基于貝葉斯線性回歸的鳥害故障分析

朱朋輝 趙全忠 廖志文 黃智明

0 引言

輸電線路的安全運(yùn)行是用戶穩(wěn)定用電的前提,也是廣東電網(wǎng)高質(zhì)量發(fā)展的保障[1]．隨著廣東經(jīng)濟(jì)的高速發(fā)展,從日常生活到工業(yè)生產(chǎn)對電力質(zhì)量提出了越來越高的要求,這給輸電線路的運(yùn)維保障帶來了挑戰(zhàn)．廣東江門電網(wǎng)2015—2019年的運(yùn)維數(shù)據(jù)顯示,鳥害故障是影響輸電線路安全穩(wěn)定的主要原因[2]．因此,建立鳥害故障分析模型,對采取有效的防鳥措施具有重要的指導(dǎo)意義[3-5]．

國內(nèi)專家對輸電線路鳥害故障特征進(jìn)行了相關(guān)研究并取得了一定的成果[6-7]．國家電網(wǎng)公司對2004—2006年發(fā)生過鳥害故障的220 kV線路統(tǒng)計分析,發(fā)現(xiàn)害鳥引起輸電線路故障的數(shù)量逐年上升．害鳥引起輸電線路發(fā)生的故障主要集中在電壓等級為110 kV線路上,同時桿塔的絕緣子類型也對鳥害故障發(fā)生概率有一定的影響[8]．鳥糞是引起輸電線路跳閘的主要因素,中相發(fā)生鳥糞跳閘的概率遠(yuǎn)大于兩邊相[9]．云南電網(wǎng)對2008—2013年發(fā)生過鳥害故障的輸電線路進(jìn)行了相關(guān)研究,總結(jié)了鳥害故障概率與輸電線路的地理環(huán)境分布、季節(jié)分布、桿塔特征之間的關(guān)系[10]．

對鳥害故障研究表明,影響鳥害的因素是多方面的,每年發(fā)生鳥害故障的范圍也會因生態(tài)環(huán)境和人類活動區(qū)域的變化而變化,因此加大了預(yù)防鳥害的難度[11]．如何提高鳥害故障防治效率成為輸電線路亟需解決的關(guān)鍵問題,對電網(wǎng)安全穩(wěn)定運(yùn)行具有重要意義．

針對上述問題,有必要對防止鳥害故障工作提出相關(guān)的理論指導(dǎo),在架線工程施工以及安裝防鳥裝置時,依據(jù)已構(gòu)建的鳥害故障分析模型對線路遭受鳥害的可能性進(jìn)行分析,可以有效減少鳥害故障[12]．因此本文提出了一種基于貝葉斯線性回歸的鳥害故障分析方法,針對搜集到的某地區(qū)部分鳥害歷史數(shù)據(jù)進(jìn)行分析,其中歷史數(shù)據(jù)主要包括桿塔結(jié)構(gòu)特征、桿塔所處位置的地理環(huán)境特征以及發(fā)生鳥害的季節(jié),構(gòu)建數(shù)據(jù)集訓(xùn)練鳥害故障分析模型．通過所提出的模型分析發(fā)生鳥害的高風(fēng)險地區(qū),從而對輸電線路設(shè)備的安裝和鳥害裝置的設(shè)置提供理論指導(dǎo)．

1 鳥害故障的影響因素

鳥類非常喜歡在架設(shè)于高空的桿塔上停留或者活動,因而極易導(dǎo)致鳥害事故,發(fā)生跳閘故障．輸電線路運(yùn)維人員把這些巡檢過程進(jìn)行記錄,尤其是跳閘記錄、清除鳥害記錄等．因此可以根據(jù)廣東電網(wǎng)提供的鳥害運(yùn)維數(shù)據(jù)分析鳥害的影響因素．

1.1 鳥害故障的地理環(huán)境特征

地理環(huán)境越適合鳥類生存,則該區(qū)域發(fā)生鳥害故障的概率就越大[13],因此地理環(huán)境特征是影響鳥害故障的一個重要因素．參考廣東沿海地理環(huán)境情況,本文主要參考水田、魚塘、菜地、林地、空曠5大地理環(huán)境因素作為鳥害故障分析的影響因素．從廣東電網(wǎng)提供的運(yùn)維數(shù)據(jù)隨機(jī)抽取20處桿塔,統(tǒng)計情況如表1所示.

表1 地理環(huán)境特性與桿塔結(jié)構(gòu)統(tǒng)計

表1中發(fā)生鳥害故障的桿塔中水田占12次、林地4次、魚塘2次、菜地1次、空曠1次,鳥害故障主要集中在水田和林地,是因?yàn)樗锖土值厥区B類適合撲食的地方．

1.2 鳥害故障的桿塔結(jié)構(gòu)特征

除了地理環(huán)境特征的影響,桿塔結(jié)構(gòu)特征是影響鳥害故障的一個重要影響因素．依據(jù)中國電力科學(xué)研究院、南方電網(wǎng)科學(xué)研究院以及有關(guān)高等院校的研究結(jié)果發(fā)現(xiàn):在桿塔結(jié)構(gòu)方面,鳥害故障同線路電壓等級、導(dǎo)線排列方式、桿塔類型有關(guān)[14]．

表1的統(tǒng)計結(jié)果顯示：20處桿塔電壓等級為110 kV發(fā)生鳥害的有16次、220 kV有4次;桿塔類型一般而言主要分為直線型塔和耐張型塔,直線型塔發(fā)生鳥害有15次、耐張型塔有5次;導(dǎo)線排列方式主要分為水平、三角和垂直3種排布方式,水平排列方式發(fā)生鳥害有13次、三角形有5次、垂直有2次．就上述統(tǒng)計結(jié)果來看,在電壓等級方面,鳥害故障主要集中在110 kV線路上,主要原因是桿塔高度適合鳥類停留;在桿塔類型方面,鳥害故障發(fā)生在直線型桿塔上的概率較高,主要原因是直線型桿塔方便鳥類停留;在導(dǎo)線排列方式方面,當(dāng)導(dǎo)線水平排列時,害鳥筑巢比較容易,因而直線型桿塔適合鳥類活動,最容易遭受鳥害．

1.3 鳥害故障的季節(jié)特征

季節(jié)的不同會導(dǎo)致鳥害故障發(fā)生概率也不一樣．害鳥活動受到季節(jié)的波動較大,在鳥類活動頻繁的季節(jié),鳥害發(fā)生的概率也就越高．表2的結(jié)果顯示鳥類在冬季導(dǎo)致輸電線路發(fā)生故障的概率最高,主要是因?yàn)槎竞B需要準(zhǔn)備較多的過冬物資,使得害鳥在撲食地點(diǎn)和巢穴之間往返頻繁,大大加重了害鳥的活動力度．同時,冬天小雨偏多,在小雨的作用下,鳥糞等污穢物不易被洗刷掉反而擴(kuò)大了污穢面積,導(dǎo)致更高的故障和污閃率[12]．

表2 鳥害故障的季節(jié)分布

2 基于Mask R-CNN的地理環(huán)境特征識別

地理環(huán)境特征作為鳥害故障分析模型的重要影響因素,人工測量耗費(fèi)大量的資金成本,因此需要訓(xùn)練神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對整個廣東地區(qū)地理環(huán)境特征的自動提取．

Mask R-CNN[15]不僅可以對瓦片圖像中的目標(biāo)進(jìn)行檢測,還可以對每一個地理環(huán)境給出一個高質(zhì)量的分割結(jié)果,達(dá)到對目標(biāo)的精確提?。?/p>

Mask R-CNN是目標(biāo)檢測領(lǐng)域的一種新方法,它通過在模型末尾添加一個分支FCN來擴(kuò)展Faster R-CNN[16]的目標(biāo)檢測框架,分割、識別和定位任務(wù)平行進(jìn)行．如圖1所示,Mask R-CNN框架由3個階段組成．首先,主干網(wǎng)絡(luò)從輸入圖像提取特征映射；其次,從主干網(wǎng)絡(luò)輸出的特征圖被發(fā)送到區(qū)域建議網(wǎng)絡(luò)RPN中生成感興趣區(qū)域RoI；最后,對RPN輸出的RoI進(jìn)行映射,提出共享特征映射中對應(yīng)的目標(biāo)特征,分別輸出到FC和FCN進(jìn)行目標(biāo)分類和實(shí)列分割．該過程生成分類分?jǐn)?shù)、邊界框和分段掩碼．

收集1 000張谷歌地圖瓦片作為數(shù)據(jù)集,900張作為訓(xùn)練集,剩下的獨(dú)立構(gòu)成測試集．針對水田、魚塘、菜地、林地、空曠5大地理環(huán)境因素作為鳥害故障分析的影響因素,利用LabelMe[17]軟件手動標(biāo)記對象．根據(jù)實(shí)際實(shí)驗(yàn),設(shè)學(xué)習(xí)率為0.002,每次迭代的批處理量為50,該模型一共迭代了20 000次．如圖2所示,Mask R-CNN可以精確提取地圖瓦片的地理環(huán)境特征．

3 貝葉斯線性回歸模型

鳥害故障分析的主要影響因素有3個,分別為地理環(huán)境特征、桿塔結(jié)構(gòu)特征以及季節(jié)特征[18]．以鳥害的影響因素為自變量,鳥害故障概率為因變量,利用貝葉斯線性回歸構(gòu)建模型,分析鳥害故障．

3.1 貝葉斯線性回歸方程

貝葉斯線性回歸是利用貝葉斯概率推斷方法求解的線性回歸模型,具有貝葉斯統(tǒng)計模型的基本性質(zhì)．提供一組數(shù)據(jù)樣本X={X1,X2,…,XN}∈RN,y={y1,y2,…,yN},X為輸入變量,y為對應(yīng)的目標(biāo)值,N為數(shù)據(jù)樣本數(shù)量,則貝葉斯線性回歸模型f(X):

f(X)=XTw,y=f(X)+ε,

(1)

其中w為權(quán)重系數(shù),ε為殘差．

貝葉斯線性回歸的求解方法有3種,分別為共軛先驗(yàn)求解、極大后驗(yàn)估計以及數(shù)值方法,前兩者需要滿足似然或先驗(yàn)特定條件,數(shù)值方法不需要特定要求,因此本文采用數(shù)值方法求解貝葉斯線性回歸．

3.2 數(shù)值方法

圖1 Mask R-CNN的結(jié)構(gòu)框架Fig.1 Structural frame of Mask R-CNN

圖2 基于Mask R-CNN的地理環(huán)境特征識別Fig.2 Geographical features identification based on Mask R-CNN

圖3 吉布斯采樣Fig.3 Gibbs sampling

3.3 貝葉斯線性回歸模型的評估

為評估貝葉斯線性回歸模型的回歸效果,一般選擇以下檢驗(yàn)參數(shù):回歸平方和(SSR)、殘差平方和(SSE)、相關(guān)系數(shù)R2、F檢驗(yàn)統(tǒng)計量及T統(tǒng)計量.

(2)

本文采用相關(guān)系數(shù)R2評估貝葉斯線性回歸模型,由式(2)可以看出,0≤R2≤1,R2越接近1,回歸模型的擬合程度越高．

4 實(shí)驗(yàn)結(jié)果分析

本文通過對廣東地區(qū)2015—2019年的歷史鳥害數(shù)據(jù)進(jìn)行收集分析,以地理環(huán)境特征、桿塔結(jié)構(gòu)特征、季節(jié)特征作為模型的輸入,鳥害故障概率作為模型的輸出,訓(xùn)練得到鳥害故障分析模型．首先通過相關(guān)系數(shù)r分別獨(dú)自分析地理環(huán)境特征、桿塔結(jié)構(gòu)特征、季節(jié)與鳥害故障概率的相關(guān)性:

(3)

由式(3)可知,x為地理環(huán)境特征、桿塔結(jié)構(gòu)特征、季節(jié),y為鳥害故障概率,0≤r≤1,r越接近1,兩者的相關(guān)性越強(qiáng)．一般定義相關(guān)系數(shù)0～0.3為弱相關(guān),0.3～0.6為中等程度相關(guān),0.6～1為強(qiáng)相關(guān)．由表3可知,桿塔類型、導(dǎo)線排列方式、季節(jié)與鳥害故障概率是弱相關(guān),電壓等級與鳥害故障概率是中等強(qiáng)度關(guān)系,地理環(huán)境與鳥害故障概率具有比較強(qiáng)的線性關(guān)系．

表3 桿塔特征、地理特征、季節(jié)與鳥害故障概率的相關(guān)性

根據(jù)以上分析,本文設(shè)計兩個案例分析桿地理環(huán)境特征、桿塔結(jié)構(gòu)特征與季節(jié)對鳥害故障概率的影響．

案例1.考慮電壓等級、桿塔類型、導(dǎo)線排列方式、季節(jié)、地理環(huán)境的影響,根據(jù)建立的貝葉斯線性回歸模型,輸入測試集后,分析結(jié)果如圖4所示．

案例2.考慮電壓等級、桿塔類型、地理環(huán)境的影響,根據(jù)構(gòu)建的貝葉斯線性回歸模型,輸入測試集,分析結(jié)果如圖5所示．

圖4 考慮電壓等級、桿塔類型、導(dǎo)線排列方式、季節(jié)、地理環(huán)境,基于貝葉斯線性回歸的鳥害故障分析Fig.4 Bird caused transmission line fault analysis based on Bayesian linear regression,considering voltage level,tower type,wire arrangement,season,and geographical characteristics

圖5 考慮電壓等級、桿塔類型、地理環(huán)境,基于貝葉斯線性回歸的鳥害故障分析Fig.5 Bird caused transmission line fault analysis based on Bayesian linear regression,considering voltage level,tower type,and geographical characteristics

本文選用相關(guān)系數(shù)R2作為鳥害故障分析模型的評估效果,兩個案例的相關(guān)系數(shù)R2分別為0.887、0.922,并結(jié)合圖4、圖5獲得的結(jié)果分析,案例2所提出的方法比較案例1具有更好的效果,本文所提出的方法能夠精確地分析輸電線路的故障情況．

5 結(jié)論

本文提出一種基于貝葉斯線性回歸的鳥害故障分析模型,用電壓等級、桿塔類型、地理特征影響因素分析鳥害故障,并比較其他方法．通過相關(guān)系數(shù)R2評估模型效果,表明該方法的收斂速度和準(zhǔn)確性對分析鳥害故障具有良好的效果．