.508%，同時(shí)能夠準(zhǔn)確實(shí)現(xiàn)閥冷系統(tǒng)入水溫度的預(yù)測，有效幫助運(yùn)維人員提前發(fā)現(xiàn)隱患并及時(shí)解決問題，避免發(fā)生更加嚴(yán)重的后果。

圖8 PCA-LSTM和ARIMA預(yù)測結(jié)果圖Fig.8 Prediction result chart of PCA-LSTM and ARIMA

圖9 模型預(yù)測結(jié)果對比圖Fig.9 Comparison chart of model prediction results

表5 模型預(yù)測結(jié)果比較Table 5 Comparison of model prediction results

4 結(jié)論

提出了一種基于PCA-LSTM網(wǎng)絡(luò)的預(yù)測方法，通過對換流站閥冷系統(tǒng)入水溫度的有效預(yù)測判斷換流閥的冷卻能力，幫助運(yùn)維人員提前發(fā)現(xiàn)并及時(shí)解決系統(tǒng)隱患。通過實(shí)際算例分析，可以得出以下結(jié)論。

(1)基于均值填補(bǔ)法實(shí)現(xiàn)了閥冷系統(tǒng)運(yùn)行參數(shù)中異常值的修正和缺失數(shù)據(jù)的填補(bǔ)，使樣本采樣集更加貼合換流閥實(shí)際運(yùn)行情況。

(2)在完整可靠樣本集的基礎(chǔ)上，采用PCA對多維影響因子進(jìn)行降維，從而改善了單一LSTM網(wǎng)絡(luò)易造成過擬合的情況。

(3)在所建立的ARIMA、PCA-LSTM兩種模型中，采用后者得到了更佳的預(yù)測結(jié)果，對應(yīng)的MAPE為4.96%。

綜上，所建立的模型能夠有效應(yīng)用于換流站閥冷系統(tǒng)冷卻能力的預(yù)測，從整體上提高了閥冷系統(tǒng)運(yùn)行的安全性、穩(wěn)定性，同時(shí)提高了換流站相關(guān)保護(hù)檢修工作的質(zhì)量和效率。