方玉河，陶漢濤，張 磊，王 釗，姜志博，吳大偉

(1.南瑞集團(tuán)有限公司，江蘇 南京 211106)(2.國(guó)網(wǎng)電力科學(xué)研究院武漢南瑞有限責(zé)任公司，湖北 武漢 430074)(3.電網(wǎng)雷擊風(fēng)險(xiǎn)預(yù)防湖北省重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430074)

電力系統(tǒng)運(yùn)行故障大多數(shù)情況下是因某段輸電線路故障導(dǎo)致的[1]，在電力系統(tǒng)高強(qiáng)度關(guān)聯(lián)的影響下不斷擴(kuò)大故障影響范圍與程度[2]，最終導(dǎo)致嚴(yán)重后果的產(chǎn)生。因此，在不影響電價(jià)轉(zhuǎn)移經(jīng)濟(jì)壓力的基礎(chǔ)上[3]，設(shè)計(jì)有效輸電線路故障預(yù)警模型是保障電力系統(tǒng)安全、穩(wěn)定運(yùn)行的重要方式[4]。

當(dāng)前普遍使用的故障預(yù)警方法大多集中于利用現(xiàn)有數(shù)據(jù)診斷故障并預(yù)警，如文獻(xiàn)[5]中基于現(xiàn)有數(shù)據(jù)進(jìn)行聚類經(jīng)驗(yàn)?zāi)B(tài)分解和差分熵計(jì)算，實(shí)現(xiàn)線路故障診斷與預(yù)警。但電力系統(tǒng)實(shí)際運(yùn)行過程中存在數(shù)據(jù)種類復(fù)雜、數(shù)據(jù)海量等問題，導(dǎo)致數(shù)據(jù)利用率低下，基于這樣的數(shù)據(jù)進(jìn)行故障預(yù)警，無(wú)法保障預(yù)警結(jié)果的全面性與前瞻性，預(yù)警結(jié)果存在一定偏差。

大數(shù)據(jù)技術(shù)是當(dāng)前普遍使用的數(shù)據(jù)處理技術(shù)，其主要優(yōu)勢(shì)在于洞察力高、決策能力強(qiáng)等[6]。因此，本文設(shè)計(jì)基于大數(shù)據(jù)的輸電線路故障預(yù)警模型，以實(shí)現(xiàn)全面、高精度的故障預(yù)警。

1 基于大數(shù)據(jù)的輸電線路故障預(yù)警模型

1.1 輸電線路故障預(yù)警模型構(gòu)建

輸電線路故障預(yù)警模型的構(gòu)建主要分為7個(gè)步驟，如圖1所示。具體步驟如下：

圖1 輸電線路故障預(yù)警模型構(gòu)建

1)海量信息采集。主要采集輸電線路相關(guān)數(shù)據(jù)、氣象數(shù)據(jù)和環(huán)境數(shù)據(jù)等相關(guān)信息[7]。

2)海量信息處理。該步驟的主要目的是基于預(yù)處理后的信息確定故障預(yù)警特征項(xiàng)。該步驟可為模型提供特征數(shù)據(jù)輸入，并反饋給現(xiàn)場(chǎng)人員，繼續(xù)優(yōu)化故障類別特征。

3)故障因子挖掘。針對(duì)故障信息特征，采用神經(jīng)網(wǎng)絡(luò)算法分析已分類的海量數(shù)據(jù)，確定不同類別故障特征間的關(guān)聯(lián)性[8]，分析引起輸電線路故障的主要特征，將其定義為故障因子，并構(gòu)建故障因子庫(kù)。

4)時(shí)間序列一致性匹配。根據(jù)故障特征項(xiàng)的時(shí)序信息生成故障因子時(shí)間序列，依照實(shí)際預(yù)警目標(biāo)構(gòu)建對(duì)應(yīng)的時(shí)間序列模型，確定時(shí)間序列距離與故障診斷的核心推理方法，預(yù)警輸電線路故障[9]。

5)故障分析結(jié)果推送。將故障分析結(jié)果傳輸?shù)狡脚_(tái)中供現(xiàn)場(chǎng)工作人員了解，為工作人員制定故障處理預(yù)防措施提供輔助決策。

6)故障結(jié)果反饋。依照現(xiàn)場(chǎng)實(shí)際情況反饋輸電線路故障分析結(jié)果，持續(xù)完善故障樣本庫(kù)，優(yōu)化故障預(yù)警精度。

7)可視化結(jié)果展示。根據(jù)線路故障分析結(jié)果，以不同顯示形式將故障相關(guān)數(shù)據(jù)展示給用戶。

1.2 海量故障特征數(shù)據(jù)采集

輸電線路故障因素大體可劃分為人為因素與自然因素兩種類型[10]，針對(duì)不同類型的故障因素，模型所采集的特征數(shù)據(jù)也具有顯著差異性。表1所示為不同輸電線路故障特征。根據(jù)表1可知，輸電線路故障特征項(xiàng)具有多種類型，因此線路內(nèi)的不同監(jiān)測(cè)點(diǎn)在固定時(shí)間內(nèi)需采集、存儲(chǔ)并傳輸海量數(shù)據(jù)，不同類別數(shù)據(jù)內(nèi)的信息具有單一性的特征，不能全面滿足海量數(shù)據(jù)價(jià)值應(yīng)用的需求?？紤]上述問題，需采用科學(xué)的數(shù)據(jù)學(xué)習(xí)方法對(duì)海量輸電線路故障數(shù)據(jù)實(shí)時(shí)處理。

表1 輸電線路故障特征

1.3 故障因子挖掘

考慮到所采集的故障特征數(shù)據(jù)海量性與強(qiáng)關(guān)聯(lián)性等特征[11]，直接進(jìn)行數(shù)據(jù)挖掘較為困難，所以在故障因子挖掘過程中采用粗神經(jīng)網(wǎng)絡(luò)算法挖掘分析已分類的海量數(shù)據(jù)，確定不同類別故障特征間的關(guān)聯(lián)性，分析導(dǎo)致故障的因子。圖2所示為基于粗神經(jīng)網(wǎng)絡(luò)算法的故障因子生成過程。

圖2 故障因子生成過程

故障因子的生成可劃分為3個(gè)環(huán)節(jié)，分別是粗神經(jīng)網(wǎng)絡(luò)構(gòu)建、粗神經(jīng)網(wǎng)絡(luò)訓(xùn)練和故障因子生成。設(shè)定粗神經(jīng)網(wǎng)絡(luò)模型，根據(jù)實(shí)際輸入輸出矩陣設(shè)置模型內(nèi)部結(jié)構(gòu)[12]；為提升網(wǎng)絡(luò)精度與科學(xué)性，通過充分的歷史數(shù)據(jù)訓(xùn)練構(gòu)建粗神經(jīng)網(wǎng)絡(luò)；基于少量?jī)?yōu)質(zhì)數(shù)據(jù)測(cè)試網(wǎng)絡(luò)訓(xùn)練結(jié)果，待網(wǎng)絡(luò)滿足實(shí)際應(yīng)用需求后，利用該網(wǎng)絡(luò)生成故障因子，并利用所生成的故障因子構(gòu)建故障因子庫(kù)。

粗神經(jīng)網(wǎng)絡(luò)內(nèi)輸入層選取粗神經(jīng)元，隱含層與輸出層均選用模糊神經(jīng)元[13]，以此提升神經(jīng)網(wǎng)絡(luò)訓(xùn)練收斂速度與最終輸出結(jié)果的精度。設(shè)n和m分別表示粗神經(jīng)網(wǎng)絡(luò)內(nèi)輸入層神經(jīng)元數(shù)量和隱含層模糊神經(jīng)元數(shù)量，mri表示輸入量xi對(duì)網(wǎng)絡(luò)所識(shí)別目標(biāo)類型的粗糙隸屬度，同時(shí)也是輸入層第i個(gè)粗神經(jīng)元的輸出，j表示隱含層神經(jīng)元，對(duì)應(yīng)的隱含層與輸入層神經(jīng)元間連接權(quán)值分別為zij和wij(i=1,2,…,m)。以輸入層神經(jīng)元的輸出作為隱含層j節(jié)點(diǎn)的輸入與其連接權(quán)值，輸出dj的計(jì)算公式為

(1)

式中：u和s均表示算子；→表示連接算子。同時(shí)有

(2)

(zij→mri)swij=(zij→mri)+wij-(zij→mri)wij

(3)

輸出層內(nèi)模糊神經(jīng)元數(shù)量?jī)H為1，設(shè)O為其輸出，O能夠描述輸入特征向量屬于此粗神經(jīng)網(wǎng)絡(luò)分類識(shí)別類型的信息：

(4)

式中：qj為第j個(gè)隱含層神經(jīng)元至輸出神經(jīng)元的連接權(quán)值。

粗神經(jīng)網(wǎng)絡(luò)在訓(xùn)練學(xué)習(xí)過程中選取反向傳播算法調(diào)整各連接權(quán)值[14]。

(5)

式中：e和y分別為網(wǎng)絡(luò)輸出誤差與期望輸出。

根據(jù)式(5)能夠?qū)定義為一個(gè)與連接權(quán)值相關(guān)的函數(shù)F，通過式(6)實(shí)現(xiàn)不同連接權(quán)值優(yōu)化：

(6)

式中：α和u分別為學(xué)習(xí)效率和迭代次數(shù)。

針對(duì)所挖掘出的故障因子，利用樸素貝葉斯算法計(jì)算故障因子發(fā)生指數(shù)，結(jié)合時(shí)間序列一致性的故障匹配算法完成輸電線路故障預(yù)警。

1.4 基于時(shí)間序列一致性的故障匹配

由于輸電線路在運(yùn)行過程中，故障產(chǎn)生前與產(chǎn)生后的關(guān)聯(lián)特征量發(fā)展存在時(shí)序特征，因此在故障預(yù)警步驟中選用基于時(shí)間序列一致性的故障匹配算法。將時(shí)間序列理解為目標(biāo)線路電氣量記錄值與時(shí)間節(jié)點(diǎn)通過構(gòu)建的元素有序集合X，具體為X={x1=(v1,u1),x2=(v2,u2),…,xn(vn,un)}，其中xi=(vi,ui)表示時(shí)間序列在ui時(shí)刻的信息為vi，時(shí)間節(jié)點(diǎn)同故障順序間具有一致性，即i≤j?ui≤uj,i,j∈(1,2,…,n)。依據(jù)編輯距離確定時(shí)間序列的一致性，兩者之間呈反比例關(guān)系[15]，即距離越大，兩個(gè)時(shí)間序列的一致性就越低。在確定兩個(gè)事件形成的時(shí)間序列間的距離時(shí)，對(duì)比實(shí)時(shí)時(shí)間形成序列Q與標(biāo)準(zhǔn)序列Y，Q={q1,q2,…,qm}，Y={y1,y2,…,yn}，其中qi,yi分別為序列Q和標(biāo)準(zhǔn)序列Y第i項(xiàng)的序列點(diǎn)。Bi,j表示兩個(gè)距離間的編輯距離，其可通過式(7)由B0,0遞歸確定：

(7)

式中：在qi∈yi的條件下，L(qi,yi)值為0；反之L(qi,yi)值為1。同時(shí)，依照歷史數(shù)據(jù)聚類設(shè)定時(shí)間權(quán)重和一致性距離的閾值。Bi,j越大，故障發(fā)生的概率越小。

2 測(cè)試結(jié)果分析

為測(cè)試大數(shù)據(jù)的輸電線路故障預(yù)警效果，以某區(qū)域電網(wǎng)為測(cè)試對(duì)象進(jìn)行測(cè)試，其中數(shù)據(jù)主要包括智能變電站的數(shù)據(jù)、實(shí)施監(jiān)測(cè)的系統(tǒng)數(shù)據(jù)、互聯(lián)網(wǎng)遙測(cè)數(shù)據(jù)、全部電流支路波形數(shù)據(jù)以及氣象局?jǐn)?shù)據(jù)等。

2.1 預(yù)警結(jié)果

對(duì)采集的樣本數(shù)據(jù)進(jìn)行故障特征分析，利用粗神經(jīng)網(wǎng)絡(luò)挖掘所采集數(shù)據(jù)，構(gòu)建故障因子庫(kù)。以雷擊故障為例，本文模型的故障因子挖掘結(jié)果如圖3所示。從圖3可知，本文模型能夠?qū)?shù)據(jù)中的故障因子進(jìn)行準(zhǔn)確挖掘。

圖3 故障因子挖掘所得結(jié)果

本文模型所得輸電線路故障產(chǎn)生的時(shí)序特征如圖4所示?；诟黝惞收弦蜃油诰蛩媒Y(jié)果以及不同故障產(chǎn)生的時(shí)序特征，利用本文模型進(jìn)行故障預(yù)警，并將本文模型所得預(yù)警結(jié)果與實(shí)際情況進(jìn)行對(duì)比，結(jié)果見表2。分析表2可知，采用本文模型能有效預(yù)警測(cè)試對(duì)象輸電線路故障，由此能充分說(shuō)明本文模型在實(shí)際應(yīng)用環(huán)境中的可行性。

表2 預(yù)警結(jié)果

圖4 輸電線路故障時(shí)序特征

2.2 故障分類驗(yàn)證

圖5為本文模型在不同故障工況下的故障分類結(jié)果。分析圖5可知，在不同故障工況下采用本文模型對(duì)測(cè)試對(duì)象的輸電線路進(jìn)行故障分類時(shí)，故障相角、故障位置與過渡電阻對(duì)于分類精度基本不產(chǎn)生作用。分析不同工況下的誤判樣本可知，本文模型在故障分類過程中僅在線路末端形成高阻故障的情況下才會(huì)出現(xiàn)誤判。以上實(shí)驗(yàn)結(jié)果充分說(shuō)明本文模型能準(zhǔn)確進(jìn)行輸電線路故障分類，并且提升故障預(yù)警精度。

圖5 不同故障工況下的故障分類結(jié)果

3 結(jié)束語(yǔ)

本文設(shè)計(jì)了基于大數(shù)據(jù)的輸電線路故障預(yù)警模型，通過海量信息采集與處理、故障因子挖掘、時(shí)間序列一致性匹配等步驟實(shí)現(xiàn)輸電線路故障預(yù)警。測(cè)試結(jié)果顯示，本文模型能有效挖掘故障因子，準(zhǔn)確進(jìn)行輸電線路故障分類，實(shí)現(xiàn)高精度故障預(yù)警。