輸電線路微氣象跳閘預(yù)警及成因量化分析

歐陽(yáng)森 陳義森? 楊墨緣 張真 蘇浩輝 王奇

(1.華南理工大學(xué) 電力學(xué)院，廣東 廣州 510640；2.中國(guó)南方電網(wǎng)超高壓輸電公司 檢修試驗(yàn)中心，廣東 廣州 510700)

統(tǒng)計(jì)表明，輸電線路跳閘事件與氣象災(zāi)害具有較強(qiáng)的關(guān)聯(lián)性，局部微氣象條件(如雷電、山火、臺(tái)風(fēng)、冰雪等)已成為誘發(fā)輸電線路跳閘的重要因素[1]。近年來(lái)，沿輸電線路分布安裝的微氣象監(jiān)測(cè)裝置采集了海量微氣象信息，數(shù)據(jù)質(zhì)量高，為精細(xì)化感知微氣象條件和發(fā)展趨勢(shì)提供了數(shù)據(jù)支撐[2]。目前研究多專注于利用微氣象信息進(jìn)行跳閘前預(yù)測(cè)，未將其納入跳閘成因的分析中，對(duì)跳閘事件的成因往往通過(guò)現(xiàn)場(chǎng)調(diào)查和事后分析得出，制約了輸電線路安排狀態(tài)檢修和預(yù)測(cè)性維護(hù)的智能化水平[3]。

目前，利用微氣象信息對(duì)輸電線路進(jìn)行跳閘預(yù)警的研究主要從兩方面開(kāi)展。其一是基于輸電線路可靠性建模，研究微氣象導(dǎo)致輸電線路跳閘的機(jī)理，但可靠性建模多在簡(jiǎn)化或理想條件下開(kāi)展，難免存在一定的局限性，且往往僅能針對(duì)一個(gè)微氣象條件進(jìn)行建模，對(duì)全天候多類型微氣象與輸電線路跳閘關(guān)系的探索無(wú)能為力[4]。其二是基于經(jīng)驗(yàn)總結(jié)或歷史數(shù)據(jù)，采用數(shù)據(jù)挖掘算法研究輸電線路跳閘與微氣象的內(nèi)在聯(lián)系，該方法可同時(shí)利用多個(gè)微氣象信息。文獻(xiàn)[5]指出，當(dāng)數(shù)據(jù)集具備統(tǒng)計(jì)意義時(shí)，就需要并可以采用大數(shù)據(jù)挖掘的手段來(lái)處理問(wèn)題。在這方面，文獻(xiàn)[6]根據(jù)歷史微氣象數(shù)據(jù)建立了基于BP神經(jīng)網(wǎng)絡(luò)的線路舞動(dòng)概率預(yù)測(cè)模型；文獻(xiàn)[7]依托多源微氣象數(shù)據(jù)提出了基于深度降噪自編碼的電網(wǎng)氣象防災(zāi)方法，并針對(duì)跳閘數(shù)據(jù)少于正常數(shù)據(jù)的特點(diǎn)，采用少數(shù)樣本合成技術(shù)生成新樣本以降低數(shù)據(jù)集的不平衡度，但該方法未考慮不同線路抵御氣象災(zāi)害能力的差異，反映到數(shù)據(jù)集上，即存在某條線路的跳閘樣本多，而部分線路跳閘樣本較少甚至為零的情況，這種差異性會(huì)造成模型訓(xùn)練過(guò)程中更多地學(xué)習(xí)到薄弱線路的特征，從而高估跳閘風(fēng)險(xiǎn)，且對(duì)海量的微氣象信息和輸電線路進(jìn)行建模分析時(shí)，還需考慮運(yùn)算效率以滿足工程實(shí)際需求。梯度提升樹(shù)[8](Gradient Boosting Decision Tree，GBDT)作為一種boosting算法，其思想是利用一階導(dǎo)數(shù)信息優(yōu)化損失函數(shù)的梯度下降方向?；贕BDT算法實(shí)現(xiàn)的分布式框架有兩種：XGBoost和LightGBM。XGBoost在損失函數(shù)中引入了L2正則化項(xiàng)以抑制過(guò)擬合，但L2正則項(xiàng)無(wú)法反映原始數(shù)據(jù)集的個(gè)體差異與分布規(guī)律[9]；Light-GBM通過(guò)直方圖算法等改進(jìn)措施，加快了訓(xùn)練速度，但泛化能力受到噪聲的影響[10]。對(duì)此，可以將XGboost正則化項(xiàng)的思想引入LightGBM中，使LightGBM在保持良好訓(xùn)練速度的同時(shí)提升對(duì)噪聲的魯棒性。隨著電力大數(shù)據(jù)技術(shù)的發(fā)展，針對(duì)機(jī)理復(fù)雜的模型及不確定性系統(tǒng)，基于數(shù)據(jù)驅(qū)動(dòng)的挖掘算法逐步展現(xiàn)了其內(nèi)在優(yōu)勢(shì)[11]。

目前關(guān)于輸電線路跳閘成因的研究較少。文獻(xiàn)[12]利用典型故障原因波形數(shù)據(jù)庫(kù)建立了基于BP神經(jīng)網(wǎng)絡(luò)的故障原因辨識(shí)模型，但故障行波電流的特征提取困難，制約了辨識(shí)模型的準(zhǔn)確率；文獻(xiàn)[13]提出了基于微氣象告警等級(jí)的輸電線路風(fēng)險(xiǎn)評(píng)判方法，利用多源微氣象數(shù)據(jù)判定輸電線路的風(fēng)險(xiǎn)等級(jí)，但該方法未考慮到輸電線路地理跨距大、同一線路不同區(qū)段受微氣象干擾的敏感因素可能存在較大差異[14]，也無(wú)法量化各個(gè)微氣象對(duì)引發(fā)跳閘事件的貢獻(xiàn)程度。此外，微氣象對(duì)線路的影響存在一定的模糊性、隨機(jī)性，如何利用相關(guān)數(shù)據(jù)挖掘算法量化這種影響是確定跳閘成因的關(guān)鍵。云模型[15]融合了模糊集理論和概率論，可將認(rèn)知中的模糊性納入到概率框架中進(jìn)行統(tǒng)一描述，因此可以選取合適的云模型處理和表達(dá)這一不確定行為，量化微氣象對(duì)輸電線路的影響程度。

上述工作側(cè)重于利用微氣象信息進(jìn)行輸電線路跳閘概率預(yù)測(cè)，尚未有研究將微氣象信息納入到輸電線路外部氣象因素引起的跳閘成因分析中，對(duì)微氣象信息的利用率不足。為此，文中設(shè)計(jì)一種基于數(shù)據(jù)驅(qū)動(dòng)的輸電線路微氣象跳閘預(yù)警及成因量化分析方法。首先基于LightGBM從線路層面構(gòu)建概率預(yù)測(cè)模型；然后選取Sigmoid云模型對(duì)其進(jìn)行模糊化，并從區(qū)段層面對(duì)跳閘置信度進(jìn)行修正；最后通過(guò)實(shí)例驗(yàn)證所提方法的優(yōu)越性。

1 輸電線路跳閘預(yù)警及成因量化分析思路

輸電線路跳閘預(yù)警及成因量化分析框架見(jiàn)圖1，包括3個(gè)模塊：離線模塊1、離線模塊2、在線模塊。離線模塊1從線路層面構(gòu)建跳閘概率預(yù)測(cè)模型；離線模塊2從區(qū)段層面構(gòu)建跳閘成因量化分析模型。在線模塊是基于離線模塊1、2構(gòu)建的跳閘成因分析流程，其思路為：通過(guò)離線模塊1計(jì)算微氣象跳閘概率，若跳閘概率大于0.5，則發(fā)出跳閘預(yù)警；當(dāng)實(shí)際監(jiān)測(cè)到跳閘事件時(shí)，定義為微氣象致災(zāi)，啟動(dòng)離線模塊2計(jì)算跳閘置信度，并以區(qū)段微氣象耦合系數(shù)修正計(jì)算結(jié)果，最后以置信度最大值對(duì)應(yīng)的微氣象作為跳閘成因。

2 基于LightGBM的輸電線路跳閘概率預(yù)測(cè)

2.1 微氣象與輸電線路跳閘關(guān)系建模

由于微氣象導(dǎo)致輸電線路跳閘的原始統(tǒng)計(jì)結(jié)果并非概率數(shù)據(jù)，而是二值邏輯0或1的標(biāo)簽(0表示微氣象未導(dǎo)致輸電線路跳閘，1表示微氣象導(dǎo)致輸電線路跳閘)，因此，以眾多微氣象特征參量作為輸入，以輸電線路是否跳閘作為輸出，采用基于決策樹(shù)原理的LightGBM進(jìn)行微氣象與輸電線路跳閘關(guān)系建模，用以預(yù)測(cè)給定微氣象條件下輸電線路發(fā)生跳閘的概率。

2.2 LightGBM原理

LightGBM是一種實(shí)現(xiàn)梯度提升決策樹(shù)的分布式框架，該算法將一系列決策樹(shù)以加權(quán)線性組合的形式構(gòu)造一個(gè)強(qiáng)學(xué)習(xí)器，在加快訓(xùn)練速度的同時(shí)保持了良好的識(shí)別正確率。

假定有監(jiān)督數(shù)據(jù)集X={(xi,yi)}，LightGBM的目的是找到f(x)的近似值(x)，使得該函數(shù)對(duì)應(yīng)的損失函數(shù)L(y,f(x))最小化，待優(yōu)化函數(shù)可表示為

(1)

式中，Ey,x為損失函數(shù)的期望。

LightGBM通過(guò)集成t棵CART回歸樹(shù)來(lái)擬合得到最終模型，即

(2)

式中，ft對(duì)應(yīng)第t顆決策樹(shù)，Θ為所有樹(shù)的集合空間。LightGBM使用泰勒展開(kāi)快速逼近目標(biāo)函數(shù)，并以加法形式訓(xùn)練模型，得

(3)

式中，gi、hi分別為損失函數(shù)的一階和二階梯度統(tǒng)計(jì)量。

最后得到?jīng)Q策樹(shù)拆分后的目標(biāo)函數(shù)為

(4)

式中，IL、IR分別表示左、右分支的樣本集，ξ為懲罰模型的系數(shù)。

2.3 考慮數(shù)據(jù)集不平衡和線路抵御能力差異的改進(jìn)LightGBM方法

在實(shí)際采集到的數(shù)據(jù)中，正常樣本占比遠(yuǎn)高于線路因微氣象跳閘的樣本，數(shù)據(jù)集不平衡會(huì)使得分類器在訓(xùn)練過(guò)程中更多地學(xué)習(xí)到正常樣本的特征，從而降低對(duì)跳閘樣本的識(shí)別能力，低估微氣象對(duì)線路造成的跳閘風(fēng)險(xiǎn)。此外，不同線路抵御氣象災(zāi)害的能力存在差異，同電壓等級(jí)下線路因微氣象跳閘的次數(shù)不同，反映到數(shù)據(jù)集上，即存在某條線路的跳閘樣本多而部分線路跳閘樣本較少甚至為零的情況，這種差異性會(huì)造成訓(xùn)練過(guò)程中更多學(xué)習(xí)到薄弱線路的特征，從而高估跳閘風(fēng)險(xiǎn)。對(duì)此，為L(zhǎng)ightGBM損失函數(shù)中的跳閘樣本賦予更高的權(quán)重以處理數(shù)據(jù)集不平衡的問(wèn)題，并添加線路抵御能力差異指標(biāo)的懲罰項(xiàng)以削減對(duì)薄弱線路的學(xué)習(xí)。

對(duì)于二分類問(wèn)題，選擇負(fù)對(duì)數(shù)似然函數(shù)作為損失函數(shù)，N個(gè)樣本的原始損失函數(shù)為

(5)

考慮數(shù)據(jù)集不平衡性后修正的損失函數(shù)為

(6)

式中，ω為樣本權(quán)重系數(shù)。對(duì)于正常樣本，ω=1；對(duì)于跳閘樣本，ω為正常樣本與跳閘樣本的數(shù)量比值。

線路抵御能力差異指標(biāo)為

(7)

添加線路抵御能力差異指標(biāo)后的損失函數(shù)為

log (1-f(xi))]-Ei|logf(xi)|2}

(8)

對(duì)于跳閘樣本，更大的權(quán)重ω使得樣本在訓(xùn)練時(shí)獲得更大的梯度，有助于平衡樣本數(shù)量差異帶來(lái)的影響。基于數(shù)據(jù)驅(qū)動(dòng)的線路抵御能力差異指標(biāo)通過(guò)添加懲罰項(xiàng)限制迭代過(guò)程中模型的變化程度，Ei>0時(shí)可減小損失函數(shù)值來(lái)抑制過(guò)擬合，Ei<0時(shí)可增大損失函數(shù)值來(lái)防止欠擬合，從而使得訓(xùn)練后的模型有更好的平滑性，增強(qiáng)模型的泛化能力。

3 基于Sigmoid云模型的輸電線路跳閘成因量化分析

3.1 微氣象與輸電線路跳閘的關(guān)聯(lián)規(guī)則量化

記U為微氣象的告警等級(jí)屬性；V表示在該微氣象告警等級(jí)下輸電線路是否發(fā)生跳閘，取1為“是”，取0為“否”。記S(Uj,k→V)為第j個(gè)微氣象所屬的第k個(gè)告警等級(jí)對(duì)輸電線路發(fā)生跳閘的支持度，

(9)

式中,σ(Uj,k→V)表示同時(shí)包含Uj,k和V的事務(wù)數(shù)量，Ω為事務(wù)總集數(shù)量。

設(shè)cj,k為第j個(gè)微氣象的第k個(gè)告警等級(jí)與輸電線路發(fā)生跳閘的關(guān)聯(lián)關(guān)系，可用置信度表示：

(10)

式中：σ(Uj,k)為處于監(jiān)測(cè)到第j個(gè)微氣象于第k個(gè)告警等級(jí)下的總告警次數(shù)；σ(Uj,k→V)為事后確認(rèn)是第j個(gè)微氣象于第k個(gè)告警等級(jí)下造成輸電線路跳閘的次數(shù)；C(Uj,k→V)表示輸電線路跳閘原因落在相應(yīng)特征屬性區(qū)內(nèi)的置信度，可通過(guò)置信度衡量微氣象特征因子在不同告警等級(jí)下導(dǎo)致輸電線路跳閘的可能性。

3.2 基于Sigmoid云模型的跳閘成因量化分析

3.2.1 云模型適應(yīng)性分析

基于云模型理論建立微氣象告警等級(jí)與“導(dǎo)致輸電線路發(fā)生跳閘”這一不確定行為間的映射關(guān)系。這種關(guān)系有如下特點(diǎn)：①橫向差異——對(duì)于同一個(gè)微氣象，其告警等級(jí)越高，造成線路跳閘的概率越大，即呈現(xiàn)單調(diào)遞增特性；②區(qū)段差異——輸電線路不同區(qū)段在同一個(gè)微氣象告警等級(jí)下造成線路跳閘的概率不同；③耦合作用——微氣象間具有誘發(fā)性和因果關(guān)系，其在時(shí)間和空間維度的演化過(guò)程中相互影響。

顯然，上述映射關(guān)系不符合正態(tài)分布的規(guī)律，傳統(tǒng)的正態(tài)云模型不再適用。文獻(xiàn)[16]利用Sigmoid函數(shù)建立了新的Sigmoid云模型，用于預(yù)測(cè)用戶接受需求響應(yīng)策略的概率。Sigmoid函數(shù)具有很好的單調(diào)性，符合上述映射關(guān)系的特點(diǎn)①。針對(duì)特點(diǎn)②，利用DBSCAN算法挖掘線路區(qū)段敏感因素以設(shè)定置信度附加值；針對(duì)特點(diǎn)③，從因果關(guān)系、重疊時(shí)間、傳遞程度3個(gè)角度構(gòu)建耦合系數(shù)，進(jìn)而對(duì)Sigmoid云模型的預(yù)測(cè)值進(jìn)行修正。

3.2.2 基于Sigmoid云模型的置信度模糊化

(11)

式中，α為陡度參數(shù)，β為偏移參數(shù)。Sigmoid函數(shù)的形狀由陡度期望Eα、偏度期望Eβ、熵En和超熵He共4個(gè)數(shù)字特征決定?；赟igmoid云模型的跳閘成因量化分析步驟如下：

步驟1 利用嶺回歸擬合n個(gè)微氣象原始云滴，并采用隨機(jī)抽樣的方法生成所需的q個(gè)云滴，形成逆向云發(fā)生器所需的輸入數(shù)據(jù)D；

步驟2 基于數(shù)據(jù)D，采用和聲搜索算法求取Sigmoid云模型的數(shù)字特征E；

3.3 基于區(qū)段微氣象耦合系數(shù)的置信度修正

3.3.1 輸電線路區(qū)段微氣象敏感因素劃分

常規(guī)輸電線路跳閘風(fēng)險(xiǎn)評(píng)價(jià)將其視為一個(gè)整體進(jìn)行分析，而基于微氣象3 km×3 km的分辨率，可將微氣象敏感因素挖掘到區(qū)段處，進(jìn)而可為線路區(qū)段的差異化特性設(shè)定不同的置信度附加值。設(shè)一條線路存在跳閘點(diǎn)集合L，L={L1,L2,…,Ln}，為跳閘點(diǎn)距離該線路一端的電氣距離，利用DBSCAN算法尋找集聚程度高的區(qū)段。DBSCAN算法需要設(shè)定2個(gè)參數(shù)：鄰域半徑Eps及最小對(duì)象參數(shù)MinPts。Eps決定聚類簇中心與該聚類簇其他對(duì)象的最遠(yuǎn)距離，MinPts決定一個(gè)聚類簇的最小對(duì)象數(shù)。由研究對(duì)象特點(diǎn)可知Eps應(yīng)大于微氣象分辨率3 km，MinPts應(yīng)大于區(qū)段劃分所需最少跳閘點(diǎn)數(shù)2。線路區(qū)段微氣象敏感因素識(shí)別步驟如下：

步驟1 輸入原始數(shù)據(jù)集L、Eps、MinPts，將數(shù)據(jù)集L中的所有對(duì)象標(biāo)記為未讀；

步驟2 從數(shù)據(jù)集L中獲取包含任意個(gè)數(shù)據(jù)對(duì)象p的數(shù)據(jù)集ui，ui∈L，i=1,2,…,N，并將ui標(biāo)記為已讀；

步驟3 通過(guò)Eps和MinPts參數(shù)對(duì)p進(jìn)行判斷，若p為核心對(duì)象，找出p的所有密度可達(dá)數(shù)據(jù)對(duì)象，標(biāo)記為已讀，若p不是核心對(duì)象，且沒(méi)有哪個(gè)對(duì)象對(duì)p密度可達(dá)，將p標(biāo)記為噪聲數(shù)據(jù)；

步驟4 在滿足ui∩ui+1∈?的條件下，重復(fù)步驟2和步驟3，直至所有數(shù)據(jù)都被標(biāo)記為已讀；

步驟5 將核心對(duì)象的所有密度可達(dá)點(diǎn)都?xì)w為一類，形成聚類簇；

3.3.2 區(qū)段微氣象耦合系數(shù)修正

倘若微氣象對(duì)輸電線路的影響為獨(dú)立事件，則可將監(jiān)測(cè)到的置信度最大的微氣象作為輸電線路跳閘成因。而實(shí)際運(yùn)行中，微氣象間具有誘發(fā)關(guān)系和耦合作用，本節(jié)從微氣象因果關(guān)系、重疊時(shí)間、傳遞程度3個(gè)角度構(gòu)建耦合系數(shù)，修正復(fù)合微氣象作用下造成線路跳閘的置信度。

(1)微氣象因果關(guān)系系數(shù)

(12)

式中，εi, j為微氣象i與微氣象j之間的因果關(guān)系。兩個(gè)微氣象(如覆冰和積雪)間存在因果關(guān)系，則εi, j=1；雨和山火間不存在因果關(guān)系，則εi, j=0。

(2)微氣象重疊效應(yīng)系數(shù)

Ti, j=Δti, j/ti, j

(13)

式中，Ti, j為微氣象i與微氣象j之間的重疊時(shí)間，Δti, j為微氣象i與微氣象j的重疊時(shí)長(zhǎng)，ti, j為兩個(gè)微氣象作用的總時(shí)長(zhǎng)。

(3)微氣象傳遞程度系數(shù)

ρi=ci/(max{c1,c2,…,cs})

(14)

式中，ρi為微氣象i與其他微氣象間的影響程度，ci為微氣象i造成輸電線路跳閘的置信度,s為此次跳閘事件中監(jiān)測(cè)到的微氣象告警數(shù)量。

據(jù)此得到微氣象i與其他微氣象的耦合系數(shù)為

(15)

4 實(shí)例應(yīng)用

4.1 數(shù)據(jù)來(lái)源

分析數(shù)據(jù)來(lái)源于南方某電網(wǎng)220 kV及以上輸電線路跳閘記錄。用于跳閘概率預(yù)測(cè)的輸入?yún)?shù)有溫度(℃)、相對(duì)濕度(%)、瞬時(shí)風(fēng)速(m/s)、瞬時(shí)風(fēng)向(°)、雨量(mm/h)、氣壓(hPa)、日照強(qiáng)度(W/m2)、覆冰厚度(mm)、山火發(fā)生概率(%)和雷擊密度(次/km2)共10個(gè)微氣象。由于并非每種微氣象均有對(duì)應(yīng)的告警信息，且部分微氣象指代的告警信息相同(如溫度及日照均指向“氣溫”這一告警信息)，最終得到用于跳閘成因量化分析的告警信息有7種：氣溫、臺(tái)風(fēng)、降雨、覆冰、積雪、山火和雷電。

4.2 輸電線路跳閘概率預(yù)測(cè)模型的構(gòu)建

4.2.1 數(shù)據(jù)預(yù)處理

從系統(tǒng)中導(dǎo)出輸電線路因微氣象而跳閘的記錄878個(gè)，正常記錄3 589個(gè)，匯總得到4 467個(gè)樣本。由于獲取的10個(gè)微氣象均為離散數(shù)據(jù)，需在訓(xùn)練前進(jìn)行歸一化處理。

4.2.2 評(píng)價(jià)指標(biāo)

一般用總體準(zhǔn)確率指標(biāo)Acc對(duì)訓(xùn)練后的模型性能進(jìn)行評(píng)估，對(duì)于跳閘事件，更關(guān)注對(duì)跳閘失穩(wěn)樣本的判斷情況，故引入考慮失穩(wěn)樣本辨識(shí)情況的召回率指標(biāo)Rec。

4.2.3 仿真結(jié)果分析

選取80%的樣本作為訓(xùn)練集，20%的樣本作為測(cè)試集。LightGBM有3個(gè)重要的參數(shù)：葉節(jié)點(diǎn)數(shù)(num_leaves)、學(xué)習(xí)率(learning-rate)和迭代次數(shù)(n-estimators)。使用網(wǎng)格搜索法確定Light-GBM的最優(yōu)參數(shù)，得到葉節(jié)點(diǎn)數(shù)為25，學(xué)習(xí)率為0.05，迭代次數(shù)為1 000。對(duì)于改進(jìn)LightGBM方法，易知跳閘樣本的權(quán)重系數(shù)ω為4.087，同時(shí)計(jì)算樣本的線路抵御能力差異指標(biāo)，通過(guò)添加懲罰項(xiàng)限制迭代過(guò)程中模型的變化程度。將改進(jìn)Light-GBM方法與其他常見(jiàn)機(jī)器學(xué)習(xí)模型進(jìn)行對(duì)比，結(jié)果見(jiàn)表1。

表1中，支持向量機(jī)(SVM)是個(gè)體學(xué)習(xí)器，其余為集成學(xué)習(xí)模型。從評(píng)估結(jié)果來(lái)看，改進(jìn)LightGBM擁有最高的Acc，為98.46%，略高于LightGBM的97.65%和文獻(xiàn)[7]的97.24%。失穩(wěn)樣本的不平衡性以及對(duì)薄弱樣本的過(guò)度學(xué)習(xí)都會(huì)影響跳閘樣本的學(xué)習(xí)和識(shí)別能力，由Rec指標(biāo)可知，改進(jìn)LightGBM的Acc與Rec相近，均保持98%左右的正確率；而其他算法的Rec相比Acc均有一定程度的下降，傳統(tǒng)LightGBM的Acc由97.65%降至95.75%。因此，跳閘樣本權(quán)重系數(shù)的修正以及線路抵御能力差異指標(biāo)的添加較好地平衡了模型在訓(xùn)練過(guò)程中的損失函數(shù)的變化，使得改進(jìn)LightGBM保持了較高的召回率。

表1 輸電線路跳閘概率預(yù)測(cè)模型對(duì)比

從訓(xùn)練時(shí)間來(lái)看，構(gòu)建LightGBM的用時(shí)為3.94 s，改進(jìn)LightGBM的為4.45 s，而文獻(xiàn)[7]方法的訓(xùn)練時(shí)間約為L(zhǎng)ightGBM的25倍，可見(jiàn)LightGBM采用的多種加速措施取得了顯著的成效，且對(duì)比個(gè)體學(xué)習(xí)器SVM，LightGBM的訓(xùn)練時(shí)間僅為SVM的一半。綜上可見(jiàn)，基于數(shù)據(jù)驅(qū)動(dòng)的改進(jìn)LightGBM有效提高了跳閘樣本的辨識(shí)能力，適合輸電線路跳閘風(fēng)險(xiǎn)快速評(píng)估的需求。

4.3 輸電線路跳閘成因分析模型的構(gòu)建

4.3.1 微氣象關(guān)聯(lián)規(guī)則量化

以山火4級(jí)告警為例進(jìn)行說(shuō)明：所獲樣本研究域內(nèi)輸電線路因微氣象導(dǎo)致跳閘的記錄共878個(gè)，其中，監(jiān)測(cè)到含山火4級(jí)告警等級(jí)的單元數(shù)為68個(gè)，事故后查詢?cè)虼_定是山火引起的跳閘次數(shù)為45次，那么可計(jì)算得支持度S(U山火,4→V跳閘=是)=7.74%，置信度C(U山火,4→V跳閘=是)=0.661 7。即存在事務(wù)項(xiàng)：“微氣象特征為山火4級(jí)告警等級(jí)→輸電線路因山火發(fā)生跳閘=是(S=7.74%，C=0.661 7)”。由此可量化7種微氣象在不同告警等級(jí)下造成輸電線路跳閘的置信度。

4.3.2 Sigmoid云模型數(shù)字特征的計(jì)算

以雷電為例，根據(jù)4.3.1節(jié)所述獲取雷電在不同告警等級(jí)下的跳閘置信度，利用嶺回歸對(duì)云滴進(jìn)行擬合，某次擬合曲線為

1.650 7η+0.895 5

(16)

擬合結(jié)果見(jiàn)圖2(a)，隨機(jī)采樣300個(gè)點(diǎn)輸入Sigmoid逆向云模型中，得到其數(shù)字特征Eα=4.591 5，Eβ=1.278，En=0.541 9，He=0.071 0。為對(duì)比Sigmoid云模型的有效性，利用相同的云滴計(jì)算正態(tài)云模型的數(shù)字特征，得到期望Ex=0.315 6，熵En=0.517 6，超熵He=0.034 84。依據(jù)3.2節(jié)所述步驟，分別計(jì)算Sigmoid云模型和正態(tài)云模型在不同微氣象告警等級(jí)下的置信度。

某次生成的正態(tài)云圖及Sigmoid云圖見(jiàn)圖2(b)和2(c)，由圖2(a)可知雷電告警等級(jí)與跳閘概率的關(guān)系并不符合正態(tài)分布的規(guī)律，而Sigmoid函數(shù)單調(diào)遞增的特性很好地描述了雷電對(duì)輸電線路作用的特點(diǎn)。以均方根誤差(RMSE)作為2種云模型預(yù)測(cè)結(jié)果與統(tǒng)計(jì)結(jié)果契合度的評(píng)價(jià)指標(biāo)，可得正態(tài)云模型的RMSE=0.614 2，而Sigmoid云模型的RMSE=0.015 8，僅為正態(tài)云模型RMSE的2.57%。

由上述云圖對(duì)比結(jié)果可知，利用Sigmoid云模型對(duì)跳閘概率進(jìn)行預(yù)測(cè)有更大的優(yōu)勢(shì)。同理可計(jì)算其余6種告警信息的Sigmoid云模型數(shù)字特征，匯總結(jié)果見(jiàn)表2。

表2 微氣象Sigmoid云模型的數(shù)字特征

4.3.3 輸電線路區(qū)段微氣象敏感因素的劃分

采用3.3.1節(jié)所述方法對(duì)輸電線路區(qū)段進(jìn)行劃分，以跳閘樣本中的線路A為例，設(shè)聚類初始化參數(shù)Eps=20、MinPts=3，其識(shí)別結(jié)果見(jiàn)圖3。

圖3 輸電線路A的區(qū)段劃分Fig.3 Section division of transmission line A

由圖3可見(jiàn)，區(qū)段3為線路A的跳閘高發(fā)段，該區(qū)段沿海，曾多次因臺(tái)風(fēng)、雨閃跳閘，其微氣象敏感因素依次為臺(tái)風(fēng)、降雨、雷電。同理可對(duì)區(qū)段1、2的跳閘成因進(jìn)行分析。區(qū)段劃分不僅可精細(xì)化挖掘線路的微氣象敏感因素，也可為后續(xù)跳閘成因的分析提供置信度附加值。此外，若成因分析時(shí)跳閘點(diǎn)不在劃分的區(qū)段內(nèi)，可通過(guò)計(jì)算跳閘點(diǎn)距離最近的區(qū)段邊界進(jìn)而將其劃分；若跳閘線路暫無(wú)歷史記錄，則無(wú)需計(jì)算置信度附加值。

4.4 輸電線路跳閘成因在線分析及結(jié)果對(duì)比

4.4.1 輸電線路A的在線評(píng)估

以監(jiān)測(cè)區(qū)域中輸電線路A因臺(tái)風(fēng)跳閘的事件為例進(jìn)行分析。首先計(jì)算得到跳閘風(fēng)險(xiǎn)為0.761 2(>0.5)，且實(shí)際監(jiān)測(cè)到了跳閘事件的發(fā)生，故判斷是微氣象造成了此次跳閘；然后讀取系統(tǒng)監(jiān)測(cè)到的告警信息(臺(tái)風(fēng)橙色、氣溫低溫、降雨黃色)，調(diào)用表2中的Sigmoid云模型數(shù)字特征，計(jì)算臺(tái)風(fēng)、氣溫、降雨的模糊化置信度；利用4.3.3節(jié)所述方法對(duì)跳閘位置進(jìn)行所屬區(qū)段劃分，可知其屬于區(qū)段3，并依據(jù)3.3.1節(jié)所述方法獲取置信度附加值；最后利用3.3.2節(jié)所述方法計(jì)算微氣象耦合系數(shù)，對(duì)置信度進(jìn)行修正，并將所述方法與正態(tài)云模型及未修正的結(jié)果進(jìn)行對(duì)比。

表3中，上標(biāo)“1”“2”分別表示第1次、第2次云模型輸出結(jié)果。對(duì)于正態(tài)云模型，其4次計(jì)算均得到錯(cuò)誤的結(jié)論，這是因?yàn)槲庀蟾婢燃?jí)與輸電線路跳閘關(guān)系不符合正態(tài)分布，以正態(tài)云模型進(jìn)行分析的結(jié)果不符合統(tǒng)計(jì)規(guī)律；對(duì)于Sigmoid云模型，其4次分析結(jié)論均正確，Sigmoid云模型修正前后計(jì)算得到的臺(tái)風(fēng)跳閘置信度均遠(yuǎn)超氣溫及降雨，且修正后計(jì)算得到的臺(tái)風(fēng)置信度與氣溫、降雨的數(shù)值差距更大，說(shuō)明區(qū)段微氣象耦合系數(shù)有效增強(qiáng)了多種微氣象綜合作用下輸電線路跳閘成因辨識(shí)的分辨率。

表3 輸電線路跳閘概率預(yù)測(cè)模型對(duì)比

4.4.2 與傳統(tǒng)固定閾值法的對(duì)比

為進(jìn)一步證明文中方法的有效性，利用上述方法對(duì)878個(gè)歷史數(shù)據(jù)的跳閘成因進(jìn)行分析，并與傳統(tǒng)固定閾值法進(jìn)行對(duì)比，為避免多種微氣象同時(shí)超過(guò)閾值造成的判斷失效，為每種微氣象進(jìn)行排序，同樣以最高置信度對(duì)應(yīng)的微氣象作為輸電線路的跳閘成因。閾值設(shè)定見(jiàn)表4，成因分析結(jié)果見(jiàn)表5。

表4 輸電線路跳閘成因閾值設(shè)定Table 4 Tripping threshold setting for transmission line

表5 不同方法對(duì)比Table 5 Comparison of different methods

由表5可知，正態(tài)云模型在修正前后的識(shí)別正確率均約為11%，而Sigmoid云模型在修正前后的識(shí)別正確率分別為92.37%和96.01%，遠(yuǎn)高于正態(tài)云模型，說(shuō)明以正態(tài)云模型進(jìn)行分析不符合研究對(duì)象的實(shí)際情況，且修正條件下Sigmoid云模型的識(shí)別正確率有一定提升。固定閾值法對(duì)跳閘成因的識(shí)別正確率為73.46%，低于文中方法的96.01%，且固定閾值法存在兩個(gè)不足：一是當(dāng)所有微氣象均低于設(shè)定閾值時(shí)，判斷方法失效；二是此方法無(wú)法得到各種微氣象造成跳閘的置信度。而文中方法基于Sigmoid云模型的隨機(jī)性和模糊性有效描述了輸電線路與微氣象的關(guān)聯(lián)關(guān)系，并從區(qū)段層面利用耦合系數(shù)對(duì)結(jié)果進(jìn)行修正，有效提升了跳閘成因的識(shí)別正確率。

5 結(jié)語(yǔ)

文中提出了基于改進(jìn)LightGBM和Sigmoid云模型的輸電線路跳閘前預(yù)警及跳閘后量化成因的混合模型，充分挖掘了微氣象與輸電線路跳閘的關(guān)聯(lián)規(guī)律；針對(duì)數(shù)據(jù)集的不平衡性及線路抵御能力差異，對(duì)LightGBM損失函數(shù)進(jìn)行改進(jìn)，在訓(xùn)練時(shí)間相近的情況下提升了失穩(wěn)樣本分類的召回率。

輸電線路跳閘事件與微氣象告警等級(jí)的關(guān)聯(lián)關(guān)系呈現(xiàn)單調(diào)遞增的特性，與正態(tài)云模型相比，Sigmoid云模型準(zhǔn)確描述了這種特性的不確定性。微氣象耦合系數(shù)從區(qū)段層面有效增強(qiáng)了多氣象因素綜合作用下跳閘成因的分辨率，修正后跳閘成因識(shí)別正確率提升約4個(gè)百分點(diǎn)。

文中還以南方某電網(wǎng)為研究樣本對(duì)所提方法進(jìn)行了實(shí)例驗(yàn)證。結(jié)果表明：所提方法成因分析正確率達(dá)96.01%，高于傳統(tǒng)固定閾值法的73.46%，可為檢修維護(hù)工作提供決策支持。