基于自组织特征映射的变电站巡视周期分类研究

来源:用户上传      作者:

　　摘  要：针对差异化制定变电站巡视周期问题，首先分析了变电站巡视周期的影响因素，包括变电站电压等级、重要程度、历史故障/缺陷发生频次、设备运行情况、变电站运行环境和设备负载情况六个方面。提出了基于自组织特征映射的变电站巡视周期分类方法，利用机器学习实现变电站巡视周期的科学合理分类，为供电公司提高变电站巡视效率提供技术支撑。
　　关键词：变电站;巡视周期;自组织特征映射网络;聚类
　　中图分类号：TM732        文献标志码：A              文章编号：2095-2945（2020）14-0064-03
　　Abstract： Aiming at the problem of making substation patrol cycle based on differentiation， this paper first analyzes the influencing factors of substation patrol cycle， including substation voltage level， importance， frequency of historical faults/defects， equipment operation situation， substation environment， and equipment load. Then the paper puts forward the classification method of substation patrol cycle based on self-organizing feature maps， which uses machine learning to realize the scientific and reasonable classification of patrol cycle of substations， and provides technical support for power supply enterprises to improve the efficiency of substation patrol.
　　Keywords： substation; patrol cycle; self-organizing feature maps; clustering
　　目前，我国各地区无人值守变电站主要采用定期巡视与特殊巡视相结合的巡视模式[1]。国网天津市电力公司规定，设备为敞开式布置的220kV变电站例行巡视不少于每3天1次，110kV及以下变电站每3～7天进行一次例行巡视。随着社会经济发展，变电站的数量和规模不断扩大，电力用户对供电可靠性的要求不断提高，供电公司普遍面临变电站巡视工作量日益增大而运维人员有限的难题，常常出现巡视时走马观花、巡视不到位的情况。如何根据变电站的特點差异化制定巡视周期，使用有限的人力、物力资源达到更好的巡视效果，是供电公司重点关注的问题之一。
　　文献[1]利用可靠性理论建立了变电站巡视与设备缺陷情况之间的关系，引入基于设备缺陷的设备状态评估体系，提出了根据设备状态优劣动态调整巡视项目和巡视周期的状态巡视策略，但该方法只考虑到了设备运行情况。文献[2]根据变电站的设备缺陷情况、运行年限、设备运行工况和设备布置情况，将变电站划分为A、B、C、D、E五个级别确定巡视周期、巡视要求和巡视内容。文献[3]采用相似的方法，以年度设备状态评价结果、年（季）度缺陷发生次数和缺陷性质、变电站运行环境、变电站设备隐患为变电站状态评价基础量，将变电站评价为“良好”“一般”“关注”三种状态，分别确定巡视周期。但文献[2，3]提出的分级标准完全由人为制定，划分界限较模糊，缺乏科学合理性和客观性。
　　基于此，本文在分析了变电站巡视周期影响因素的基础上，提出了基于自组织特征映射的变电站巡视周期分类方法，利用人工智能手段对变电站的巡视周期进行分类，提高变电站巡视工作的质量和效率。
　　1 变电站巡视周期影响因素
　　影响变电站巡视周期的因素包括以下几个方面：
　　1.1 变电站电压等级
　　电压等级越高，巡视周期应相对越短。
　　1.2 变电站重要程度
　　变电站重要程度主要取决于所在区域供电等级（A+、A、B、C、D、E），供电负荷大小和所供用户中是否含有重要用户、敏感用户、电采暖用户、防汛用户等。变电站所在区域供电等级越高，供电负荷越大，所供用户中包含重要用户、敏感用户、电采暖用户、防汛用户等，则重要程度越高，应加强巡视力度，即安排较短的巡视周期。
　　1.3 变电站历史故障/缺陷发生频次
　　变电站历史发生设备故障、设备缺陷的频次越高，说明变电站存在的薄弱点越多，与其他变电站相比在未来一段时间内发生故障或缺陷的可能性越大，应针对性加强巡视，缩短巡视周期。
　　1.4 设备运行情况
　　设备运行情况主要取决于设备当前存在的缺陷情况，设备运行隐患和运行年限。若设备存在缺陷而未完成消缺，已知设备存在家族缺陷，某些预试数据接近、达到或超过规程中的注意值，设备有不良工况记录，设备运行隐患呈劣化趋势[1]，设备运行年限较长，则应适当缩短巡视周期。
　　1.5 变电站运行环境
　　根据运行经验，室内设备发生缺陷的概率明显低于室外设备。若变电站为室外站，周边环境较为恶劣，处于重污区、重冰区，经常遭受强风、雷雨、冰雪等天气，则应适当加强巡视力度，缩短巡视周期。
　　1.6 变电站设备负载情况
　　设备负载率越高，发生接头过热、绝缘老化、主变异响等缺陷的可能性越大，应相应的缩短巡视周期，及时发现并排除隐患。 　　2 自组织特征映射网络
　　自组织特征映射网络是一种竞争性神经网络，包含输入层、竞争层两层网络，结构如图1所示。
　　图1 自组织特征映射网络结构
　　神经元具有竞争性，输入神经元与输出神经元通过权值相连，近邻的输出神经元之间也通过权值向量相连。输出神经元的传递函数通常为线性函数，因此网络的输出是输入值的线性加权和。输出神经元之间根据距离的远近决定抑制关系，最终使连接权值的统计分布与输入模式渐趋一致。当输入新样本时，网络就以拓扑结构的形式输出分类结果。每个输入的样本都对应一个竞争层节点[4]。当所有样本输入完毕，网络训练结束时，对应同一个竞争层节点的输入样本就被归为同一类别，实现聚类功能。
　　3 基于自组织特征映射的变电站巡视周期分类方法
　　由第1节论述可知，变电站巡视周期的影响因素包括变电站电压等级、重要程度、历史故障/缺陷发生频次、设备运行情况、变电站运行环境和设备负载情况六个方面。为了科学安排变电站巡视周期分类，首先将上述六个方面因素进行量化。变电站电压等级方面，220kV、110kV和35kV变电站的电压等级指数分别定义为4、2、1。变电站重要程度方面，定义所有变电站的重要程度指数初始值为0，所在区域供电等级为A+、A、B、C、D、E分别加1、0.5、0.25、0.125、0.1、0.075，平均供电负荷大小与该站变压器容量之和的比值为0.75以上、0.5～0.75、0.25～0.5、0.25以下时分别加1、0.5、0.25、0.125，所供用户中每包含一个重要用户加0.5，每包含一个敏感用户加0.25，每包含一个电采暖用户或防汛用户加0.1。变电站历史故障/缺陷发生频次方面，定义历史故障/缺陷发生频次指数为该座变电站投运后平均每年发生故障或缺陷的次数。设备运行情况方面，定义所有变电站的设备运行情况指数初始值为0，设备每存在一项严重缺陷、一般缺陷而未完成消缺时分别加1、0.5，设备存在运行隐患时视情况加0～1，变压器、母线、断路器等主要设备运行年限在20年以上、10～20年、5～10年、5年以下时分别加1、0.5、0.25、0.125。变电站运行环境方面，定义所有变电站的运行环境指数初始值为0，室外站和室内站分别加1、0.5，室外站视周边环境恶劣程度加0～1，视所在地区气候情况加0～1。设备负载方面，定义变压器平均负载率为0.75以上、0.5～0.75、0.25～0.5、0.25以下时设备负载指数分别4、2、1、0.5。需说明，以上指数计算方法仅代表指标量化思路，各供电公司可根据实际情况及特点建立变电站巡视周期影响因素指标量化体系。通过以上指标量化方法，每座变电站可用一个六维特征向量表示，即
　　式中：Si表示第i座变电站的特征向量;si1、si2、si3、si4、si5、si6分别表示第i座变电站的电压等级指数、重要程度指数、历史故障/缺陷发生频次指数、设备运行情况指数、变电站运行环境指数和设备负载指数。
　　第二步，建立自组织特征映射网络。根据文献[2，3，5]，变电站巡视周期分类宜分为3至5类。分类过多则不便于供电公司相关工区安排变电站巡視计划，分类过少则不能达到差异化管理目的。本文选择将变电站巡视周期分为4类进行论述，各供电公司可根据实际情况及特点合理选择分类类别数。由于输入向量维数为6，因此设置自组织特征映射网络的输入层神经元节点数为6个。网络竞争层选用2×2六边形结构，即最终分类的类别数为4类。网络的竞争层包含4个节点，训练完毕后，每一个输入向量，即每座变电站，属于一个竞争层节点。
　　第三步，使用MATLAB工具箱函数selforgmap实现自组织特征映射网络分类。计算流程如图2所示。
　　第四步，根据自组织特征映射网络给出的分类结果，确定每座变电站的巡视周期。例如第一类变电站每月巡视一次，第二类变电站每半月巡视一次，第三类变电站每周巡视一次，第四类变电站每3天巡视一次。各供电公司和工区可根据实际情况及特点合理安排巡视周期。
　　4 结束语
　　本文针对差异化制定变电站巡视周期问题，在分析了现有文献取得成果和不足的基础上，提出了基于自组织特征映射的变电站巡视周期分类方法。
　　首先分析了变电站巡视周期的影响因素，包括变电站电压等级、重要程度、历史故障/缺陷发生频次、设备运行情况、变电站运行环境和设备负载情况六个方面。电压等级越高，重要程度越高，历史故障/缺陷发生频次越高，设备运行情况越差，变电站运行环境越恶劣，设备负载率越高，越应该加强巡视力度，缩短巡视周期。
　　提出了基于自组织特征映射的变电站巡视周期分类方法，其步骤可概括为：将影响变电站巡视周期的六方面因素进行指标量化，得到表征每座变电站巡视周期影响因素的六维特征向量;建立自组织特征映射网络，输入层神经元节点数为6个，竞争层节点数取变电站巡视周期想要分类的类别数;使用MATLAB工具箱函数selforgmap实现自组织特征映射网络分类;根据自组织特征映射网络给出的分类结果，确定每座变电站的巡视周期。
　　本方法可利用机器学习原理实现变电站巡视周期的科学合理分类，分类结果完全取决于变电站本身实际情况，不受主观因素影响。为供电公司差异化安排变电站巡视周期，保障巡视工作的合理性和有效性提供技术支撑。
　　参考文献：
　　[1]谢金泉，李晓华，何毅，等.变电设备状态巡视策略研究[J].广东电力，2012，25（9）：5-9，15.
　　[2]王少博，刘辉，张兰钦，等.基于设备状态分析的无人值班变电站巡视模式研究[J].河北电力技术，2013（2）：10-12.
　　[3]陈宏彬，李悦宁，刘琨.基于状态检修的无人值班变电站状态巡视管理[J].现代营销（经营版），2019（4）：150.
　　[4]陈明，等.MATLAB神经网络原理与实例精解[M].北京：清华大学出版社，2013.
　　[5]彭业.引入状态评估分析的变电站设备巡视优化策略的研究[D].广州：华南理工大学，2012.
转载注明来源:https://www.xzbu.com/1/view-15205908.htm