基于大数据的电网输电线路缺陷与故障关联分析研究

白云 章鹿华

（1.许继电气股份有限公司 2.国网冀北电力有限公司）

基于大数据的电网输电线路缺陷与故障关联分析研究

白云1章鹿华2

（1.许继电气股份有限公司 2.国网冀北电力有限公司）

本文从电网历史故障数据出发，对电网输电线路缺陷原因与特点进行深入剖析。采用大数据挖掘方法建立了缺陷与典型故障的关联量化关系，基于输电线路缺陷类型查找设备缺陷原因，开展输电线路缺陷与典型故障天数间隔相关性分析，据此对缺陷风险因素进行分类划分，为实现电网设备运行故障分层管理提供有力技术支撑。

输电线路故障；设备缺陷；电网大数据；关联分析

0 引言

2013年3月，中国电机工程学会针对当时电力企业和电力行业数据的状况，发布了《中国电力大数据发展白皮书》。电力行业的信息时代正处于关键转折点，智能化变电站、现场移动检修系统、测控一体化系统、GIS和智能化表计等的建设，使以往数据类型较为单一、增长较为缓慢的情况发生转变，将逐渐步入由复杂及异构数据源广泛存在和驱动的时代[1]。

电力大数据是指通过传感器、智能化设备、视频监控设备、音频通信设备和移动中断等各种数据采集渠道收集到的，结构化、半结构化和非结构化的海量业务数据的集合[2]。

电力大数据的特点主要可以概括为以下几个方面：首先是数据量大，包括了电网企业生产运营、运营管理以及客户管理等各个方面的海量数据；其次是数据种类多，既有传统业务的结构性数据，同时有图片、视频等非结构性数据；再次是数据处理的速度快，然后是数据具有潜在的价值，最后是数据处理灵活性高，复杂程度高[3]。

在国内电力行业领域，国家电网公司已建立国内领先、国际一流的信息集成平台。随着三地集中式数据中心的陆续投运，一级部署业务应用范围的拓展，结构化和非结构化数据中心的上线运行，电网业务数据从总量和种类上都已初具规模。随着后续智能电表的逐步普及，电网业务数据将从时效性层面进一步丰富和拓展。大数据的“量类时”特性，已在海量、实时的电网业务数据中进一步凸显[4]。

电力企业输电线路运维检修的最大风险表现为线路故障，线路故障的发生可能由线路缺陷、人员操作、社会环境、自然环境等内外部多种因素造成。同时各种诱发因素之间也存在相互影响，例如人员操作、社会环境、自然环境等因素可能直接引发线路缺陷，间接导致线路故障。

本文从某省级电力公司的电网输电线路缺陷和线路故障线路数据特点和管理需求出发，通过数据挖掘的方式建立多维度、多业务间的量化关系，全面了解电网设备故障类型，同时明确重点管理环节，为进一步分析工作提供方向指导，同时深入分析典型故障，针对高、中、低危故障类型，形成分层管理体系，辅助指标管理策略与完善指标日常管理方法，为电力公司制定设备运行故障分层管理工作方案提供数据支撑。

1 总体分析思路

本文数据分析过程以输电线路故障数据为研究起点及核心，分析引发故障的关键因素，对引发线路故障的三大关键因素从时间、空间等多角度进行规律和趋势分析；在此基础上，建立线路故障数据与缺陷数据间的相关性分析，通过数据实际反映线路缺陷与故障间的逻辑关系，实现跨系统、跨业务的多维数据分析。应对措施提出及应用过程根据数据分析结果，引入风险识别、评估及应对体系，尝试对关键分析结果提供风险应对措施，保证管理投入不缺失、不重复[5]。

2 主要做法

2.1 关联分析设备缺陷，系统协同统筹管理

（1）基于输电线路缺陷类型分析，查找设备缺陷原因

2012～2014年期间，某省级电力公司110kV、220kV、500kV输电线路缺陷数据共计7995条。

输电线路缺陷类型包括被盗、大风、零部件老化、异物影响、负荷电流增大、农业生产、外力破坏等48项，各类型线路缺陷数据数量和比例见表1。

表1 2012～2014年设备缺陷统计表

从线路缺陷类型分布看，在48类缺陷中，6类缺陷占总数的80%，即12.24%的缺陷类型占缺陷总数的80%，缺陷发生原因较集中。缺陷发生频次较高的影响因素依次为被盗、大风、零部件老化、异物影响、负荷电流增大和农业生产等。

被盗是线路缺陷的最主要原因， 2012～2014年期间发生的线路缺陷中42.22%由被盗导致。虽然数量大，但是从故障数据分析中，被盗并不能直接导致线路故障。可以说被盗对于线路故障风险属于高频低危因素。

在线路缺陷数据中，大风导致的线路缺陷占13.52%，异物影响导致的线路缺陷占4.31%，是线路缺陷发生的第二、第四因素。同时大风和异物影响也是直接导致线路故障的关键因素之一。因此可以说大风对于线路故障风险属于高频高危因素。

2012～2014年期间雷害故障直接导致的线路缺陷数量53条，仅占缺陷数量的0.68%，直接导致的线路故障数量为91条，占故障数量的46%，雷害一旦发生则易引发线路故障，因此可以说雷害对于线路故障属于低频高危因素。

（2）输电线路缺陷与典型故障相关性分析

各月发生的各类型缺陷与雷害、异物影响、大风三类典型故障各月发生总数之间相关系数。T期，表示T月份各类缺陷条数与T月份典型故障条数之间的相关系数；T+X期，表示T月份各类缺陷条数与T+X月份典型故障条数之间的相关系数。

为了保证相关性分析的合理性与准确性，受到数据量的限制，在计算中对进行相关系数计算的故障类型数据和缺陷类型数据进行了筛选。仅对记录数量大于50条的故障或缺陷数据进行相关系数的计算。

线路故障数据中，异物影响、大风故障记录分别为28条、27条，记录数量较少，因此将雷害、异物影响和大风三类典型故障作为一个整体，计算各类缺陷与典型故障之间的相关系数。

线路缺陷数据中，被盗、大风、零部件老化、异物影响、负荷电流增大、农业生产、外力破坏、大雨、工艺不佳、绝缘老化、材质不良、产品零部件不合格、树线矛盾、设备老化、过电压、动物影响、自然环境、工艺不良、原因不明、地面塌陷、建设施工、雷害等22类线路缺陷记录均大于50条，较适合计算与典型故障类型之间的相关系数；漏装错装、运行环境等26类线路缺陷记录均不足50条，因此不对以上类型缺陷做与典型故障类型之间的相关系数，计算结果如表2所示。

从表2的相关系数计算结果可以看到：T月各类缺陷与T月的故障之间的相关系数都很低，T月绝缘老化缺陷与T+1月的典型故障相关系数较高；T月设备老化缺陷与T+2月的典型故障相关系数较高；T月工艺不佳缺陷与T+3月的典型故障相关系数较高；被盗虽然是造成缺陷的最主要因素，但与典型故障在各期的相关系数都很低。

（3）输电线路缺陷与典型故障天数间隔相关性分析

按照每一条输电线路，分析线路缺陷与线路故障发生的时间关系。对每一天线路，以时间作为分析轴，所有缺陷与故障发现时间在时间轴上的位置，选择典型故障发生时间作为原点，对故障发生前180天内，该线路发生的每一项缺陷发生时间与该故障时间之间间隔的天数。例如，以某线路2013年6月19日雷害故障数据为核心，向前追溯2013年6月19日前180天内的缺陷数据，依次为2013年5月14日、2013年5月13日、2013年3月28日、2013年3月27日、2013年3月4日，计算距离2013年6月19日雷害故障发生的天数，之后汇总所有线路故障时间与缺陷时间之间的间隔天数，按照间隔天数对记录条数进行汇总计算，形成发生条数在0～180天之间的分布图，如图1所示。

表2 设备故障及缺陷相关性统计

图1 故障与缺陷发生天数间隔统计

图1分析可见，典型故障与缺陷发生日期之间，故障发生前180天内的缺陷中，93.1%距离故障发生约0～137天，占总体统计时间的76%；47.6%的缺陷分布在57～105天，占总体统计时间的26%； 41.3%的缺陷分布在72～105天，占总体统计时间的18%，可见距离缺陷发生2.5～3.5个月之间较易引发线路故障。

2.2 风险因素分类划分，实现运行故障分层管理

在明确指标管理策略方面，辅助运维检修业务选择关键监控预警指标，并针对不同特点的指标确定监控策略[5]。

通过线路故障数据与缺陷数据分析，可以将线路风险因素按照发生的频度和对线路的影响程度分为：高危、中危、高频低危与低频低危四大类型[6]。如图2所示，红色虚线区域内，属于线路故障的高危因素，橙色虚线区域内，属于线路故障的中危因素，黄色虚线区域内，属于线路故障的高频低危因素，绿色虚线区域内，属于线路故障的低频低危因素。

图2 线路故障风险图谱

（1）高危因素

特点：一旦发生很可能导致线路故障，通常为外部自然环境，如雷害、火灾、覆冰、异物影响、大风等或社会环境，如大型机械碰线等引发。而非内部管理因素[7]。

管理策略：这些外部因素可控性较低，难以通过内部控制等管理手段降低其发生频度。对这类高危因素的管理策略应为将强监控预警、应急预案等措施通过缩短故障处置时间降低其对供电保障与电力设备损失的影响。在指标监控方面，利用发生在空间与时间分布上具有较强的集中性特点，通过多年历史故障与缺陷数据，推测未来故障高发线路，预警未来故障发生的线路、运营单位、电压等级、月份等。

（2）中危因素

特点：发生后不一定直接导致线路故障，通常为内部管理问题造成，例如产品结构不合理、建设施工、工艺不佳、材质不良、绝缘老化等。但是这些因素很可能成为故障的隐患，经过一段时间恶化为线路故障。

指标管理策略：这些因素可以通过内部管理提升降低其发生频度。对这类因素的管理策略为通过监控预警、及时检修等措施减少其发生的次数。在指标监控方面，利用缺陷数据与故障发生在时间上的相关性，利用当期数据实时监控内部运维检修管理缺陷，预警故障高发线路与时间[8]。

（3）高频低危因素

特点：发生次数高，但是不会直接或间接引发线路故障，突出表现为线路被盗。虽然不会直接引发严重的故障，但是不加控制将会造成财产损失。

指标管理策略：这些因素可以通过内部管理提升降低其发生频度。对这类因素的管理策略为通过线路改造、加强监督等措施控制发生频次。在指标监控方面，利用缺陷数据与故障发生数据，通过横向运行单位和纵向时间比对，辅助管理对标、与项目后评价，促进管理提升。

（4）低频低危因素

特点：发生的次数与对线路的影响都很小。

指标管理策略：不作为管理重点，在指标管理方面，不予投入资源进行日常监控预警[9]。

3 结束语

电力大数据作为一种新兴的技术和理念，虽处在发展阶段，但展示出了数据中蕴藏的巨大能量。以数据为中心的信息化理念将变革传统的信息化工作思路，促进信息化与工业化深度融合，给电力行业带来全新的工作方式，在智能电网建设、智慧城市建设中发挥更大的作用。大数据技术的广泛应用必将促进电力行业转型升级，促进能源节约和高效利用，对服务经济社会发展、示范“电力先行”有积极意义[10]。

本文以线路缺陷和线路故障数据为基础，通过大数据挖掘方法形成对设备运维的分层管理体系，通过监控线路缺陷数据，为日常运维检修计划制定提供数据支撑。例如，基于“设备质量类缺陷，如工艺不佳、设备老化、绝缘老化等与典型故障发生存在较高相关性。但工艺不佳、设备老化、绝缘老化类缺陷与当月典型故障数据的相关性很低，但与T+1月～T+3月典型故障数据相关性较高”的结论，可以根据N年M月设备老化缺陷发生次数，预警N年M+1月后的缺陷线路及同片区线路的故障发生几率，可辅助制定N年M+1月～M+3月度运维检修计划。

[1]张沛. 电力大数据应用现状及前景[J]. 电气时代,2014(12):24-27.

[2]沈玉玲，吕燕，陈瑞峰. 基于大数据技术的电力用户行为分析及应用现状[J]. 电气自动化, 2016, 38(3):50-52.

[3]杨晓林，邵康，韦绍毅. 大数据在国家电网公司的应用[J].电子技术与软件工程, 2016(23):201-201.

[4]韦朝兵．基于大数据分析的输电线路管理系统及故障诊断研究[J]. 工程技术(全文版), 2016,(23)8.

[5]朱东华，张嶷，汪雪锋，等. 大数据环境下技术创新管理方法研究[J].科学学与科学技术管理，2013(4).

[6]周文静. 大数据时代下数据分析理念的辨析[J]. 信息化建设,2016(5).

[7]刘飞. 信息处理智能方法及其在高压输电线路故障分析中的应用[D]. 天津：天津大学，2005.

[8]李志鹏．基于大数据分析的输电线路管理系统及故障诊断研究[D].武汉：湖北工业大学， 2015.

[9]张勇, 罗滇生, 范幸, 等. 非解析复变电力系统动态无功点优化配置[J]. 电力系统保护与控制, 2015, 43(8):28-34.

[10]潘明惠.内存计算技术验证项目与应用研究[J].电力信息化，2012，10（10）.

2017-05-18）