基于大数据分析的配电网故障监测方法

贾玉健 ，孙树敏 ，孟 瑜 ，尹茂林 ，王 悦

（1.国网山东省电力公司济南供电公司，山东 济南 250012；2.国网山东省电力公司电力科学研究院，山东 济南 250003；3.山东鲁能软件技术有限公司，山东 济南 250101）

·电网技术·

基于大数据分析的配电网故障监测方法

贾玉健1，孙树敏2，孟 瑜3，尹茂林1，王 悦1

（1.国网山东省电力公司济南供电公司，山东 济南 250012；2.国网山东省电力公司电力科学研究院，山东 济南 250003；3.山东鲁能软件技术有限公司，山东 济南 250101）

针对当前配网监测手段有限、数据利用率低等问题，提出一种基于大数据分析的配电网故障监测方法。分析目前供电企业配网调度支持系统技术特点与数据流程，选取海量历史遥测数据作为研究对象，采用C均值模糊聚类算法辨识配电线路负荷模式并进行负荷预测。定义了考虑隶属度和欧式距离因素的失配度指标，作为线路故障评价判据。算例分析表明，能有效辨识配电线路负荷模式，较为可靠地判定线路故障，并在一定程度上避免因负荷正常波动造成的误动作。应用效果显示，提供了一种简便、实用的监测手段，能有效监测现有手段监视不到的配电网故障情况。

大数据分析；配网调控；故障监测；数据挖掘；负荷模式

0 引言

近年来，国家电网公司加大配电网自动化改造力度，深化配电自动化系统（Distribution Automation System，DAS）推广和应用［1］，能够实现对配电网主干线、部分分支线开关的遥信、遥测、遥控（三遥），并根据线路事故信号和自动化开关的保护信号，自动判断故障区间，向调控人员发出提示信号或自动完成故障隔离和恢复供电［2］，提高了供电可靠性和供电质量。

但是，仍存在以下问题：配电设备种类多、数量多，各地区经济发展水平不同，配电网中仍然具有相当数量的非自动化设备［3］，造成大量分支线路处于无法监视的状态；自动化设备的通信方式有EPON、电力线载波、无线专网、无线公网［4］，可靠性、安全性不同，数据的准确性、可用性不足，导致存在相当数量的错误遥信、遥测信息；此外，还存在一定比例的缺陷、故障设备，导致遥信、遥测数据不可用。上述问题导致调控人员无法及时发现并处置非自动化线路的故障情况，无法甄别错误的遥信、遥测信息并做出正确处置。随着分布式发电（DG）大量接入和用户对供电可靠性要求的不断提高，现有的技术支持手段对配电网尤其是分支线的掌控能力越来越难以满足调控运行的需要。

与此同时，诸如OPEN-3000、D5000这类的电网调度自动化系统能够实现对配电线路主线开关高度可靠的“三遥”控制，具有较高的实时性和准确性，并通过综合数据平台存储着海量的遥测数据，虽然配网调控数据越来越多，目前仅有少量数据能靠人工手动导出并处理，数据利用效率低，亟待通过大数据技术、云计算技术强化应用归集、传输、分析处理，并有效地为配网调控决策服务在现有调控业务［5］。如能对调度自动化系统进行改进，扩展其应用功能，深入挖掘海量数据中蕴藏的有效信息，实现对配电网的故障监测和数据准确性校核，则能有效弥补DAS系统的不足，以较低的成本和简便的手段提高供电质量和供电可靠性，对供电企业而言是有效、易行的方案。

在能源电力行业，将大数据分析技术应用于故障监测正处于起步阶段，尚未形成广泛通用的技术模式：文献［6］利用集控中心的遥信变位和遥测变化的时序数据，建立了计及信息时序属性的变电站输变电元件规则网络故障诊断模型；文献［7］将PMU量测获得的广域同步电气量的实时信息引入电网故障诊断之中，提出一种将开关量与电气量相结合的故障元件快速识别方法；文献［8］利用数据挖掘技术和SOA等先进IT技术，设计并实现了一个基于数据挖掘的电力调度管理系统，涵盖了电力调度运行和生产管理等各方面的数据需求。文献［9］提出从大量业务数据中挖掘信息并抽取知识，支持智能化调度业务分析与决策，用于电网运行情况统计分析、区域负荷趋势分析、电网负荷特性分析。

鉴于此，结合现有调度技术支持系统数据特点，提出一种基于大数据分析的配网故障监测技术，采用C均值模糊聚类算法计算线路电流预测值，并结合实时采样值计算失配度，用以监测配电网中存在的故障。根据某地区10 kV线路运行数据对所提方法进行了验证，并展示了在某供电企业实际应用效果。

1 配网调控业务数据流程

目前，配网调控运行业务的技术支持系统以DAS为主，以能量管理系统（Energy Management System，EMS）系统为辅，两套系统同时为调控人员提供配电网设备监视、事故处理、操作控制的技术支持。图1为典型的供电企业配网调控技术支持系统结构。

图1 配网调控技术支持系统结构

1.1 DAS系统数据流程及特点

配电终端（包括DTU、FTU、TTU）采集配电网线路上环网柜、开关站、柱上开关、分界开关、配电变压器等设备的状态、电压、电流等信息，通过多种形式的终端接入网和骨干通信网汇集至DAS主站，主要为调控员提供配电线路上各类自动化设备的遥信、遥测数据。DAS系统的优点是覆盖范围广、能提供变电站以外线路上设备的运行数据、数据量大；缺点是通信可靠率较低、数据准确率较低、不能覆盖非自动化线路或设备。

1.2 EMS系统数据流程及特点

EMS系统通过安装在各厂站的RTU，采集变电站内设备的状态、电压、电流等信息，通过串行通信和以太网汇集至EMS主站，为配网调控人员提供10 kV母线和配电网主线开关的遥信、遥测数据。同时，将配电网主线开关的遥测电流数据，以每5 min 1个数据点的格式，存储于历史数据服务器。在配电网调度业务中，EMS系统的特点是覆盖所有配网线路、采样精度高、通信可靠、数据准确率高、历史数据充足；缺点是对变电站外配电网络上设备无掌控能力。

配网调控人员通过EMS实现对所有配网主线的监控，通过DAS实现对部分分支线路和配变的监控；对于非自动化、通信失败、故障的分支线路，目前尚缺乏有效监控手段。EMS历史数据库中存储着大量准确、可靠的电流数据，考虑采用数据挖掘技术进行利用。

2 常用数据挖掘技术原理

从历史数据库中大量的、不完全的、有噪声的、模糊的数据中，提取其隐含的有用信息和模式。考虑到调度业务需求，主要利用预测型模式。

2.1 挖掘预测型模式的常用方法

预测型模式是以时间为关键参数，对于时间序列型数据，根据其历史和当前的值去预测其未来的值。常用的方法有：神经网络预测法、模糊聚类识别预测法［10］。

神经网络预测法。人工神经网络能够建立任意非线性的模型，适用于解决时间序列预报问题。但是由于神经网络分类方法获取的模式隐含在网络结构中，不容易被人们理解和解释；另外要多次扫描训练数据，训练时间较长。不能满足电网故障监测对易读性、实时性的要求。

模糊聚类识别预测法。C均值算法和K均值算法是模糊聚类领域中常用的两种算法，以迭代计算来修正聚类中心，以欧式距离作为判断样本隶属的依据。但是K均值算法对于初始聚类中心的依赖性较大，分类结果缺乏稳定性，因此C均值算法目前依旧是主流使用的算法［11］。

本文选择较为成熟稳定的C均值模糊类聚算法实现对配电线路负荷预测。

2.2 C均值模糊聚类算法的原理

给定样本 A=｛X1，X2，…，Xn｝，其中 Xk=（xk1，xk2，…，xkm），设聚类数为c。则目标函数为

式中：dki为第k个样本到第i类中心zi的距离，其计算公式为

uki为第k个样本在第i类中的隶属度，其计算公式为

给定聚类数c，计算初始聚类中心；计算样本隶属度，修正聚类中心；最终通过隶属度判断出样本所属的类别。

3 故障监测系统策略与方案设计

3.1 总体策略

当配电网处于正常运行状态时，主线电流符合其负荷模式，电流曲线与历史数据高度契合；当配电网发生故障时，实时采样值发生突变，与根据历史数据计算出的预测值失去匹配。因此，只需检测配电线路实时电流是否存在失配点，即可实现配电网故障监测，进一步通过逻辑判断确定具体的故障类型。图2为数据处理与故障监测方法流程，主要包括数据预处理、电流数据聚类、当日负荷匹配、失配度检测、故障类型研判等模块。

图2 数据处理与故障监测方法流程

3.2 方案设计

3.2.1 数据预处理

进行模糊类聚前，通常需要将数据进行标准化，以使数据具有相近的数量级和合适的幅值，常用的标准化方法有最大—最小值法、平均数方差法、总和标准化法、标准差标准化法、极大值标准化法等［10］。

具体到本文的聚类对象，对于一条确定的线路，其历史电流水平保持在相近的数量级，并且工作日、节假日的负荷差异不应被预处理步骤抹去；同时，考虑到通用性和简便性，本文选取类似极大值标准化的方法，以线路限流数进行标准化。即

式中：d为线路限流数，根据供电企业实际生产情况，对于所有配电线路，d为一个常数。

3.2.2 聚类计算

对于一条确定的线路，在不发生大规模改造的前提下，其日常负荷曲线在工作日和节假日呈现出不同的负荷模式，具体的差别取决于所接带的负荷类型及比例。故聚类数c取值2，将线路负荷模式按照工作日、节假日进行聚类，得到2个聚类：

工作日类 A1，聚类中心 Z1=（z11，z12，…，z1m）

非工作日类 A2，聚类中心 Z2=（z21，z22，…，z2m）

3.2.3 负荷模式匹配

读取该线路截止到当前时刻的t当日负荷数

X0=（x01，x02，…，x0n）

n为t时刻的当日负荷数据长度，n≤m，采用子序列匹配法，确定的所属类别。选取Z1、Z2的子序列

Z1s=（z11，z12，…，z1n），

Z2s=（z21，z22，…，z2n）

分别计算 X0对 Z1s、Z2s的隶属度 u01、u02， 通过最大隶属度法确定当日负荷归属的类别。

3.2.4 失配判定

根据聚类和匹配结果，计算下一个数据点的预测值

读取线路t时刻的经标准化的采样值x0（t）。定义失配度指标

式中：u0=max（u01，u02）。

失配度指标既考虑了实时值与预测值的偏差，也考虑了子序列的隶属度。线路历史负荷模式越清晰，隶属度越高，失配度指标对负荷波动越敏感；反之，即使负荷波动相对较大，表现在失配度上也并不明显。

设置失配度阈值ε，当 Ke（t）≥ε，即判定该线路发生故障。

3.2.5 故障类型研判

对于判定为故障的线路，进一步对电流遥测数据进行逻辑分析，确定发生的故障类型。

分支线分闸：电流显著降低但不为零；

分支线合闸：电流显著增加；

主线分闸：电流降低为零；

主线合闸：从零增加至某一数值；

联络线路合环：两条线路分别发生分支线分闸和合闸事件，并且电流变化幅值相等、方向相反。

将监测到的故障线路和自动研判出的故障类型推送至调控工作站，由调控人员进行确认和处理。

4 算例分析和应用效果

4.1 算例分析

为了验证所提的基于大数据分析的配电网故障监测方法的有效性，选取某地区10 kV配电线路L，根据其实际运行数据进行验证。

因数据量较大，截取2016-12-17T00：00：00至2016-12-25T24：00：00共 9天的数据绘制在图3中，其中第1、2、8、9日为非工作日，其余5日为工作日。可以看出，线路L的日负荷数据具有显著的周期性，在工作日和非工作日呈现不同的负荷特征。

图3 线路L负荷曲线

根据前文提出的方法对日负荷数据进行预处理和聚类，将负荷数据分为两类，如图4所示。

图4 线路L聚类结果

图4中黑色细线为日负荷曲线，幅值较大的一簇为工作日曲线，幅值较小的一簇为非工作日曲线，两条红色粗实线为分别为工作日和非工作日的聚类中心。

某日t时，线路L发生分支线路跳闸，当日电流曲线如图5所示。其中前123个据点为历史数据，计算隶属度，可知，u01=0.991，u02=0.008，确定 d0日数据属于工作日类，下一数据点的预测值为 x′0（n+1）=0.651。发生故障前实时采样值 x0（t0-）=0.653，失配度仅为0.02；t时刻，发生故障时实时采样值 x0（t）=0.496 失配度为 Ke（t）=0.152，故障特征明显，判定 t时刻线路L发生故障，进一步读取故障特征，研判为分支线跳闸。经运维人员现场核实，线路L 27支3杆分段开关确实发生跳闸，负荷损失1.07 MW。根据配电线路实际运行经验，选取ε＝0.1。

图5 线路L故障日负荷曲线与预测值

又如线路M，图6展示了线路M发生分支线故障的案例，由于负荷性质原因，电流波动较大，隶属度较低。图中A点负荷偏离预测值23%，失配度为0.087，判为正常；B点发生分支线跳闸时，失配度为0.121，判为故障。可见，对于负荷波动剧烈的线路，失配度指标可在一定程度上躲过正常波动。

图6 线路M故障日负荷曲线与预测值

4.2 应用效果

根据本文所提方法，开发了智能配电网大数据多维监测平台，对某地级供电公司直供区1 005条配电线路部署监测，以B/S架构为配网调控人员和相关专业管理人员提供准实时的故障监测告警。

应用以来，日均监测主干线分合闸事件4.73次，正确检出率达98.3%；监测分支线分合闸事件26.4次，正确率83.7%；解合环事件3.46次，正确率93.8%，多次检出传统手段无法监视的电网故障。监测错误的事件主要是由于特殊负荷性质造成。

5 结语

挖掘EMS系统历史电流遥测数据的信息用于配电网故障检测，对供电企业而言在技术上、经济上是适用的。

采用C均值聚类算法能较好辨识配电线路负荷模式，为故障判定提供参考依据和评价指标。

考虑了隶属度因素的失配度指标能较为可靠地判定线路故障，并在一定程度上避免因负荷正常波动造成的误动作。

本文方法能够有效识别现有手段监视不到的配电网故障情况；受特殊负荷性质、运行方式等因素的影响，虽不能确保绝对准确，但总体而言为一种简便、实用的监测手段。

［1］沈兵兵，吴琳，王鹏.配电自动化试点工程技术特点及应用成效分析［J］.电力系统自动化，2012，36（18）：27-32.

［2］刘健，张志华，张小庆，等.继电保护与配电自动化配合的配电网故障处理［J］.电力系统保护与控制，2011，39（16）：53-57，113.

［3］李子韵，成乐祥，王自桢，等.配电自动化终端布局规划方法［J］.电网技术，2016，40（4）：1 271-1 276.

［4］王晓勇.配电自动化系统中通信网络的规划与组建［D］.南京：南京邮电大学，2013.

［5］杜刚，孟勇亮，彭晖，等.地区电网智能调度控制系统实践与展望［J］.电力系统自动化，2015，39（1）：200-205.

［6］李曼.基于变电站集控中心故障诊断模型的研究［D］.广州：华南理工大学，2013.

［7］刘大伟.基于开关量和电气量的电网故障诊断［D］.济南：山东大学，2015.

［8］许林生.基于数据挖掘的电力调度管理系统设计与实现［D］.成都：电子科技大学，2013.

［9］李胜利，任培民，赵树然，等.利用数据挖掘和综合信息平台构建智能电网调度的业务分析系统［J］.广东电力，2011，24（3）：78-82，90.

［10］ 王光宏，蒋平.数据挖掘综述［J］.同济大学学报，2004，32（2）：246-251.

［11］ 仲伟宽.模糊聚类方法在用户负荷曲线分析中的应用［J］.华东电力，2007，35（8）：97-100.

A Method for Distribution Network Fault Monitoring Based on Big Data Analysis

JIA Yujian1，SUN Shumin2，MENG Yu3，YIN Maolin1，WANG Yue1
（1.State Grid Jinan Power Supply Company，Jinan 250012，China；2.State Grid Shandong Electric Power Research Institute，Jinan 250003，China；3.Shandong Luneng Software Technology Co.，Ltd.，Jinan 250101，China）

In order to solve the problems of the limited distribution network monitoring means and inefficient data utilization，a method for distribution network fault monitoring based on big data analysis is proposed.In this paper，the load pattern is identified and the load forecast is carried out by analyzing the current characteristics and the data flow of the distribution network dispatching support system of power supply enterprises，using the massive historical telemetry data as the research object and the C means fuzzy clustering algorithm.The mismatch index is re-defined by taking the membership degree and Euclidean distance into account and used as the evaluation criteria of the line faults.The example presented in this paper shows that the proposed method can effectively identify the load pattern of distribution lines，determine the line faults sufficient accurately and to a certain extent，avoid the mishandling caused by the normal fluctuation of the load.Application results show that the method provides a simple and practical mean of monitoring the fault of the distribution network effectively whose effectiveness is beyond the reach of the existing means.

big data analysis；distribution network dispatching；fault monitoring；data mining；load pattern

TM73

A

1007－9904（2017）10－0001－05

2017－04－10

贾玉健（1988），男，工程师，从事电网调度运行与分析工作。