基于泛在电力物联网的输电线路危控区风险预警技术

刘彤 李业锋

（国网山东省电力公司枣庄供电公司 山东省枣庄市 277100）

为了实现输电线路危控区风险的快速、准确预警，提出了基于泛在电力物联网输电线路危控区风险预警技术。泛在电力物联网技术具有实时、准确、综合性等特点，将其广泛应用于电力设施与通信基础设施监测中，能够得到电网在不同情况下的主要信息[1]。利用泛在电力物联网全面信息感知、可靠数据传送、完善的网络架构等特性能够很好地预测出不同电力设备的运行状态，实现电网动态风险预警[2]。利用泛在电力物联网全面信息感知、全量配置信息，计算出元件动态故障率、获取增量动态故障集，得出故障发生后精准的风险预警结果，依据该结果得知全部电网风险状态，实现对输电线路危控区的风险预警。

1 基于泛在电力物联网的输电线路危控区风险预警技术

1.1 风险预警流程

泛在电力物联网平台、数据平台、动态故障率及故障集获取和风险计算构成了基于泛在电力物联网的电网动态风险预警流程，具体如图1所示。

分析图1可知，泛在电力物联网平台，通过标准化接口将输电线路危控区中对接好的各类线路连接到数据平台完成数据存储、清理和管理。依据数据平台层的数据，通过获取输电线路危控区元件动态故障率，生成动态故障集，进行输电线路危控区电网风险状态概率和电网风险状态后果计算，实现输电线路危控区风险评估，最后利用基于遗传算法和神经网络（genetic algorithm-back propagation，GA-BP）算法实现输电线路危控区风险预警。

1.2 输电线路危控区元件故障概率动态计算

由于输电线路危控区风险预警的根本工作是获得危控区内输电线路的故障概率，输电线路故障概率的影响因素有很多，如元件本身服役年限、负载率和外界环境，同时，元件故障概率会随着运行状态的不同产生变化。

元件故障概率计算公式如下：

其中，U 为动态故障概率；Um为基准故障概率；z 为故障概率动态影响因子；λ为协调系数，其可依据最大似然估计方法进行计算；s 为灾害等级；fg为元件距灾害中心的地理距离；fe元件距灾害中心的电气距离。

浴盆曲线能够反映出Um基准故障概率和元件投运时长之间的联系，同时采用威布尔分布表示概率密度，公式如下：

灾害态修正因子受s 和fg影响，与fe成负相关，公式如下：

其中，es为灾害突发概率。电气距离fe与检修态修正因子具有反比例关系：

在元件距离度操作中的元件拓扑距离ft(ei)影响调度态修正因子Z3，具体用式（5）描述：

图1：风险预警流程

故障态修正因子受当前元件距故障元件的拓扑距离影响，公式如下：

依据输电线路危控区在不同状态下的元件故障率，采用模拟法生成不同状态下的针对性动态增量故障集，以便保障后续输电线路危控区电网状态概率和电网状态后果计算的顺利开展，实现风险评估。

1.3 输电线路风险评估

通过评估动态增量故障集中的故障，即可获取输电线路危控区的风险状态。通过备自动作模拟，获取调度员在故障后现实面对的输电线路状态，基于泛在电力物联网平台获取数据，得到整体输电线路危控区备自投配置信息、母线以及进线连接信息。故障后输电线路状态动态评估流程如图2所示。

图2：发生故障后输电线路状态动态评估流程

图3：预警精准度对比分析

1.4 基于GA-BP算法的风险预警实现

在输电线路风险评估结果的基础上，运用GA-BP 算法实现输电线路危控区风险预警。为避免神经网络产生盲目取值的问题，设置输入层、隐含层、输出层的神经元数量分别为a、b、c，依据此计算隐含层节点数目，得到约束范围大致区间，通过GA（遗传）算法获取神经网络输出最优值。流程如下：

（1）网络初始化，网络拓扑结构的设计根据风险预警类型完成，明确参数，通过编码实现对象优化处理，产生初始优化种群，遗传操作依据二进制编码完成，并明确初始权值的阈值。

（2）训练样本输入，通过计算BP 神经网络均方差，计算误差平方和为：

其中，Ei为网络输出期望值；Si网络输出实际值；r 为神经元数量。

（3）利用比例阀幅值编码阈值，得到全新阈值P 为：

其中，n 为链路数量i 的最大值。通过个体交叉和自身变异处理挑选阈值，形成全新种群，并算出区间处于[0,1]的适应度值d，依据此判断输电线路危控区风险G：

表1：三种预警技术操作响应时间/s

其中，δ 为风险因子。

（4）依据输出数据预警输电线路危控区评估结果是否存在风险，并不断重复步骤（3），直至误差符合预设目标，实现风险预警。

2 实验分析

实验将某区域高压输电线路危控区作为实验对象，该区域的输电线路总长为760km，共有500 条输电线路。为了验证所提预警技术采用泛在电力物联网平台进行数据存储时的操作性能，对比分析所提预警技术、基于深度学习的预警技术和基于层次分析的预警技术，从研究对象中随机选取270 个输电线路数据片段进行存储，对比不同技术在进行数据存储时的操作响应时间，结果如表1所示。

实验结果表明，三种预警技术响应时间随数据片段数量的增加而增加。在三种预警技术中，所提预警技术响应时间最短，平均响应时间仅为18.67s，基于层次分析法风险预警技术和基于深度学习预警技术的平均响应时间分别为23.83s、38.17s。原因在于所提预警技术采用的泛在电力物联网平台通过终端层、网络层、平台层、应用层之间的相互合作可以有效降低对节点计算的复杂度，实现了大规模输电线路危控区数据的快速存储与分析。

采用人工干预方式，对比采用三种预警技术对输电线路危控区输电线路风险的预警精准度，结果如图3所示。

实验结果表明，随着输电线路数量的增加，三种预警技术的预警结果精度都有波动。但所提预警技术波动幅度较其他两种预警技术小，预警精准度最高可达98.4%，另外两种预警技术的精度最高值分别为90%和88%。这是由于所提预警技术中运用的泛在电力物联网具有输电线路危控区数据全面感知和自动化识别的功能，能够快速累积大数据，提高预警精确度。

3 结论

研究基于泛在电力物联网的输电线路危控区风险预警技术，依据泛在电力物联网平台全面感知并自动化识别快速累积的输电线路危控区大数据特性，以便快速有效判断输电线路危控区当下的风险状态，实现风险预警。通过实验验证了基于泛在电力物联网的预警技术较其它预警技术在数据存储的操作时间和预警准确度上的优势，但随着电力的不断发展、精进，还需对预警技术进行进一步研究。