配电系统故障统计数据多维分析实用方法

高海霞，张永伍，白 洋，罗凤章，李登武，赵明欣

（1.国网天津滨海供电分公司，天津300045；2.国网天津市电力公司，天津300010；3.天津大学智能电网教育部重点实验室，天津300072；4.天津天大求实电力新技术股份有限公司，天津300384；5.中国电力科学研究院，北京100192）

作为电力系统到用户的最后一环，配电系统与用户的关系最为紧密，对系统整体性能和用户供电可靠性的影响也最为直接[1-6]。配电系统的供电可靠性直接关系到用户用电的安全和可靠，关系到供电企业的生存和发展，关系到整个社会和国民经济的发展。如何确保和提高配电系统的供电可靠性，是每一个供电企业都必须关心的重要课题。

目前，可靠性研究在我国电网中的应用大多仍局限于停电事件记录。这些数据记录称为“配电网停电运行数据”，详细描述了停电发生的时间、地点、设备、责任原因、保护动作情况等，是反映电网供电可靠性的基础数据。中国国家电力监管委员会推荐使用的“电力可靠性管理信息系统”中对电网的基础维护数据和运行数据均有记录。实际科研与生产管理中对这些数据记录进行统计计算，以获得各类可靠性指标来直观地了解电网的可靠性水平。可靠性指标包括反映供电连续性的指标、反映故障停电的指标、反映预安排停电的指标，以及反映外部影响的停电指标4 大类，利用该系统可以计算RS-1、RS-3、用户平均停电时间AIHC（average interruption hours of customer）、用户平均停电次数AITC（average interruption times of customer）、故障停电平均持续时间MID-F（mean interruption duration by failure）、架空线路故障停电率RLFI（rate of overhead line failure with interruption）、电缆线路故障停电率RCFI（rate of cable failure with interruption）等22 个指标（指标的定义和计算公式参见文献[1]）。但是各供电公司的职责只是针对已发生的停电事件，按照国家电网公司的规定，生成各统计指标用于相关工作考核，对蕴含大量有用信息的停电运行数据本身却并未加以过多分析，尽管供电公司能够知晓现状电网总体的可靠性水平和停运情况，而电网的基层运维部门在制定线路管理措施时，依然缺乏针对性，存在较大程度的常规性和盲目性，难以得到系统的、具体的指导，而可靠性水平的提高，与基层线路的设备状况和运行维护水平密切相关。现有配电网可靠性的研究中，也多关注于指标的更新[4]、算法的改进[6-7]和故障处理[8-9]等内容，鲜有与具体运维工作相关的内容和成果。国家电监会、国家电网公司每月、每季度、每年都对停电运行数据进行收集统计，从而积累了大量数据，如果能采取一定的手段对这些基础的停电记录数据进行分析，挖掘出限制电网可靠性提高的因素并采取相应的措施，将十分有益于我国电网可靠性的提高。

文献[10]探讨了OLAP 技术在电力企业数据分析中的应用，有鉴于此，本文将近年来广泛用于商业领域的多维分析技术应用到配电网可靠性分析中，通过对停电运行数据的多维分析，可有效发现配电系统中存在的薄弱环节，既可以为配电网的基层运行维护等生产管理工作提供直接指导，也可为各级管理单位提供决策依据。

1 多维分析技术简介

多维分析技术（multi-dimensional analysis）又称联机分析处理OLAP（online analytical processing），是近年来数据库、数据仓库领域的研究重点和热点，由IBM 公司的E.F.Codd 于1993 年提出，同时他还提出了OLAP 产品的12 条评价准则，指明OLAP 具有多维性特征，OLAP 的技术核心是“维”。淡化“联机”的概念后，如今通常用“OLAP”作为“多维分析”的缩写，因此本文也用OLAP 来表示多维分析[7，11-15]。OLAP 是现今最常用的数据仓库系统前端分析技术之一，是一类通过对信息的多种可能的观察形式进行快速、稳定一致和交互性的存取，允许管理决策人员对数据进行深入观察，从而获得对数据的更深入了解的软件技术，它可用于证实人们提出的复杂的假设，其结果是以图形或者表格的形式来表示的对信息的总结。OLAP 技术适用于对海量数据的分析，已经广泛应用于商业领域。停电运行数据从时间、空间、原因等多个维度描述了停电事件发生的各种要素，数量巨大，已经具备了OLAP 的基本应用条件。

多维分析技术的应用过程主要分为两步：首先根据多维数据模型（cube data model for OLAP）理论，建立分析对象的多维模型；然后在多维模型上，依照多维分析公式（cube data algebra for OLAP）的指导，通过逐步进行多维分析操作实现对数据的深层分析挖掘，本文将在后面的章节结合具体的停电运行数据对其进行阐述。

2 停电运行数据多维分析建模

2.1 停电运行数据标准格式

在中压配电网的日常运行中，基层运维部门以单条线路的单次停电为单位逐条记录停电事件，停电运行数据的标准格式如表1 所示。

运用多维数据模型理论分析该标准格式的多维模型结构，多维数据模型由维度集、层次集和度量指标集构成[15]。则停电时间等字段是观察停电事件的维度，并将线路编号、设备名称合并为“停电诱发位置”维，简称停电位置维；保护动作情况等字段属于字符串型的度量指标。为了能对停电运行数据进行统计操作，本文引入一个“停电次数”的度量指标，因为停电运行数据是以单一线路的单次停电为基准的，因此该字段的取值恒为1；此外舍弃送电时间字段，将其与停电时间做差生成一个新的字段“停电时长”，作为另一个量化指标。

表1 停电运行数据标准格式Tab.1 General situation of the standard typesetting for outrage

2.2 完备的停电运行数据的多维模型结构

根据上述的分析与处理得出停电运行数据的星型图，如图1 所示。停电运行数据具备6 个维度，2 个量化指标和3 个字符串型指标，进一步结合参考文献[1]给出的各维度上取值的分类情况来确定各维度上的层次，这样就构成了完备的停电运行数据多维模型。用多维分析公式表示的停电运行数据模式如式（1）所示。限于篇幅，此处只详细列出了其中的3 个维度。

图1 配电网停电运行数据星型图Fig.1 Star graph for distribution network outage operation data

式中：MD 为多模数据模式；D 为维度集，包含若干个维度d；每个d 上又包括若干层，≤表示层之间存在的层级关系（左边低于右边），层次越高其反应数据的综合程度就越高；d.all 层是额外引入的层次，用来选取所有数据，是各维度上最高的层；M为指标集，包含若干个指标。

3 基于多维分析的配网可靠性薄弱环节挖掘流程

在得到停电运行数据的多维模型后，结合实际情况与应用需要，制定如下的配网可靠性薄弱环节挖掘流程：

（1）确定挖掘目标与方向；

（2）对完备的停电运行数据多维模型进行重构；

（3）基于重构的数据模型开展多维综合分析；

（4）根据分析结果提出针对性的建议与对策。

以下结合实际案例分析，对本文介绍的配电网可靠性薄弱环节多维分析流程进行详细阐述。

3.1 确定挖掘目标与方向

多维分析可以从多个角度、多个方向对数据进行信息查询与分析。为了能够快速得到有效的分析结果，配电网可靠性薄弱环节的挖掘需要有明确的切入点和目标。通常可以从目标电网的基本情况、可靠性指标入手以确定对目标电网可靠性薄弱环节进行挖掘的目标和方向。

本案例针对天津市某10 kV 中压电网进行可靠性薄弱环节挖掘。该电网处于一工业功能区，用户以工业用户为主，有一处配套小区，居民用户7 000 个。该功能区正处于发展阶段，用户用电需求有较大的不确定性。区内电源点有3 个，其中110 kV 站2 座，35 kV 站1 座。10 kV 出线共计35条。架空线路的绝缘化率为100%，联络率100%。电缆线路中有7 条无联络，案例电网概况如表2所示。样本电网电压合格率、可靠率、故障次数、故障停电平均持续时间（h/次）等指标数据见表2。

由表2 可见，受故障停电影响，可靠率降低了0.017 8 个百分点，在停电总量中占36.46%，因此有必要对内部故障造成的停电进行具体分析。本案例目的在于帮助配电网基层运维部门发现并制定重点维护对象，因此重点关注内部故障的易发时间、易发位置以及主导因素。

表2 案例电网可靠率指标Tab.2 General situation of reliability index

3.2 停电运行多维数据模型重构

在一个多维度、多层次、具有海量数据的高复杂数据模型上直接进行分析挖掘是低效且困难的，而且在实际应用中，通常的分析也并不会关注到所有的数据、所有的维度、层次和度量指标，因此在进行挖掘分析之前，有必要先根据实际情况和要求对运行数据多维模型进行重构。即对数据进行筛选，对维度集、层次集和度量指标集进行裁剪，只保留该次挖掘分析中关注的部分。

根据上述挖掘目标与方向，本案例在维度上只保留停电时间、停电位置和责任原因，指标只考虑停电次数。OLAP 理论中多维数据通常用一个多维立方体CUBE 来表示[15]。重构后的停电运行数据多维模型恰可以用一个三维数据立方体来表示，如图2 所示。

图2 重构后的停电运行数据多维模型示意Fig.2 Schematic diagram of reconstructed multidimensional model of interruption operation Data

得到重构的停电运行数据立方体模型后，接下来通过执行各类多维分析操作，开展案例电网的可靠性薄弱环节挖掘。

3.3 多维综合分析

3.3.1 多维分析的基本操作

OLAP 系统中，用户一般会有相对稳定的信息需求，因此可以形式化地描述分析结构。一个基本的分析中，被限定于单一元素的维称为分析的选择维，而其他维度称为分析的结果维。在选择维中，分析涉及到的层称为选择粒度层，而结果维中分析涉及到的层次称为结果粒度层。切片（slice）是只具有一个结果维的分析操作，可以将数据在某一个维度上的分布呈现出来；切块（dice）具有至少两个结果维，可以挖掘出这些维度之间存在的联系。切片和切块是最主要的OLAP 操作，此外还有上卷（roll-up）、下钻（drill-down）等操作，通过改变某一维上的观察粒度，实现对数据的深入分析和总体把握[7]。

停电运行数据中蕴含的配电网可靠性薄弱环节信息体现在两方面：停电事件在单个维度上的分布情况反映了单一因素的作用，通过执行切片分析可挖掘；多个维度上综合观察停电事件，可挖掘不同因素之间的相互关联及其对停电事件的共同作用，需要借助切块分析实现。因此在明确了挖掘的目标与方向后，首先可在重构后的多维模型上，沿关心的方向进行单维度上的切片分析。

3.3.2 停电位置轴上切片分析

为了寻找配电网故障易发点，需要从故障位置出发，寻找系统的故障易发线路与设备。为了解每条线路的故障频率，可以线路层为观察粒度，垂直于停电位置轴进行切片分析，如图3 所示。

图3 停电位置轴上切片分析示意Fig.3 Schematic diagram of slicing analysis on interruption position

图4为停电位置轴上切片分析的结果。依据线路故障的严重程度，应将圣21、科32 和圣38 线路列入重点巡视线路名单，缩短巡视周期，细化巡视内容；对于故障原因不明的线路，应逐设备、逐用户、逐段进行巡视，排除线路隐患。

3.3.3 责任原因轴上切片分析

为了挖掘配电网中，故障停电在众多责任原因上的分布情况，需要从原因类别层入手，垂直责任原因轴进行切片分析，如图5 所示。

图4 停电位置轴上切片分析结果Fig.4 Result of slicing analysis on interruption position

图5 责任原因轴上切片分析示意Fig.5 Schematic diagram of slicing analysis on responsible cause

表3 展示了责任原因轴上切片分析的结果。可见，“外力”是导致该电网故障的最主要因素。由于外力类包含多种具体原因，因此进一步对“外力”因素进行下钻分析，将结果粒度层由原因类别细化为具体原因，结果如图6 所示。

表3 责任原因轴上切片分析结果Tab.3 Results of slicing analysis on responsible cause

图6 “外力”原因下钻分析结果Fig.6 Results of drilling down analysis in external factors

下钻分析显示：①“外力”是导致线路故障发生的最主要原因，再通过对“外力”责任原因的细化分析（见图3），由“动物”（主要是鸟害）引发的故障占其中的30%，其次是“异物短路”和“外部施工”，均占到了22.22%；②由“不明/查无原因”引发的故障占总故障数的18.75%。这类故障发生后，运维人员查不到具体的线路停电原因，线路试送良好，停电隐患继续存在。

对此提出相关对策：①运维部门在鸟害多发季节，增加巡视，发现鸟窝及时清除，对于刚刚起搭，甚至是一根稻草，都要及时清理，不能存有侥幸心理。由“异物短路”引起的故障，多发生在大风、大雾、雷雨等恶劣天气下，这就须运维人员克服困难，重视恶劣天气下的特殊性巡视。对于线路沿线的施工，运维人员应注意“多说一句”，提醒施工人员注意架空线和地下电缆的安全。②“不明/查无原因”责任原因，尤其应该引起注意，线路带病“正常运行”，随时有可能再次发生停电故障，除强化相关线路的巡视内容和巡视频率外，还应在条件允许的情况下，提前做线路的预防性试验，挖掘线路的故障隐患。③在线路设备和用户设备的分界点，安装“看门狗”开关，缩短故障下的停电范围。在与用户签订供电协议时，约定用户主动上报己方设备故障、用户设备故障导致线路停电的奖惩措施。用电检查人员要细化验收规范，“盯紧”用户设备的交接试验，保证无“带病设备”投入运行，此外，应针对季节性故障的发生特点，如雷击、鸟害等，逐用户发放相关提示，并加强季节性巡视。

3.3.4 停电时间轴上切片分析

为了开展季节性的重点维护工作，可以月份为结果粒度层进行垂直于停电时间轴的切片分析，如图7 所示。

图7 停电时间轴上切片分析示意Fig.7 Schematic diagram of slicing analysis on interruption time

图8显示了故障在不同月份的发生情况。显然，4—8 月是故障高发期，符合经验中鸟害多发生于4、5 月份，雷击多发生7、8 月份的情况。现场施工和恶劣天气也集中于这个时段。作为运维人员，布置季节性工作需及时、有条理、有针对性。在春季，需密切关注鸟害，清除鸟窝，注意驱鸟器是否齐全，安装是否正确；雨季需注意防雷，注意避雷器和防雷金具是否齐全，安装是否到位。

图8 停电时间轴上切片分析结果Fig.8 Results of slicing analysis on interruption time

3.3.5 停电位置轴与责任原因轴上切块分析

设备是线路停电的直接触发者。明确了该电网中频发故障的责任原因后，为了使运维人员进一步明确需要重点巡视的线路设备，在停电运行数据三维立方体上垂直于责任原因轴与停电位置轴进行切块分析，以具体原因层和设备层作为结果粒度层，如图9 所示。

图9 切块分析示意Fig.9 Schematic diagram of dicing analysis

切块分析的结果需要用如图10 所示的三维图表来表示。分析结果显示：

由“杆塔”触发的故障，主要的诱因是鸟害、交通车辆破坏和外部施工。雷击是导致“柱上避雷器”发生故障的主导。绝缘子是10 kV 架空线路上大量使用的设备，应关注其质量和老化周期。

随着电缆的广泛使用，由电缆头制作工艺不良、缆头质量不佳等原因导致的线路故障正逐年增多，常规的线路巡视难以发现问题。常规的预防性试验周期较长，大多需要停电。有限的停电资源和大量的配电线路，使得运维人员难以依靠试验手段发现电缆的安全隐患。

图10 切块分析结果Fig.10 Result of dicing analysis

对此提出相关对策：①加大资金投入，保证线路设备质量优良；②对电缆线段，尤其是电缆接头，重点巡视和测温，有条件的话，安装在线监测仪器；③恶劣天气下，尤其是大风大雨大雾时，增加特巡，重点巡视电杆和导线。

4 结语

停电运行数据是配电网可靠性分析的重要资源，但由于历史原因，管理制度一直比较薄弱，一直以来没有得到较高的重视，缺乏有效的分析手段。本文通过建立停电运行数据的多维分析模型，对配电网停电记录进行了多维度的汇总分析，较为清晰地分析出配电网运营维护薄弱和关键环节。在案例电网中的实际应用借助沿不同维度、不同细化层次的多维分析，分别挖掘出了故障最重的线路、易发故障类型、故障易发月份以及不同故障责任原因在不同设备上的发生情况，能够有效地指导线路巡视和运行计划的安排。实际应用说明本文提出的配电系统可靠性薄弱环节挖掘实用方法可以有效指导线路巡视和运行计划的安排等工作。

[1]国家电网公司.用户供电可靠性管理工作手册[M].2 版.北京：中国电力出版社出版，2009.

[2]王成山，罗凤章.配电系统综合评价理论与方法[M].北京：清华大学出版社，2012.

[3]蔡泽祥，周全（Cai Zexiang，Zhou Quan）.配网接线方式对供电可靠性影响分析（Influence of distribution system connection modes on power supply reliability）[J]. 电力系统及其自动化学报（Proceedings of the CSU-EPSA），2010，22（4）：85-88，106.

[4]李晓辉，徐晶，李达，等（Li Xiaohui，Xu Jing，Li Da，et al）.基于层次分析的配电网可靠性评估指标体系（Index system of reliability evaluation for distribution network based on analytic hierarchy process）[J].电力系统及其自动化学报（Proceedings of the CSU-EPSA），2009，21（3）：69-74.

[5]卢黎晖，俞志峰，宗琳，等（Lu Lihui，Yu Zhifeng，Zong Lin，et al）.供电企业的可靠性管理及其提高策略（Reliability management and improving strategy of power supply enterprise）[J].电力系统及其自动化学报（Proceedings of the CSU-EPSA），2010，22（2）：152-156.

[6]王秀丽，罗沙，谢绍宇，等（Wang Xiuli，Luo Sha，Xie Shaoyu，et al）.基于最小割集的含环网配电系统可靠性评估（Reliability evaluation of distribution systems with meshed network based on the minimum-cut set）[J]. 电力系统保护与控制（Power System Protection and Control），2011，39（9）：52-58.

[7]Billiton R，Wang P. Reliability network equivalent approach to distribution system reliability evaluation[J].IEE ProceedingsGeneration，TransmissionandDistribution，1998，145（2）：149-153.

[8]张慧芬，潘贞存，桑在中（Zhang Huifen，Pan Zhencun，Sang Zaizhong）.基于注入法的小电流接地系统故障定位新方法（Injecting current based method for fault location in neutral isolated power system）[J]. 电力系统自动化（Automation of Electric Power Systems），2004，28（3）：64-66.

[9]束洪春，孙向飞，司大军（Shu Hongchun，Sun Xiangfei，Si Dajun）.基于故障投诉电话信息的配电网故障定位粗糙集方法（A rough set approach to distribution network fault location based on fault complain call information）[J].电网技术（Power System Technology），2004，28（1）：64-66，70.

[10]周雄，董威（Zhou Xiong，Dong Wei）.多维数据技术在电力企业数据分析中的应用（Application of multidimensional data technology in electric power company data analysis）[J]. 电力建设（Electric Power Construction），2007，28（11）：92-94.

[11]林杰斌，刘明德，陈湘.数据仓库与OLAP 理论与实务[M].北京：清华大学出版社，2011.

[12]迟忠先，李艳红，张春涛（Chi Zhongxian，Li Yanhong，Zhang Chuntao）.OLAP 核心技术——数据立方体的研究现状与展望（Current status and prospects of data cube）[J].计算机工程（Computer Engineering），2002，28（10）：1-2，6.

[13]Codd E F，Codd S B，Salley S T.Providing OLAP（on-line analytical processing）to user-analysts：an IT mandate[EB/OL].http：//citeseerx.ist.psu.edu/showciting？cid=3411861，1993.

[14]Gray Jim，Bosworth Adam，Layman Andrew，et al. Data cube：a relational aggregation operator generalizing groupby，cross-tab，and sub-totals[C]//International Conference on Data Engineering.New Orleans，USA，1996：152-159.

[15]Datta A，Thomas H. The cube data model：a conceptual model and algebra for on-line analytical processing in data warehouses[J].Decision Support Systems，1999，27（3）：289-301.