基于大數(shù)據(jù)思維的輸電線路缺陷評估分析及應(yīng)用

張莎 李玉兵 高偉 潘虹

[摘 要] 針對當(dāng)前電網(wǎng)可靠性問題，以輸電線路缺陷數(shù)據(jù)為研究核心，分析缺陷發(fā)生的各種規(guī)律，找出引發(fā)缺陷的關(guān)鍵因素；通過數(shù)據(jù)實(shí)際反映線路缺陷與桿塔信息間的邏輯關(guān)系，實(shí)現(xiàn)多角度、多維度數(shù)據(jù)分析。通過篩選關(guān)聯(lián)性高解釋能力強(qiáng)的桿塔信息做缺陷預(yù)測，及時(shí)發(fā)現(xiàn)設(shè)備隱患，分析設(shè)備存在的問題，輔助管理人員決策。

[關(guān)鍵詞] 多維度數(shù)據(jù)分析；隨機(jī)森林分類模型；輸變電設(shè)備；缺陷評估

中圖分類號：F407.61 文獻(xiàn)標(biāo)識碼：A

一、輸電線路設(shè)備缺陷評估分析現(xiàn)狀

輸電線路設(shè)備是電網(wǎng)內(nèi)重要設(shè)備，各級輸電線路多數(shù)處在野外，所以其遭受自然、人為破壞的影響比較大，缺陷的出現(xiàn)會造成各級線路處于危險(xiǎn)當(dāng)中，因此研究缺陷發(fā)生的線路、發(fā)生的部位、地段等，對指導(dǎo)線路運(yùn)檢和管理具有很現(xiàn)實(shí)的意義[1]。以某市供電公司330kV及110kV輸電線路為例，其普遍采用人工巡檢的方式，該方式有顯著的不足：

一是工作效率低。據(jù)輸電線路人員定額標(biāo)準(zhǔn)測算，每人平均工作效率為4公里/日，在沒有大規(guī)模應(yīng)用機(jī)巡作業(yè)之前，輸電運(yùn)維缺員嚴(yán)重。二是巡檢質(zhì)量不高。受地形、觀察視角、技能、經(jīng)驗(yàn)等因素影響，工人依靠肉眼或望遠(yuǎn)鏡等簡單工具容易對隱患判斷失誤。三是作業(yè)風(fēng)險(xiǎn)高。工人經(jīng)常需要翻山越嶺、登塔走線，不僅勞動強(qiáng)度大，而且工作條件艱苦，且工作中存在野生動物傷人、高空墜落、中暑、凍傷等人身安全風(fēng)險(xiǎn)[2]。

二、輸電線路缺陷評估分析設(shè)計(jì)思路

針對目前輸電線路巡檢管理存在的一些現(xiàn)狀，為有效對輸電線路設(shè)備的缺陷進(jìn)行有效管理，需要我們運(yùn)用新的技術(shù)來開展工作。根據(jù)分析結(jié)果，可以準(zhǔn)確判別缺陷類別、缺陷嚴(yán)重程度、設(shè)備的狀態(tài)等信息。及時(shí)發(fā)現(xiàn)設(shè)備隱患，分析設(shè)備存在的問題，輔助管理人員決策，從而進(jìn)一步完善輸電線路設(shè)備管理體系。

三、輸電線路設(shè)備缺陷評估數(shù)據(jù)分析

數(shù)據(jù)挖掘是從大量的、不完全的、有噪聲的、模糊的和隨機(jī)的實(shí)際應(yīng)用數(shù)據(jù)中發(fā)現(xiàn)隱含的、規(guī)律的信息和知識的技術(shù)，是統(tǒng)計(jì)學(xué)、數(shù)據(jù)庫技術(shù)和人工智能技術(shù)的綜合。結(jié)合項(xiàng)目需求，項(xiàng)目組對某市供電公司的輸電線路設(shè)備歷史缺陷數(shù)據(jù)進(jìn)行了如下分析：

（一）數(shù)據(jù)集構(gòu)建

原始數(shù)據(jù)來源見下圖：

其中基礎(chǔ)數(shù)據(jù)規(guī)模約30 Mb，缺陷數(shù)據(jù)規(guī)模約2Mb。

基礎(chǔ)數(shù)據(jù)的質(zhì)量問題重點(diǎn)來自于缺失值，通過對數(shù)據(jù)整體做非空頻次分析，利用唯一值判斷等手段評估缺失率超過90%的多列數(shù)據(jù)挖掘意義不大，予以舍棄；缺陷數(shù)據(jù)的質(zhì)量問題重點(diǎn)來自于編碼不一致，存在大量主觀描述、同義近義詞數(shù)據(jù)，通過查閱輸電運(yùn)檢規(guī)程予以統(tǒng)一。

數(shù)據(jù)預(yù)處理分為數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)整合三個(gè)步驟：

1.數(shù)據(jù)清洗。通過確定缺失值范圍，去除不需要的字段，連續(xù)變量使用平均值或中值填充，其余根據(jù)輸電業(yè)務(wù)知識推測填充。2.數(shù)據(jù)轉(zhuǎn)換。對數(shù)據(jù)做了統(tǒng)一化、標(biāo)準(zhǔn)化、離散化處理。3.數(shù)據(jù)整合?；谝淹瓿汕逑?、轉(zhuǎn)換工作的基礎(chǔ)數(shù)據(jù)和缺陷數(shù)據(jù)，基于所屬線路和桿塔編號兩個(gè)關(guān)聯(lián)變量，整合完成寬表。

（二）多維相關(guān)性分析

1.通過缺陷大類和電壓等級的Pareto分析，確定分析的重點(diǎn)在于330kV和110kV線路的本體缺陷。2.通過本體缺陷的分布分析，得知本體缺陷多發(fā)于鄉(xiāng)鎮(zhèn)及農(nóng)牧區(qū)的戈壁灘平原；且在本體缺陷中占比最高的是桿塔缺陷和金具缺陷。3.通過桿塔外部缺陷的鳥害缺陷數(shù)據(jù)分析，發(fā)現(xiàn)該地區(qū)輸電線路鳥害有季節(jié)性、反復(fù)性、區(qū)域性三個(gè)明顯特征。4.通過缺陷分類和所屬線路的偏差分析，得到宗龍線、永夾線無論是一般還是危急缺陷異常值高，急需安排B、C類檢修的分析結(jié)論。

（三）隨機(jī)森林模型預(yù)測分析

通過K折交叉驗(yàn)證法，項(xiàng)目組選取準(zhǔn)確率最高的模型：隨機(jī)森林（RandomForest）作為本研究的建模工具。

隨機(jī)森林從本質(zhì)上屬于機(jī)器學(xué)習(xí)的一個(gè)很重要的分支，叫做集成學(xué)習(xí)。它的工作原理是生成多個(gè)分類器/模型，各自獨(dú)立地學(xué)習(xí)和作出預(yù)測。這些預(yù)測最后結(jié)合成單預(yù)測，因此優(yōu)于任何一個(gè)單分類做出的預(yù)測。

隨機(jī)森林最主要的兩個(gè)參數(shù)是n_estimators和max_ features以及max_depth。

n_estimators：表示森林里樹的個(gè)數(shù)。理論上是越大越好，但是計(jì)算時(shí)間也相應(yīng)增長。所以，并不是取得越大就會越好，預(yù)測效果最好的將會出現(xiàn)在合理的個(gè)數(shù)。

max_depth：決策樹最大深度。

max_features：每個(gè)決策樹的隨機(jī)選擇的特征數(shù)目。每個(gè)決策樹在隨機(jī)選擇的max_features特征里找到某個(gè)“最佳”特征，使得模型在該特征的某個(gè)值上分裂之后得到的收益最大化。max_features越少，方差就會減少，但同時(shí)偏差就會增加。對于分類問題，max_features=sqrt（n_features）。

由于本研究使用的模型為隨機(jī)森林，主要的可調(diào)超參數(shù)為多個(gè)，故用網(wǎng)格搜索法確定最優(yōu)參數(shù)。主要評價(jià)指標(biāo)為擬合效果，次要評價(jià)指標(biāo)為訓(xùn)練時(shí)間。

n_estimators取值為[1，2，3，4，5，6，7，8，9，10，15，20，30]

引入網(wǎng)格搜索，實(shí)驗(yàn)結(jié)果如下：

最佳的弱學(xué)習(xí)器迭代次數(shù)= {n_estimators： 30}

擬合結(jié)果= 0.7558819171324392

網(wǎng)格搜索經(jīng)歷時(shí)間：0.978 S

接著項(xiàng)目組選取對決策樹最大深度max_depth和內(nèi)部節(jié)點(diǎn)再劃分所需最小樣本數(shù)min_samples_split進(jìn)行網(wǎng)格搜索。

實(shí)驗(yàn)結(jié)果如下：

決策樹最大深度 {max_depth： 7}

擬合結(jié)果 0.791231732776618

網(wǎng)格搜索經(jīng)歷時(shí)間：0.792 S

引入以上兩個(gè)最佳參數(shù)后，看看現(xiàn)在模型的袋外分?jǐn)?shù)，實(shí)驗(yàn)結(jié)果如下：

{max_features： 5}

擬合結(jié)果0.8225469728601252

最后用搜索到的最佳參數(shù)（n_estimators=30，max_ depth= 7，max_features=5）結(jié)合最終的模型擬合，得到袋外分?jǐn)?shù)oob_score_= 0.868，模型此時(shí)已經(jīng)接近最優(yōu)了。

通過網(wǎng)格搜索進(jìn)行參數(shù)調(diào)優(yōu)，驗(yàn)證模型的質(zhì)量分別從耗時(shí)、準(zhǔn)確率、誤差和ROC曲線方面比較判斷，驗(yàn)證了改進(jìn)的系統(tǒng)分類模型無論在耗時(shí)上還是在分類的精確率上都有所提高，促使本機(jī)器學(xué)習(xí)模型能夠變成得到較高精度的缺陷預(yù)測模型。

四、輸電線路設(shè)備缺陷評估成果應(yīng)用

本項(xiàng)目的多維分析內(nèi)容在輸電線路設(shè)備缺陷數(shù)據(jù)結(jié)構(gòu)化后，可作為智能監(jiān)測分析平臺的應(yīng)用參考，結(jié)合輸電運(yùn)維指標(biāo)體系，形成一套完整的輸電運(yùn)維駕駛艙系統(tǒng)。

本項(xiàng)目使用的交叉驗(yàn)證法-隨機(jī)森林分類模型在訓(xùn)練樣本不斷充實(shí)、基礎(chǔ)數(shù)據(jù)不斷完善的趨勢下，可以有諸多的應(yīng)用擴(kuò)展。例如通過對時(shí)間序列再次建模，可以對未來1-2個(gè)檢修基準(zhǔn)周期內(nèi)任意線路的任意桿塔做缺陷預(yù)測，從而達(dá)到故障預(yù)警輔助運(yùn)維人員決策的目的；

五、輸電線路設(shè)備缺陷評估成果成效

項(xiàng)目應(yīng)用預(yù)期成效主要體現(xiàn)在以下三個(gè)方面：

（一）資金方面合理高效使用

通過對缺陷和隱患的分析，評估線路運(yùn)行狀態(tài)，為線路規(guī)劃設(shè)計(jì)、施工驗(yàn)收、大修技改項(xiàng)目儲備等各環(huán)節(jié)提供依據(jù)。

（二）管理更高效智能

目前基層班組普遍缺員嚴(yán)重，通過數(shù)據(jù)分析情況評價(jià)線路風(fēng)險(xiǎn)及狀態(tài)，自動告警，為輔助決策提供依據(jù)。更合理使用人力資源，避免人力資源的浪費(fèi)以及該巡視的地方?jīng)]有巡視到情況的發(fā)生。

（三）線路運(yùn)檢更加科學(xué)

通過數(shù)據(jù)的分析和模型預(yù)測應(yīng)用，可以發(fā)現(xiàn)設(shè)備缺陷和隱患的具體位置，自動告警，為輔助決策。從多個(gè)維度分析各類缺陷的發(fā)生規(guī)律，建立分類模型進(jìn)行缺陷預(yù)測，更有助于有的放矢，大大減少資源浪費(fèi)，增強(qiáng)輸電運(yùn)檢單兵戰(zhàn)斗力。

六、結(jié)語

通過建立智能監(jiān)測分析平臺，輸電線路缺陷數(shù)據(jù)將由非結(jié)構(gòu)化轉(zhuǎn)向結(jié)構(gòu)化，過程管控也由人工化轉(zhuǎn)為科學(xué)化，不僅降低了電力企業(yè)的成本預(yù)算，還提高了電力巡檢工作的效率，這讓供電公司輸電運(yùn)檢智能化業(yè)務(wù)能力支撐能力明顯增強(qiáng)。

通過對桿塔臺賬數(shù)據(jù)和無人機(jī)自動巡視缺陷報(bào)告數(shù)據(jù)資源的梳理和整合，使供電公司輸電運(yùn)維檢修方案決策第一次實(shí)現(xiàn)“用數(shù)據(jù)說話”，有助于公司未來更好地運(yùn)用大數(shù)據(jù)，實(shí)現(xiàn)電力大數(shù)據(jù)的價(jià)值挖掘，激發(fā)企業(yè)的創(chuàng)新模式，實(shí)現(xiàn)公司管理水平的全面飛躍。

參考文獻(xiàn)：

[1]李志鵬.基于大數(shù)據(jù)分析的輸電線路管理系統(tǒng)及故障診斷研究[D].武漢：湖北工業(yè)大學(xué)，2015.

[2]李龍.輸電線路的狀態(tài)檢修技術(shù)的探討初探[J].山東工業(yè)技術(shù)，2018（22）：209.