金属氧化物避雷器缺陷诊断的反距离加权改进KNN算法

陈阳阳 ，舒胜文，吴涵，王国彬，陈诚

(1.福州大学电气工程与自动化学院，福建 福州 350108;2.国网福建省电力有限公司电力科学研究院，福建 福州 350007)

0 引言

避雷器是保护电力系统免受电压冲击的关键设备，其正常运行对于保障电力系统稳定运行具有重要的意义[1-2].随着避雷器投运时间的增长，阀片老化等缺陷增加了避雷器故障的风险.在线监测是及时发现避雷器缺陷的重要手段之一，在近10年得到广泛应用.然而，避雷器在线监测数据受到环境和电磁干扰的影响，增加了避雷器在线监测的难度.因此，需要制定合理、 有效的在线监测预警规则，实现避雷器真实运行状态的在线监测，减少在线监测误判和漏判事件的发生，保证电力系统的安全稳定运行.

现行的金属氧化物避雷器(metal oxide arrester，MOA)在线监测系统普遍采用阈值告警规则，该预警规则易受环境因素影响，造成阻性电流增大超过阈值而触发报警，导致误告警，给一线运维人员的工作造成困扰.然而，提高预警阈值可能使故障避雷器无法正常预警而产生漏告警，危及电网的稳定运行.因此，阈值告警规则由于其自身局限性，无法平衡好误告警和漏告警之间的关系，有必要引入更加完善的预警规则或智能算法来实现避雷器的在线监测与缺陷诊断.

文献[3]基于多层支持矢量机建立避雷器的在线状态监测系统.文献[4-6]采用混合算法进行模拟逼近，通过计算出避雷器等效模型的相关参数来实现在线监测.文献[7]融合避雷器现场运检和在线监测等信息，利用随机森林实现对避雷器数据的分析.文献[8]提出基于变权云理论的避雷器在线监测评估算法，通过最大隶属度原则确定避雷器的绝缘老化情况.文献[9]研究发现阻性电流3次谐波可以更灵敏地反映避雷器受潮情况，并总结出不同受潮状态下阻性电流的变化规律.文献[10]分析不同故障情况下避雷器阻性电流的变化情况，为针对避雷器阻性电流的在线监测提供了参考依据.文献[11]实现避雷器在不同温度下状态参数的换算，对不同温度下的告警阈值设定具有参考价值.

针对避雷器在线监测现行规则中存在的问题和当前国内外研究中存在的不足，本研究首先介绍避雷器的等效模型和常用的在线监测方法，对某省在线监测装置的运行情况进行统计分析，通过研究在线监测各项数据间的Pearson相关系数，提取关键特征量； 其次，提出一种基于反距离加权改进KNN算法的避雷器缺陷诊断方法，并通过参数优化获取模型的最优参数组合； 最后，通过实例分析验证算法模型的有效性.旨在为基于在线监测数据的避雷器缺陷诊断方法提供一种新的思路.

1 避雷器在线监测方法及数据分析

1.1 避雷器在线监测方法

1.1.1 避雷器等效模型

避雷器可以等效为电阻和电容的并联电路，如图1所示.图1中，总电流I、 阻性电流Ir、 容性电流Ic和避雷器两端电压U的关系, 可用图2所示的矢量图表示.图2中，φ为电压U与电流I的相角差，由此可得, 阻性电流Ir、 容性电流Ic的表达式为：

Ir=I·cosφ，Ic=I·sinφ

(1)

其中，避雷器的等效电阻随着避雷器阀片老化、 受潮等劣化因素影响而减小，等效电容几乎不变且远大于等效电阻，因此阻性电流占比较小，φ值较大.

1.1.2 在线监测方法

常用的避雷器在线监测方法有全电流法、 基波法、 三次谐波法、 历史数据分析法4种.

1) 全电流法是一种装置简单且最早采用的监测方法，通过测量流经避雷器的泄漏电流来判断设备状态.但是该方法受电压波动和环境影响较大，且无法反映避雷器早期故障，存在告警盲区.

2) 基波法也称为阻性电流法，是通过测量避雷器两端电压和流经避雷器的电流的幅值和相角，计算出避雷器的基波电流分量来表征避雷器运行状态.

3) 三次谐波法也称为零序电流法，是一种综合考虑三相避雷器状态的在线监测方法，装置简单，易于操作，但无法确定故障相所在位置，需要结合其他辅助方法进行进一步判断.

4) 历史数据分析法是通过收集在线监测历史数据，结合人工智能算法实现设备故障诊断.该方法具有较高的精度但可解释性差，且对在线监测设备准确测量和稳定运行提出了一定的要求.

1.2 避雷器在线监测应用现状

据某省电科院不完全统计，2016—2019年，该省避雷器在线监测告警规则先后经过增加、 取消湿度屏蔽、 增加三相不平衡等多个版本，共计发出告警约21 040条，如表1所示.其中，仅有55条监测告警(含37条重复告警)证实属于避雷器缺陷导致，发现问题避雷器18台(500 kV 2台、 220 kV 4台、 110 kV 11台，±320 kV 1台)，报告本体受潮劣化11台，泄露电流表计劣化5台，底座绝缘子劣化2台，告警正确率仅为0.26%.

截至2019年底，某省110 kV及以上避雷器共22 680支，其中配备在线监测装置9 482台，监测覆盖率41.8%.在线监测装置运行年限分布如图3所示.

表1 金属氧化物避雷器在线监测告警规则

通过统计分析避雷器设备状态和告警规则，目前避雷器在线监测装置主要存在以下几个问题：

1) 现行告警规则不合理，在线监测误告率高.单一阈值告警无法识别装置自身故障告警、 天气造成的正常波动、 污秽造成的异常告警，不能有效进行设备状态预警.

2) 在线监测装置运行年限久、 老化严重，维护工作量大.投运9 a及以上装置达4 176台，占比44%，最长投运年限达13 a.装置缺陷数约占总缺陷的65%.部分在线监测装置传感器、 主板等抗干扰能力不足，造成监测数据不稳定、 误告警.

1.3 避雷器在线监测数据分析

本研究的避雷器在线监测数据来源于某市电网30只不同运行状态的110和220 kV避雷器，时间跨度为1～2 a，时间分辨率为1 h，能充分反映各种运行状态下的避雷器数据特征.区别于已有研究，本研究中避雷器的运行状态是经多数专家共同研判或解体分析后确定的，具有较高的可信度.

阻性电流、 全电流和相电压是避雷器在线监测中的常用特征量，过多的数据维度会增加分类算法的复杂度和程序的运行时间，为此，有必要在维持基本算法准确率的前提下，利用数据相关性分析方法选取算法所需的关键特征数据.Pearson相关系数的公式如下所示：

(2)

其中：E为数学期望；X、Y为待分析的变量.

1) 全电流和阻性电流的相关性分析.通过分析某地区避雷器1 a的在线监测数据，得到三相全电流与阻性电流之间的Pearson相关系数，结果如表2所示.从表2可以看出，三相全电流和阻性电流之间具有较强的线性相关性，且阻性电流在全电流中的占比约为6%～35%，能敏感地反映全电流的变化情况，因此在研究中可以采用阻性电流来表征全电流的变化情况.

表2 全电流和阻性电流相关性分析

表3 相电压和阻性电流相关性分析

综上所述，在特征量选取中可以选取避雷器阻性电流、 电压作为表征避雷器运行状态的特征参数，综合三相数据进行分析能够有效避免对单相缺陷的漏判.考虑到环境温湿度也会对在线监测数据造成波动[12]，因此，选取环境温湿度、 三相阻性电流和三相电压作为反映避雷器运行状态在线监测与缺陷诊断的特征量.此外，由于通常认为避雷器污秽或受潮等属于避雷器的劣化原因之一，具体影响可通过阻性电流等在线监测参数反映，且目前在线监测系统中未对避雷器表面污秽情况进行定量监测，故未将其作为特征参数开展分析.

2 反距离加权改进KNN算法

2.1 算法原理

KNN(K-nearest neighbor)算法依据聚类思想实现对样本数据的分类.其基本原理是通过计算待测样本与训练样本之间的距离，取出距离最近的K个训练样本，将K个样本中出现次数最多的类别作为待测样本的分类类别，从而实现样本分类.传统KNN算法具有原理简单、 分类准确率高、 易于实现的特点[13-14]，但是当训练样本中存在干扰样本时，对样本的正确分类存在一定的影响.同时，K值的选取也影响着分类准确率.当K值较小时，干扰样本对分类正确率影响较大，当K值较大时，算法的准确率也将有所降低.

KNN算法的原理如图4所示.当K=2时，待测样本的类型被分类为“三角形”; 当K=5时，待测样本的类型被分类为“圆形”，但在实际应用中待测样本的实际类型更加倾向于“三角形”.因此，为了获得准确的分类结果，K值的选取应该减小，但过小的K值对于干扰样本的敏感度较高.为了解决该问题，提出一种基于反距离加权的改进KNN算法.

反距离加权改进KNN算法在统计K个样本中出现次数最多的类别的同时，将待测样本与训练集样本距离的倒数作为最终参与样本决策时投票的权重，即距离越近的样本投票时权重更大，这也更加符合聚类思想.基于反距离加权改进KNN算法的流程如图5所示.

2.2 数据预处理

由于不同特征量之间的数量级不同，不同特征量的偏差对分类的影响也不同，因此为了将不同特征量的偏差影响化为一致，文中对样本数据进行归一化，归一化公式如下：

(3)

其中：Xmax为同一特征量的最大值；Xmin为最小值；X为归一化前的数据；X′为归一化后的数据.

高维数据对于算法的运算速率影响较大，因此有必要对数据进行降维处理.在进行PCA(principal component analysis) 降维之前，对样本进行KOM(Kaiser-Meyer-Olkin)检验和Bartlett球形度检验.通过分析可知，样本数据的Bartlett球形度检验值小于0.05，KOM检验值大于0.60，适合进行PCA降维[15]，主成分个数为3时累计方差解释率为84.69%，能较好地反映原始数据的情况，实现数据可视化，因此可以进行PCA降维[16].文中将原始八维样本数据通过PCA降维成三维数据.

3 避雷器故障诊断算法验证

从某市电网30只避雷器不同时段的在线监测数据中抽取200个样本作为参数寻优样本，其中75.00%的样本作为训练样本，25.00%的样本作为测试样本.参数寻优样本中包含天气影响、 装置故障、 一次设备故障和正常数据4类数据各50组，每个样本中包含了三相阻性电流、 三相电压、 环境温湿度共8维数据.其中，各类监测数据的区间范围分别为： 阻性电流16.42～498.57 μA，电压64.8～132.61 kV，环境温度18.27～40.23 ℃，环境湿度33.84%～91.74%.

3.1 算法参数寻优

由于在KNN算法中K值与距离度量方式会影响KNN算法的准确性，因此针对K值与距离度量方式展开参数寻优，常见的距离度量方式及其计算公式如下：

水资源在日常生活中和人们的利益密切关联，且其是生命之源。水文工作者需牢牢把握水质检测关卡，保证用水安全，从而实现对水中微生物滋生导致的传染病爆发、疾病流行，微生物实验室检验及管理，且相对于化学检测来说，而水质检测的质控、处理，以及采集需注重多环节。随着新出台及实施的《生活饮用水标准检验方法》[1]，不断提升了微生物检测的要求，同时获得人们更多的思考及关注度。结果的分析，以及样品采集、检测、管理等多环节，均包含于水质监测微生物实验室样品管理及检测中，彼此之间互为依靠，紧密联系，但是当有一些不足或者是缺陷出现的时候，则会对最终的检验结果产生极大的影响。

1)欧氏距离：

(4)

2) 切比雪夫距离：

(5)

3) 曼哈顿距离：

L(xi,yj)=max{|xi1-xj1|, |xi2-xj2|, …, |xin-xjn|}

(6)

通过对不同距离度量方式下的K值进行状态诊断准确率的比较，选取合适的模型K值和距离度量方式.为获得不同组合下的诊断准确率，将所有组合循环1 000次，并将准确率平均值作为该组合方案下的准确率.传统KNN算法和基于反距离加权改进KNN算法的参数寻优结果分别如图6和图7所示.

从图中可以看出，在传统KNN算法中，无论哪一种距离度量方式的准确率都随着K值的增加而降低，而K值越大算法的抗干扰能力就越强.对比3种距离度量方式后不难发现，采用曼哈顿距离的模型整体准确率都高于其他两种距离度量方式，在选择曼哈顿距离且K=3时，算法分类准确率达到最高94.33%.采用改进KNN算法的准确率变化趋势与传统KNN算法基本一致，采用曼哈顿距离仍然取得了较高的准确率，然而在改进KNN算法中，选择曼哈顿距离且当K=5时算法准确率达到最高97.28%，相较于传统算法具有更高的准确率和抗干扰能力.

3.2 算法对比

为验证本方法的优势，从运算效率和分类准确率两方面将改进KNN算法与较为成熟有效的随机森林算法、 支持向量机算法进行对比，结果如图8所示.

定义3类算法评价指标(精确率(P)、 召回率(R)和F1)的计算公式如下，评价结果如表4所示.

(7)

(8)

(9)

表4 算法评价指标

其中： TPi表示实际类别与分类类别都为i的数量； FPi表示实际类别不为i，分类类别为i的数量； FNi表示实际类别为i，分类类别不为i的数量.

根据计算结果可获得3种算法的混淆矩阵和算法指标如图9所示.图中分别用0、 1、 2、 3表示正常数据、 天气影响数据、 一次设备故障、 装置故障4类故障.

由图9可知，在分类准确率方面，改进KNN算法远高于随机森林算法和支持向量机算法； 在运算速率分类时间方面，改进KNN算法与随机森林算法相近，优于支持向量机算法.因此，在基于在线监测数据的避雷器缺陷识别与分类问题上，改进KNN算法具有更好的适用性和更好的分类性能.

3.3 算法泛化能力验证

从模型样本集以外的样本中按照故障类型选取5个典型样本进行算法的泛化能力验证.5个典型样本各项特征参数如表5所示.

表5 典型样本的各项特征参数

通过算法模型计算样本距离和权重，得分最高的类别即为分类类别，结果如表6所示.由表6可以看出，传统KNN算法与改进KNN算法对于避雷器在线监测数据都具有一定的分类能力，但是针对测试样本⑤所属的天气影响数据分类中，传统KNN算法的5个近邻中有3个近邻为正常样本，因此传统KNN算法存在无法正确区分受天气影响数据和正常数据的问题，存在一定的误判.然而改进KNN算法得益于反距离加权的投票方式，类别0较类别1具有数量上的优势，但在得分上类别0小于类别1，因此能够有效避免误判，具有更强的抗干扰能力和诊断准确率.

表6 算法泛化能力验证结果

4 结语

针对避雷器现有在线监测系统告警规则存在的不足，研究并提出一种基于反距离加权改进KNN算法的避雷器缺陷诊断方法，可得出以下结论：

1) 避雷器三相全电流和阻性电流Pearson相关系数大于0.8、 三相电压和阻性电流的Pearson相关系数小于0.4，表明阻性电流和电压可以反映避雷器的运行状态，同时综合分析三相数据并加入环境温湿度能够有效避免对单相缺陷的漏判和环境变化造成的误判.

2) 采用曼哈顿距离且K=5时的基于反距离加权改进KNN算法对避雷器在线监测数据具有较好分类效果，分类准确率为97.28%，精确率为97.92%，召回率为98.21%，F1值为98.06%，相较随机森林和支持向量机算法具有更优的分类性能，对避雷器在线监测数据具有更好的适用性，有助于提升避雷器在线监测的告警可靠性.