劉 軍 劉文波 聶萬慶 鄒 兵

1.勝利石油管理局有限公司 山東東營 257000 2.勝利石油管理局有限公司電力分公司 山東東營 257000

1 研究背景

輸電線路作為電力系統(tǒng)的重要組成部分,承擔(dān)著保障整個電力系統(tǒng)正常運(yùn)行的任務(wù)。我國國土幅員遼闊,輸電線路分布極為廣泛,工作環(huán)境千變?nèi)f化,各種異常事件經(jīng)常發(fā)生,如由風(fēng)偏引起的風(fēng)偏放電、由雷擊引起的閃絡(luò)、由過高樹枝及其它環(huán)境因素引起的異常放電等。這些異常事件會導(dǎo)致電力系統(tǒng)工作異常,并可能會產(chǎn)生嚴(yán)重的經(jīng)濟(jì)損失。因此,定期監(jiān)測輸電線路的工作情況,正確識別異常工作狀態(tài),具有重要意義。

隨著物聯(lián)網(wǎng)技術(shù)的快速發(fā)展,各種先進(jìn)的傳感器技術(shù)不斷涌現(xiàn),可以實現(xiàn)對輸電線路各種狀態(tài)的實時監(jiān)控,如絕緣子串風(fēng)偏角、溫濕度、電磁信號、天氣情況等,進(jìn)而使技術(shù)人員能夠全面了解輸電線路的工作狀態(tài),為桿塔異常工作狀態(tài)的識別奠定了堅實基礎(chǔ)。

在傳感器技術(shù)提供大量輸電線路數(shù)據(jù)的基礎(chǔ)上,對海量傳感器數(shù)據(jù)進(jìn)行分析,并及時準(zhǔn)確檢測異常事件,這是一項極具挑戰(zhàn)性的任務(wù)。對此,筆者提出基于神經(jīng)網(wǎng)絡(luò)的輸電線路多傳感器時間序列異常檢測,引入人工神經(jīng)網(wǎng)絡(luò)算法,與物聯(lián)網(wǎng)技術(shù)相結(jié)合,采用機(jī)器學(xué)習(xí)的方式訓(xùn)練得到異常檢測模型,可以實時精確地對隱藏在數(shù)據(jù)中的異常事件進(jìn)行檢測并報警,從而大幅降低電力系統(tǒng)事故發(fā)生的概率,提高輸電線路運(yùn)維的智能化程度,并保障電力能源的安全。這一方法具有重要的現(xiàn)實意義。

2 基于多傳感器的輸電線路監(jiān)測技術(shù)

針對輸電線路的狀態(tài)監(jiān)測,在沿線分布式部署多種類型傳感器,以盡可能獲取詳盡的輸電線路狀態(tài)數(shù)據(jù)。所采用的傳感器包括:

(1) 振動傳感器,利用導(dǎo)線振動檢測儀實時獲取輸電線路的振動數(shù)據(jù);

(2) 微型氣象觀測儀,包括獲取風(fēng)速、風(fēng)向、空氣溫濕度、大氣壓力等的傳感器,其中,風(fēng)速風(fēng)向傳感器采用全固態(tài)小型超聲共振型傳感器,用于對輸電線路周圍的風(fēng)速和風(fēng)向進(jìn)行測量;

(3) 舞動狀態(tài)傳感器,利用慣性傳感器精確采集輸電線路舞動特征量。

輸電線路多傳感器監(jiān)測系統(tǒng)邏輯架構(gòu)如圖1所示。從圖1中可以看到,各種傳感器通過無線方式將數(shù)據(jù)傳送至上位機(jī),算法服務(wù)器進(jìn)行大數(shù)據(jù)分析,并將報警信息傳送至監(jiān)控平臺。在數(shù)據(jù)傳輸方面,采用通用無線分組業(yè)務(wù)傳輸技術(shù),在足夠的傳輸距離條件下保證傳輸效率,節(jié)省傳輸成本。以上技術(shù)的應(yīng)用,為整個算法的后續(xù)數(shù)據(jù)處理奠定了堅實基礎(chǔ)。

3 基于神經(jīng)網(wǎng)絡(luò)的輸電線路異常檢測

為了對海量傳感器數(shù)據(jù)中隱藏的異常信息進(jìn)行挖掘,提出一種基于神經(jīng)網(wǎng)絡(luò)的異常數(shù)據(jù)檢測算法,通過捕獲時空相關(guān)性,并盡量降低噪聲的影響,從而比較準(zhǔn)確地檢測出異常信號。算法的主要思想是學(xué)習(xí)一種預(yù)測或重建時間序列信號的模型,并在真實值與預(yù)測值之間計算預(yù)測誤差,當(dāng)預(yù)測誤差較大時,表明存在異常。算法整體流程如圖2所示,主要包括兩個步驟。第一,對多傳感器數(shù)據(jù)進(jìn)行特征提取,對時序數(shù)據(jù)進(jìn)行預(yù)測,并計算預(yù)測誤差。第二,將預(yù)測誤差與閾值相比較。

圖1 輸電線路多傳感器監(jiān)測系統(tǒng)邏輯架構(gòu)

圖2 算法整體流程

3.1 特征提取與預(yù)測模型

首先構(gòu)建一個深度卷積自動編碼器,表征具有最大平均差異的多傳感器時間數(shù)據(jù)的空間依賴性,以更好地區(qū)分噪聲、正常數(shù)據(jù)和異常數(shù)據(jù)。然后構(gòu)建一個由線性預(yù)測器和非線性預(yù)測器組成的記憶網(wǎng)絡(luò),以從時間序列數(shù)據(jù)中捕獲時間依賴性,線性預(yù)測器對應(yīng)自回歸模型,非線性預(yù)測器對應(yīng)有注意力機(jī)制的雙向長短期記憶網(wǎng)絡(luò)。最后對各部分網(wǎng)絡(luò)進(jìn)行聯(lián)合優(yōu)化,避免局部最優(yōu)問題。特征提取與預(yù)測模型算法流程如圖3所示,具體步驟有七步。

(1) 在時間軸上將每個樣本x∈RN×T轉(zhuǎn)化為x∈Rh×N×t。

(2) 對網(wǎng)絡(luò)參數(shù)進(jìn)行隨機(jī)初始化。

(3) 計算每個時間步長的低維特征zf和重構(gòu)誤差zr。

(4) 計算低維特征與高斯分布PZ間的最大均值差異LMMD(Z,PZ):

圖3 特征提取與預(yù)測模型算法流程

(1)

(5) 對于每個樣本,將低維特征zf和重構(gòu)誤差zr合并,作為記憶網(wǎng)絡(luò)的輸入。

(2)

式中:Ωbatch為訓(xùn)練數(shù)據(jù)樣本集。

(7) 通過最小化復(fù)合目標(biāo)函數(shù)對模型進(jìn)行聯(lián)合優(yōu)化,目標(biāo)函數(shù)為:

J(θ)=LMSE+λ1LMMD+λ2Llp+λ3Lnp

(3)

式中:λ1、λ2、λ3為控制損失函數(shù)重要性的參數(shù);LMSE為重構(gòu)誤差;Llp為線性預(yù)測器預(yù)測誤差;Lnp為非線性預(yù)測器預(yù)測誤差。

3.2 異常數(shù)據(jù)決策算法

采取異常數(shù)據(jù)決策算法,利用訓(xùn)練數(shù)據(jù)集的數(shù)據(jù)計算出一個閾值TH,將待檢測的數(shù)據(jù)輸入模型,計算序列xi的損失函數(shù)之和Err(xi),然后與閾值TH比較,從而判斷是否為異常數(shù)據(jù),具體步驟有三步。

(1) 利用訓(xùn)練數(shù)據(jù)集計算決策閾值TH:

(4)

式中:μ為Err(xi)的平均值。

(2) 對每個輸入樣本xi計算Err(xi)。

(3) 將Err(xi)與閾值TH比較,若Err(xi)大于閾值TH,則xi為異常數(shù)據(jù),否則xi為正常數(shù)據(jù)。

需要注意的是,閾值TH是在訓(xùn)練過程中得到的,并在測試過程中保持不變。

3.3 輸電線路異常檢測

為了將算法應(yīng)用于輸電線路,首先使用一定數(shù)量輸電桿塔正常工作狀態(tài)下傳感器測量數(shù)據(jù)對模型進(jìn)行訓(xùn)練,使模型能夠捕獲高維時間數(shù)據(jù)的時空相關(guān)性,并且計算出一個合適的閾值。確定閾值后,可以使用這一模型對任意傳感器測量數(shù)據(jù)進(jìn)行處理。對于每組信號,都可以計算出一個特征值,再將此特征值與計算出的閾值進(jìn)行比較。若特征值大于閾值,則說明測量數(shù)據(jù)是異常數(shù)據(jù),此時的輸電桿塔正處于異常工作狀態(tài)。

4 試驗測試

4.1 試驗設(shè)置

將某輸電線路作為試驗對象。輸電線路總長為71.186 km,部分跨越山區(qū),地理環(huán)境較為復(fù)雜,天氣變化較快,各種事故時有發(fā)生。為了對所提出的算法進(jìn)行試驗測試,在該輸電線路選取四個測試點。測試點1和2所處的地理條件較為良好,測試點3和4位于山區(qū),地理條件較為復(fù)雜。

采集輸電線路傳感器3 a的歷史測量數(shù)據(jù),使用包括線路振動傳感器、風(fēng)速傳感器、風(fēng)向傳感器、溫度傳感器、舞動傳感器等的數(shù)據(jù)。試驗中的異常類型主要包括風(fēng)力異常、振動異常、溫度異常。為了降低噪聲和無效數(shù)據(jù)對算法的影響,對傳感器原始數(shù)據(jù)進(jìn)行了數(shù)據(jù)清洗,清除部分無效和錯誤數(shù)據(jù)。為了避免不同尺度對算法的影響,對各傳感器的數(shù)據(jù)進(jìn)行歸一化處理。另外,還根據(jù)現(xiàn)場運(yùn)維人員的記錄對數(shù)據(jù)集進(jìn)行標(biāo)注,正常數(shù)據(jù)標(biāo)記為0,異常數(shù)據(jù)標(biāo)記為1。

為了訓(xùn)練模型,使用交叉驗證策略。將樣本隨機(jī)分為六份,以5∶1得到訓(xùn)練集和測試集。模型訓(xùn)練好后,將測試集中的數(shù)據(jù)輸入模型進(jìn)行分析,以測試模型的檢測精度。使用經(jīng)上述處理后的輸電桿塔傳感器采集的真實數(shù)據(jù),對提出的算法在多種因素導(dǎo)致的異常狀況下不同采樣頻次的異常檢測結(jié)果進(jìn)行評估。

由于異常檢測問題中的類別一般是高度不平衡的,因此準(zhǔn)確性不適合作為評估指標(biāo)。為了徹底評估提出算法的性能,采用平均正確率AP、平均召回率AR、平均F1分?jǐn)?shù)AF1作為評估指標(biāo)。

4.2 試驗結(jié)果

當(dāng)輸電桿塔遭遇大風(fēng)影響時,桿塔結(jié)構(gòu)可能會受到破壞,輸電線路也有可能發(fā)生斷裂,這些情況都有可能造成電力網(wǎng)絡(luò)發(fā)生停電事故。除此之外,即使風(fēng)速不大,在風(fēng)力的影響下,輸電線路和接閃線可能會振動,也有可能發(fā)生事故。輸電線路的振動幅度較大時,同樣可能導(dǎo)致輸電桿塔發(fā)生倒伏或斷裂等事故。

風(fēng)力異常試驗結(jié)果見表1。

表1 風(fēng)力異常試驗結(jié)果

振動異常對輸電線路具有極大危害。例如,由于覆冰等因素造成的架空輸電線路異常大幅低頻振動可能導(dǎo)致輸電線路斷裂,進(jìn)而造成供電中斷,引發(fā)大規(guī)模停電。

試驗中,根據(jù)巡檢記錄及經(jīng)驗判斷對大量數(shù)據(jù)進(jìn)行人工標(biāo)注,然后使用所提算法對測試數(shù)據(jù)進(jìn)行振動異常檢測,與人工標(biāo)注進(jìn)行對比。

振動異常試驗結(jié)果見表2。

表2 振動異常試驗結(jié)果

輸電線路桿塔所處環(huán)境的溫濕度也是重要的環(huán)境因素。

溫度對輸電線路的導(dǎo)電性、抗拉力性、抗剪力性都有一定影響。濕度對導(dǎo)線間的安全距離有重要影響,當(dāng)濕度過大時,為了降低事故發(fā)生的概率,導(dǎo)線間的安全距離往往要增大。溫濕度還是輸電線路硬件壽命長短的重要影響因素。

溫度異常試驗結(jié)果見表3。

表3 溫度異常試驗結(jié)果

4.3 分析

對上述試驗結(jié)果進(jìn)行分析。

(1) 通過不同異常狀態(tài)下的試驗結(jié)果,確認(rèn)算法對不同異常狀態(tài)都有很好的識別效果,可以適用于各種傳感器的異常檢測。

(2) 算法可以在不同的線路段較好地識別出輸電線路的異常狀態(tài),因此對于數(shù)據(jù)來源也具有很好的適用性。

(3) 算法對于傳感器采樣頻率并不敏感,未來將進(jìn)一步深入研究如何在不影響檢測性能的前提下降低采樣頻率。

5 結(jié)束語

多傳感器融合的智能電力系統(tǒng)具有運(yùn)行穩(wěn)定、高效率、易操作、低成本等優(yōu)點,結(jié)合異常數(shù)據(jù)檢測算法進(jìn)行在線監(jiān)測,可以大幅降低頻繁人工巡檢帶來的大量人力成本和偶然風(fēng)險,有效提高高壓輸電線路的預(yù)警能力。實踐表明,筆者所提算法可以大幅降低線路巡檢的人力成本,并極大降低異常檢測的漏檢率。

通過試驗測試,筆者提出的基于神經(jīng)網(wǎng)絡(luò)的輸電線路多傳感器時間序列異常檢測已經(jīng)得到驗證,未來考慮在生產(chǎn)環(huán)境中進(jìn)行部署,以提供輸電線路全天候異常狀態(tài)監(jiān)測功能。