CN111999695B

CN111999695B - 一种变电站计量装置状态评估与异常诊断方法

Info

Publication number: CN111999695B
Application number: CN202011168103.0A
Authority: CN
Inventors: 窦峭奇
Original assignee: Wuhan Glory Road Intelligent Technology Co ltd
Current assignee: Wuhan Gelanruo Intelligent Technology Co.,Ltd.
Priority date: 2020-10-28
Filing date: 2020-10-28
Publication date: 2021-01-12
Anticipated expiration: 2040-10-28
Also published as: CN111999695A

Abstract

本发明涉及一种变电站计量装置状态评估与异常诊断方法，包括：获取电气参数数据，基于电气参数数据计算每个时刻的电气参数偏离度或不平衡度指标；分时段获取电气参数偏离度或不平衡度指标的统计特征；分时段获取电流符号特征和电气参数数据的数据完整性特征，基于统计特征、电流符号特征和数据完整性特征建立分时段的特征向量；利用分时段的训练数据集中的特征向量以及对应的变电站计量装置状态分别训练分时段的状态评估与异常诊断模型；将待状态评估与异常诊断的变电站计量装置的特征向量输入对应时段的状态评估与异常诊断模型后输出诊断结果；能够及时、准确地发现异常、诊断异常类型，为现场检修提供有力的支撑。

Description

一种变电站计量装置状态评估与异常诊断方法

技术领域

本发明智能电网计量装置异常诊断技术领域，尤其涉及一种变电站计量装置状态评估与异常诊断方法。

背景技术

处于电网核心部分的变电站不仅承担电力调度，还负责各个区域间、发电与用电间的电能计量与结算。在巨大的用电量下，变电站计量装置的任何异常都将对区域间电费结算造成难以估量的影响和损失。现有的变电站监控***更多地关注变压器的工作状态，对于变电站的计量装置的运行状态还缺乏必要的技术手段进行监控与管理，主要依靠人工进行数据分析以及现场检查，效率非常低下，根本无法满足电网的运维需求。由于变电站计量装置的工作原理与高压用户相似，目前基于技术手段的变电站计量装置状态评估与异常诊断大多在高压用户异常用电识别的方法基础上进行改进优化。由于异常用电行为是一个长期过程且主要受人为因素影响，与变电站计量装置异常有一定出入。因此，现有的方法存在如下不足：

1）只能识别正常和异常，无法对异常原因进行诊断，不利于现场排查检修；

2）对异常诊断的时效性较差，通常都是基于较长时间段的数据进行分析诊断，不能及时发现异常、排除异常；

3）对数据质量有较高要求，一旦有数据缺失即无法进行诊断；

4）往往只能输出一种异常类型，但是例如失压或停电会与其他异常类型并存，单一的诊断结果不利于现场的检修与维护。

由此可见，现有的异常用电检测变电站计量装置状态评估与异常诊断方法已经无法满足电网运行与管理需求。为确保变电站计量的准确性，亟需一种针对变电站计量装置的状态评估与异常诊断方法，在计量装置发生异常后快速快速定位、准确排查异常。

发明内容

本发明针对现有技术中存在的技术问题，提供一种变电站计量装置状态评估与异常诊断方法，解决现有技术中变电站计量装置状态评估不准确的问题。

本发明解决上述技术问题的技术方案如下：一种变电站计量装置状态评估与异常诊断方法，包括：

步骤1，获取电气参数数据，基于所述电气参数数据计算每个时刻的电气参数偏离度或不平衡度指标；分时段获取所述电气参数偏离度或不平衡度指标的统计特征；

步骤2，分时段获取电流符号特征和所述电气参数数据的数据完整性特征，基于所述统计特征、电流符号特征和数据完整性特征建立分时段的特征向量；

所述电流符号特征表示分相电流符号不同所占比例；

步骤3，利用分时段的训练数据集中的所述特征向量以及对应的变电站计量装置的状态分别训练分时段的状态评估与异常诊断模型；

步骤4，将待进行状态评估与异常诊断的变电站计量装置的所述特征向量输入对应时段的训练好的所述状态评估与异常诊断模型，所述状态评估与异常诊断模型输出诊断结果。。

本发明的有益效果是：以变电站计量装置的一天的电气参数数据为基础构建状态评估与异常诊断模型，较好地覆盖了主要异常类型，通过抽取统计特征进一步突显了计量装置异常所表现出来的数据现象，统计特征包括电气参数统计特征、电流符号特征以及数据完整性特征，从而准确地完成计量状态的评估和异常诊断；利用该模型能够及时、准确地发现异常、诊断异常类型，为现场检修提供有力的支撑，提高电力公司的运营效率。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述步骤1中的所述电气参数数据包括：分相电压、分相电流、分相有功功率和总有功功率、分相功率因数和总功率因数。

进一步，所述步骤1中的所述电气参数偏离度或不平衡度指标包括：电压偏离度、电压不平衡度、电流偏离度、电流不平衡度、有功功率差、有功功率不平衡度和相位角不平衡度。

进一步，时刻i的所述电压偏离度VD _i的计算公式为：

；

其中，

分别代表A、B、C三相在时刻i的电压，min()代表取最小值函数；

时刻i的所述电压不平衡度VB _i的计算公式为：

；

max()代表取最大值函数；

时刻i的所述电流偏离度CD _i的计算公式为：

；

其中，

分别代表A、B、C三相在时刻i的电流，avg()代表取平均值函数；

时刻i的所述电流不平衡度CB _i的计算公式为：

；

时刻i的所述功率差PD _i的计算公式为：

；

其中，

分别代表A、B、C三相在时刻i的有功功率，

表示时刻i的总有功功率，abs()代表取绝对值函数，

表示求和；

时刻i的所述有功不平衡度PB _i的计算公式为：

；

时刻i的所述相位角不平衡度FB _i的计算公式为：

；

其中，

分别代表A、B、C三相在时刻i的功率因数，

表示时刻i的总功率因数，arccos()代表反余弦函数。

进一步，所述步骤1中的所述统计特征包括最小值、下分位点、中分位点、上分位点、最大值和平均值；

所述分时段中的时段包括日间时段和夜间时段。

进一步，所述步骤2中的所述电流符号特征的计算公式为：

；

其中，CS为电流符号特征，N为设定时间段内采集的数据项数，

分别代表 A、B、C三相在时刻i的电流，sign()代表符号函数，定义为：

。

进一步，所述步骤3中所述变电站计量装置的状态包括：正常、失压、失流、断相、电压不平衡、电流不平衡、停电、功率因数异常以及错接线；

所述状态评估与异常诊断模型的分类算法采用XGBoost算法，所述状态评估与异常诊断模型模型包括夜间XGBoost模型和日间XGBoost模型。

进一步，所述步骤4包括：

将所述特征向量输入对应时段的训练好的所述夜间XGBoost模型或日间XGBoost模型后，所述夜间XGBoost模型或日间XGBoost模型分别输出表示预测的类型的概率的概率向量，将所述夜间XGBoost模型或日间XGBoost模型分别输出的概率向量按照元素方式相加得到概率和向量；

所述概率和向量中的正常类型的概率最大时，对所述待进行状态评估与异常诊断的变电站计量装置进行状态评估，否则对所述待进行状态评估与异常诊断的变电站计量装置进行异常诊断。

进一步，对所述待进行状态评估与异常诊断的变电站计量装置进行状态评估的过程包括：

所述夜间XGBoost模型或日间XGBoost模型分别输出的概率向量中的正常类型的概率均为最大时，所述待进行状态评估与异常诊断的变电站计量装置的状态评估为健康，否则评估为亚健康。

进一步，对所述待进行状态评估与异常诊断的变电站计量装置进行异常诊断的过程包括：

所述夜间XGBoost模型或日间XGBoost模型分别输出的概率向量中的正概率值最大的异常类型相同时，所述待进行状态评估与异常诊断的变电站计量装置的异常类型诊断为该概率和最大的异常类型，否则诊断为概率和最大的两个异常类型。

采用上述进一步方案的有益效果是：通过将自然天划分为日间和夜间分别进行分类判断，不仅可以进一步提高本发明对计量异常的诊断时效性，还可以保证状态评估和异常诊断结果更加稳定、可靠；还使本发明具备在一个自然天中诊断最多两个异常类型的能力，更易于捕捉类似失压、停电等存续时间短且可能与其它异常并存的异常类型。

附图说明

图1为本发明实施例提供的变电站计量装置状态评估与异常诊断方法框架示意图；

图2为本发明实施例提供的特征向量构造示意图；

图3为本发明实施例提供的状态评估与异常诊断模型训练流程图；

图4为本发明实施例提供的状态评估与异常诊断流程图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

本发明提供的一种变电站计量装置状态评估与异常诊断方法，包括：

步骤1，获取电气参数数据，基于电气参数数据计算每个时刻的电气参数偏离度或不平衡度指标；分时段获取电气参数偏离度或不平衡度指标的统计特征。

步骤2，分时段获取电流符号特征和电气参数数据的数据完整性特征，基于统计特征、电流符号特征和数据完整性特征建立分时段的特征向量。

电流符号特征表示分相电流符号不同所占比例。

步骤3，利用分时段的训练数据集中的特征向量以及对应的变电站计量装置的状态分别训练分时段的状态评估与异常诊断模型。

步骤4，将待进行状态评估与异常诊断的变电站计量装置的特征向量输入对应时段的训练好的状态评估与异常诊断模型，状态评估与异常诊断模型输出诊断结果。

本发明提供的一种变电站计量装置状态评估与异常诊断方法，以变电站计量装置的一天的电气参数数据为基础构建状态评估与异常诊断模型，较好地覆盖了主要异常类型，通过抽取统计特征进一步突显了计量装置异常所表现出来的数据现象，统计特征包括电气参数统计特征、电流符号特征以及数据完整性特征，从而准确地完成计量状态的评估和异常诊断；利用该模型能够及时、准确地发现异常、诊断异常类型，为现场检修提供有力的支撑，提高电力公司的运营效率。

实施例1

本发明提供的实施例1为本发明提供的一种变电站计量装置状态评估与异常诊断方法的实施例，如图1所示为本发明实施例提供的一种变电站计量装置状态评估与异常诊断方法的框架示意图，由图1可知，该实施例包括：

具体的，电气参数数据包括：分相电压、分相电流、分相有功功率和总有功功率、分相功率因数和总功率因数。

电气参数数据以自然天为时间跨度，所有电气参数优选的采集频率为96个采样值/自然天。

电气参数偏离度或不平衡度指标包括：电压偏离度、电压不平衡度、电流偏离度、电流不平衡度、有功功率差、有功功率不平衡度和相位角不平衡度等7项。

具体的，时刻i的电压偏离度VD _i的计算公式为：

。

其中，

分别代表A、B、C三相在时刻i的电压，min()代表取最小值函数。

时刻i的电压不平衡度VB _i的计算公式为：

。

max()代表取最大值函数。

时刻i的电流偏离度CD _i的计算公式为：

。

其中，

分别代表A、B、C三相在时刻i的电流，avg()代表取平均值函数。

时刻i的电流不平衡度CB _i的计算公式为：

。

时刻i的功率差PD _i的计算公式为：

。

其中，

分别代表A、B、C三相在时刻i的有功功率，

表示时刻i的总有功功率，abs()代表取绝对值函数，

表示求和。

时刻i的有功不平衡度PB _i的计算公式为：

。

时刻i的相位角不平衡度FB _i的计算公式为：

。

其中，

分别代表A、B、C三相在时刻i的功率因数，

表示时刻i的总功率因数，arccos()代表反余弦函数。

进行时段划分可以根据用户的用电特征进行划分，例如将一个自然天划分为夜间时段和日间时段，其中夜间时段包括0点～7点和20点～23点，日间时段包括8点～19点。

通过将自然天划分为日间和夜间分别进行分类判断，不仅可以进一步提高本发明对计量异常的诊断时效性，还可以保证状态评估和异常诊断结果更加稳定、可靠；还使本发明具备在一个自然天中诊断最多两个异常类型的能力，更易于捕捉类似失压、停电等存续时间短且可能与其它异常并存的异常类型。

具体的，电气参数偏离度或不平衡度指标的统计特征包括最小值、下分位点、中分位点、上分位点、最大值和平均值。

即针对夜间时段和日间时段，分别对电压偏离度、电压不平衡度、电流偏离度、电流不平衡度、有功功率差、有功功率不平衡度、相位角不平衡度等7项电气参数指标，计算包括最小值、下分位点、中分位点、上分位点、最大值、平均值等6项统计特征的夜间时段和日间时段的电气参数统计特征。

步骤2，分时段获取电流符号特征和电气参数数据的数据完整性特征，基于统计特征、电流符号特征和数据完整性特征建立分时段的特征向量。如图2所示为本发明实施例提供的特征向量构造示意图。

电流符号特征表示分相电流符号不同所占比例。

具体的，电流符号特征的计算公式为：

。

其中，CS为电流符号特征，N为设定时间段内采集的数据项数，sign()代表符号函数，定义为：

。

提取夜间时段和日间时段的数据完整性特征，分别统计同一自然天中夜间时段和日间时段内缺失数据项所占比例。缺失数据项的统计涵盖时间段内所有分相电压、分相电流、分相有功功率和总有功功率、分相功率因数和总功率因数。

步骤3中变电站计量装置的状态包括：正常、失压、失流、断相、电压不平衡、电流不平衡、停电、功率因数异常以及错接线等9类，其中1类正常，8类异常。

状态评估与异常诊断模型的分类算法优选采用XGBoost（极端梯度提升树）算法，但是并不局限于XGBoost算法，状态评估与异常诊断模型模型包括夜间XGBoost模型和日间XGBoost模型。

具体实施中，如图3所示为本发明实施例提供的状态评估与异常诊断模型训练流程图，由图3可知，该步骤3可以包括：

步骤301，获取训练集的数据样本，包括每自然天96个采样值的分相电压、分相电流、分相有功功率和总有功功率、分相功率因数和总功率因数，以及案例对应的类型，包括正常、失压、失流、断相、电压不平衡、电流不平衡、停电、功率因数异常、错接线等9类，其中1类正常，8类异常。

本发明支持对失压、失流、断相、电压不平衡、电流不平衡、停电、功率因数异常、错接线等异常类型的诊断。

步骤302，以自然天为时间跨度，将案例数据中电气参数数据分割为样本，并根据案例对应的类型对样本进行标定，0代表正常，1～8分别代表失压、失流、断相、电压不平衡、电流不平衡、停电、功率因数异常、错接线等异常类型。

步骤303，按照步骤1-步骤2提取每一个样本的夜间特征向量和日间特征向量。

步骤304，将所有案例数据样本的夜间特征向量和日间特征向量组建夜间特征向量训练数据集和日间特征向量训练数据集。

步骤305，用夜间特征向量训练数据集，独立地训练夜间XGBoost模型，直至夜间XGBoost模型收敛。

步骤306，用日间特征向量训练数据集，独立地训练日间XGBoost模型，直至日间XGBoost模型收敛。

步骤4包括：

将特征向量输入对应时段的训练好的夜间XGBoost模型或日间XGBoost模型后，夜间XGBoost模型或日间XGBoost模型分别输出表示预测的类型的概率的概率向量，将夜间XGBoost模型或日间XGBoost模型分别输出的概率向量按照元素方式相加得到概率和向量。

概率和向量中的正常类型的概率最大时，对待进行状态评估与异常诊断的变电站计量装置进行状态评估，否则对待进行状态评估与异常诊断的变电站计量装置进行异常诊断。

进一步的，对待进行状态评估与异常诊断的变电站计量装置进行状态评估的过程包括：

夜间XGBoost模型或日间XGBoost模型分别输出的概率向量中的正常类型的概率均为最大时，待进行状态评估与异常诊断的变电站计量装置的状态评估为健康，否则评估为亚健康。

对待进行状态评估与异常诊断的变电站计量装置进行异常诊断的过程包括：

夜间XGBoost模型或日间XGBoost模型分别输出的概率向量中的正概率值最大的异常类型相同时，待进行状态评估与异常诊断的变电站计量装置的异常类型诊断为该概率和最大的异常类型，否则诊断为概率和最大的两个异常类型。

具体的，如图4所示为本发明实施例提供的状态评估与异常诊断流程图，由图4可知，该步骤4可以包括：步骤401，获取待测试天的智能电表数据，包括96个采样值的分相电压、分相电流、分相有功功率和总有功功率、分相功率因数和总功率因数。

步骤402，按照图2的方式从待测试天的智能电表数据中，提取夜间特征向量和日间特征向量。

步骤403，将夜间特征向量和日间特征向量分别输入训练好的夜间XGBoost模型和日间XGBoost模型。

步骤404，将夜间XGBoost模型和日间XGBoost模型输出的夜间概率向量和日间概率向量按照元素方式相加，得到概率和向量。其中，夜间概率向量、日间概率向量及概率和向量均为9维向量，代表前述的9个类型。

步骤405，如果概率和向量中，正常类型的概率值最大，则执行步骤406，否则执行步骤409。

步骤406，如果在夜间概率向量和日间概率向量中，正常类型的概率值均为最大值，则执行步骤407，否则执行步骤408。

步骤407，变电站计量装置状态评估为健康，并输出评估结果，结束本流程。

步骤408，变电站计量装置状态评估为亚健康，并输出评估结果，结束本流程。

步骤409，如果在夜间概率向量和日间概率向量中，概率值最大的异常类型相同，则执行步骤410，否则执行步骤411。

步骤410，变电站计量装置的异常类型诊断为概率和最大的异常类型，并输出诊断结果，结束本流程。

步骤411，变电站计量装置的异常类型诊断为概率和最大的两个异常类型，并输出诊断结果，结束本流程。

具体的，基于图2给出的特征向量的构建方法，进行变电站计量装置状态评估与异常诊断方法包括：

（1）训练阶段，获取案例数据，包括：分相电压、分相电流、分相有功功率和总有功功率、分相功率因数和总功率因数，案例数据涵盖正常、失压、失流、断相、电压不平衡、电流不平衡、停电、功率因数异常、错接线等9种类型。

（2）将案例数据分割为以自然天为时间单位的样本，并完成样本的类型标定，其中0代表正常，1~8分别代表失压、失流、断相、电压不平衡、电流不平衡、停电、功率因数异常、错接线等异常类型。

（3）将分割的智能电表数据按照一个自然天的{0点~7点、20点~23点}和{8点~19点}划分为两个部分，并分别从中提取夜间特征向量FN和日间特征向量FD；通过对所有样本的处理，并结合样本的类型编号，进而组建夜间特征向量训练数据集FNDS和日间特征向量训练数据集FDDS。

（4）分别用训练数据集FNDS和FDDS训练夜间XGBoost模型和日间XGBOOST模型，直至它们各自分别收敛。

（5）测试阶段，获取待测试天的智能电表数据，并按照步骤（3）分别提取夜间和日间的特征向量FN和FD。

（6）将步骤（5）提取的夜间特征向量FN和日间特征向量FD分别输入夜间XGBoost模型和日间XGBoost模型完成预测，并收集模型输出的概率向量。

（7）将夜间概率向量和日间概率向量进行元素相加，得到概率和向量。

（8）如果概率和向量中正常类型的概率和最大，则进一步判断夜间和日间两个概率向量中，正常类型对应的概率是否同时是各自概率向量中的最大值；如果是，则输出该计量装置的运行状态为“健康”，否则输出该计量装置的运行状态为“亚健康”，完成计量装置状态评估；否则，执行步骤（9）。

（9）如果概率和向量中数值最大的是异常类型，则进一步判断夜间和日间两个概率向量中异常类型是否同时为最大值，如果是，则输出对应的异常类型编号，完成单异常类型的诊断；否则，输出概率和最大的前两个异常类型编号，完成多异常类型的诊断。

实施例2

本发明提供的实施例2为本发明提供的一种变电站计量装置状态评估与异常诊断方法的具体应用实施例，该应用实施例中，利用某省电力公司提供的543个关口变电站计量装置作为案例，进行了训练和验证。每个用户的的数据采集频率均为96个采集点/天，每个数据采集点包括分相电压、分相电流、分相有功功率和总有功功率、分相功率因数和总功率因数等电气参数数据。关口变电站覆盖了220kV、110kV、35kV和10kV等四个电压等级，包括三相三线和三相四线两种接线方式。数据的时间跨度为31天，除正常案例外，还包括失压、失流、断相、电压不平衡、电流不平衡、功率因数异常、错接线等9类。其中正常案例368个，失压案例16、失流案例19个、断相案例15个、停电案例10个、电压不平衡案例23个、电流不平衡案例34个、功率因数异常案例30个、错接线案例28个。该应用案例中，每个异常案例仅包含一种异常类型。

按照本发明提供的数据样本结构，将所有计量装置作的电气参数数据进行分割。考虑到部分异常案例并非全是异常，属于正常和异常混合，因此对异常案例中的正常样本进行剔除。最后，各类样本按照7:3的方式随机划分训练数据集和测试数据集。

夜间XGBoost模型和日间XGBoost模型采用相同的参数，其中树的数量为1000，树的最大深度为7，学习率为0.01。

对本发明提供的变电站计量装置状态评估与异常诊断方法进行了验证，具体的测试结果如下表所示：

从上表的结果可知，本发明提供的变电站计量装置状态评估与异常诊断方法具有较好的状态评估和异常诊断性能。

以上仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。