基于设备脆弱性的电网气象灾害故障预测

孙春红，赵艳雷

（1.山东理工大学电气与电子工程学院，山东 淄博 255000；2.国网山东省电力公司博兴县供电公司，山东 滨州 256000）

0 引言

电网防灾减灾的重点是减少故障发生的频率和概率［1-2］。影响电网故障的因素主要包括电气设备制造工艺和水平、运行维护水平、自然灾害等［3］。气象信息良好可观测性和丰富的数据信息，决定了建立气象因素与电网故障之间对应关系的可行性［4-5］。

国内外学者在电网故障预测方面开展了大量的研究工作。文献［6］依据气象实时数据判断山火趋势，形成电网山火预警及处置态势专题图。文献［7］通过精细化气象信息提出了一种基于深度降噪自编码网络的预测模型，预测电网局部区域故障概率。文献［8］通过模糊推理将飓风参数故障率的增量乘积进行非线性函数关系映射，进行电力系统可靠性评估。文献［9］以矢量的方式看待覆冰样本数据，提出一种基于数据驱动算法覆冰预测模型。上述工作主要侧重于研究某种气象条件，尚没有在考虑设备历史运行数据和多类型气象因素的基础上，建立电网故障预测模型。

本文以电网运维和气象历史数据为基础，提出一种基于设备脆弱性的电网设备故障预测方法，基于数据关联规则［10］，建立气象因素与电网故障之间的映射方法，提高全类型气象条件下的电网灾害预警能力。

1 电网重要基础设施脆弱性评估

电网设备的脆弱性可定义为：在自然灾害等突发事件的影响下，设备发生故障的可能性或程度［11］。此定义涉及两个对象：灾害体和承灾体，即影响脆弱性的外因和内因。

1.1 灾害体属性的处理

影响电力系统的自然灾害主要有地震、风灾、冰冻、雷击、污闪等。针对灾害体原始数据，设立外因二级指标［11］作为设备脆弱性水平的评定，选取设备地区长期遭受的自然灾害为研究对象，如表1 所示。

表1 灾害体的二级指标分级

将每个二级指标的数据量化为0～10。以地震灾害为例，如表2 所示。

表2 地震灾害的二级指标分级赋值

2 个二级指标加权求和得到每种灾害一级指标，其最大值为10。其他灾害指标采用相似方法查阅水文特性等确定。6 种灾害实际一级指标相加除以所有一级指标相加的最大值60，得到脆弱性外因指数如表3 所示。

1.2 承灾体属性的处理

导致设备故障的内因主要包括设备制造水平、技术状态、故障巡视消缺等。选取部分设备属性作为评价因素，以变压器为例，其评价指标如表4 所示。

表4 变压器内因三级指标

设备内因属性的每个二级指标分值设置为0～10，一级指标由二级指标加权求和得到，最高40。以T2指标为例说明具体赋值方法。参考《国家电网公司电网设备运行分析年报》中的统计数据，按照电压等级、运行年限发生事故与年度总事故数量的比值确定，如表5 所示。

表5 变压器T2指标赋值方法

二级指标T2按照三级指标电压等级和运行年限进行评定，对电压等级和运行年限分别赋权0.5，加权求得T2。T3指标也参考《国家电网公司电网设备运行分析年报》，按照设备的电压等级和运行年限分别取值计算。4 项二级指标求和，并除以最大指标指数40，即可得到设备的脆弱性内因指数。外因、内因指数通过加权求和确定设备综合脆弱性指数。将脆弱性等级分为轻、较轻、较高、高4 个等级，其形式与表3 相同。设备脆弱性水平随时间的推进是个变化量，以α=｛α1，α2，…，αt｝表示设备生命周期的脆弱性指数。

2 气象因素与设备故障的关联关系

2.1 故障类型与气象因素特征量选取

设备故障与实时的气象信息有较大的关联关系，本文选取常见的气象灾害为研究对象，以反映不同气象因素的6 种精细化气象信息作为衡量，并做等级划分，选取部分常见输变电设备故障作为研究对象，以变压器为例，如表6、表7 所示。

2.2 关联规则的改进

气象因素与输变电设备故障之间的关联规则可由关联规则蕴含式X→Y 表达，其中：

X=｛气象因素1，气象因素2，…，气象因素n｝

Y=｛设备故障1，设备故障2，…，设备故障m｝

表6 精细化气象信息数据划分

表7 变压器常见故障

通过Apriori 算法挖掘以上关联规则，将置信度作为X 发生后Y 发生的条件概率［10］。Apriori 算法采用递归的方法发现频繁项集，核心思想是：第1 步通过迭代检索出数据库中的所有频繁项集；第2 步从频繁项集中构造出满足用户最低信任度的规则。

所有历史数据构成关联规则的事物集D，包含气象及脆弱性指数等信息。D 中包含数据项集X、Y，事件X 发生的支持度Sup（X）定义为

式中：A、B 分别为事务集D 中事务的总数量和包含X 的事务数量。事件X 发生前提下事件Y 发生的关联规则置信度为

式中：Sup（X∪Y）为事件X、Y 同时发生的支持度。

与传统电网关联规则相比，考虑设备脆弱性更具研究价值。以α 变化的比率作为修正系数，改进关联规则，可信度更高。将脆弱性指数按比率把同一设备不同时期的脆弱性，归一化到此设备现阶段的脆弱性。以αi（i=1，2，…，t-1）表示不同时期的脆弱性指数，αt表示现阶段的脆弱性指数，置信度公式改进为

3 算例仿真

以某地电网为研究对象，该地为大陆性季风气候，气候温和；地质构造稳定；地势以平原为主；年平均气温12.9 ℃，7 月平均气温26.7 ℃，1 月平均气温-2.7 ℃；年平均风速2.9 m／s，最大风速28.5 m／s，设备抗风等级高；年平均降水量549.88 mm，最大降水量968.4 mm；年均雷击密度0.035 次／km，属中低水平。以站内某35 kV 主变压器为研究对象，设其运行5 年，耐受参数为：冷却方式ONAN／ONAN（70%／100%），绝缘耐热等级A，绝缘水平LI200AC85／LI65AC25，真空耐受能力50 kPa。

3.1 综合脆弱性指数计算

通过对设备脆弱性的影响因素的划分，采用专家咨询等主观赋权法与统计数据计算分级方法，确定各指标如表8 所示。

表8 脆弱性水平影响因素的指标取值

通过前文所述计算方法，脆弱性外因指数为0.127，内因指数为0.479，当分别赋权0.5 时，设备综合脆弱性指数为0.303。

3.2 关联规则仿真结果

设主变压器的综合脆弱性指数按设备运行周期分为4 个阶段，其指数分别为：0.156、0.303、0.402、0.215，其中第4 阶段由于检修等原因，设备坚强程度变高。

将案例集的每1 条数据作为1 个案例，按数据项集X、Y 对其进行划分，并按表6、表7 标准化处理。选取数据集500 组，从中选择400 组作为案例集，每100 组对应不同的脆弱性等级，其余作为测试集。选择变压器常见故障Y1、Y5为预测目标，选取易导致此类故障的致灾因子X14、X15、X23、X24、X43、X44作为研究对象。通过搜索案例集中含有相同数据项集X 的案例集，对测试集的数据项集Y 出现的概率进行仿真测试，分别按式（2）、式（3）进行计算，结果如表9 所示。

由表9 可知：

1）在对应气象条件下，预测故障概率在40%以上，满足置信度要求，基于脆弱性的关联规则预测方法有一定的可行性。

2）表9 是变压器的两种常见故障的预测结果。选择不同气象信息的组合，可预测不同电网故障发生的概率。

3）同一脆弱性指数下，相似气象条件引起故障的概率差别不大。将历史数据根据脆弱性指数归一化处理，预测结果更准确。

表9 预测结果对比

4 结语

提出一种基于设备脆弱性的电网设备气象灾害故障预测方法，通过关联规则对电网故障概率进行预测。相比于传统的关联规则在电网故障中的应用，本文所提基于设备脆弱性指数改进的方法更具适用性，且预测结果更符合设备实际运行情况。另外，本文提出的电网故的预测方法在对脆弱性分级计算和气象数据精细化处理的基础上，预测结果可更加准确，有助于提高电网运行的稳定性和供电可靠性，为提高不同气象条件下的电网防灾减灾奠定基础。