首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于监督机器学习的配电网电力智能运维检修研究

基于监督机器学习的配电网电力智能运维检修研究

2024-11-25 68 上传者：管理员

摘要：配电变压器是电力配电系统的核心组件，为确保配电系统达到预期的可靠性，必须对配电系统进行定期的检修和提前的风险筛选。为了对配电变压器组进行有效的风险筛选，提出一种基于监督机器学习的配电网配电变压器风险筛选策略。首先介绍实物资产风险管理的行业要求，然后采用案例研究和行动研究相结合的方法，将资产风险管理方法和有监督的机器学习算法有机结合，对待筛选的配电变压器组进行风险筛选，将其分为低、中、高危组，最后在位于高度密集地区的配电网络中使用40个配电变压器的单元作为验证对象，案例结果表明所提方案可以有效实现配电变压器组的风险筛选，增强配电系统中的资产管理能力。

关键词：
实物资产管理
电力配电系统
监督机器学习
配电变压器
风险筛选
加入收藏

配电网定义为电力系统中输电网馈电变电站与终端负荷客户之间的公共电网[1]。配电变压器在配电网中进行最后一次电压转换，将一次系统的高电压转换为供用户侧使用的低电压，该电压可以用于居民用电或商业用电[2]。随着科技的不断发展，对配电变压器的可靠性要求、电能质量要求和成本效益要求逐步提高，对配电变压器进行故障风险评估[3]变得尤为重要。

通过对配电变压器进行风险评估，操作环境的变化得以反映，配电变压器的性能监测及其维护也得到了持续的数据记录，这有利于提前预知电力故障并采取补救措施[4]。因此，需要有一项有助于早期发现潜在故障隐患的专门活动，以控制和减小风险，这一过程被称为风险筛选[5]。借助风险筛选机制，可以筛选或者确认配电变压器内部组件是否发生老化，并协助操作者衡量老化的进度，从而保证维护和检修的完整性[6]。在定期进行风险筛选的前提下，一旦识别出中高风险的配电变压器，则应立刻对其进行详细的风险分析，并对风险所造成的配电网系统影响进行定性和定量的评估，以便采取适当的措施来降低风险和损害[7]。这将有利于资产经理和运维人员做出更为科学和经济的定期维护和更换决定。基于风险的分类有助于优化资源使用，并为每个确定的风险类别分配相对的重要性级别，这可以用来决定何时需要做出设备检修或更换的决定[8]。风险分析是一种筛选可能对系统产生负面影响因素的方法，它有利于对决策者做出恰当科学的行动策略。

文献[9-10]中提出了一种基于无监督机器学习的风险筛选方法，其通过K-means聚类技术对配电变压器组进行风险聚类，但其准确度和可靠性还需要进一步提高。支持向量机(SVM)是一种监督机器学习技术[11-12]，其可以用于辅助配电变压器组的风险筛选决策。同时，监督机器学习算法中的输入数据是已知且有标记的，与文献[9-10]的无监督方法相比，其预测更加准确和可靠。

综上所述，为能对配电变压器组进行有效的风险筛选，提出一种基于监督机器学习的配电网配电变压器风险筛选策略。首先介绍实物资产风险管理的行业要求，然后采用案例研究和行动研究相结合的方法，将资产风险管理方法和有监督的机器学习算法有机结合，对待筛选的配电变压器组进行风险筛选，将其分为低、中、高危组，最后在位于高度密集地区的配电网络中使用40个配电变压器的单元作为验证对象，案例结果表明所提方案可以有效实现配电变压器组的风险筛选，增强配电系统中的资产管理能力。

1、资产风险管理的行业要求

ISO55000资产管理标准和ISO31000风险管理指南提供了资产和风险的管理标准，同时在ISO9001中提出的“基于风险的思维”可以确保识别出资产管理过程中的相关风险[13-15]。在质量管理体系的整个设计和运维过程中，应将可能存在的风险列入考虑并采取相应的控制措施。

基于风险的筛选与维护分析(RBI&MA)是一个在中高层层次上进行的过程，它包括基于信息层次的决策和考虑组织风险的标准。需要通过初始风险筛选过程对资产进行排序，以降低或维持每项资产的风险。此外，配电变压器的获取和维护决策是在中长期框架内做出的，而短期内一般采取的行动是纠正措施。

上述涉及的维护策略存在一些挑战，例如由于技术、环境等限制原因而导致的维护计划失效。为了实现并保持配电变压器的最佳运行能力，可以使用具有成本效益的维护计划和标准，例如基于风险筛选的评估，这允许资产管理者确定最具成本效益的维护方案，以最大限度地减小配电变压器的总故障风险。

因此，提出一种基于监督机器学习的配电网配电变压器风险筛选策略，可以对受监测的对象进行风险筛选并获得最大的成本效益，同时保证其在整个配电变压器的生命周期中以最小的成本运行在可接受的风险范围内。

2、风险管理方法与风险筛选方法

采用案例研究与行动研究相结合的方法，其中案例研究把湖北高度密集地区的配电网络中使用40个配电变压器的单元作为案例对象，而行动研究主要是识别改进机会，为最佳实践引入解决方案思路。

可以根据风险系数的优先顺序对所选定的配电变压器进行高、中、低风险级别分类。通过这种分析，可以实现对配电变压器组的合理运维检修方案，进而获得最佳的资产风险管理方案。

2.1 风险管理方法

配电变压器组的风险评估基于故障概率和故障后果，前者表明机组出现故障的概率，而后者给出了上述故障发生后的代价情况。要识别配电变压器的风险，需要回答三个主要问题：（1）会发生什么事情，为什么会发生？（2）发生的可能性有多大？（3）后果是什么？其中第一个问题定义了可能发生的事件及其原因，第二个问题帮助定义了每个事件发生的概率，第三个问题给出了结果的定量答案。

对于配电变压器，基于四个标准的分类模型被用于确定故障概率的第一步，以识别配电变压器的失效模式。这四个标准分别为内部故障的历史运维数据、外部故障的历史运维数据、日历年限以及制造商能力。

配电变压器在其生命周期中会逐渐老化，为评估配电变压器内部健康情况，可以使用鱼骨图对老化的根本原因进行分类并获得深入的技术理解，如图1所示。该分析建立在六个主要因素的技术基础上：物理问题、油污、水分、过电压、非线性负载和过载。

配电变压器的外部故障可以是不同性质的，比如大气放电、通道事故、破坏、容易发生接地故障的小径、短路等。这些事件的存在会影响设备故障的概率，该概率根据其在配电网络中的地理位置的变化而变化。配电变压器的日历年限提供了配电变压器的状态和故障风险的间接指示器。应使用有关机组运行历史记录的可用数据对设备维护和故障发现进行历史分析，这些数据可以包括在配电变压器组的内部历史故障和外部历史故障中。

图1 内部故障的鱼骨图

在后面的案例分析中，将充分考虑配电变压器的过载情况，由图1可知，它是内部故障的重要原因之一。对于所选的湖北高度密集地区的配电网络中使用40个配电变压器的单元，记录每个配电变压器的所有低压馈线的最高额定电流，这可以获得配电变压器的具体过载情况。根据专家意见，以记录到的最高馈线电流为依据，将过载条件下的故障概率等级分为高、中、低级别。在这项研究中，每个配电变压器都会遇到一个功能故障点，并且可以估计这种故障的后果。故障后果的计算标准为电力系统停电持续时间、配电变压器漏油造成有害气体的排放量、人员安全和人力投入成本。

2.2 基于监督机器学习的风险筛选方法

2.2.1 基于风险的筛选方法

为了对风险筛选进行决策评估，在进行详细评估之前，必须对配电变压器组进行基本的风险筛选，如图2所示。

图2 基于风险评估的筛选流程

对于更为详细的分析、维护和筛选计划，应当寻求优化稀缺资源，如人员、专业设备、备件和消耗品等配置，以更为合理地执行和评估配电变压器的生命周期价值。根据计划的执行和评估的结果，在遵守管理法规的资源利用要求的前提下，需要对所提出的风险评估和筛选流程进行修订和验证。

图3展示了一个风险筛选矩阵，在考虑故障概率和故障后果的基础上，根据过去三年时间内的电力系统停电持续时间和配电变压器的过载情况，并结合专家给出的工程指导经验，将配电变压器的故障风险分为高、中、低三种风险等级。

图3 配电变压器的风险筛选矩阵

其中故障概率主要与配电变压器的过载情况存在相关性，而电力系统停电持续时间则为故障的后果。定义风险系数RI以确定配电变压器的高、中、低风险水平，即有：

式中，OL是配电变压器的过载电流，单位为安培；而SO是电力系统停电持续时间，单位为小时。当配电变压器位于低风险区时，此时RI值被定义为低风险RI值；同理可以定义中风险和高风险的RI值。如果处于高风险的RI值，则配电变压器被判定为高风险，需要立刻进行停机和维修。图4描述了配电变压器组风险筛选的流程图。

图4 风险筛选的流程图

2.2.2 基于监督机器学习的风险筛选实现

有监督的机器学习算法能够收集有标签的数据，并根据以前的经验生成输出，并优化最终结果对应的性能指标，这在无监督的机器学习算法中是难以实现的。

采用Python程序实现有监督的机器学习算法，该算法基于支持向量机(SVM)算法，SVM既可以处理线性数据，也可以处理非线性数据的分类和回归。SVM对配电变压器的RI点进行分类，最大限度地扩大类别之间的差距。当要对新的配电变压器的RI进行分类时，可以将相关数据映射到相同的环境中，并基于新的配电变压器落在SVM间隙的哪一侧进行分类。

图5 SVM机器学习算法流程图

图5展示了基于Python程序的SVM机器学习算法流程图，利用SVM技术，根据每个配电变压器的数据将其分别高、中、低三种风险级别，可以对受监测的对象进行风险筛选并获得最大的成本效益，同时保证其在整个配电变压器的生命周期中以最小的成本运行在可接受的风险范围内。

3、算例分析

3.1 算例背景与数据收集

在湖北高度密集地区的配电网络中使用40个配电变压器的单元作为案例验证对象。本研究的重点是调查和分析基于风险筛选过程中识别得到的40个配电变压器的风险分类结果。一般来说，风险度量随时间而变化，配电变压器故障的可能性随着故障模式的复杂化而增加，并且其故障的后果随着运行环境的变化也会有所变化。

对这40个配电变压器单元应用文中介绍的有监督机器学习的风险筛选策略，数据来源为当地电网内部运维数据。从所获得的所有数据中，对每个选定的配电变压器进行标签标记，这些标签分别是配电变压器的识别号、配电变压器的容量、低压馈线记录到的最大负载电流、过去3年的停机时间、低压馈线的连接序号和RI值。

3.2 算例分析与讨论

如式(1)所示，RI的值由所选的配电变压器OL值和SO值相乘得到，根据图3的风险筛选矩阵，使用Python SVM程序将配电变压器组分类到对应的风险筛选类别，并映射图6中。例如，DK028和DK027已被确定为在高风险类别下筛选得到的配电变压器。同时，算法将其他的配电变压器单元分为中、低两类,如图6所示。

图6 基于SVM决策边界的风险系数RI分类

在图3中基于风险筛选矩阵得到的风险分类的基础上，借助SVM机器学习算法，可以获得更加准确可靠的RI决策边界。由图6可知，此时低风险与中风险的决策边界修订为RI=950,而中风险与高风险的决策边界修订为RI=1 900。利用这一结论，可以将训练好的模型用于对其他更大范围的配电变压器单元进行快速且可靠的风险筛选和风险评估，这样有利于保证整个配电变压器系统生命周期以最小的成本运行在可接受的风险范围内。

表1 配电变压器风险筛选结果

同时，表1也提供了被筛选的40个配电变压器的风险筛选结果。对于被判定为高风险的配电变压器，需要对这些配电变压器进行详细的风险分析，以为更大范围的配电变压器风险筛选和故障诊断提供依据。同时，还需要根据配电网安全运行要求，对此类配电变压器实行更换或者停用。对于被评为中等风险的变压器组，其可能已经存在老化或者部分损坏问题，但其最终失效对配电网停电时长的影响不如高风险的配电变压器，对于此类配电变压器需要安排合理的设备维修，并提高定期筛选和维修的频次。最后，对于低风险的配电变压器，其机组健康状况良好，可以按照正常的设备运维要求进行常规检修。

4、结束语

为能对配电变压器组进行有效的风险筛选，提出一种基于监督机器学习的配电网配电变压器风险筛选策略。首先介绍实物资产风险管理的行业要求，然后采用案例研究和行动研究相结合的方法，将资产风险管理方法和有监督的机器学习算法有机结合，对待筛选的配电变压器组进行风险筛选，将其分为低、中、高危组，最后在位于高度密集地区的配电网络中使用40个配电变压器的单元作为验证对象，案例结果表明所提方案可以有效实现配电变压器组的风险筛选，增强配电系统中的资产管理能力。

参考文献:

[1]喻伟军,严维欣,沈恩泽.基于逻辑结构的配电网作业风险智能辨识方法研究[J].微型电脑应用,2023,39(2):140-142.

[2]王泽祺,刘友波,任鹏哲,等.配电网精准投资理论与关键技术综述[J].电网技术,2022,46(7):2665-2678.

[3]黄园芳,刘云凯,郑世明,等.计及负荷不确定性的配电变压器重过载风险预警[J].电网与清洁能源,2021,37(10):17-24.

[4]史常凯,宁昕,孙智涛,等.基于设备实时健康指数的配电网风险量化评估[J].高电压技术,2018,44(2):534-540.

[5]孙会龙,汤雪松,王洪授,等.基于状态监测技术的配电设备风险评估[J].科学咨询(科技管理),2018,611(11):56-57.

[6]郑宗安,林力辉,章剑涛,等.基于LHS-MCS的配电网停电风险评估[J].微型电脑应用,2020,36(7):70-74.

[7]孙叶,唐琳,苏冰,等.基于深度学习算法的电力变压器故障识别研究[J].微型电脑应用,2021,37(12):74-77.

[8]谢锋,刘丽军,林儒显,等.一种考虑风险厌恶程度与阻塞抵抗性的配电网阻塞管理方法[J].电力系统保护与控制,2022,50(19):107-118.

[11]郑业爽,李世春,鲁玲.基于多策略ISOA优化SVM的变压器故障诊断研究[J].智慧电力,2023,51(2):38-44.

[12]段中兴,周孟,宋婕菲,等.基于ISFLA-SVM的变压器故障诊断[J].高压电器,2023,59(1):126-133.

基金资助:国家电网公司总部科技项目(5400-202056131A-0-0-00);