基于运检管控平台多源信息融合的输电线路故障类型诊断方法

李婷，张孝军，潘华，朱维钧，乐健

（1. 国网湖南省电力有限公司电力科学研究院，长沙 410007；2. 国网湖南省电力有限公司，长沙 410073；3. 武汉大学电气与自动化学院，武汉 430072）

0 引言

架空输电线路分布较为复杂，不同线路段经过的地理与气象也都非常不同，因此存在着不同的故障问题，而输电线路在系统中担负着重要的责任，由此会给系统的稳定运行和安全供电带来一定的威胁［1-4］。由于输电线路发生不明故障引起跳闸，若处理不当可能电网崩溃引发大面积停电事故［5-7］。因此，如何进行输电线路故障识别并有针对性地进行故障恢复是电网稳定运行必须要重点关注的对象［8-11］。

目前的输电线路故障诊断涉及到故障信息非常少，仅侧重于故障录波里的零序电流信息，而环境气象信息以及重合闸信息并没有被考虑到［12-13］。单一的故障信息由于特征信息量较少，会使得诊断出现错误。文献［14］提出了一种依赖运行数据进行线路状态诊断的方法，但是提取的故障特征信息还是较为单一，且该评估方法受限于评估数据是否完整。文献［15］提出利用电流初始波头能量来诊断输电线路故障类型，该方法仅提取故障录波信息中的故障相电流信息。文献［16］提出构造故障录波信息中的线路电流与电压之间的瞬时能量比，根据合理的判据来进行故障相的诊断。文献［17］提出了一种基于故障录波信息中非故障相相间电阻变化特征的故障相诊断方法，该方法适用于故障振荡期。文献［18］提出了利用S 变换提取各模分量在特定时间下的单一频率模相量来进行输电线路故障快速选相方法。

多源信息融合算法一般可分为随机算法和人工智能算法［19-22］。随机法计算量小但受用范围窄。文献［23］利用基于改进DS 证据理论进行多源信息融合诊断和同源故障信息确认，能够实现精准诊断定位。人工智能法主要有支持向量机、神经网络等，应用于更高层次的融合。文献［24］提出了一种基于RBF 神经网络理论的输电线路故障类型识别的新方法，该方法的识别精度相对较高。

综上分析，为了克服传统输电线路故障诊断方法的不足，本文提出了基于运检管控平台多源信息融合的输电线路故障类型诊断方法，主要基于运检管控平台的输电线路多源故障信息融合技术，整合形成输电线路不同故障类型下的实际波形数据库及关联信息数据库，采用小波包分析提取不同输电线路故障类型的故障特征值，采用机器学习算法完成多源信息融合的故障诊断。并依据某地区历史跳闸线路故障数据进行验证，实际算例验证了本文方法的正确性和有效性。

1 输电线路故障成因诊断平台架构

输电线路不同故障成因对应了不同故障机理，对应的分类也不同，其中雷击包含反击和绕击两种，而非雷击故障则由山火、污秽、鸟害等组成。

某省运检智能化管控平台（简称OICP）整合PMS、雷电定位、状态监测等专业平台多源数据，全方位展现设备状态；建立分析模型，利用数据中台计算能力，实现基于多源数据实时计算的设备状态分析、监测预警和故障诊断；掌控设备及通道状态，大幅优化运检资源配置，实现数据驱动运检业务创新发展和效率提升。同时依托大屏可视化手段，实现多源信息实时展示；依托现代通信技术和多源信息整合，实现多源信息的融合互动。基于运检管控平台的输电线路多源故障数据互联技术架构如图1所示。

图1 基于运检管控平台的多源数据互联Fig.1 Multi-source data interconnection based on the OICP

2015—2020 年期间，有纪录的220 kV 及以上故障跳闸超过200 条，其中雷击为最主要的故障原因，超过105 条，占比达47%；山火（24 条）、鸟害（29 条）和外破（45 条）故障占比也较高，而树障（3条）、异物（3 条）、风偏（4 条），冰害（4 条），其他（7条）故障占比较小，具体情况如图2所示。

图2 某省电网输电线路不同故障统计Fig.2 Different fault statistics of transmission lines in one power grid

2 输电线路故障类型诊断模型

2.1 多源信息融合技术

多源数据融合也称信息融合，是一种自动化综合信息处理技术，通过对多源数据进行融合处理，提取关键特征以克服单一数据来源的局限性，充分利用多种信息提高决策诊断的准确性。

多源信息融合技术由数据层融合、特征层融合和决策层融合3 种组合而成，融合层次越高意味着结果准确度越高，但花费的代价也越大。其基本结构如图3所示。

图3 不同层次信息融合的结构Fig.3 Structure of different levels of information fusion

2.2 故障诊断信息选取

本文重点在输电线路故障类型的快速诊断，因此需要基于故障机理和大量实际历史故障数据的深入分析，并建立典型故障原因实际数据库。从故障相关因素中提取出与故障的发生密切相关的特征量，作为故障诊断关键信息。

故障相关信息可分为三类：故障气象环境、故障录波信息、重合闸信息。

本文选取的故障信息包括以下几点。

1） 环境气象信息。天气、季节、时间等。长距离输电线路不同路段经过的地理与气象也都非常不同，因此进行故障诊断时不可忽略气象因素。

2） 故障录波信息。可提取故障数值特性，如故障接地性质、过渡电阻性质、零序电流直流分量与谐波含量等。不同的故障起因对应的闪络机理不同，直接反映在故障特征数据上，因此故障录波信息不可忽略。

3） 重合闸信息。通过提取运检管控平台的线路故障后重合闸分析结果可进行故障诊断。

2.3 故障特征量提取

1）环境气象信息特征量提取

由于气象特征是非定量数值性的模糊因素，因此针对不同特征进行不同分类处理。

输电线路故障时对应的天气信息有不同类型。其中部分天气条件区分不大，为了简化其分类可合并一类。本文将故障天气特征划分为3 类：雷雨、阴天和晴天。

2）故障录波信息特征量提取

由于故障电流和零序电流的时域特性难以体现故障特征，本文从频域角度提取其故障特征量。

本文采用小波包分析提取故障特征量，其分解可表达为：

式中：j为尺度系数；n为频率指标；D（j+1，n）为上一级分解结果；D（j，2n）和D（j，2n+1）为下一级分解结果；h、g分别为小波分析共轭低通、高通滤波器系数；l，k为小波函数的位置系数。小波包分解结构如图4所示。

图4 小波包分解树状结构Fig.4 Wavelet packet decomposition tree structure

根据Parseval 能量积分等式，原始信号x（t）在时域上能量定义为：

假设对原始信号进行3 层分解，则得到频率从低到高的8 个小波包子频带，分别用E3，0、E3，1、…、E3，7表示各频带含有的能量，具体表达式为：

式中：D（i，j）为小波系数；N为所截取的故障录波的时间长度。

根据各小波包子频带的能量可构造故障特征向量为：

为提高在数据分析上的效率，通常将小波包能量进行归一化处理，令：

则得到归一化后的特征向量为：

3）重合闸特征量提取

重合闸特征也是非数值性的，本文按照运检管控平台分析结果将其划分为两类，即重合成功和重合不成功。

2.4 故障诊断方法

本文采用机器学习算法对输电线路电气故障特征进行识别。机器学习算法中的BP 神经网络算法是一种模拟生物过程的计算模型，与其他机器算法相比，神经网络自适应性程度很高，但BP 算法容易被训练集样本限制，无法充分展示其自身优越性。Adaboost 算法作为一种迭代算法具有融合作用，能够与多种机器学习算法结合进行故障识别与诊断。为了减少训练集样本结构局限性的影响，进而提高故障识别能力，进行Adaboost 与BP 算法融合改进。

采用的Adaboost-BP 算法具体步骤如下。

1） 利用提取到的故障特征量，包括故障电流小波包能量、零序电流小波包能量等共n个数据组成训练集X= ｛x1，x2，…，xn｝，本文算例中n取21，各输电线路对应的故障种类组成D= ｛d1，d2， …，dn｝作为期望输出，其中1 表示雷击，2表示外部破坏，3 表示鸟害，4 表示山火。设定训练集中X中样本权重值相同，为训练集X中样本设定相同的权重值。

式中v1i=1/n为样本的初始化权重，i=1，2，…，n。

2） 用训练样本训练第s个BP 弱分类器Ps。由Ps的分类结果Qs=｛d′1，d′2，…，d′n｝与D对比得到误差样本，并计算第s个分类器的误差。

式中：R为分类误差样本集合；Vs（r）为在分类器Ps中第r个样本的分类误差；QS（r）为第r个样本由分类器Ps给出的分类结果；D（r）为表示第r个样本的实际分类。

3）计算Ps的权重Ws，并同步调整下一个分类器的权重Vs+1。

式中Hs为样本权重归一化因子。

4）循环执行上述步骤2）—3），将所有分类器训练完毕。利用训练好的模型进行检测样本的故障诊断识别，综合给出输电线路故障诊断结果。

综上所述，本文所提出的基于运检管控平台多源信息融合的输电线路故障类型诊断方法流程如图5所示。

图5 基于运检管控平台多源信息融合的输电线路故障类型诊断方法流程Fig. 5 Fault type diagnosis method process of transmission lines based on multi-source information fusion of OICP

1） 结合运检管控平台的历史运行故障数据建立好典型故障原因数据库，然后从数据库中读取各类故障原因的波形数据及关联信息进行预处理；

2） 对故障波形数据进行频域分析，采用小波包提取出相关特征量，提取故障气象环境及重合闸信息；

3） 将故障特征量进行特征融合形成训练样本，作为机器学习算法输入，给出预测模型；

4） 结合预测模型给出新发生故障的故障类型诊断结果。

b.期末考核要求在规定的时间内设计一个综合网站，并提出总体设计方案，考查学生的动手能力、实际操作能力，学生完成后通过FTP上传到教师的服务器上.教师根据设计方案和具体的网站评定学生的成绩，形成对学生专业技能的评价.此成绩占总成绩的40%.

3 算例分析

3.1 故障数据处理

本文以某省电网2015—2020 年输电线路故障数据为基础，剔除掉明显与故障理论分析不符及重复故障录波数据后进行输电线路故障诊断。图6 给出了某一条山火故障样本的故障录波数据的故障电流信息。

图6 山火故障样本故障电流Fig. 6 Fault currents of mountain fire fault samples

由图6 分析可知，山火故障录波数据呈现的特征为故障相电流和零序电流在故障时刻起一段时间内呈现畸变特性，且高频谐波居多，直流含量较少。

而雷击故障的特征为故障相电流和零序电流的波形为正弦波形，直流含量较多；鸟害故障的特征为故障相电流和零序电流的波形为正弦波形，直流分量与谐波特别少；外破故障的特征为故障相电流和零序电流波形呈现畸变特性，衰减直流分量与谐波含量较多。

3.2 故障数据故障特征提取及诊断

3.2.1 故障特征提取结果

本文提取到的故障特征量有气象特征（天气）与数值特征（故障相电流谐波、零序电流谐波、零序电流谐波含量、零序电流直流含量、接地性质）以及重合闸信息。采用小波包分析提取故障相电流8个谐波以及零序电流8 个谐波信息、零序电流谐波含量、零序电流直流含量，提取故障报告中的天气条件，提取基于运检管控平台的界面中线路故障后重合闸分析结果，最后整理数据如附表A1-2，附表1-2仅给出部分特征数据，其中零序电流谐波含量、零序电流直流分量、接地性质因版面原因未给出。选择合适数据并进行归一化处理得到附表A3-4。

表1 机器学习的不同指标对比Tab.1 Comparison of different indicators of machine learning

3.2.2 故障诊断结果

选用上一小节得到的41 故障数据作为训练样本以及验证样本。附表A3-4 给出了部分训练样本和验证样本的数据，其中目标值1 表示雷击，2 表示外破，3表示鸟害，4表示山火。

本文利用Matlab 2019a 软件平台进行仿真验证，硬件环境为Intel（R） Core（TM） i5-10210UCPU@ 1.60 GHz。对样本数据的训练次数设为10 000次，收敛误差为10-5，Adaboost-BP 算法完成训练的时间在1 s 左右。对某次故障的电气量信号提取特征量并进行故障类型识别所需时间约为0.4~0.5 s，表明本文所提的识别策略在算法上能够实现快速诊断。得到结果如图7所示。

图7 AdaBoost-BP测试集与预测结果对比Fig.7 Comparison of AdaBoost-BP test set and prediction result

图7 显示，以神经网络输出为1 判断为雷击故障，以输出结果为2 判断为外破故障，以输出结果为3 判断为鸟害故障，以输出结果为4 判断为山火故障，采用Adaboost-BP 算法输电线路故障故障判别策略计算目标值与输出值之间的相关系数R2高达0.971 89。同时雷雨天气与雷击故障关系密切，通过这一故障特征对雷击故障的识别率较高；该算法能够对运检管控平台的多源数据进行很好的融合并给出精度较高的故障类型识别结果。

图8 BP神经网络测试集与预测结果对比Fig.8 Comparison of BP neural network test set and prediction results

由图8可知，BP算法下输电线路故障判别策略计算目标值与输出值之间的相关系数R2为0.969 26，比Adaboost-BP 算法低了0.27%。综合可知Adaboost-BP 算法在一定程度上提高了识别精度，进一步表明本文所提策略的正确性和可靠性。

3.2.3 机器学习算法故障诊断对比

现将提出的Adaboost-BP 算法与kNN 算法以及支持向量机算法（SVM）进行故障诊断对比。其中：

k 近邻算法（k-Nearest Neighbors，kNN）不需要进行训练即可对样本进行预测。其步骤为：1） 随机从训练样本中选取k个样本组作为最初的最近邻样本组，分别计算测试样本到此k个样本组的距离；2） 筛选出距离最小的k个点并计算出其对应类别的出现频率；3） 输出其中出现频率最高的类别作为测试样本结果。

SVM 在核函数映射基础上实现训练集样本特征维度提升，假设训练样本为（xi，yi），通过线性回归函数f(xi)=ω⋅xi+b拟合并确定ω和b，采用松弛变量ε来控制预测值与训练值之间的误差。

将3 种机器学习算法进行相似性系数R2、均方差、误差平均值3 种指标下的对比，其中相似性系数R2越大，则拟合效果越好，均方差、误差平均值越小则说明算法精度越好。表1 给出了3 种不同机器学习方法对比结果。仿真结果表明，Adaboost-BP 的误差平均值，均方差值和R2指标均要优于其他方法，分别为0.076 2、0.226 2 和0.971 89。其次为kNN 算法，其均方差值和R2分别为0.585 4 和0.897 02， SVM 的3 项指标均位于3 种机器算法末位，没有发挥出其性能特点。

表2给出了3种机器学习算法的运算时间对比，结果表明在3种算法中SVM所需要的时间最长，而kNN 所需时间最短，耗时仅为0.198 65 s，这是由于kNN无需进行模型训练的特性。

表2 运算时间对比Tab.2 Comparison of training time

3.2.4 单一信息源诊断对比

分别以故障相电流、零序电流为单一信息源，采用同样诊断方法进行故障识别得到如图9 所示结果。

图9 单一信息源诊断结果对比Fig.9 Comparison of AdaBoost-BP test set and prediction result

由图9 可知，在相同的判断标准下仅有故障相电流作为唯一信息源进行故障诊断识别的相关系数R2仅为0.776 47，识别雷击故障的结果可靠性降低。仅有零序电流作为唯一信息源进行故障诊断识别的相关系数R2为0.859 96，识别雷击故障、鸟害故障、山火故障的结果正确率较仅有故障相电流作为唯一信息源的识别结果高，综合以上对比结果可知，融合多源信息特征的故障诊断结果准确性较单一信息源的高，出现误判的机率要少，可靠性相对较高。

4 结语

本文主要基于运检管控平台的输电线路多源故障信息融合技术，整合形成输电线路不同故障类型下的实际波形数据库及关联信息数据库，采用小波包分析提取不同输电线路故障类型的故障特征值，采用机器学习算法完成多源信息融合的故障诊断。并依据湖南地区历史跳闸线路故障数据进行验证。通过验证分析对比可得出以下结论：1） 本文所提出的基于运检管控平台多源信息融合的输电线路故障快速诊断策略具有较高的准确性和可靠性；2）不同机器学习算法的故障诊断性能对比不同，其中，Adaboost-BP 的误差平均值，均方差值和R2指标均要优于kNN 及SVM，其运行时间介于kNN 及SVM 之间，综合来说采用Adaboost-BP 算法来能够对运检管控平台的多源数据进行很好的融合并给出精度较高的故障类型识别结果，减少了对训练集样本结构局限性的影响，提高了故障识别能力；3）基于多源信息的融合，能够加快故障诊断识别。

附录

表A1 部分故障特征量数据(1)Tab. A1 Partial fault characteristic data（1）