基于大数据的输电线路故障预警模型设计

方玉河，陶汉涛，张 磊，王 钊，姜志博，吴大伟

(1.南瑞集团有限公司，江苏 南京 211106)(2.国网电力科学研究院武汉南瑞有限责任公司，湖北 武汉 430074)(3.电网雷击风险预防湖北省重点实验室，湖北 武汉 430074)

电力系统运行故障大多数情况下是因某段输电线路故障导致的[1]，在电力系统高强度关联的影响下不断扩大故障影响范围与程度[2]，最终导致严重后果的产生。因此，在不影响电价转移经济压力的基础上[3]，设计有效输电线路故障预警模型是保障电力系统安全、稳定运行的重要方式[4]。

当前普遍使用的故障预警方法大多集中于利用现有数据诊断故障并预警，如文献[5]中基于现有数据进行聚类经验模态分解和差分熵计算，实现线路故障诊断与预警。但电力系统实际运行过程中存在数据种类复杂、数据海量等问题，导致数据利用率低下，基于这样的数据进行故障预警，无法保障预警结果的全面性与前瞻性，预警结果存在一定偏差。

大数据技术是当前普遍使用的数据处理技术，其主要优势在于洞察力高、决策能力强等[6]。因此，本文设计基于大数据的输电线路故障预警模型，以实现全面、高精度的故障预警。

1 基于大数据的输电线路故障预警模型

1.1 输电线路故障预警模型构建

输电线路故障预警模型的构建主要分为7个步骤，如图1所示。具体步骤如下：

图1 输电线路故障预警模型构建

1)海量信息采集。主要采集输电线路相关数据、气象数据和环境数据等相关信息[7]。

2)海量信息处理。该步骤的主要目的是基于预处理后的信息确定故障预警特征项。该步骤可为模型提供特征数据输入，并反馈给现场人员，继续优化故障类别特征。

3)故障因子挖掘。针对故障信息特征，采用神经网络算法分析已分类的海量数据，确定不同类别故障特征间的关联性[8]，分析引起输电线路故障的主要特征，将其定义为故障因子，并构建故障因子库。

4)时间序列一致性匹配。根据故障特征项的时序信息生成故障因子时间序列，依照实际预警目标构建对应的时间序列模型，确定时间序列距离与故障诊断的核心推理方法，预警输电线路故障[9]。

5)故障分析结果推送。将故障分析结果传输到平台中供现场工作人员了解，为工作人员制定故障处理预防措施提供辅助决策。

6)故障结果反馈。依照现场实际情况反馈输电线路故障分析结果，持续完善故障样本库，优化故障预警精度。

7)可视化结果展示。根据线路故障分析结果，以不同显示形式将故障相关数据展示给用户。

1.2 海量故障特征数据采集

输电线路故障因素大体可划分为人为因素与自然因素两种类型[10]，针对不同类型的故障因素，模型所采集的特征数据也具有显著差异性。表1所示为不同输电线路故障特征。根据表1可知，输电线路故障特征项具有多种类型，因此线路内的不同监测点在固定时间内需采集、存储并传输海量数据，不同类别数据内的信息具有单一性的特征，不能全面满足海量数据价值应用的需求。考虑上述问题，需采用科学的数据学习方法对海量输电线路故障数据实时处理。

表1 输电线路故障特征

1.3 故障因子挖掘

考虑到所采集的故障特征数据海量性与强关联性等特征[11]，直接进行数据挖掘较为困难，所以在故障因子挖掘过程中采用粗神经网络算法挖掘分析已分类的海量数据，确定不同类别故障特征间的关联性，分析导致故障的因子。图2所示为基于粗神经网络算法的故障因子生成过程。

图2 故障因子生成过程

故障因子的生成可划分为3个环节，分别是粗神经网络构建、粗神经网络训练和故障因子生成。设定粗神经网络模型，根据实际输入输出矩阵设置模型内部结构[12]；为提升网络精度与科学性，通过充分的历史数据训练构建粗神经网络；基于少量优质数据测试网络训练结果，待网络满足实际应用需求后，利用该网络生成故障因子，并利用所生成的故障因子构建故障因子库。

粗神经网络内输入层选取粗神经元，隐含层与输出层均选用模糊神经元[13]，以此提升神经网络训练收敛速度与最终输出结果的精度。设n和m分别表示粗神经网络内输入层神经元数量和隐含层模糊神经元数量，mri表示输入量xi对网络所识别目标类型的粗糙隶属度，同时也是输入层第i个粗神经元的输出，j表示隐含层神经元，对应的隐含层与输入层神经元间连接权值分别为zij和wij(i=1,2,…,m)。以输入层神经元的输出作为隐含层j节点的输入与其连接权值，输出dj的计算公式为

(1)

式中：u和s均表示算子；→表示连接算子。同时有

(2)

(zij→mri)swij=(zij→mri)+wij-(zij→mri)wij

(3)

输出层内模糊神经元数量仅为1，设O为其输出，O能够描述输入特征向量属于此粗神经网络分类识别类型的信息：

(4)

式中：qj为第j个隐含层神经元至输出神经元的连接权值。

粗神经网络在训练学习过程中选取反向传播算法调整各连接权值[14]。

(5)

式中：e和y分别为网络输出误差与期望输出。

根据式(5)能够将e定义为一个与连接权值相关的函数F，通过式(6)实现不同连接权值优化：

(6)

式中：α和u分别为学习效率和迭代次数。

针对所挖掘出的故障因子，利用朴素贝叶斯算法计算故障因子发生指数，结合时间序列一致性的故障匹配算法完成输电线路故障预警。

1.4 基于时间序列一致性的故障匹配

由于输电线路在运行过程中，故障产生前与产生后的关联特征量发展存在时序特征，因此在故障预警步骤中选用基于时间序列一致性的故障匹配算法。将时间序列理解为目标线路电气量记录值与时间节点通过构建的元素有序集合X，具体为X={x1=(v1,u1),x2=(v2,u2),…,xn(vn,un)}，其中xi=(vi,ui)表示时间序列在ui时刻的信息为vi，时间节点同故障顺序间具有一致性，即i≤j⟺ui≤uj,i,j∈(1,2,…,n)。依据编辑距离确定时间序列的一致性，两者之间呈反比例关系[15]，即距离越大，两个时间序列的一致性就越低。在确定两个事件形成的时间序列间的距离时，对比实时时间形成序列Q与标准序列Y，Q={q1,q2,…,qm}，Y={y1,y2,…,yn}，其中qi,yi分别为序列Q和标准序列Y第i项的序列点。Bi,j表示两个距离间的编辑距离，其可通过式(7)由B0,0递归确定：

(7)

式中：在qi∈yi的条件下，L(qi,yi)值为0；反之L(qi,yi)值为1。同时，依照历史数据聚类设定时间权重和一致性距离的阈值。Bi,j越大，故障发生的概率越小。

2 测试结果分析

为测试大数据的输电线路故障预警效果，以某区域电网为测试对象进行测试，其中数据主要包括智能变电站的数据、实施监测的系统数据、互联网遥测数据、全部电流支路波形数据以及气象局数据等。

2.1 预警结果

对采集的样本数据进行故障特征分析，利用粗神经网络挖掘所采集数据，构建故障因子库。以雷击故障为例，本文模型的故障因子挖掘结果如图3所示。从图3可知，本文模型能够对数据中的故障因子进行准确挖掘。

图3 故障因子挖掘所得结果

本文模型所得输电线路故障产生的时序特征如图4所示。基于各类故障因子挖掘所得结果以及不同故障产生的时序特征，利用本文模型进行故障预警，并将本文模型所得预警结果与实际情况进行对比，结果见表2。分析表2可知，采用本文模型能有效预警测试对象输电线路故障，由此能充分说明本文模型在实际应用环境中的可行性。

表2 预警结果

图4 输电线路故障时序特征

2.2 故障分类验证

图5为本文模型在不同故障工况下的故障分类结果。分析图5可知，在不同故障工况下采用本文模型对测试对象的输电线路进行故障分类时，故障相角、故障位置与过渡电阻对于分类精度基本不产生作用。分析不同工况下的误判样本可知，本文模型在故障分类过程中仅在线路末端形成高阻故障的情况下才会出现误判。以上实验结果充分说明本文模型能准确进行输电线路故障分类，并且提升故障预警精度。

图5 不同故障工况下的故障分类结果

3 结束语

本文设计了基于大数据的输电线路故障预警模型，通过海量信息采集与处理、故障因子挖掘、时间序列一致性匹配等步骤实现输电线路故障预警。测试结果显示，本文模型能有效挖掘故障因子，准确进行输电线路故障分类，实现高精度故障预警。