引言

變電站的遠程控制涉及感知節(jié)點、能量控制、實施控制模塊等多項內容,主要用于監(jiān)測變電站功率、溫度、濕度等指標,并及時進行設備的開關調節(jié),需要進行頻繁的啟停。

因此,全面掌握變電站運行狀態(tài),及時對變電站進行遠程調度,成為目前要解決的關鍵問題之一。本文提出一種基于粗糙集聯合決策樹的方法,旨在實現對變電站的遠程精準調度。

1粗糙集聯合決策樹法

粗糙集能對變電站中的不確定性數據、非規(guī)則性數據進行分析,求得數據的最小知識表達,并依據預設規(guī)則來提高結果的精準度。決策樹對粗糙集處理后的數據進行遞歸分析,尋找到最終的結果。粗糙集聯合決策樹方法具有幾方面優(yōu)勢:(l)能夠處理變電站中感知節(jié)點的海量數據,并減少冗余數據所占比例:(2)通過遞歸分析,得到較為準確的計算結果:(3)彌補決策樹無法處理海量數據的不足以及粗糙集無法實現精準遞歸的缺陷。

2變電站遠程調度的數學描述

假設1:第i個感知節(jié)點傳輸的功率為0i,濕度為wi,溫度為Zi,電壓為Ui,粗糙集合為sel,那么,集合數據的收集過程如下:

其中,k為粗糙集篩選數據的規(guī)則,濕度的篩選條件為wi<45%,溫度為Zi<50℃,電壓為Ui<230V。如果k入l不成立,說明收集的數據為不確定性數據,需要進行標準化處理,否則數據可以直接被納入到集合sel中。

為了更好地對變電站進行遠程控制,要對sel集合進行縮減,減少數據總量,所以提出假設2。

假設2:變電站的粗糙集規(guī)則調節(jié)函數為Ru.g[A,B,k],A為不確定性程度,C為非規(guī)則數據比例,k為篩選規(guī)則,數據調節(jié)系數為a,粗糙集處理后的集合為RGsel,那么RGsel的數據收集過程如下:

RGsel為映射后的函數,所含數據是標準化處理后的函數。

假設3:變電站運行狀態(tài)的數據集合為RGsel,變電站整體運行狀態(tài)函數為Ji(RGsel),該函數的計算如下:

式中:ai為不同規(guī)則下的調節(jié)系數:ki為不同狀態(tài)下的篩選規(guī)則。

如果J函數的結果處于[0,1],說明變電站運行正常,只需進行監(jiān)測:如果大于1說明變電站運行異常,需要確定感知節(jié)點的位置,并對相應設備進行開關調整。

3基于粗糙集聯合決策樹法的變電站遠程調度

在實際運行過程中,要依據粗糙集聯合決策樹中的參數調節(jié),找出異常的變電站運行數據,并確定故障變電站的位置。

3.1變電站運行參數初始化

將獲得的變電站運行數據進行粗糙集規(guī)則處理,并映射到決策樹的根節(jié)點中,完成參數的初始化,數據映射過程為:

變電站運行參數的初始化是對不規(guī)則數據、不確定性數據進行分析,能夠有效降低數據誤差,提高數據的標準化程度。

3.2變電站遠程調度的實施步驟

粗糙集聯合決策樹法對變電站的遠程調度屬于持續(xù)性控制,是一個循環(huán)往復過程,具體計算步驟如圖1所示。

由圖1可知,變電站遠程調度需要4個步驟。

步驟1:獲得變電站運行狀態(tài)數據,將電壓、濕度、溫度以及功率等數據進行預處理。

步驟2:利用粗糙集規(guī)則剔除冗余數據,并進行決策樹分析,輸出變電站運行結果。

步驟3:依據變電站的數據來源,確定異常信號的來源。

步驟4:依據異常信號確定故障位置。

4變電站遠程調度的實際案例

為了驗證調度效果,用粗糙集聯合決策樹法對32kV變電站進行遠程調度,以調度準確率、異常感知節(jié)點位置判斷以及響應時間為評價指標。

4.1變電站簡介

32kV變電站內部有3臺服務器、2臺交換機、12個感知節(jié)點(溫度、濕度、風力、日照、功率等),其一般信息如表1所示。

由表1中的數據可知,變電站中所有設備、控制開關之間均為獨立數據,無相關性,可以進行后期的監(jiān)測判斷。

4.2變電站運行預測準確性與位置判斷準確性

對于變電站運行狀態(tài)的數據分析,要多次取樣,并比較預測數據與實際數據的差異。同時,利用決策樹方法確定異常數據的來源,確定故障的位置,具體結果如表2所示。

由表2可知,在06:00一12:00階段,狀態(tài)預測、位置預測準確性較低,主要是由于該階段處于生產、工作的高峰階段,處理的數據量較大。但是,該階段的預測偏差仍然小于3%,說明粗糙集聯合決策樹法能更好地進行數據分析,提高變電站遠程調控的準確性。

對變電站進行30日的數據收集,判斷數據的穩(wěn)定性,結果如圖2所示。

由圖2可知,狀態(tài)預測、故障預測的數據處理量在49.5兆~51.5兆之間,變化幅度為2兆,整體比較穩(wěn)定。究其原因,粗糙集采用粗糙集規(guī)則進行數據標準化處理,并將數據映射到決策樹的根節(jié)點,實現數據的簡化處理,大幅壓縮了數據量。

4.3變電站遠程調度的響應時間

響應時間是變電站遠程調度的重要指標,是驗證粗糙集聯合決策樹方法的重要內容。響應時間包括三個方面:狀態(tài)發(fā)生時間、預警響應時間以及命令執(zhí)行時間,具體結果如表3所示。

由表3可知,粗糙集聯合決策樹在狀態(tài)發(fā)生時間、預警響應時間、命令執(zhí)行時間方面均短于實時監(jiān)控方法,整體上要短2s左右,而且兩種方法在響應時間方面存在顯著差異,方差為13.526。究其原因,粗糙集規(guī)則剔除了冗余數據,并對不確定性信息、非規(guī)則信息進行標準化處理,提高了數據的處理效率,大幅縮短了變電站調度的響應時間。其中,響應時間之間的處理關系如圖3所示。

由圖3可知,狀態(tài)、預警和執(zhí)行之間的處理關系較為密切,說明響應時間的處理結合較好,最終結果的處理關系較佳,可以為變電站遠程調度提供數據支持。

5結語

針對變電站遠程調度問題,本文提出了一種基于粗糙集聯合決策樹的方法,通過粗糙集規(guī)則的約束,將變電站功率、濕度、溫度和電壓進行標準化處理,簡化決策樹分析的數據量。實踐結果顯示,變電站狀態(tài)預測、故障預測的準確率在85%以上,數據變化幅度在0~2兆內,而且粗糙集聯合決策樹方法對變電站調度的響應時間較短,優(yōu)于在線監(jiān)測法。所以,本文提出的粗糙集聯合決策樹方法適合于變電站遠程調度。