災害天氣對日照市電力事故的影響研究

盧振禮，李玉華，崔廣署，安源

(1.日照市氣象局，山東 日照 276826；2.山東省氣象服務中心，山東 濟南 250031)

引言

電網安全不僅關系到各行各業(yè)的生產和千家萬戶的生活，還對交通、通信、供水供氣等其他基礎設施穩(wěn)定運行產生重大影響。雷雨、大風、高溫、冰凍等災害天氣對電網安全有著重要影響，災害天氣會極大影響配電網的運行可靠性[1]，也可造成特高壓交流輸電線路較大的電暈損失[2]。隨著災害天氣強度的加強，電網運行的潛在風險也會不斷增加[3-4]，進而引發(fā)電力線路或電網故障及事故[5-7]。統(tǒng)計表明，對電力系統(tǒng)造成影響的主要氣象災害天氣有雷電、強降水、大風、高溫、冰凍等[8]。近十幾年來，影響我國電網安全的災害天氣頻繁發(fā)生，導致國內電網事故不斷增多，損失日益嚴重。

2004年11月24日，烏魯木齊市兩座鐵塔受大風影響出現(xiàn)倒塔事故。2005年6月24日，受颮線大風影響，江蘇省泗陽500 kV任上5237線輸電線路(輸電線路一般是超過35 kV的高壓電路)發(fā)生倒塔事故，一次性串倒輸電鐵塔10基，同時大風還造成臨近的500 kV任上5238線跳閘，兩條線路同時停止輸電，給華東電網造成了非常嚴重的影響。2008年1月12日—2月4日，我國華南、西南、華中和華東地區(qū)先后4次遭受低溫雨雪冰凍天氣襲擊，全國有20個省受到不同程度的影響，13個省的電力設施遭到了破壞，造成直接經濟損失達1 516億元。2012年“7·21”雷雨災害致使北京220 kV、110 kV電網均發(fā)生了瞬時故障，同時受山洪和積水影響，電網10 kV設備共發(fā)生76 起永久性故障，35 kV設備發(fā)生1起永久性故障。2010年5月30日和2011年8月29日兩次強雷雨災害天氣共造成日照市境內緊急電力事故17起，重大電力事故34起，電力設備損毀，經濟損失巨大。因此，研究和預測氣象條件對電力系統(tǒng)的影響對于防御電網事故和減輕事故損失具有重要意義。

目前，已有學者對災害天氣與電網安全做過諸多研究。研究[9-17]指出，雷雨、大風及冰災是引起輸電線路故障的主要原因。其中，雷雨天氣災害常造成輸電線路雷擊跳閘事故[10-11]，大風天氣災害主要會造成供電線路(供電線路是輸送和分配電能的線路，一般為低于35 kV的電路)、輸電線路和輸電塔遭受破壞的事故[14-15,18]，同時還可能引發(fā)鐵路交通中斷[19]。冰凍災害也是影響電網安全的主要氣象災害之一，電線積冰與霧凇和雨凇密切相關，可出現(xiàn)線路舞動或冰閃[17]。至于氣溫對輸電線路影響方面的研究也較多，但主要研究[20-26]集中在氣溫與城市電力負荷的關系方面，普遍認為夏季的日平均氣溫與電力負荷正向相關，也有學者[26]認為，高溫引起電力線路超負荷，一旦電力線路出現(xiàn)過載現(xiàn)象，將威脅到電網安全平穩(wěn)運行。

關于雷電災害對電力系統(tǒng)影響的風險評估，學者相繼展開過細致研究，對輸電線路雷擊故障數據統(tǒng)計分析，利用信息擴散方法獲得線路發(fā)生雷擊故障的條件概率密度分布，并發(fā)展了輸電線路雷擊故障概率的電網短期可靠性評估模型[27]；歸納雷雨災害影響電網安全的機理、途徑及特點，提出了雷雨引發(fā)電網故障的風險評估思路和雷雨災害在線預警及在線防御的實施方案[28]等。本文在以上研究的基礎上，針對影響日照電力安全的災害天氣特點，即雷雨、大風天氣頻發(fā)，高溫天氣較少，線路積冰極少發(fā)生的情況，將重點研究雷雨、大風天氣對電力事故的影響。通過統(tǒng)計分析，把握災害天氣對電力事故影響的特點，并利用事件概率回歸(regression estimation of event probability，REEP)方法和Logistic回歸分析方法建立氣象要素對電力事故的預測模型，為建立電力事故的預警系統(tǒng)提供理論依據和技術支持。

1 研究資料與方法

1.1 研究資料

研究的氣象數據由日照市氣象局提供，選取2009—2014年雷雨、大風和日平均氣溫等氣象數據，氣象數據來源于日照市境內國家級氣象觀測站、區(qū)域氣象觀測站的監(jiān)測數據。氣象設備是江蘇省無線電科學研究所有限公司生產的“DZZ4”自動氣象站。風速、雨量、氣溫為5 min累計一次。雷電資料來源于山東省內組網設備，閃電定位儀采用“三點”和“四點”定位模式確定閃電位置。相應電力事故資料由日照供電公司提供，選取了雷電多發(fā)年份2009—2014 年電力事故發(fā)生時段的歷史資料。

1.2 研究方法

首先采用REEP方法分析雷雨、大風和日平均氣溫等對電力事故發(fā)生概率的貢獻，并建立簡單的預報模型。這一方法的基本思想是把自變量與預報量視為隨機事件，這類隨機事件發(fā)生與否通常用“1”和“0”數值變量表示，利用預報因變量y與n個自變量x1，x2，…，xn建立回歸模型。本文需要研究n個氣象要素是否會對電力事故y產生影響，即對電力事故y與雷雨、大風和日平均氣溫等進行回歸分析，從而建立關于預報量y和自變量x的事件概率回歸模型，其表達式參見公式(1)。

(1)

式(1)中，p表示事件發(fā)生的概率，b為方程常數項。

進而采用Logistic回歸分析方法，并將回歸結果與REEP方法的結果對比分析。以往的研究表明相對于多元線性回歸，Logistic回歸對事件發(fā)生與否的預測能力更加有效。所謂Logistic回歸分析方法就是一種非線性回歸分析方法，其原理是對二分類因變量(y=1或y=0)進行回歸分析時普遍使用的多元量化統(tǒng)計分析方法，模型中大多自變量為連續(xù)型變量，主要應用最大似然估計法，由樣本數據求解各參數的值，模型方程表達的是一種概率思想[29]?？梢杂肔ogistic回歸模型來預測某事件發(fā)生的概率，因而可應用Logistic回歸模型計算電力事故發(fā)生的可能性，即一定時間內氣象因素的異常變化與電力事故發(fā)生的因果關系。Logistic 回歸模型的數學表達式為：

(2)

其中，p表示事件發(fā)生的概率，ai表示待估算系數，F(xiàn)i為自變量，i=1，2，…，n。

2 統(tǒng)計結果分析

2.1 不同天氣電力事故影響統(tǒng)計結果

日照市電力事故發(fā)生的頻次年際差異較大，無論從逐年分布還是從逐月分布情況(圖1)來看，均存在不均勻性，變化幅度存在明顯跳變性。日照市電力事故每年發(fā)生次數均在30次以上，其中2012年和2014年發(fā)生次數較多(圖2a)。由逐月次數變化情況可以看出，電力事故主要發(fā)生在5—9月，以7月和8月發(fā)生次數最多(圖2b)，與部分學者[9,30]統(tǒng)計分析結果一致。同時，對雷雨和大風天氣的年、月分布情況(圖3a、b)進行了統(tǒng)計。本文所述雷雨是一種伴有雷電的降雨現(xiàn)象，產生于雷暴積雨云下，表現(xiàn)為大規(guī)模的云層運動，降雨時空分布不均，還伴有放電現(xiàn)象，常見于夏季；大風是指極大風速達到8級(風速在17.2 m·s-1以上)。7—8月正是日照市雷雨和大風發(fā)生的集中月份，這種對應關系是否存在偶然的不確定性，還是存在密切關聯(lián)性？下文將就這一問題深入探討，分析電力事故與雷雨、大風等極端天氣要素的關聯(lián)性。高溫天氣相對出現(xiàn)概率較少，先不做關聯(lián)性分析。分析內容將在第3節(jié)進行介紹。

圖1 2009—2014年電力事故次數逐月分布

圖2 電力事故次數逐年變化(a)和逐月變化(b)

圖3 雷雨和大風次數逐年分布(a)和逐月分布(b)

2.2 日照市電力事故與氣象條件的關聯(lián)性分析

通過上文統(tǒng)計分析可以發(fā)現(xiàn)，雷雨、大風與電力事故的發(fā)生可能存在關聯(lián)性。雷雨、大風哪個因子的影響力更為直接？雷雨、大風兩項因子疊加之后對電力安全的影響是否會更加嚴重？本文繼續(xù)深入探討這一內容。

2009年電力事故和對流天氣發(fā)生次數均較少，因而選取其中對流天氣發(fā)生較頻繁的年份2010—2014年資料，對氣象與電力數據進行統(tǒng)計對比和回歸分析。5 a內總計發(fā)生電力事故達463次，年均92.6次。其中對應的雷雨天氣時發(fā)生電力事故68次，大風天氣時發(fā)生電力事故137次，雷雨+大風天氣時發(fā)生電力事故164次，各占統(tǒng)計時間段內發(fā)生電力事故總次數的比率分別為15%、30%和35%。這兩類災害天氣所對應的電力事故次數共計369次，占總發(fā)生次數比率為80%(表1)。這說明雷雨、大風天氣與日照市電力事故的發(fā)生存在明顯的關聯(lián)性。

表1 電力事故發(fā)生次數與雷雨、大風天氣事件的對應關系

表2給出了日照市區(qū)域(包含各區(qū))、時段內37個變電站發(fā)生電力事故的基本情況及事故與雷雨、大風天氣事件的對應關系(其中雷雨、大風事件是指發(fā)生電力事故時出現(xiàn)的雷雨、大風天氣)。由表2可以看出，即使從單站的資料對比分析，也說明了雷雨和大風天氣對電力事故影響較大。

表2 變電站發(fā)生電力事故次數及其與大風、雷雨天氣的對應關系

圖4給出了日照市區(qū)域(包含各區(qū))電力事故發(fā)生次數與雷雨、大風天氣的對比曲線。由圖4可看出，電力事故發(fā)生頻次與雷雨、大風頻次存在明顯的趨同性，3條曲線的波峰波谷存在一致性變化，這進一步說明了雷雨、大風天氣對電力事故發(fā)生存在顯著影響。

3 氣象條件對電力事故影響的概率模型

3.1 事件概率回歸模型(REEP)

除了大風、雷雨天氣之外，高溫也可能是引發(fā)電力事故的重要因素[26]，建立模型時將日平均氣溫也作為一個因素加以考慮，進行分析檢驗。兩種回歸模型中所選用的降水量、極大風速、日平均氣溫等數據來源于日照市區(qū)域(包含各區(qū))的國家級氣象觀測站、區(qū)域自動氣象觀測站實況監(jiān)測值，選取距離電力事故點10 km內最近的單站資料。降水量為單站24 h累計降水量，極大風速為事故時段內的極大值，日平均氣溫為02時、08時、14時、20時的整點平均值。首先，用事件概率回歸方法(REEP)分析雷雨、大風和日平均氣溫與電力事故的回歸模型。根據事件概率回歸方法的原理，假定電力事故發(fā)生為y=1，不發(fā)生為y=0，發(fā)生雷雨時x1=1，無雷雨時x1=0，極大風速級達到大風級別x2=1，無大風x2=0，平均氣溫達到26 ℃以上x3=1，低于26 ℃，x3=0，選取日平均氣溫指標參考了部分學者[ 21-22]的研究資料。

根據事件概率回歸方程(1)和歷史統(tǒng)計數據，可以建立電力事故發(fā)生概率與雷雨、大風和日平均氣溫的回歸關系模型，即可得到回歸方程(3)和方程(4)。

p(y=1 |x1,x2,x3)=0.015 9+0.548x1+0.857x2+0.046x3

(3)

以0.5為閾值判定事件是否發(fā)生，如果p>0.5則表示電力事故會發(fā)生。由回歸系數值可看出，雷雨、大風對電力事故促進作用較大，而日平均氣溫的影響能力相對較小(通過顯著性檢驗，也作為影響因子)。如果剔除2012年電力事故發(fā)生次數異常的年份，則可得到回歸方程：

p(y=1 |x1,x2,x3)=0.016+0.467x1+0.873x2+0.054x3

(4)

對比方程(3)和方程(4)得出，兩者回歸系數差異較小，表明了電力事故發(fā)生概率與雷雨、大風天氣的關系穩(wěn)定。

3.2 Logistic回歸模型

根據Logistic回歸原理，選取發(fā)生雷雨天氣時段的降水量、極大風速和日平均氣溫建立電力事故發(fā)生概率預報模型，其中降水量、極大風速和日平均氣溫取實際數值，而電力事故取邏輯值，即電力事故發(fā)生為1，不發(fā)生為0。需要說明的是本文的回歸模型系數均設置為0.05的顯著性檢驗(Significance test)閾值，只有回歸變量系數顯著性值小于0.05的變量才被納入回歸模型。根據Logistic回歸分析方法，結合氣象數據和電力事故歷史資料，可以得到以下回歸方程：

(5)

如果去除2012年電力事故異常年份，電力事故概率回歸方程為：

(6)

對比方程(5)和方程(6)發(fā)現(xiàn)，回歸方程中各系數相差較小，說明電力事故與3種天氣要素具有穩(wěn)定的關系。

4 回歸結果驗證

事件概率回歸(REEP)模型結果顯示，p>0.5時，模型預報的電力事故天數為33 d，占電力事故總天數的40.2%(共82 d的數據)，但是對應電力事故發(fā)生次數為376次，占發(fā)生總次數的81.2%，表明雷雨、大風對于電力事故的影響能力比較大，事件概率回歸預測模型具有較高的準確性。

由Logistic回歸方程系數來看，其中風速對電力事故的發(fā)生概率影響最大。雷雨和26 ℃以上的日平均氣溫對電力事故的發(fā)生概率影響相對較小。對比事件概率回歸方法(REEP)得到的結果可發(fā)現(xiàn)，降水量50 mm以上的雷雨天氣對電力事故發(fā)生概率影響較大的因素是雷電而不是降水量。兩種模型中，日平均氣溫在26 ℃以上的天氣對電力事故的發(fā)生概率影響并不明顯，這一點與王瑋等[7]、付桂琴和張文宗[30]的研究結果一致。

此外，Logistic模型結果中p>0.5的天數為16 d，對應發(fā)生電力事故313次，占總電力事故次數的68%，其準確性略低于事件概率回歸方法(REEP)的分析結果，除了降水量和日平均氣溫在模型中的相關性系數較小的原因外，還因為p值是非線性變化，方程中選取的自變量是實際數值，分別對應降水平均值65 mm·d-1、風速平均值13.4 m·s-1、平均氣溫22.7 ℃，而REEP方法p>0.5時對應降水平均值34 mm·d-1、風速平均值14.4 m·s-1、平均氣溫16.9 ℃。兩者對應的平均值除了風速外，其他相差都較大，即閾值差異較大。因而Logistic模型結果與REEP模型結果有差異是可以理解的。

5 結論與討論

基于日照市雷雨、大風等氣象資料和電力事故歷史資料，利用REEP回歸分析和Logistic回歸方法構建了電力事故與災害天氣要素之間的回歸模型，并得到以下結論：

1)利用事件概率回歸(REEP)分析建立的回歸模型，當p>0.5時，模型結果得到電力事故33 d，占發(fā)生總天數的40.2%，對應電力事故發(fā)生次數376次，占發(fā)生總次數的81.2%，表明了雷雨、大風對于電力的事故發(fā)生概率貢獻相當大。

2)利用Logistic邏輯回歸方法建立的回歸模型，當p>0.5，模型結果顯示，發(fā)生電力事故為16 d，占總天數的20%，但對應電力事故發(fā)生次數為313次，占總次數的68%。

3)從兩種方法來看，REEP模型更為直觀，Logistic模型更為客觀，適用性更強。

檢驗結果是基于82 d樣本資料，而整個模型的建立是基于5 a的資料，因而如果用模型預測未來5 a或者更長的時間，其預測的結果準確率會更高一些。今后可進一步積累氣象和電力事故數據，繼續(xù)完善預警模型，提高電力氣象預警發(fā)布的科學性、時效性。