基于大数据背景下的输电线路状态评估和故障检测研究

方仁挺

（国网西藏电力建设有限公司 西藏 拉萨 850000）

对于现阶段存在的海量多源异构数据，可以通过在众多数据中进行对核心信息提取的方法，有利于进一步分析大数据平台数据交互；对输电线路风险的评测主要是通过多源数据分析算法进行建模；对众多的计算模型进行有机融合，此方法不仅适用于长期的状态评估和故障预测，还适用于短期的预测评估；最后对其运用状况进行具体分析，支持输电路的电网负荷调度以及运营管理。

1 架空输电线路雷害风险评估模型

架空输电线路雷害风险评估主要包括以下流程：

①首先需要分析架空输电线路曾发生过的因雷击导致的故障数据，关联规则为置信度，关于对置信度量化表的构建，需要结合周围的环境和其本身固有的特征。

②通过对输电线路本体所具有的的特征与其所处的环境特征进行有效结合，观察关联规则量化表得出的每个特征属性相应的置信度，最终能够得到相应的杆塔单元的各特征因子雷害关联度值，进而构建雷害关联度矩阵。

③结合熵权理论与相关公式，通过特征因子的信息熵可以明确推断出特征因子的比重，从而可以构建加权雷害关联度矩阵。

④对灰色关联系数的计算，共识和能够对各杆塔单元在以不同特征因子为证据体下的基本信度分配值进行确定。

⑤为了能够顺利得到关于雷击的确信度，需要先将相关的数据理论与具备不同特征的因子进行结合，得到数据的基本确信度，之后再次进行计算，进而得出最终结论。

⑥通过采取相应的公式，将所得到的雷击确信度进行映射处理，新城功能线路的雷击跳闸率。

⑦根据架空线路雷害风险顶级方法可以得知，线路雷害风险总共可以分为五个等级。

表 1中 PI 为待评估线路通过上述方法计算得到的雷击跳闸率值。Pav为所有架空输电线路雷击跳闸率的平均值 ，该值 可以通过历 史雷击故障数据 获得，即为Pav=Nlightning/(Lall×y)，Nlightning 为 y 年累积的架空输电线路雷击故障次数，Lall 为架空输电线路的总长度（单位：百公里）。

表1 架空输电线路雷害风险定级表

2 基于风速风向联合概率的输电线路漂浮物故障风险评估

2.1 线路漂浮物对电网故障的时空分析

由于某些物体被风吹到空中飘浮，在飘浮的过程中悬挂或触碰到输电线路上，从而造成输电路因扭曲变形引起的绝缘裕度下降，在特殊情况话，还极易发生更加危险的情况，空气间隙因绝缘裕度降低后被减少，导致严重的放电现象。进而引发输电线路的跳闸现象这类物品往往包括塑料薄膜、绳子、风筝等易于被风吹起飘浮的物品。最困难的是这类物品一旦悬挂到输电导线上通常会进行缠绕，不易脱离，并且在经历过首次闪落后，会促使空气间隙其中的额导电粒子数量大幅度增加，从而导致整条线路的绝缘度降低，而第二次发生故障的几率就会大大增加。

2.2 漂浮物引发电网故障的风险评估

漂浮物引起的故障主要划分为线路漂浮物跳闸率计算、有效的对线路信息进行采集整理、评定规范风险的等级。评估流程如图1所示。

采集线路信息：主要包括以下三个方面：首先是对输电线路本体技术信息的获取，其次是输电走廊周边环境的信息采集，最后是考察周围的气象站，记录历史风俗和风向。

计算线路漂浮物的跳闸率：主要需要通过公式构建将从气象站获得的风速数据，取最大值和最小值进行函数运算，其次通过漂浮物的悬挂数据计算出相应参数，最终可以运用公式得出线路每月各段输电线路的漂浮物跳闸率。

评定风险等级：主要是将线路上漂浮物的悬挂数量，与出现跳闸故障的概率，进行风险定级。而对于架空输电线路中数量较多的数据，探索出了从众多数据中提取关键要素的方法，有效分析大数据平台进行数据交互的具体原理；运用多源数据的分析算法，探索出了输电线路风险评估关联知识建模方法；得出了一些计算模型，其主要适用于包括长期和短期在内的状态评估和故障预测。

3 结语

此篇文章通过引入了大数据的概念以及其相关分析方法，对架空输电线路状态的评估和故障预测问题进行了深入的研究。在研究的过程中，发现在使用大数据对电力设备状态进行评估，以及对电力设备故障进行预测的过程中，主要面临的几个核心问题是：数据数量多但质量低、数据的共享范围小程度低、数据的具体特征参数不容易被提取、数据的相关融合体系需要进一步完善。相信通过各方面的改进，大数据分析法在电力评估上的作用能够有所改观。