山地环境输电线路故障分类及巡检措施分析

敖志敏, 方曦, 田 刚, 郭德平, 蒋波, 田飞龙

(贵州电网有限责任公司铜仁供电局, 贵州 铜仁 554300)

输电线路是电力系统的重要组成部分，连接着发电厂与各终端用户。随着我国社会经济不断发展，电力需求响应日益增加，电网发展迅速，已成为覆盖范围广、电压等级高、负荷容量大、线路情况复杂的智能电网[1-2]。然而山地环境下的输电线路所处的自然环境大都比较恶劣，因此经常会受到气象、地质等因素的影响[3-6]，加上设备本身的损耗老化，输电线路故障业已成为影响电网正常运行和经济发展的重要因素，因此保证输电线路的安全高效运行具有重要意义。

对于提高电网运行稳定性，除了日常的运维检修之外，研究和分类已经发生的故障也具有重要的理论和现实作用[7-8]。目前，故障分类一般首先是提取故障的特征信息，然后判断故障状态，已有大量的学者对此进行研究[9-10]。文献[11]提出了多分类支持向量机的配电网短路故障识别方法，结果表明该方法可以准确率地识别典型中压配电网常见故障。文献[12]根据各节点LOF值的大小实现智能配电网的故障检测与定位，建立了SVM故障类型判别预测模型。文献[13]根据配电网拓扑结构关系建立原始决策表，利用粗糙集和建立支持向量机故障诊断模型，通过算例对比验证了所提方法的精确性和高效性。文献[14]提出了一种基于卷积稀疏自动编码器的输电线路故障检测和分类方法，具有较高的鲁棒性和通用性。

这些故障分类方法可以对一些简单的故障进行判别，但对复杂故障的分类效果并不明显，尤其是信号特征不明显的早期故障，比如地质灾害或恶劣天气引起的间歇性故障。且这些方法受电力系统组成方式、故障接地电阻等影响较大，方法的适用性受限。因此，本文提出了基于支持向量机(support vector machine,SVM)的方法来分类山地环境输电线路的故障，并提出相应巡检措施。

1 研究区与数据源

1.1 研究区概况

贵州地理环境独特，位于云贵高原，境内山脉、河流数量众多，气候不稳定，灾害性天气种类较多，浓雾、凝冻、冰雹、暴雨泥石流等频度大，是我国自然灾害发生频率较高的省份。贵州电网所辖输电线路的气象和地质条件相对复杂，虽然随着科技的进步和电网防灾能力的提升，电网故障发生的频次明显下降，但因气象灾害和地质灾害引起的电网故障时有发生，因此提高电网运行稳定性的需求非常迫切。

1.2 数据概况

贵州山地环境输电线路所处的环境存在较大差异，因此其发生故障的类型也各不相同，因此在制定线路的故障巡检策略时，有必要梳理清楚该地区输电线路的灾害类型，图1为某段时间内贵州省220 kV及以上输电线路跳闸事故原因的统计图。

图1 输电线路跳闸事故原因统计Fig.1 Statistics of transmission line trip accidents

由图1可以看出，雷灾、暴雨泥石流(洪灾)、风灾、冰灾等灾害是输电线路跳闸的主要原因。这些几类灾害类型产生的原因各不相同，但是可以通过一些明显的特征来判断。经过分析，在本文中分别用地面落雷密度和年均雷暴日来表征雷击的可能性，风速作为风灾的表征因子，冰灾的发生和温度、湿度直接相关。对于暴雨泥石流而言，其发生受气象条件直接影响，因此以降雨量和持续时间来判断。实际上，这些气象因素之间会相互影响，例如降雨过程中会有发生雷击，降雨过后温度下降湿度增加，容易产生雾气。

另外，近年来随着贵州经济结构的转型及发展方式的转变，其电力供需形势也快速的发展，年增长率逐年上升，全年用电量大幅增长，在2017年年度用电量首次突破100TW·h。由图2A可知，2017年-2020年全社会用电负荷量最大集中在12月和1月。由图2B可知，2017年-2020年月份城乡居民用电量曲线变化呈现“V”形，最大集中在12月、1月和2月，和全社会用电负荷量基本保持一致，综上可知，气温和居民用电负荷量对贵州全省的负荷特性的影响也将越来越大，负荷容量的增高对线路的损耗也会进一步增高，因此，输电线路的负荷容量和运行年限也是引发输电线路故障的因素之一。

(a)每月全社会用电量(a)Monthly electricity consumption of the whole society

(b)每月城乡居民用电量(b)Monthly electricity consumption of urban and rural residents 注：2020年12月的数据暂未更新。图2 贵州省2017年-2020年总用电量统计Fig.2 Statistics of total electricity consumption in Guizhou Province from 2017 to 2020

由上述分析可知，地面落雷密度、年均雷暴日、风速、降雨量、降雨持续时间、气温、湿度、设备运行年限、输电线路负荷量等因素之间并不独立存在，因此本文将这些因素作为模型输入，利用核函数来耦合各因素之间的关系，如图3所示。

图3 SVM模型示意图Fig.3 Schematic diagram of SVM model

2 研究方法

支持向量机(support vector machine，SVM) 的理论基础是VC维理论和结构风险最小化，是一种常用的有监督分类方法。该方法利用核函数将输入向量映射到一个高维特征空间，构建最优分类超平面实现分类。支持向量机核函数对于模型性能的表现有至关重要的作用，选择合适的核函数对分类精度和模型泛化能力有着直接影响。但目前尚无明确的选用指导，考虑到RBF核函数具有较强的泛化能力，对大、小样本均展现出较好的性能，因此本文选择RBF核函数，径向基核函数公式为：

K(xi,xj)=exp(-γ‖xi-xj‖2)

(1)

其中，γ为自定义参数。核函数的惩罚因子c和参数g大小通过网格参数寻优方法确定。 确定了核函数及核参数后，利用支持向量机构建输电线路故障分类模型的流程图如图4所示，主要步骤包括：

图4 SVM模型构建流程图Fig.4 Construction flow chart of SVM model

(1)收集数据。收集输电线路历史故障数据，包括故障时刻和故障区域的地面落雷密度、年均雷暴日、风速、降雨量、降雨持续时间、气温、湿度、输电线路运行年限、输电线路负荷量等数据，本文选取雷灾、洪灾、风灾、冰灾、线路原因、其他各600组数据用于构建故障分类模型。

(2)数据归一化。0均值标准化不是基于样本中最大值和最小值作为参考，具有较强的适应能力，当样本增加最大值或最小值发生变化时不会产生偏差。而且利用0均值标准化前后的数据结构保持不变。本文的数据之间差异较大，因此选择0均值标准化对数据进行预处理，其计算公式为：

(2)

(3)样本划分。X-Y共生距离(sample set partitioning based on joint X-Y distances，SPXY)法由于很好地考虑了输入向量值之间的差异[15]，保证样本间的差异性和代表性，训练集和测试集都可以最大限度地包含总体样本的特征，有助于提高建模效率和模型精确度。

(4)模型训练。将准备好的样本划分为训练集和测试集，按照2∶1、3∶1、4∶1的比例划分，前者作为模型的训练集，后者作为模型的测试集。

(5)精度分析。本文将识别准确率作为故障分类模型的评价指标，识别准确率为灾害类型和灾害类型被正确判别的百分比，准确率越高则分类效果越好。

3 结果与分析

3.1 故障分类结果分析

通常认为，训练样本数越多分类准确率越高，同时为避免模型训练时因训练样本太多出现过拟合，因此为兼顾训练准确率及模型适用性，本文按照2∶1、3∶1、4∶1的比例划分样本，训练故障分类模型。SVM分类模型的训练结果如表1和表2所示。表1 是不同比例训练集/测试集的分类结果，由表可知，当训练集和测试集的数量分别为400和200组时，训练集和测试集中整体分类准确的数量为1861和966组，其中雷灾分类准确的数量最多为171组，冰灾分类准确的数量最少为149组。当训练集和测试集的数量分别为450和150组时，训练集和测试集中整体分类准确的数量为2150和749组，其中雷灾和风灾分类准确的数量最多为132组，冰灾分类准确的数量最少为116组。当训练集和测试集的数量分别为480和120组时，训练集和测试集中整体分类准确的数量为2349和622组，其中雷灾分类准确的数量最多为109组，冰灾分类准确的数量最少为98组。从表1可知，在六种灾害类型中，雷灾、风灾、线路原因三种类型的准确数量要高于其他、洪灾和冰灾三种。表2是表1经过换算之后不同比例训练集/测试集的分类精度。

表1 不同比例训练集/测试集的分类结果Tab.1 Classification results of different ratios between training set and test set

表2 不同比例训练集/测试集的分类精度Tab.2 Classificationaccuracy of different ratios between training set and test set

为了分析训练样本数量对分类准确率的影响，本文分别比较了不同比例下相同灾害类型训练集分类精度和测试集分类精度，对应的结果分别如图5和图6所示。在训练集∶测试集=2∶1的比例下，训练集和测试集的整体分类精度分别是77.5%和80.5%；在训练集∶测试集=3∶1的比例下，训练集和测试集的整体分类精度分别是79.6%和83.2%；在训练集∶测试集=4∶1的比例下，训练集和测试集的整体分类精度分别是81.6%和86.4%。

图5 不同比例下相同灾害类型训练集分类精度Fig.5 Training set classification accuracy of the same disaster type under different proportions

图6 不同比例下相同灾害类型测试集分类精度

当训练集∶测试集=4∶1时，与训练集∶测试集=2∶1的结果相比，雷灾、洪灾、风灾、冰灾、线路原因、其他训练集的分类精度分别提高了3.2%、4.3%、5.3%、4.0%、2.5%、4.6%，测试集的分类精度分别提高了5.3%、6.5%、4.7%、7.2%、4.2%、7.5%；与训练集∶测试集=3∶1的结果相比，雷灾、洪灾、风灾、冰灾、线路原因、其他训练集的分类精度分别提高了1.6%、2.1%、2.4%、2.3%、1.2%、1.9%，测试集的分类精度提高了2.8%、4.5%%、1.2%、4.4%、1.9%、4.3%。综上可知，随着训练样本比例的增加，模型训练集和测试集的分类精度都有所提高，这表明模型的预测效果越来越好。

为了进一步比较雷灾、洪灾、风灾等六种类型的分类结果，本文分别比较了相同比例下不同灾害类型训练集分类精度和测试集分类精度，对应的结果分别如图7和图8所示。以测试集为例，在训练集∶测试集=2∶1的比例下，雷灾分类精度最高为85.5%， 冰灾的分类最低为74.5%，相差11.0%；在训练集∶测试集=3∶1的比例下，雷灾和风灾分类精度并列最高为88.0%，冰灾的分类最低为77.3%，相差10.7%；在训练集∶测试集=4∶1的比例下，雷灾分类精度最高为90.8%，冰灾的分类最低为81.7%，相差9.1%。

图7 相同比例下不同灾害类型训练集分类精度Fig.7 Training set classification accuracy of different disaster types under the same proportion

图8 相同比例下不同灾害类型测试集分类精度Fig.8 Test set classification accuracy of different disaster types under the same proportion

从输电线路故障的分类结果看，六种灾害类型具有一定的差异。由于雷灾的发生是雷击造成的，属于间歇性故障，对应特征即地面落雷密度和年均雷暴日，与正常情况相比，故障发生时这两个参数会发生较大的变化。对于风灾故障而言，当风速超过输电线路承受的极限时容易引发故障，此时风速值较高，有助于模型判断。但冰灾的诱发因素主要由气温、湿度等因素，在一定的时间内这些特征值并不会突变，模型的学习能力受限，不易判断。当灾害类型的致灾因子变化明显时，其错判率较低，因此雷灾、风灾、线路原因三种类型的准确率要高于其他、洪灾和冰灾。

3.2 故障检修治理措施

通过上一节对输电线路多种故障的系统性分析，本节针对上述问题提出了针对性的防治检修措施。

对于雷灾，除了采用增强线路绝缘水平、降低杆塔接地电阻等常规方式提高输电线路的防雷能力之外，可根据对应的分类结果和历史运维数据，划分重点雷击区，然后利用雷电定位等技术进行实时监测。对于洪灾，结合山地环境特有的地质条件，在运维数据的基础上，对易发生山体滑坡等地质灾害的区域加强输电杆塔的机械强度，重点区域重点巡查。对于风灾，基于故障数据和分类数据，确定故障风速范围，针对已有的输电线路提高抗风能力，当以后新增输电线路时，要避开强风多发区域或根据现有的结果适当提高输电线路设计的标准。对于冰灾，利用分类结果判断所属区域发生覆冰、浓雾的范围和频次，采取相应的整治措施，重点地区提高巡检次数，减少输电线路因覆冰、浓雾的发生故障的概率。对于线路原因，一是采用新材料、新技术，提高线路本身的性能，二是引导用户进行合理用电，削峰填谷，保证线路负荷容量不超过额定容量。对于其他原因导致的输电线路故障，例如人为破坏，则需要加强宣传工作，提高输电线路区域群众的保护意识。例如鸟害，可以通过采取一些驱鸟和防鸟措施，进行有效预防[16]。

3.3 故障检修实施方式

贵州电网所辖输电线路分布广泛及所处环境比较特殊，存在着雷击、覆冰等多种故障，因此对应的检修和防治措施也比较多样复杂。总体而言，这些措施大部分都依赖于检修人员完成，而随着输电线路覆盖范围扩大化和多元化，巡视量也日益增长，传统的人工检修方式存在着一些限制，例如巡视人员的劳动强度较高、单次巡视范围较小、存在错检漏检问题，难以及时响应和满足检修需求。为了提高传统的人工检修方式的效率，针对贵州地区特有的山地现场环境提出了两个发展方向：

(1)广泛应用AR智能设备和技术

针对电网的各类作业任务，在培训、巡视和检修过程中应用AR智能设备和技术，能够加快检修人员了解设备结构和检修流程。收集历史运维数据，然后建立基于AR的输电现场作业环境，利用交互技术完成巡视流程、设备结构、工作原理等学习，针对不同类型作业场景及其典型作业方法进行专门的培训，将复杂和机械的培训检修过程转化为立体化的培训检修，实现输电现场作业的AR全流程应用，可以有效提升效率和质量。另外，应用AR智能设备可以提前了解输电现场作业可能发生的安全隐患，减少安全事故的发生。

(2)广泛应用无人机、电力机器人等智能巡检设备

无人机和电力机器人等设备有着高效、安全、智能的优点，是当前输电线路巡检技术的重要研究方向[17-18]。无人机和电力机器人巡检主要是通过搭载一些精密的检测仪器，采集相应的数据，然后对数据进行筛选和分析，进而判断线路和设备是否存在运行故障。这些智能巡检设备在一定程度上可以替代人工巡检方式，减少重复工作，实现输电线路的快速检测，通过大力推广使用巡检无人机和电力巡检机器人，建立一套“智能设备为主、人工为辅”的检修系统，可以有效提升输电线路的巡视效率。

4 结论

本文通过收集现有输电线路的运维和故障数据，建立了支持向量机故障分类模型，得到的主要结论包括：

(1)在六种灾害类型中，雷灾、风灾、线路原因的致灾因子相较于正常运行时变化明显，容易被SVM模型识别区分，因此雷灾、风灾、线路原因三种类型的分类准确率要高于洪灾、冰灾和其他三种类型。

(2)随着训练样本比例从2∶1增加为4∶1，模型训练集和测试集的分类精度都有所提高，模型的预测效果也越来越好。尤其当训练集比测试集等于4∶1时，训练集和测试集的整体分类精度分别达到了81.6%和86.4%。可知该模型对故障分类具有一定的适用性，且准确率较高。

(3)针对贵州山地环境面临的不同故障类型，提出了相应的防治检修措施。同时提出了应用AR设备、无人机、电力机器人等智能设备，用以提高传统人工的培训和巡检效率。

下一步将收集更丰富的运维和故障数据对各致灾因子进行更深入的分析，并增加其他常用的分类模型，对比不同的分类结果选择最优的分类模型[19-21]。本文的结果不仅有助于建设输电线路故障的预警和监测模型，还可以明确输电线路检修的重点环节，节省人力物力财力，为输电线路故障分类方面的研究提供技术支持和理论依据。