周丹陽(yáng)，黃曉燕

（國(guó)網(wǎng)浙江省電力有限公司臺(tái)州供電公司，浙江 臺(tái)州 318000）

0 引言

配電網(wǎng)作為連接大電網(wǎng)和用戶的樞紐，在電力系統(tǒng)中起著至關(guān)重要的作用。近年來(lái)極端天氣頻發(fā)［1］，不僅對(duì)社會(huì)生產(chǎn)生活造成了嚴(yán)重的負(fù)面影響，也威脅著配電網(wǎng)的安全穩(wěn)定運(yùn)行。因此，極端天氣下的配電網(wǎng)運(yùn)行與維護(hù)問(wèn)題逐漸凸顯。在極端天氣來(lái)臨之前，如果能夠主動(dòng)識(shí)別配電網(wǎng)的薄弱環(huán)節(jié)［2-3］，科學(xué)合理地安排針對(duì)性檢修［4-5］，不僅能夠提高配電網(wǎng)抵御極端天氣災(zāi)害的能力，也對(duì)縮小停電范圍、提升運(yùn)維檢修效率和經(jīng)濟(jì)性有著重大意義。

因此，文獻(xiàn)［6］建立了基于典型故障與環(huán)境場(chǎng)景關(guān)聯(lián)識(shí)別的配電網(wǎng)運(yùn)行風(fēng)險(xiǎn)預(yù)警算法，能夠針對(duì)各種故障場(chǎng)景下的配電網(wǎng)運(yùn)行風(fēng)險(xiǎn)提出預(yù)警。文獻(xiàn)［7］提出了一種計(jì)及天氣因素的配電網(wǎng)故障特征選擇和故障停電風(fēng)險(xiǎn)等級(jí)預(yù)測(cè)方法，采用改進(jìn)的C4.5 決策樹(shù)算法對(duì)配電網(wǎng)故障風(fēng)險(xiǎn)等級(jí)進(jìn)行預(yù)測(cè)，挖掘出了故障停電風(fēng)險(xiǎn)等級(jí)與天氣因素之間的關(guān)聯(lián)關(guān)系。文獻(xiàn)［8］針對(duì)雷擊天氣建立了基于BP（反向傳播）神經(jīng)網(wǎng)絡(luò)的輸電線路雷擊故障預(yù)測(cè)方法，能夠準(zhǔn)確預(yù)測(cè)80%的雷擊故障。

上述方法雖然能夠有效辨識(shí)并預(yù)警電網(wǎng)常規(guī)氣象影響下的故障，但是對(duì)于極端自然災(zāi)害場(chǎng)景下的故障預(yù)警尚缺乏針對(duì)性及系統(tǒng)性的研究。因此，文獻(xiàn)［9］考慮了多種類(lèi)型極端天氣，并結(jié)合負(fù)荷與拓?fù)涞闹匾葘?duì)輸電網(wǎng)中的關(guān)鍵元件進(jìn)行辨識(shí)和彈性提升，以此抑制故障連鎖發(fā)展并提升輸電系統(tǒng)的彈性能力；該工作雖然能夠一定程度提升系統(tǒng)的災(zāi)害抵御能力，但是仍然沒(méi)有實(shí)現(xiàn)電網(wǎng)多維數(shù)據(jù)關(guān)聯(lián)性的深度挖掘，且難以直接應(yīng)用在配電網(wǎng)中。文獻(xiàn)［10］根據(jù)氣象數(shù)據(jù)，結(jié)合環(huán)境與地形地貌信息，實(shí)現(xiàn)了臺(tái)風(fēng)和暴雨的時(shí)空演變趨勢(shì)預(yù)測(cè)，并且可以根據(jù)地理特征修正預(yù)測(cè)結(jié)果，提升了停電防御系統(tǒng)對(duì)臺(tái)風(fēng)與暴雨災(zāi)害的預(yù)警決策支持能力。文獻(xiàn)［11］基于大數(shù)據(jù)技術(shù)，通過(guò)關(guān)聯(lián)規(guī)則算法挖掘氣象數(shù)據(jù)與故障之間的關(guān)系，可在特定條件下有效提供配電網(wǎng)的故障預(yù)報(bào)?？梢?jiàn)，雖然目前極端天氣下配電網(wǎng)的故障主動(dòng)防御已經(jīng)有了一定的初步成果，但仍需進(jìn)一步深入研究。

由于大數(shù)據(jù)［12-13］和深度學(xué)習(xí)［14］等技術(shù)可以高效處理海量多維數(shù)據(jù)，近年來(lái)在配電網(wǎng)中得到了大量運(yùn)用［15］。針對(duì)上述問(wèn)題，本文提出基于RF（隨機(jī)森林）［16-17］和LSTM（長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)）［18］的配電網(wǎng)饋線薄弱環(huán)節(jié)識(shí)別方法。首先選取饋線歷史故障時(shí)設(shè)備、運(yùn)行和氣象因素進(jìn)行主成分分析，得到與故障相關(guān)的特征變量，并建立基于RFLSTM 的故障預(yù)測(cè)模型；其次將大量的歷史故障數(shù)據(jù)進(jìn)行預(yù)測(cè)模型訓(xùn)練，得到饋線的故障概率預(yù)測(cè)模型；接著，以臺(tái)風(fēng)、雷暴和城市內(nèi)澇作為區(qū)域極端天氣場(chǎng)景，進(jìn)行時(shí)間跨度為極端天氣來(lái)臨前一周的故障預(yù)測(cè)，得到基于歷史潮流數(shù)據(jù)和極端氣象預(yù)報(bào)數(shù)據(jù)下的饋線故障概率；最后通過(guò)故障概率為配電網(wǎng)饋線劃分薄弱等級(jí)，實(shí)現(xiàn)極端天氣下配電網(wǎng)饋線薄弱環(huán)節(jié)辨識(shí)，從而為極端天氣下的配電網(wǎng)主動(dòng)運(yùn)維提供有針對(duì)性的決策支持。

1 基于RF的故障預(yù)測(cè)算法

由于構(gòu)建單棵決策樹(shù)對(duì)訓(xùn)練數(shù)據(jù)有非常嚴(yán)重的依賴(lài)性，很容易產(chǎn)生過(guò)擬合，進(jìn)而降低準(zhǔn)確率。因此，RF算法把決策樹(shù)算法作為基分類(lèi)器來(lái)進(jìn)行集成學(xué)習(xí)［19］。RF首先采用繼承學(xué)習(xí)的模式，利用極端天氣場(chǎng)景下的配電網(wǎng)饋線故障數(shù)據(jù)訓(xùn)練樣本，建立了多棵決策樹(shù)，然后對(duì)多棵決策樹(shù)的結(jié)果進(jìn)行綜合投票，以確定極端場(chǎng)景下配電網(wǎng)饋線故障概率的預(yù)測(cè)結(jié)果。

1.1 極端天氣下故障影響因素

極端天氣對(duì)配電網(wǎng)的影響大多集中在對(duì)配電網(wǎng)饋線的直接破壞及其所引發(fā)的次生災(zāi)害所造成的故障。本文根據(jù)浙江某地區(qū)實(shí)際情況，考慮臺(tái)風(fēng)、雷暴和城市內(nèi)澇災(zāi)害3種極端天氣場(chǎng)景。

對(duì)于臺(tái)風(fēng)災(zāi)害來(lái)說(shuō)，首先在氣象方面，臺(tái)風(fēng)的風(fēng)力強(qiáng)度、持續(xù)時(shí)長(zhǎng)是決定受災(zāi)程度的重要指標(biāo)［20］；其次，配電網(wǎng)饋線的地理位置和臺(tái)風(fēng)的路徑?jīng)Q定網(wǎng)架受臺(tái)風(fēng)影響的程度。此外，由臺(tái)風(fēng)造成的次生災(zāi)害，如短時(shí)強(qiáng)降雨、山體滑坡和城市內(nèi)澇等，也是決定配電網(wǎng)受臺(tái)風(fēng)影響程度的因素之一。在網(wǎng)架線路方面，臺(tái)風(fēng)影響范圍內(nèi)的網(wǎng)架設(shè)備所處的環(huán)境、線路檔距和自身健康程度（如運(yùn)行年限和歷史故障數(shù)）等因素決定著設(shè)備在極端天氣下抵御故障的能力。在電網(wǎng)運(yùn)行方面，受極端天氣影響的主要因素為設(shè)備運(yùn)維頻率和運(yùn)維程度、運(yùn)行負(fù)荷程度和架空線電纜的比例等。

對(duì)于雷暴災(zāi)害來(lái)說(shuō)，其故障風(fēng)險(xiǎn)除了線路年限、絕緣配置等設(shè)備因素和運(yùn)行因素外，主要由雷擊風(fēng)險(xiǎn)和過(guò)電壓閃絡(luò)風(fēng)險(xiǎn)構(gòu)成。雷擊風(fēng)險(xiǎn)主要取決于架空線路桿塔地理位置、地線接地程度和地閃密度等。過(guò)電壓閃絡(luò)主要通過(guò)雷電流幅值概率度、桿塔檔距和土壤電阻率進(jìn)行計(jì)算。由于配電網(wǎng)線路桿塔分布較為密集，通常土壤電阻率和地閃密度選取區(qū)域土壤電阻率和區(qū)域地閃密度。

對(duì)于城市內(nèi)澇來(lái)說(shuō)，其對(duì)配電網(wǎng)饋線的影響主要集中于地下電纜，以及分布在地下空間或城市低洼地帶的變電、配電設(shè)備。一旦發(fā)生城市內(nèi)澇，設(shè)備進(jìn)水或地下電纜絕緣損壞進(jìn)水將導(dǎo)致短路發(fā)生，引發(fā)故障和停電事故。電力電纜的絕緣健康程度主要受其運(yùn)行負(fù)荷程度、敷設(shè)環(huán)境、運(yùn)行年限和絕緣測(cè)試參數(shù)等因素影響，本文主要考慮電纜的運(yùn)行年限和絕緣性能參數(shù)等，并通過(guò)線性評(píng)分機(jī)制進(jìn)行綜合評(píng)定，絕緣性能線性評(píng)分f如公式（1）所示。

式中：R為當(dāng)前絕緣測(cè)試阻值；RL為上次測(cè)量值。

由式（1）可知，當(dāng)絕緣阻值超過(guò)600 MΩ 或大于0.9RL時(shí)評(píng)分為1，絕緣阻值低于0.7RL時(shí)，絕緣性能不合格，評(píng)分為0。

因此，城市配電網(wǎng)設(shè)備所處地理位置的內(nèi)澇風(fēng)險(xiǎn)指數(shù)、設(shè)備絕緣健康程度和防水等級(jí)共同決定其遭受城市內(nèi)澇的故障概率。

1.2 故障特征變量和樣本集

在構(gòu)建RF故障預(yù)測(cè)模型之前，在上述影響因素和歷史運(yùn)行故障數(shù)據(jù)的基礎(chǔ)上，采用層次分析法［21］提取故障特征變量，得到3 種極端天氣場(chǎng)景下的3 類(lèi)影響因素（設(shè)備、運(yùn)行和氣象）的13 個(gè)故障特征變量，具體如表1所示。

表1 極端天氣下故障相關(guān)特征變量

本文以浙江省某地電網(wǎng)2020年1月—2021年8月共計(jì)184條10 kV饋線的歷史運(yùn)行、網(wǎng)架和故障信息等數(shù)據(jù)為基礎(chǔ)，結(jié)合該時(shí)段的歷史氣象數(shù)據(jù)，選取100條數(shù)據(jù)完整有效的饋線作為網(wǎng)架饋線薄弱環(huán)節(jié)的識(shí)別對(duì)象。由307條故障樣本和35 493條正常樣本組成了樣本數(shù)據(jù)集θ={Ei|i=1，2，...，N}。每個(gè)樣本Ei包含了一組特征向量Xi，以及與之對(duì)應(yīng)的故障概率Ri，可表示為：

式中：特征向量Xi包括設(shè)備因素Si、運(yùn)行因素Yi和氣象因素Wi3類(lèi)，具體特征變量如表1所示。

樣本數(shù)據(jù)中的有功功率、氣溫和風(fēng)力每間隔0.5 h 采集一次，并取其平均值作為單日數(shù)據(jù)，單個(gè)樣本數(shù)據(jù)時(shí)間跨度為一周，其余特征變量均為周累計(jì)量。

1.3 單條饋線RF故障預(yù)測(cè)模型

首先，采用Bootstrap 重抽樣方法［17］隨機(jī)從先驗(yàn)樣本集θ中有放回地抽取n(n

圖1 RF故障預(yù)測(cè)算法流程

由于實(shí)際運(yùn)行過(guò)程中饋線的故障頻率較低，單條饋線一周故障數(shù)均不超過(guò)1 次，因此以0～1的概率數(shù)作為周饋線故障發(fā)生概率預(yù)測(cè)的結(jié)果指標(biāo)。預(yù)測(cè)結(jié)果的數(shù)值越接近1，說(shuō)明饋線發(fā)生故障的概率越大；反之，數(shù)值越接近0，則表示饋線發(fā)生故障的概率越小。

2 RF-LSTM薄弱環(huán)節(jié)識(shí)別算法

2.1 LSTM算法原理

LSTM 神經(jīng)網(wǎng)絡(luò)是一種深度學(xué)習(xí)方法，在RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）的基礎(chǔ)上，通過(guò)增加輸入、遺忘和輸出門(mén)限，改變自循環(huán)的權(quán)重，使其在模型參數(shù)固定時(shí)能夠通過(guò)動(dòng)態(tài)改變不同時(shí)刻的積分尺度，有效避免RNN容易出現(xiàn)的梯度消亡和膨脹問(wèn)題［22］。利用這一特性，本文將LSTM 用于配電網(wǎng)電壓和功率的短期預(yù)測(cè)，并將預(yù)測(cè)結(jié)果作為RF故障預(yù)測(cè)模型的輸入，以此提高預(yù)測(cè)的精度和可靠性。模型結(jié)構(gòu)如圖2所示，LSTM模型包括3個(gè)輸入，分別為細(xì)胞狀態(tài)Ct-1、隱層狀態(tài)ht-1和t時(shí)刻輸入向量xt；2個(gè)輸出分別為細(xì)胞狀態(tài)Ct和隱層狀態(tài)ht，且ht同時(shí)也是t時(shí)刻的輸出。此外，δ和tanh 為激活函數(shù)，分別表示輸出為0～1 的sigmoid函數(shù)和輸出在-1～1 的雙曲正切函數(shù)；符號(hào)?和⊕則分別表示輸入向量之間的乘積和相加算子。

圖2 LSTM模型結(jié)構(gòu)

遺忘門(mén)首先將讀取隱層狀態(tài)ht-1和t時(shí)刻輸入向量xt，然后通過(guò)一個(gè)sigmoid 激活函數(shù)向每個(gè)在細(xì)胞狀態(tài)Ct-1中的數(shù)字輸出一個(gè)在0～1 的數(shù)值，其中1表示“完全保留”，0表示“完全舍棄”：

式中：bf為遺忘門(mén)的常量向量；Wf為遺忘矩陣。

輸入門(mén)將決定新的信息加入到細(xì)胞狀態(tài)Ct中的數(shù)量，包括兩個(gè)步驟。首先，通過(guò)一個(gè)tanh 激活函數(shù)來(lái)創(chuàng)建一個(gè)新的候選狀態(tài)量將內(nèi)容歸一化到[-1，1]；其次，通過(guò)一個(gè)sigmoid激活函數(shù)決定需要更新的信息；最后，當(dāng)前細(xì)胞狀態(tài)Ct由前一時(shí)刻的細(xì)胞狀態(tài)Ct-1和新的候選狀態(tài)量共同決定：

式中：bi和bc分別為輸入門(mén)和候選狀態(tài)量的常量向量；Wi和Wc分別為輸入矩陣和候選狀態(tài)量矩陣。

輸出門(mén)將決定t時(shí)刻的輸出，更新后的當(dāng)前細(xì)胞狀態(tài)Ct將通過(guò)tanh 激活函數(shù)進(jìn)行[-1，1]的變換，并與sigmoid 門(mén)輸出的ot值相乘得到最終輸出ht：

式中：ot為t時(shí)刻的輸出系數(shù)；Wo為輸出矩陣；bo為輸出門(mén)的常量向量。

2.2 RF-LSTM組合預(yù)測(cè)模型

為了解決傳統(tǒng)RF故障預(yù)測(cè)模型輸入?yún)?shù)中短期有功功率和電壓的精度問(wèn)題，本文提出一種RF-LSTM 組合故障預(yù)測(cè)模型，其結(jié)構(gòu)如圖3 所示。通過(guò)LSTM 神經(jīng)網(wǎng)絡(luò)對(duì)歷史潮流數(shù)據(jù)進(jìn)行學(xué)習(xí)來(lái)預(yù)測(cè)配電網(wǎng)短期的電壓和有功功率，從而提高極端天氣下短期故障預(yù)測(cè)的精度和可靠性。

圖3 RF-LSTM組合預(yù)測(cè)模型結(jié)構(gòu)

本文所提RF-LSTM 算法的具體流程如圖4所示，其中包含5個(gè)步驟。

圖4 RF-LSTM算法流程

步驟1：對(duì)極端天氣下導(dǎo)致配電網(wǎng)故障的氣象、運(yùn)行因素和設(shè)備參數(shù)等多維數(shù)據(jù)進(jìn)行分析，提取其中的特征變量，建立特征變量庫(kù)。

步驟2：建立基于RF 算法的單條饋線故障預(yù)測(cè)模型，將歷史配電網(wǎng)運(yùn)行數(shù)據(jù)、氣象、網(wǎng)架和地理信息數(shù)據(jù)構(gòu)建的樣本分為訓(xùn)練集（數(shù)據(jù)占比70%）和測(cè)試集（數(shù)據(jù)占比30%）對(duì)模型進(jìn)行訓(xùn)練和驗(yàn)證。

步驟3：在極端天氣來(lái)臨前的一周，基于歷史配電網(wǎng)運(yùn)行潮流數(shù)據(jù)，采用LSTM 算法進(jìn)行短時(shí)的有功功率和電壓等潮流預(yù)測(cè)，并將預(yù)測(cè)數(shù)據(jù)作為初始參數(shù)輸入到RF故障預(yù)測(cè)模型中。

步驟4：根據(jù)氣象預(yù)報(bào)數(shù)據(jù)，在極端天氣來(lái)臨前一周，結(jié)合LSTM 預(yù)測(cè)得到的潮流數(shù)據(jù)以及現(xiàn)有饋線數(shù)據(jù)作為RF-LSTM 組合預(yù)測(cè)模型的初始參數(shù)，預(yù)測(cè)出饋線在極端天氣下的故障概率。

步驟5：將饋線的故障概率進(jìn)行統(tǒng)計(jì)并劃分薄弱等級(jí)，進(jìn)一步為極端天氣前的主動(dòng)運(yùn)維工作提供預(yù)測(cè)數(shù)據(jù)支撐。在實(shí)現(xiàn)有針對(duì)性的主動(dòng)運(yùn)維的同時(shí)，提高電網(wǎng)應(yīng)對(duì)極端天氣的能力，降低災(zāi)后高負(fù)荷下的運(yùn)維壓力。

3 仿真實(shí)驗(yàn)

以浙江省某地電網(wǎng)2020 年1 月—2021 年8 月配電網(wǎng)的運(yùn)行數(shù)據(jù)作為樣本，對(duì)RF-LSTM 故障預(yù)測(cè)模型進(jìn)行訓(xùn)練。以2021 年7 月28 日的極端天氣（以臺(tái)風(fēng)為例）作為預(yù)測(cè)算例，假設(shè)故障前一周（即2021 年7 月21 日）氣象部門(mén)預(yù)測(cè)到極端天氣，并開(kāi)始對(duì)區(qū)域內(nèi)配電網(wǎng)的100條10 kV饋線進(jìn)行薄弱等級(jí)劃分。

3.1 數(shù)據(jù)預(yù)處理

整理和匯總預(yù)測(cè)模型訓(xùn)練所需要的各類(lèi)數(shù)據(jù)，統(tǒng)計(jì)得到浙江省某地電網(wǎng)轄區(qū)內(nèi)8所變電站近一年的電壓波動(dòng)情況，如圖5 所示。從圖5 可以看出，電壓幅值變化較大的月份集中在年初（12月—次年2 月）和年中（6—9 月），分別對(duì)應(yīng)寒冬和盛夏兩個(gè)季節(jié)，期間用戶的采暖和制冷負(fù)荷升高，容易導(dǎo)致電壓不穩(wěn)定。此外，夏季極端天氣頻發(fā)也是導(dǎo)致電壓波動(dòng)的主要因素之一。

圖5 歷史電壓波動(dòng)情況

此外，統(tǒng)計(jì)截至2021 年6 月底，轄區(qū)內(nèi)現(xiàn)有線路架空線-電纜比，如表2 所示。從表2 可知，架空線長(zhǎng)度占線路總長(zhǎng)度的22.279%。經(jīng)過(guò)3條線路的電纜化改造，架空線比例為23.331%，相較于2020年初降低了1.052%，電纜化程度較高，但仍有一部分線路為戶外架空線。這些戶外架空線大多離海岸線較近且地勢(shì)平坦空曠，極易受臺(tái)風(fēng)影響，故障風(fēng)險(xiǎn)較高。

表2 現(xiàn)有線路架空線-電纜比

本文所提方法為組合模型，且不同影響因素具有不同的計(jì)量單位?？紤]到量綱和量級(jí)的差異，在構(gòu)建模型的訓(xùn)練集之前需要對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，并將所有輸入的數(shù)據(jù)通過(guò)歸一化方程進(jìn)行［0，1］之間的尺度變換：

式中：(k)表示特征變量k的第i個(gè)數(shù)據(jù)經(jīng)過(guò)變換后的結(jié)果，i=0，1，…，N，k=1，2，…，M，N為數(shù)據(jù)樣本總數(shù)，M為特征變量類(lèi)型總數(shù)。

3.2 模型訓(xùn)練

經(jīng)過(guò)數(shù)據(jù)預(yù)處理后，將得到的訓(xùn)練樣本數(shù)據(jù)集輸入Weka 3.8 平臺(tái)，采用RF-LSTM 算法建立預(yù)測(cè)模型，并對(duì)模型進(jìn)行準(zhǔn)確性測(cè)試。本文選用Weka 3.8平臺(tái)中的SVM（支持向量機(jī)）、DT（決策表）、RT（隨機(jī)決策樹(shù)）和GBDT（梯度下降分類(lèi)樹(shù)）4 種數(shù)據(jù)挖掘技術(shù)的主流算法。通過(guò)本文的樣本數(shù)據(jù)集來(lái)進(jìn)行預(yù)測(cè)模型準(zhǔn)確性對(duì)比測(cè)試，本文提出的基于RF—LSTM 算法的故障預(yù)測(cè)模型準(zhǔn)確率為97.97%，高于其他算法，同時(shí)其RAE 和MAE 分別為6.439 2%和0.001 1，也均低于對(duì)比算法。結(jié)果表明該算法具有較高的精確性和較低的預(yù)測(cè)誤差，具體數(shù)據(jù)如表3 所示。其中RAE 表示N次實(shí)驗(yàn)的絕對(duì)誤差求和；MAE表示N次實(shí)驗(yàn)的絕對(duì)誤差的均值，此值越小則實(shí)驗(yàn)結(jié)果越準(zhǔn)確。

表3 多種訓(xùn)練模型準(zhǔn)確性對(duì)比

3.3 薄弱環(huán)節(jié)識(shí)別

預(yù)測(cè)模型經(jīng)訓(xùn)練和驗(yàn)證之后，分別選取2021年7月28日的臺(tái)風(fēng)天氣、2021年4月2日的極端雷暴天氣和2021 年7 月28 日的城市內(nèi)澇災(zāi)害作為算例，對(duì)配電網(wǎng)饋線進(jìn)行薄弱環(huán)節(jié)識(shí)別。

以極端天氣發(fā)生前一周為時(shí)間基準(zhǔn)，首先根據(jù)RF—LSTM 模型進(jìn)行負(fù)荷預(yù)測(cè)，將得到的結(jié)果與天氣預(yù)報(bào)信息，以及現(xiàn)有的饋線信息一同作為初始數(shù)據(jù)，對(duì)當(dāng)?shù)厮牭?00條饋線進(jìn)行臺(tái)風(fēng)天氣下的配電網(wǎng)饋線故障概率預(yù)測(cè)。將故障預(yù)測(cè)的結(jié)果進(jìn)行統(tǒng)計(jì)，并按照不同的故障概率進(jìn)行薄弱等級(jí)劃分，劃分標(biāo)準(zhǔn)如表4所示。將得到的故障等級(jí)分為1/2/3級(jí)，對(duì)應(yīng)的故障概率依次為0～0.3/0.3～0.7/0.7～1。

表4 饋線薄弱等級(jí)劃分

接著，對(duì)故障等級(jí)進(jìn)行薄弱等級(jí)描述，包括穩(wěn)定（表示發(fā)生故障的概率較低）、弱穩(wěn)定（表示有發(fā)生故障的可能性，應(yīng)加強(qiáng)主動(dòng)巡視）和脆弱（表示極有可能發(fā)生故障，需提前安排巡視和檢修，并加強(qiáng)監(jiān)測(cè)）。由于篇幅原因，本文僅展示臺(tái)風(fēng)場(chǎng)景的部分薄弱環(huán)節(jié)識(shí)別結(jié)果，如表5所示。3種極端場(chǎng)景下的饋線薄弱環(huán)節(jié)識(shí)別統(tǒng)計(jì)結(jié)果，則如表6所示。

表5 被判定的弱穩(wěn)定和脆弱等級(jí)的饋線統(tǒng)計(jì)

表6 RF-LSTM饋線薄弱環(huán)節(jié)識(shí)別結(jié)果

定義饋線薄弱環(huán)節(jié)識(shí)別準(zhǔn)確率η=SpSt，其中Sp表示薄弱等級(jí)識(shí)別準(zhǔn)確的饋線條數(shù)，St表示饋線總數(shù)。本文所進(jìn)行的算例驗(yàn)證為對(duì)極端天氣下的饋線薄弱環(huán)節(jié)進(jìn)行識(shí)別，以實(shí)際饋線是否發(fā)生故障進(jìn)行反向驗(yàn)證，得出饋線薄弱環(huán)節(jié)識(shí)別準(zhǔn)確率。由于實(shí)際運(yùn)行時(shí)饋線狀態(tài)只有故障或未故障，因此將實(shí)際故障的饋線定義為脆弱等級(jí)，未發(fā)生故障且預(yù)測(cè)故障概率小于0.3的定義為穩(wěn)定等級(jí)，未發(fā)生故障且預(yù)測(cè)故障概率為0.3～0.7的定義為弱穩(wěn)定等級(jí)。最后，將預(yù)測(cè)結(jié)果與實(shí)際結(jié)果相同的定義為薄弱環(huán)節(jié)識(shí)別準(zhǔn)確饋線，并除以饋線總數(shù)得到饋線薄弱環(huán)節(jié)識(shí)別準(zhǔn)確率。由于篇幅原因，表5 僅列出被判定為弱穩(wěn)定和脆弱等級(jí)的饋線。根據(jù)表5 和表6 的數(shù)據(jù)統(tǒng)計(jì)，在臺(tái)風(fēng)場(chǎng)景下，100條饋線中，被識(shí)別為穩(wěn)定等級(jí)的饋線有76條；被識(shí)別為弱穩(wěn)定等級(jí)的饋線有20 條；被識(shí)別為脆弱等級(jí)的饋線有4 條，分別為P033 線、P346 線、P168線和P181線。2021年7月22—28日這一周的實(shí)際氣象數(shù)據(jù)和運(yùn)行記錄顯示，期間短時(shí)風(fēng)力達(dá)到9級(jí)以上，造成3條饋線發(fā)生故障和一定程度的停電，分別為P346 線、P168 線和P181 線。由于其中一條弱穩(wěn)定的饋線P033線被誤判為脆弱，因此識(shí)別準(zhǔn)確的饋線總數(shù)為99條。

同理，在雷暴場(chǎng)景下，實(shí)際故障饋線有3 條，100條饋線中被識(shí)別為穩(wěn)定、弱穩(wěn)定和脆弱等級(jí)的饋線分別有63、32 和5 條，識(shí)別準(zhǔn)確98 條。在城市內(nèi)澇場(chǎng)景下，實(shí)際故障饋線有1條，100條饋線中被識(shí)別為穩(wěn)定、弱穩(wěn)定和脆弱等級(jí)的饋線分別有78、19和3條，識(shí)別準(zhǔn)確98條。

經(jīng)計(jì)算，在3種極端場(chǎng)景下對(duì)線路薄弱環(huán)節(jié)的綜合識(shí)別準(zhǔn)確率分別為99%、98%和98%，同時(shí)，對(duì)發(fā)生故障的薄弱等級(jí)線路均識(shí)別成功，并且對(duì)于發(fā)生故障的線路薄弱環(huán)節(jié)識(shí)別沒(méi)有出現(xiàn)遺漏現(xiàn)象。因此，在實(shí)際工程中應(yīng)用該方法可以降低因?yàn)?zāi)致?lián)p的概率，提升災(zāi)前主動(dòng)運(yùn)維能力。

4 結(jié)語(yǔ)

本文所提出的基于RF-LSTM 配電網(wǎng)薄弱環(huán)節(jié)識(shí)別方法，能夠在極端天氣來(lái)臨之前，對(duì)配電網(wǎng)饋線的薄弱環(huán)節(jié)進(jìn)行主動(dòng)識(shí)別，并為主動(dòng)運(yùn)維計(jì)劃的定制提供依據(jù)，該方法具有以下特點(diǎn)：

1）針對(duì)RF算法初始參數(shù)中負(fù)荷數(shù)據(jù)的不準(zhǔn)確問(wèn)題，提出基于LSTM 算法的短期潮流預(yù)測(cè)，提高了初始參數(shù)的精確性，提升了故障預(yù)測(cè)模型的精確度。

2）在極端天氣來(lái)臨前，通過(guò)對(duì)配電網(wǎng)饋線的故障概率預(yù)測(cè)，識(shí)別配電網(wǎng)饋線的薄弱環(huán)節(jié)，并且將預(yù)測(cè)結(jié)果作為主動(dòng)運(yùn)維檢修故障的參考，在一定程度上能夠降低故障發(fā)生的概率，同時(shí)提高了配電網(wǎng)抵御極端災(zāi)害的能力和可靠性。