变电设备温度态势感知及辅助决策系统方案研究

doi:10.12096/j.2096-4528.pgt.23118

发电技术 ›› 2024, Vol. 45 ›› Issue (4): 744-752.DOI: 10.12096/j.2096-4528.pgt.23118

变电设备温度态势感知及辅助决策系统方案研究

陈昱¹, 丁鸿¹, 崔勇²^,³, 朱里¹, 陈士俊⁴, 凌秋阳¹, 徐勇生⁴, 郑建³

^1.国网浙江省电力有限公司湖州供电公司，浙江省湖州市 313000
^2.安徽科技学院管理学院，安徽省蚌埠市 233030
^3.三峡大学电气与新能源学院，湖北省宜昌市 443002
^4.浙江泰仑电力集团有限责任公司，浙江省湖州市 313000

收稿日期:2023-11-20 修回日期:2024-02-25 出版日期:2024-08-31 发布日期:2024-08-27
通讯作者: 崔勇
作者简介:陈昱(1974)，男，高级工程师，主要从事变电运维现场管理工作，chenyu190438@163.com；
崔勇(1978)，男，博士，副教授，主要研究方向为新能源电力系统优化、能源管理，本文通信作者，cuiyong826@126.com。
基金资助:
安徽省高校协同创新项目(GXXT-2023-065);浙江泰仑电力集团有限责任公司科技项目(TLGZ2212001-012);安徽科技学院人才引进项目(GLYJ202202)

Research on Temperature Situation Awareness and Auxiliary Decision-Making System Scheme of Substation Equipment

Yu CHEN¹, Hong DING¹, Yong CUI²^,³, Li ZHU¹, Shijun CHEN⁴, Qiuyang LING¹, Yongsheng XU⁴, Jian ZHENG³

^1.Huzhou Power Supply Company, State Grid Zhejiang Electric Power Co. , Ltd. , Huzhou 313000, Zhejiang Province, China
^2.College of Management, Anhui Science and Technology University, Bengbu 233030, Anhui Province, China
^3.College of Electrical Engineering & New Energy, China Three Gorges University, Yichang 443002, Hubei Province, China
^4.Zhejiang Talent Electric Group Co. , Ltd. , Huzhou 313000, Zhejiang Province, China

Received:2023-11-20 Revised:2024-02-25 Published:2024-08-31 Online:2024-08-27
Contact: Yong CUI
Supported by:
the University Synergy Innovation Progarm of Anhui Province(GXXT-2023-065);Technology Project of Zhejiang Tailun Electric Group Co., Ltd(TLGZ2212001-012);Talent Introduction Project of Anhui Science and Technology University(GLYJ202202)

摘要/Abstract

摘要：

目的为了提升变电设备运维管理的智能化水平，及时发现并预防因设备过热导致的故障风险，保障电网安全稳定运行，提出了变电设备温度态势感知及辅助决策方案。方法从感知层、理解层、预测层和辅助决策层4个方面展开研究。在感知层，利用K近邻(K-nearest neighbor，KNN)分类算法分析多类温度数据的关联性。在理解层，通过BP神经网络构建历史数据传递模型，以处理历史数据缺失问题。在预测层，为应对非线性数据和噪声，设计了自回归积分滑动平均(autoregressive integrated moving average，ARIMA)模型与支持向量机(support vector machine，SVM)组合的温度预测模型。在辅助决策层，应用灰色关联度分析设备温度变化与故障风险之间的关系。结果基于所提方案的算例验证结果表明，该方案实现了对设备未来温度变化趋势的有效感知，并为设备缺陷判断提供了依据。结论所提方案通过多维度、深层次的温度数据分析，揭示了设备温度与故障风险之间潜在的关联关系，实现了对变电设备运行趋势的预判，为变电设备运行方式优化以及制定设备检修计划提供参考。

关键词: 电力系统, 变电站, 温度态势感知, 辅助决策, 自回归积分滑动平均(ARIMA)模型, BP神经网络, 支持向量机(SVM)

Abstract:

Objectives To enhance the intelligent management of substation equipment maintenance, timely identify and mitigate the risks of failures caused by device overheating, and ensure the safe and stable operation of the power grid, the temperature situation awareness and auxiliary decision-making scheme of substation equipment were proposed. Methods The research was carried out from four aspects: the perception layer, the understanding layer, the prediction layer, and the auxiliary decision-making layer.　In the perception layer, the K-nearest neighbor (KNN) classification algorithm was used to analyze the correlation of multi-class temperature data. In the understanding layer, a BP neural network was employed to construct a historical data transmission model to address missing historical data issues. In the prediction layer, a temperature prediction model combining autoregressive integrated moving average (ARIMA) and support vector machine (SVM) was designed to handle nonlinear data and noise. In the auxiliary decision-making layer, the grey relational analysis was applied to analyze the relationship between equipment temperature changes and fault risks. Results The verification results of numerical examples based on the proposed scheme show that the scheme realizes the effective perception of the future temperature variation trends of the equipment and provides a basis for the identification of equipment defects. Conclusions Through multi-dimensional and deep-level temperature data analysis, the proposed scheme reveals the potential correlation between equipment temperature and fault risk, realizes the prediction of the operational trend of substation equipment, and provides a reference for the optimization of operational mode and the formulation of equipment maintenance plan.

Key words: power system, substation, temperature state awareness, auxiliary decision-making, autoregressive integrated moving average (ARIMA) model, BP neural network, support vector machine (SVM)

中图分类号:

TK 012

陈昱, 丁鸿, 崔勇, 朱里, 陈士俊, 凌秋阳, 徐勇生, 郑建. 变电设备温度态势感知及辅助决策系统方案研究[J]. 发电技术, 2024, 45(4): 744-752.

Yu CHEN, Hong DING, Yong CUI, Li ZHU, Shijun CHEN, Qiuyang LING, Yongsheng XU, Jian ZHENG. Research on Temperature Situation Awareness and Auxiliary Decision-Making System Scheme of Substation Equipment[J]. Power Generation Technology, 2024, 45(4): 744-752.

图/表 5

图1 系统方案总体设计图

Fig. 1 Overall design diagram of the system scheme

图2 组合预测模型流程图

Fig. 2 Flow chart of the combination forecasting model

图3 油温预测图

Fig. 3 Oil temperature prediction chart

图4 灰色关联度图

Fig. 4 Grey correlation degree chart

图5 变压器箱体相对温差图

Fig. 5 Relative temperature difference chart of transformer box

参考文献 23

1	吴灏，许晓，彭紫楠，等．基于电网云数据管理的电气设备大数据移动实验室及其应用研究[J]．发电技术，2023，44(3)：417-424． doi:10.12096/j.2096-4528.pgt.22125
	WU H， XU X， PENG Z N，et al ．Research on electrical equipment big data mobile laboratory based on power grid cloud data management and its application[J]．Power Generation Technology，2023，44(3)：417-424． doi:10.12096/j.2096-4528.pgt.22125
2	王绍武，李鹏，李金忠，等．变压器真空有载分接开关研究综述[J]．中国电机工程学报，2022，42(18)：6893-6907．
	WANG S W， LI P， LI J Z，et al ．Overview of transformer vacuum-type on-load tap changers[J]．Proceedings of the CSEE，2022，42(18)：6893-6907．
3	黄梦辉，蒋涛，董建军，等．基于LSTM的箱式变压器高压套管温度预测[J]．电测与仪表，2023，60(10)：171-176．
	HUANG M H， JIANG T， DONG J J，et al ．Temperature prediction of box-type transformer high-voltage bushing based on LSTM[J]．Electrical Measurement & Instrumentation，2023，60(10)：171-176．
4	赵法强，黄洪松，胡琴，等．输配电设备发热故障温度指示技术研究综述[J]．电测与仪表，2022，59(5)：14-22．
	ZHAO F Q， HUANG H S， HU Q，et al ．A review of temperature indication technology for heating failure of power transmission and distribution equipment[J]．Electrical Measurement & Instrumentation，2022，59(5)：14-22．
5	封钰，宋佑斌，金晟，等．基于随机森林算法和粗糙集理论的改进型深度学习短期负荷预测模型[J]．发电技术，2023，44(6)：889-895． doi:10.12096/j.2096-4528.pgt.23013
	FENG Y， SONG Y B， JIN S，et al ．Improved deep learning model for forecasting short-term load based on random forest algorithm and rough set theory[J]．Power Generation Technology，2023，44(6)：889-895． doi:10.12096/j.2096-4528.pgt.23013
6	徐奇伟，黄宏，张雪锋，等．基于改进区域全卷积网络的高压引线接头红外图像特征分析的在线故障诊断方法[J]．电工技术学报，2021，36(7)：1380-1388． doi:10.19595/j.cnki.1000-6753.tces.201136
	XU Q W， HUANG H， ZHANG X F，et al ．Online fault diagnosis method for infrared image feature analysis of high-voltage lead connectors based on improved R-FCN[J]．Transactions of China Electrotechnical Society，2021，36(7)：1380-1388． doi:10.19595/j.cnki.1000-6753.tces.201136
7	樊友杰，邓祥东，高云鹏，等．改进PSO优化RBF智能电能表端子温度检测方法[J]．电力科学与技术学报，2022，37(5)：207-214．
	FAN Y J， DENG X D， GAO Y P，et al ．Terminal temperature detection method for smart meter based on RBF neural network optimized by improved PSO[J]．Journal of Electric Power Science and Technology，2022，37(5)：207-214．
8	刘东超，陈志刚，崔龙飞．基于物联网的环网柜在线监测技术研究[J]．电力系统保护与控制，2022，50(20)：60-67．
	LIU D C， CHEN Z G， CUI L F ．Online monitoring technology of a ring network cabinet based on the internet of things[J]．Power System Protection and Control，2022，50(20)：60-67．
9	张璐，王文森，韩彦华，等．基于多维参量复合感知的变压器套管智能监测[J]．高电压技术，2022，48(8)：2934-2944．
	ZHANG L， WANG W S， HAN Y H，et al ．Intelligent monitoring of transformer bushing based on multi-parameter compound sensing[J]．High Voltage Engineering，2022，48(8)：2934-2944．
10	SHI W， ZHU Y， HUANG T，et al ．An integrated data preprocessing framework based on apache spark for fault diagnosis of power grid equipment[J]．Journal of Signal Processing Systems，2017，86(2)：221-236． doi:10.1007/s11265-016-1119-4
11	谢国财，温锐，陈琛．基于模糊神经网络的高压电力设备故障预测模型[J]．电网与清洁能源，2022，38(9)：120-125．
	XIE G C， WEN R， CHEN C ．A fault prediction model of high-voltage power equipment based on fuzzy neural network[J]．Power System and Clean Energy，2022，38(9)：120-125．
12	LI B S， XU X T， CUI K B，et al ．Application of infrared imaging technology in fault diagnosis of electrical equipment[J]．Applied Mechanics and Materials，2013，401/402/403：974-977．
13	QI W， LI J， LIU Y，et al ．Planning of distributed Internet data center microgrids[J]．IEEE Transactions on Smart Grid，2019，10(1)：762-771． doi:10.1109/tsg.2017.2751756
14	吕佳炜，张沈习，程浩忠，等．集成数据中心的综合能源系统能量流-数据流协同规划综述及展望[J]．中国电机工程学报，2021，41(16)：5500-5521．
	LYU J W， ZHANG S X， CHENG H Z，et al ．Review and prospect on coordinated planning of energy flow and workload flow in the integrated energy system containing data centers[J]．Proceedings of the CSEE，2021，41(16)：5500-5521．
15	张清华，周靖鹏，代永杨，等．基于代表点与K近邻的密度峰值聚类算法[J]．软件学报，2023，34(12)：5629-5648．
	ZHANG Q H， ZHOU J P， DAI Y Y，et al ．Density peaks clustering algorithm based on representative points and K-nearest neighbors[J]．Journal of Software，2023，34(12)：5629-5648．
16	刘咏鑫，宋斌，王力农，等．基于混沌序列优化的BP网络油纸绝缘变压器寿命预测[J]．电测与仪表，2022，59(4)：137-143．
	LIU Y X， SONG B， WANG L N，et al ．Life prediction of oil-paper insulated transformer based on chaotic sequence optimization BP neural network[J]．Electrical Measurement & Instrumentation，2022，59(4)：137-143．
17	陈文进，朱峰，张童彦，等．基于AFSA-BP神经网络的光伏功率预测方法[J]．浙江电力，2022，41(4)：7-13．
	CHEN W J， ZHU F， ZHANG T Y，et al ．A photovoltaic power prediction method based on AFSA-BP neural network[J]．Zhejiang Electric Power，2022，41(4)：7-13．
18	田书欣，韩雪．基于正交小波变换的LSTM-ARIMA海上风速组合预测模型[J]．智慧电力，2023，51(7)：39-43．
	TIAN S X， HAN X ．LSTM-ARIMA offshore wind speed combined prediction model based on orthogonal wavelet transform[J]．Smart Power，2023，51(7)：39-43．
19	张金良，刘子毅．基于混合模型的超短期风速区间预测[J]．电力系统保护与控制，2022，50(22)：49-58．
	ZHANG J L， LIU Z Y ．Ultra short term wind speed interval prediction based on a hybrid model[J]．Power System Protection and Control，2022，50(22)：49-58．
20	周洲，焦文玲，任乐梅，等．蚁群算法分配权重的燃气日负荷组合预测模型[J]．哈尔滨工业大学学报，2021，53(6)：177-183． doi:10.11918/201911084
	ZHOU Z， JIAO W L， REN L M，et al ．Combined forecasting model of gas daily load based on weight distribution of ant colony algorithm[J]．Journal of Harbin Institute of Technology，2021，53(6)：177-183． doi:10.11918/201911084
21	艾欣，周志宇，魏妍萍，等．基于自回归积分滑动平均模型的可转移负荷竞价策略[J]．电力系统自动化，2017，41(20)：26-31．
	AI X， ZHOU Z Y， WEI Y P，et al ．Bidding strategy for time-shiftable loads based on autoregressive integrated moving average model[J]．Automation of Electric Power Systems，2017，41(20)：26-31．
22	陈志刚，刘东超，崔龙飞，等．基于T型灰色关联度的高压断路器操作机构状态评估[J]．智慧电力，2023，51(6)：93-99．
	CHEN Z G， LIU D C， CUI L F，et al ．Condition assessment of high voltage circuit breaker operating mechanism based on T-type grey correlation degree[J]．Smart Power，2023，51(6)：93-99．
23	Lzzyjbwm ．气象及变压器数据[EB/OL]．(2021-12-31)[2023-09-05]．．
	Lzzyjbwm ．Meteorological and transformer data[EB/OL]．(2021-12-31)[2023-09-05]．．

[1]	肖白, 赵雪纯, 董光德. 电能质量综合评估方法综述与展望[J]. 发电技术, 2024, 45(4): 716-733.
[2]	王放放, 杨鹏威, 赵光金, 李琦, 刘晓娜, 马双忱. 新型电力系统下火电机组灵活性运行技术发展及挑战[J]. 发电技术, 2024, 45(2): 189-198.
[3]	刘林, 王大龙, 綦晓, 周振波, 林焕新, 蔡传卫. 基于双锁相环的海上风场综合惯量调频策略研究[J]. 发电技术, 2024, 45(2): 282-290.
[4]	邵宜祥, 刘剑, 胡丽萍, 过亮, 方渊, 李睿. 一种改进组合神经网络的超短期风速预测方法研究[J]. 发电技术, 2024, 45(2): 323-330.
[5]	杨捷, 孙哲, 苏辛一, 鲁刚, 元博. 考虑振荡型功率的直流微电网储能系统无互联通信网络的多目标功率分配方法[J]. 发电技术, 2024, 45(2): 341-352.
[6]	付红军, 朱劭璇, 王步华, 谢岩, 熊浩清, 唐晓骏, 杜晓勇, 李程昊, 李晓萌. 基于长短期记忆神经网络的检修态电网低频振荡风险预测方法[J]. 发电技术, 2024, 45(2): 353-362.
[7]	刘洪波, 刘珅诚, 盖雪扬, 刘永发, 阎禹同. 高比例新能源接入的主动配电网规划综述[J]. 发电技术, 2024, 45(1): 151-161.
[8]	贾晓强, 杨永标, 杜姣, 甘海庆, 杨楠. 气候变化条件下基于智能预测模型的虚拟电厂不确定性运行优化研究[J]. 发电技术, 2023, 44(6): 790-799.
[9]	潘晓杰, 徐友平, 解治军, 王玉坤, 张慕婕, 石梦璇, 马坤, 胡伟. 堆栈式集成学习驱动的电力系统暂态稳定预防控制优化方法[J]. 发电技术, 2023, 44(6): 865-874.
[10]	陈皓勇, 黄宇翔, 张扬, 王斐, 周亮, 汤君博, 吴晓彬. 基于“三流分离-汇聚”的虚拟电厂架构设计[J]. 发电技术, 2023, 44(5): 616-624.
[11]	苏靖程, 王志强, 屈江江, 张凯. 基于BP神经网络和支持向量回归的燃煤电厂空气预热器压差预测[J]. 发电技术, 2023, 44(4): 550-556.
[12]	安吉振, 郑福豪, 刘一帆, 陈衡, 徐钢. 基于大数据分析的火电机组引风机故障预警研究[J]. 发电技术, 2023, 44(4): 557-564.
[13]	张春雁, 窦真兰, 王俊, 朱亮亮, 孙晓彤, 李根蒂. 电解水制氢-储氢-供氢在电力系统中的发展路线[J]. 发电技术, 2023, 44(3): 305-317.
[14]	吴灏, 许晓, 彭紫楠, 郭宁辉, 王淇锋. 基于电网云数据管理的电气设备大数据移动实验室及其应用研究[J]. 发电技术, 2023, 44(3): 417-424.
[15]	杜将武, 唐小强, 罗志伟, 刘敦楠, 陈积旭, 徐尔丰, 毕圣. 面向综合能源园区的丰枯电价定价方法[J]. 发电技术, 2023, 44(2): 261-269.

变电设备温度态势感知及辅助决策系统方案研究

Research on Temperature Situation Awareness and Auxiliary Decision-Making System Scheme of Substation Equipment

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

图/表 5

参考文献 23

相关文章 15

编辑推荐

Metrics