基于告警信号的低压配电网故障识别与定位

陈 开，付振宇，吴超成，张家臣

（1.广东电网有限责任公司湛江供电局，广东湛江 524000；2.北京国科恒通科技股份有限公司，北京 100085）

目前，国内外关于低压配电网故障研判开展了一些研究[1-3]，如在配电自动化主站系统平台之上建立一套基于多源数据的配电网故障诊断机制，基于馈线自动化信息、母线信息、突降信息、故障指示器信息、缺相信息、配变信息等多信息源实现对配电网故障区段的快速定位[4]。有电网公司通过对大量的配电变压器停电信号和配电线路实际故障的关联分析建立分类模型[5]，并以该模型对实时发生的停电信号作为评判标准。另外，有机构提出基于概率神经网络的故障诊断方法[6]，或将粒子群算法与神经网络相结合[7]，通过归一化处理提取故障特征信息，来分析电网设备的故障特性，进行故障定位。

文中基于这一背景，提出一种基于告警信号的低压配电网故障识别和定位的两阶段方法。第一阶段，为了去除多元告警信号中的干扰信号[8-11]，采用基于LSTM 的深度学习筛选法，实现告警文本数据预处理、向量化，建立高效的深度学习告警信息分析算法，形成准确的故障告警模型分类并输出。第二阶段，针对第一阶段获得的故障告警分类信息[12-13]，设计了基于中低压拓扑关系的低压故障定位模型，可将故障来源精确定位在单户故障、低压分支线路故障、配变台区故障和中压馈线故障。

1 中低压配电网多源信息告警信号筛选

在对告警信号进行精确筛选时，采用LSTM 模型，该模型的突出特点是可以实现对重要历史信息的长期记忆能力，对于长序列信息的处理，尤其是处理序列历史信息能力较强。

数据集准备包括训练集和测试集准备，选取某段时间内的告警信号3 000 条，其中，带有分类结果标签的原始告警数据有2 500 条，把它们作为训练集，将剩下不带有分类结果标签的原始告警数据作为测试集。

真实的告警信号结果标签设置为1，干扰导致的告警信号结果标签设置为0。深度学习模型需要使用一部分输入输出数据先对模型进行反复训练，以逼近模型期望的非线性映射关系为依据，提取参数，然后用部分没有相应结果的输入数据对测试和滤波数据、原始告警数据进行数据预处理，为数据向量化创造条件，包括统一数据格式、过滤字符、分词等操作。原始告警信息都以短文本形式存在，需要统一编码为字符串形式，过滤掉其中的标点符号、括号、特殊字符等信息，字母统一表示成小写，减少干扰信息的引入。将告警文本数据中的每一句话切分成一个个具体的词语，如文本“配变失压动作”，可以拆成“配变”、“失压”、“动作”3 个词语，拆完后对每条文本进行对齐操作，使其词的个数一致，以最长告警信号文本所含词数20 为基准，词数不足20 的使用填充词填充空白位置，确保所有告警文本信号尺寸长度一致。

深度学习模型只能识别数字，所以必须将词转化为数字。统计所有出现的词语以后，按照每个词语出现的频率大小进行排序编码，并为每一个词语分配一个编码，出现频率越高的词语，其编码值越小，如“合闸”、“分闸”、“动作”、“复归”等。每一个词语对应着一个编码，将词语向量化，并进行向量化所需的特征提取，转化为合适的数字向量形式，告警文本数据可以看作为多个词向量的组合，转化为二维数字矩阵形式以后，输入到后面的深度学习分类器中进行分类结果输出，标记出真实和干扰导致的告警信号结果标签。

LSTM 网络中包含有3 个门，即输入门、输出门以及遗忘门，门是指控制数据是否可以通过该连接层，在门的输出为0 时，数据无法通过；当门的输出是1 时，数据可以完全通过。标准的单个LSTM 结构示意图如图1 所示。

图1 单个LSTM结构示意图

遗忘函数为：

ft=σ（Wf ht-1+Uf xt+bf）

输入函数为：

it=σ（Wiht-1+Uixt+bi）

at=tanh（Waht-1+Uaxt+ba）

输出函数为:

ot=σ（Woht-1+Uoxt+bo）

ht=ot·tanhCt

其中，Ct=Ct-1·ft+it·at

在以上各式中，Wf、Wi、Wa、Wo和Uf、Ui、Ua、Uo为线性关系系数，即权重；bf、bi、ba、bo为计算偏置；σ则是Sigmoid 激活函数。

精确筛选LSTM 模型时，将全部告警信号视为一个长序列，将每一条告警信号看作是序列中的一个单元，告警信号由若干词语构成，词语已经进行了向量化处理，每次输入的单条告警信号可以看作是二维矩阵形式的输入数据[14-16]。

搭建的LSTM 深度学习筛选法流程图如图2 所示，依次进行数据集准备、对故障文本信息进行数据预处理、数据向量化，建立高效的深度学习告警信息分析算法，基于大量历史告警数据对算法模型进行训练，建立准确的数据关联关系，最终形成准确的故障告警模型分类并输出。

图2 深度学习筛选法流程图

2 基于中低压拓扑关系的低压故障研判

在进行拓扑辨识模型时把匹配度最高作为目标，进行电压和功率约束、辐射状约束和有功无功潮流约束等。DistFlow 模型使用支路的有功、无功功率和节点电压幅值描述辐射状配电网的潮流，下面以图3 所示的辐射状线路说明DistFlow 模型原理。

图3 辐射状线路示意图

图中，Pij、Qij为节点i流向节点j的有功和无功功率，Pjk、Qjk为节点j流向节点k的有功和无功功率，PLj、QLj为节点j处负荷的有功和无功功率。设线路ij的阻抗为zij=rij+jxij，则潮流方程为：

式中，Vi、Vj分别为节点i和节点j的电压幅值。确定节点电压幅值、有功功率和无功功率值，根据方程式可以计算出其他节点的未知量。

图4 低压故障研判分析流程图

3 实验分析

假设当单个低压用户发生故障以后，其故障研判的搜索过程如下：

1）通过轮询的方式，查询T分钟内所有低压用户的告警数据（T可进行配置）；

2）通过低压告警测量点标识进行低压出线分组，标识告警信号属于哪一组低压出线；

3）计算低压出线下告警用户占用户总数的百分比，若百分比小于P1（P1可进行配置），则说明该告警信号属于单户故障引发的停电事件。

3.1 低压分支线路故障引发的停电事件

1）若低压出线下告警用户占用户总数的百分比大于或等于P1，则说明该告警信号属于低压出线开关或者其上游设备故障引发的停电事件；

2）根据配变对停电的低压出线进行分组，标识停电的低压出线属于哪一组配变；

3）计算配变下停电的低压出线占低压出线总数百分比，若百分比小于P2（P2可进行配置），则说明告警信号属于低压分支线路故障引发的停电事件。

3.2 停电事件设置

1）若配变下停电的低压出线占低压出线总数百分比大于或等于P2，则说明该告警信号属于配变台区或者其上游中压馈线故障引发的停电事件；

2）根据动态供电馈线对停电配变进行分组，标识停电配变属于哪一条中压馈线；

3）对每组配变分别分析最近共同上游中压馈线上的开关；

4）对开关进行供电范围分析，提取配变总数；

5）计算停电配变占配变总数百分比，若百分比小于P3（P3可进行配置），则说明告警信号属于配变台区故障引发的停电事件。

3.3 实验结果分析

读取到低压告警信息以后，会自动触发低压故障研判逻辑，相关联的告警事件合并成一个故障研判事件。经过研判，每个告警信号会与故障研判事件相关联，同时显示该事件从馈线往下一直到故障设备的完整路径、最早的告警发生时间以及影响的配变数和用户数。通过对历史故障告警信息进行查询统计，并按照区域、类型、时段等多维度进行分析和可视化展示，可以发现故障频发的设备或者区域，进而开展供电薄弱环节分析和网架优化。

使用参数对测试集数据进行测试分类。在LSTM 深度学习模型参数中，对分类结果影响较大的参数有迭代次数、学习率、词语向量维数和隐藏神经元数导，需要经过多组参数值的反复训练，才能找出最优的参数值。参数取值情况如表1 所示。

表1 训练参数

通过实验对比，最终选择了迭代次数200 次、学习率0.01、词语向量维数30、隐藏神经元数50 作为模型参数，此时的分类准确率较高，达到85%以上。

3.4 应用成效

广东电网公司湛江供电局为提升低压配电网故障研判的准确度和效率，开展基于告警信号的低压配电网故障识别与定位示范应用。研判正确率达到90%以上，与以往的依据人工经验进行研判相比，大大节省了研判时间，提升了研判准确度和配网故障抢修效率。

4 结束语

文中主要开展了基于告警信号的低压配电网故障识别与定位方法研究，采用了基于LSTM 的深度学习筛选法对告警信号进行分类，去除其中的干扰信号，针对低压电表的故障告警信息，设计出了故障研判模型，将故障来源精确定位为单户故障、低压分支线路故障、配变台区故障和中压馈线故障，以便尽可能在用户报修之前主动开展抢修工作，取得了良好的应用效果，增强了低压故障主动识别、研判和处理的能力，提升了客户满意度。