基于大數據分析的輸電線路運行故障診斷方法

輸電線路能否安全運行不僅直接關系到整個電力系統(tǒng)能否可靠運行，也關乎廣大電力用戶的用電安全和質量。輸電線路的故障診斷方法一直以來備受各學術界和產業(yè)界關注，成為其共同研究的熱點。隨著大數據技術的不斷發(fā)展，除了廣泛應用于互聯網、金融、物流等領域，在能源電力行業(yè)中大數據技術也進入逐步發(fā)展階段。

輸電線路常見故障

輸電線路，作為電網運行中不可或缺的重要組成部分，其不僅是電能傳輸的紐帶，同時也是整個電力系統(tǒng)安全穩(wěn)定運行的根本。隨著國家經濟建設的不斷發(fā)展，電網布局獲得進一步的發(fā)展和改善，同時促進了輸電線路建設的長足發(fā)展。

對于輸電線路來說，因為所處位置環(huán)境相對復雜，地域分布范圍廣泛，并且桿塔點數量多、鋪設線路長，同時長期暴露在野外，不但極易遭受極端氣候的侵襲，而且人為等其他外力的破壞也不容忽視，這些都會導致線路跳閘，從而增加電網停電事故發(fā)生概率。如果輸電線路發(fā)生故障，且不能及時準確地發(fā)現并采取修復措施，由此產生的經濟損失將難以估量。因此，做好輸電線路的故障診斷工作是保障電網安全穩(wěn)定運行的重要環(huán)節(jié)，需要我們給予高度的重視。輸電線路中常見的故障按性質來分主要涉及自然因素影響和人為因素影響兩個方面[1]：

（1）自然因素的影響

在我國輸電線路的鋪設一般都是在室外的，在運行過程中處于長時間曝露在室外的狀態(tài)，很容易受到極端氣候的影響，而這些影響因素不但難以預見，還會給輸電線路帶來極強的破壞。

雷擊。根據國家電網系統(tǒng)輸電線路故障統(tǒng)計分析，2011～2013年，50%以上的高壓線路跳閘都是由雷擊引起的，足見雷擊仍是造成輸電線路閃絡最主要的原因。雷擊對輸電線路和電力設備的影響是極大的。

強風。隨著電網規(guī)模的增大以及不可避免的極端氣候的頻發(fā)，輸電線路由于強風現象而引發(fā)跳閘的次數逐年增多，給輸電線路的建設工作帶來了一定的危害。在暴風天氣較多的地方，風力對線路的影響更是十分顯著，如颮線風會引發(fā)風偏放電現象，颶風或龍卷風則會引起線路倒塌等。

覆冰。對輸電線路而言，覆冰帶來的影響集中體現在我國的北方地區(qū)。輸電線路冰層覆蓋過厚會引發(fā)過負載事故；冰層覆蓋不均勻時容易引發(fā)桿塔傾倒、線路中斷事故；這些都將進而造成巨大的損失。

鳥害。鳥類本身的飛行行為并不會對輸電線路造成很大的影響，但是鳥類飛行時常會叼著雜物，當其飛行經過輸電線路時，雜物的散落或者附著在線路上都有可能會造成輸電線路故障。除此以外，鳥類筑巢和鳥糞閃絡都可能造成輸電線路故障。

（2）人為因素的影響

目前，由于人為因素引起的輸電線路跳閘事故呈逐年上升趨勢。在輸電線路防護區(qū)內私建房屋、大肆修路、開山放炮、圍堰挖塘、焚燒等違章違法行為屢禁不止，導致輸電線路和電網系統(tǒng)安全穩(wěn)定運行遭到嚴重威脅。因此，對于人為因素造成對輸電線路的毀壞同樣不可忽視的。

這些故障的發(fā)生往往不能被有效預測，造成的危害十分巨大，直接威脅著輸電線路以及人民生命財產的安全。

故障診斷方法

廣義上，故障診斷方法是采用檢查和測試方法來查找設備或者系統(tǒng)故障的過程，其在各個行業(yè)領域都有廣泛應用。在電力行業(yè)，故障診斷主要被應用在輸變電設備上，這是由于輸變電設備分布廣泛、距離遠、情況復雜的特點所決定的。

故障診斷的四大主要任務分別為：檢測故障、判斷故障類型、確定故障位置以及恢復故障。檢測到故障的發(fā)生所需用時越少，檢測到的故障信號越小，故障誤報率與漏報率越低，故障分離能力越強，故障辨識能力越強，說明故障診斷方法越優(yōu)秀。

一個優(yōu)秀的故障診斷方法能幫助電力部門制定合理的檢測方案，減少故障持續(xù)時間，降低人力資源成本，也能大大減少因為故障而對工業(yè)用電、居民用電產生的影響。因此如何提高故障診斷的能力，是一個具有現實意義的課題。

1.1.傳統(tǒng)診斷方法

（1）阻抗法

阻抗法主要是根據測量線路阻抗與線路長度成正比這個原理來進行故障測距與定位。阻抗的測量則可以利用發(fā)生故障時線路中的電壓、電流量來進行計算。該方法操作簡單，但是在某些線路結構和故障情況下是無法使用阻抗法進行測距，存在著測距死區(qū)問題。

在實際應用中，阻抗法可以用來輔助尋找故障波頭，從這個方面來看，阻抗法也有著比較重要的研究價值。

（2）行波法

根據電壓和電流行波在線路上有固定的傳播速度這一特點，提出了行波故障診斷方法。行波法主要工作原理是利用行波在測量點與故障點往返一次的時間，經過簡單的計算得到故障距離，從而進行故障定位。

行波法主要有兩種方式，一是通過電壓行波的測距方法，二是通過電流行波測距，也有從業(yè)人員結合兩種方法來提高測距精度。由于行波法利用了故障初期出現的行波電壓、行波電流信息，因此它能夠在短時間內檢出故障。

1.2.基于大數據的診斷方法

隨著大數據技術地不斷發(fā)展，其除了廣泛應用于互聯網、金融、物流等領域，在電力等能源行業(yè)中，大數據技術也邁入發(fā)展階段。

而在諸多大數據技術中，數據挖掘技術和數據分析處理技術在電力行業(yè)中的應用是最為常見的，主要就是應用于對電力系統(tǒng)的故障的診斷以及安全評估。

電力系統(tǒng)中的數據具備大數據標志性的“4V”特征，即規(guī)模（Volume）大、類型（Varity）多、價值（Value）密度低和處理速度快（Velocity），如圖1所示。

在電力系統(tǒng)不斷革新的同時，系統(tǒng)中設備的科技化程度也在不斷提高，傳統(tǒng)的故障診斷方法也迫切需要得到改進，基于大數據技術輸電線路故障診斷方法開始邁入智能化階段。大數據分析是指通過數據挖掘、深度學習、信息融合等方法對前期預處理的海量數據進行整合分析，從中挖掘有價值的信息以滿足用戶需求。

結合電力系統(tǒng)的現狀，為了達到充分挖掘電力大數據價值的目的，處理電力大數據時需要從以下三個方面著手：第一，建立與大數據信息匹配的多維數據模型；第二，運用先進的數據挖掘技術提取相關性最高的數據特征；第三，運用多個領域的圖形化分析技術提高決策水平。本文主要介紹以下三種基于大數據分析的智能故障診斷的方法：

（1）人工神經網絡診斷方法

人工神經網絡（Artificial Neural Networks，ANN）與一般人工智能方法相比，擁有強大的自適應學習能力，分布式信息存儲能力，并行處理能力，非結構化信息處理能力以及強大的推廣能力等。

在神經網絡診斷法中人工神經元模擬了腦神經的基本特性，它按照不同的權重接收其他神經元傳遞來的信號，而輸出則是這種加權和信號的非線性函數值。

類似于人腦的結構，人工神經網絡由一組結點和連接這些結點的有向鏈接組成，如圖2所示的前饋網絡模型，包含輸入層、輸出層以及介于兩者之間的隱藏層（可以有若干層）。每一層都由數量不等的結點組成，每一層的結點通過鏈接只和下一層的結點相連，這些結點通常被稱之為神經元或者單元。

訓練ANN是一個很耗時的過程，且對訓練數據中的噪音非常敏感，考慮到ANN應用于輸電線路故障測距時需要考慮的因素非常多，而且所用的訓練樣本數據量巨大，導致訓練結果很難收斂，因此，ANN實用于輸電線路故障測距尚需進一步研究。

（2）故障樹分析診斷方法

故障樹分析法（Fault Tree Analysis， FTA），又稱事故樹分析法，是一種將設備或系統(tǒng)中故障形成的可能原因，自上而下按層級細化尋找故障直接原因和間接原因的演繹分析法。在輸電線路故障診斷應用中，故障分析樹將輸電線路運行中最不希望發(fā)生的故障設為頂層事件，然后向下逐層列出可能導致該事件發(fā)生的全部因素，最后形成故障樹，以此描述事件之間的相互聯系，從而展開定性和定量分析。故障樹定性分析是故障樹分析的核心，定性分析是一個求最小割集的過程。最小割集是指最低限度導致頂上事件發(fā)生的基本事件的集合。故障樹定性分析通過求得最小割集，以便于快速地分析系統(tǒng)的故障模式。

而定量分析的目的是：根據已給事件的概率，計算頂層事件的概率。這種方法是比較常用的故障診斷方法，可以將比較復雜的問題簡化為幾個小問題，主要用于簡單對象的離線診斷。

故障模式及影響分析（Fault Mode and Effect Analysis，FMEA） ，是一種從因果法系出發(fā)，分析系統(tǒng)結構與系統(tǒng)中每個故障對系統(tǒng)產生的影響以消除潛在故障模式的定性分析方法，該方法屬于前瞻性分析方法，在預防事故發(fā)生中起到了重要的作用。在輸電線路故障診斷應用中，通過制定規(guī)范化的FMEA分析表格，首先，明確輸電線路運行過程中可能發(fā)生的各種潛在故障模式；其次，評估每種故障模式可能帶來的影響，以及其嚴重程度；再者，針對每種故障模式，評估其發(fā)生的原因和發(fā)生機率的大??；最后，針對危害嚴重的故障模式，提出相應的解決措施。

FTA能系統(tǒng)地、準確地預測或者發(fā)現系統(tǒng)安全性問題，FMEA能定性地分析系統(tǒng)的故障模式及其對系統(tǒng)造成的所有影響。FTA方法先是根據故障間因果關系以及邏輯關系建立起一個以事件為節(jié)點的倒樹結構，然后對樹結構進行簡化和計算各基本事件的結構重要度，最后進行定量以及定性分析。若以FMEA為基礎建立故障樹，能進一步提高FTA的客觀性、全面性以及分析結果的有效性。圖3是為基于FMEA的故障樹分析過程示意圖。

（3）模糊模式識別診斷方法

模糊模式識別方法是利用模糊數學中的概念、原理與方法解決分類識別問題。例如，最大隸屬度法，就近原則法和模糊聚類法等。模糊模式識別（Fuzzy Pattern Recognition， FPR）的基本思想是指接受現實中存在模糊現象的事實，把這些模糊事件設定為研究對象，并將其轉變?yōu)橛嬎銠C能夠進行處理的信息，從而達到模式識別的目的。

例如，輸電線路系統(tǒng)中有許多這種內涵確定而外延不確定的概念，例如“過電壓”、“過電流”等。正因為輸電線路系統(tǒng)中的模糊性的存在，這種模糊模式識別的故障診斷方法得到了廣泛的應用。

由于傳統(tǒng)的行波測距法存在以下這些不確定性因素：

故障發(fā)生時刻是不確定的，它可能發(fā)生在電壓最小值到最大值之間的任一時刻，這會直接影響行波源的大小。

行波測距時，母線上的接線是不固定的，這會影響母線處的反射，干擾結果。

輸電線路上存在大量干擾。而這些問題都會導致其可靠性較差。

為了更好地處理這些不確定性因素帶來的干擾，已有學者提出在原有的行波測距基礎上結合模糊模式識別技術。提出一種對輸電線路進行分段的獨特思想，發(fā)生在每一段線路內的故障與一種模式相對應，通過逐一識別各段線路上的故障模式，定位故障發(fā)生位置。針對某一故障可能出現多種候選模式符合的情況下，可以根據模糊理論定義一個隸屬函數，來表征故障屬于某種模式的程度。

由于輸電系統(tǒng)運行中產生數據體量大、類型繁多的特點，傳統(tǒng)故障診斷方法已經無法準確快速地確定故障點。與傳統(tǒng)故障診斷方法相比，基于大數據技術的智能故障診斷法在信息的獲取和處理方面有著很大的優(yōu)勢，而且它在診斷故障的同時還具備對輸電線路故障的預測功能。

盡管，大多數的智能算法在實用于電力系統(tǒng)中仍還需要進一步的研究，且還有賴于各項技術的發(fā)展與成熟。但毫無疑問的是，基于大數據分析技術的智能故障診斷技術是故障診斷發(fā)展的必然趨勢，而且將其他學科的知識運用于輸電線路故障診斷的方法具有廣闊的前景，這將為輸電線路故障診斷研究開拓一條新的方法。