金屬氧化物避雷器缺陷診斷的反距離加權(quán)改進KNN算法

陳陽陽 ，舒勝文，吳涵，王國彬，陳誠

(1.福州大學電氣工程與自動化學院，福建 福州 350108;2.國網(wǎng)福建省電力有限公司電力科學研究院，福建 福州 350007)

0 引言

避雷器是保護電力系統(tǒng)免受電壓沖擊的關(guān)鍵設(shè)備，其正常運行對于保障電力系統(tǒng)穩(wěn)定運行具有重要的意義[1-2].隨著避雷器投運時間的增長，閥片老化等缺陷增加了避雷器故障的風險.在線監(jiān)測是及時發(fā)現(xiàn)避雷器缺陷的重要手段之一，在近10年得到廣泛應(yīng)用.然而，避雷器在線監(jiān)測數(shù)據(jù)受到環(huán)境和電磁干擾的影響，增加了避雷器在線監(jiān)測的難度.因此，需要制定合理、 有效的在線監(jiān)測預(yù)警規(guī)則，實現(xiàn)避雷器真實運行狀態(tài)的在線監(jiān)測，減少在線監(jiān)測誤判和漏判事件的發(fā)生，保證電力系統(tǒng)的安全穩(wěn)定運行.

現(xiàn)行的金屬氧化物避雷器(metal oxide arrester，MOA)在線監(jiān)測系統(tǒng)普遍采用閾值告警規(guī)則，該預(yù)警規(guī)則易受環(huán)境因素影響，造成阻性電流增大超過閾值而觸發(fā)報警，導致誤告警，給一線運維人員的工作造成困擾.然而，提高預(yù)警閾值可能使故障避雷器無法正常預(yù)警而產(chǎn)生漏告警，危及電網(wǎng)的穩(wěn)定運行.因此，閾值告警規(guī)則由于其自身局限性，無法平衡好誤告警和漏告警之間的關(guān)系，有必要引入更加完善的預(yù)警規(guī)則或智能算法來實現(xiàn)避雷器的在線監(jiān)測與缺陷診斷.

文獻[3]基于多層支持矢量機建立避雷器的在線狀態(tài)監(jiān)測系統(tǒng).文獻[4-6]采用混合算法進行模擬逼近，通過計算出避雷器等效模型的相關(guān)參數(shù)來實現(xiàn)在線監(jiān)測.文獻[7]融合避雷器現(xiàn)場運檢和在線監(jiān)測等信息，利用隨機森林實現(xiàn)對避雷器數(shù)據(jù)的分析.文獻[8]提出基于變權(quán)云理論的避雷器在線監(jiān)測評估算法，通過最大隸屬度原則確定避雷器的絕緣老化情況.文獻[9]研究發(fā)現(xiàn)阻性電流3次諧波可以更靈敏地反映避雷器受潮情況，并總結(jié)出不同受潮狀態(tài)下阻性電流的變化規(guī)律.文獻[10]分析不同故障情況下避雷器阻性電流的變化情況，為針對避雷器阻性電流的在線監(jiān)測提供了參考依據(jù).文獻[11]實現(xiàn)避雷器在不同溫度下狀態(tài)參數(shù)的換算，對不同溫度下的告警閾值設(shè)定具有參考價值.

針對避雷器在線監(jiān)測現(xiàn)行規(guī)則中存在的問題和當前國內(nèi)外研究中存在的不足，本研究首先介紹避雷器的等效模型和常用的在線監(jiān)測方法，對某省在線監(jiān)測裝置的運行情況進行統(tǒng)計分析，通過研究在線監(jiān)測各項數(shù)據(jù)間的Pearson相關(guān)系數(shù)，提取關(guān)鍵特征量； 其次，提出一種基于反距離加權(quán)改進KNN算法的避雷器缺陷診斷方法，并通過參數(shù)優(yōu)化獲取模型的最優(yōu)參數(shù)組合； 最后，通過實例分析驗證算法模型的有效性.旨在為基于在線監(jiān)測數(shù)據(jù)的避雷器缺陷診斷方法提供一種新的思路.

1 避雷器在線監(jiān)測方法及數(shù)據(jù)分析

1.1 避雷器在線監(jiān)測方法

1.1.1 避雷器等效模型

避雷器可以等效為電阻和電容的并聯(lián)電路，如圖1所示.圖1中，總電流I、 阻性電流Ir、 容性電流Ic和避雷器兩端電壓U的關(guān)系, 可用圖2所示的矢量圖表示.圖2中，φ為電壓U與電流I的相角差，由此可得, 阻性電流Ir、 容性電流Ic的表達式為：

Ir=I·cosφ，Ic=I·sinφ

(1)

其中，避雷器的等效電阻隨著避雷器閥片老化、 受潮等劣化因素影響而減小，等效電容幾乎不變且遠大于等效電阻，因此阻性電流占比較小，φ值較大.

1.1.2 在線監(jiān)測方法

常用的避雷器在線監(jiān)測方法有全電流法、 基波法、 三次諧波法、 歷史數(shù)據(jù)分析法4種.

1) 全電流法是一種裝置簡單且最早采用的監(jiān)測方法，通過測量流經(jīng)避雷器的泄漏電流來判斷設(shè)備狀態(tài).但是該方法受電壓波動和環(huán)境影響較大，且無法反映避雷器早期故障，存在告警盲區(qū).

2) 基波法也稱為阻性電流法，是通過測量避雷器兩端電壓和流經(jīng)避雷器的電流的幅值和相角，計算出避雷器的基波電流分量來表征避雷器運行狀態(tài).

3) 三次諧波法也稱為零序電流法，是一種綜合考慮三相避雷器狀態(tài)的在線監(jiān)測方法，裝置簡單，易于操作，但無法確定故障相所在位置，需要結(jié)合其他輔助方法進行進一步判斷.

4) 歷史數(shù)據(jù)分析法是通過收集在線監(jiān)測歷史數(shù)據(jù)，結(jié)合人工智能算法實現(xiàn)設(shè)備故障診斷.該方法具有較高的精度但可解釋性差，且對在線監(jiān)測設(shè)備準確測量和穩(wěn)定運行提出了一定的要求.

1.2 避雷器在線監(jiān)測應(yīng)用現(xiàn)狀

據(jù)某省電科院不完全統(tǒng)計，2016—2019年，該省避雷器在線監(jiān)測告警規(guī)則先后經(jīng)過增加、 取消濕度屏蔽、 增加三相不平衡等多個版本，共計發(fā)出告警約21 040條，如表1所示.其中，僅有55條監(jiān)測告警(含37條重復(fù)告警)證實屬于避雷器缺陷導致，發(fā)現(xiàn)問題避雷器18臺(500 kV 2臺、 220 kV 4臺、 110 kV 11臺，±320 kV 1臺)，報告本體受潮劣化11臺，泄露電流表計劣化5臺，底座絕緣子劣化2臺，告警正確率僅為0.26%.

截至2019年底，某省110 kV及以上避雷器共22 680支，其中配備在線監(jiān)測裝置9 482臺，監(jiān)測覆蓋率41.8%.在線監(jiān)測裝置運行年限分布如圖3所示.

表1 金屬氧化物避雷器在線監(jiān)測告警規(guī)則

通過統(tǒng)計分析避雷器設(shè)備狀態(tài)和告警規(guī)則，目前避雷器在線監(jiān)測裝置主要存在以下幾個問題：

1) 現(xiàn)行告警規(guī)則不合理，在線監(jiān)測誤告率高.單一閾值告警無法識別裝置自身故障告警、 天氣造成的正常波動、 污穢造成的異常告警，不能有效進行設(shè)備狀態(tài)預(yù)警.

2) 在線監(jiān)測裝置運行年限久、 老化嚴重，維護工作量大.投運9 a及以上裝置達4 176臺，占比44%，最長投運年限達13 a.裝置缺陷數(shù)約占總?cè)毕莸?5%.部分在線監(jiān)測裝置傳感器、 主板等抗干擾能力不足，造成監(jiān)測數(shù)據(jù)不穩(wěn)定、 誤告警.

1.3 避雷器在線監(jiān)測數(shù)據(jù)分析

本研究的避雷器在線監(jiān)測數(shù)據(jù)來源于某市電網(wǎng)30只不同運行狀態(tài)的110和220 kV避雷器，時間跨度為1～2 a，時間分辨率為1 h，能充分反映各種運行狀態(tài)下的避雷器數(shù)據(jù)特征.區(qū)別于已有研究，本研究中避雷器的運行狀態(tài)是經(jīng)多數(shù)專家共同研判或解體分析后確定的，具有較高的可信度.

阻性電流、 全電流和相電壓是避雷器在線監(jiān)測中的常用特征量，過多的數(shù)據(jù)維度會增加分類算法的復(fù)雜度和程序的運行時間，為此，有必要在維持基本算法準確率的前提下，利用數(shù)據(jù)相關(guān)性分析方法選取算法所需的關(guān)鍵特征數(shù)據(jù).Pearson相關(guān)系數(shù)的公式如下所示：

(2)

其中：E為數(shù)學期望；X、Y為待分析的變量.

1) 全電流和阻性電流的相關(guān)性分析.通過分析某地區(qū)避雷器1 a的在線監(jiān)測數(shù)據(jù)，得到三相全電流與阻性電流之間的Pearson相關(guān)系數(shù)，結(jié)果如表2所示.從表2可以看出，三相全電流和阻性電流之間具有較強的線性相關(guān)性，且阻性電流在全電流中的占比約為6%～35%，能敏感地反映全電流的變化情況，因此在研究中可以采用阻性電流來表征全電流的變化情況.

表2 全電流和阻性電流相關(guān)性分析

表3 相電壓和阻性電流相關(guān)性分析

綜上所述，在特征量選取中可以選取避雷器阻性電流、 電壓作為表征避雷器運行狀態(tài)的特征參數(shù)，綜合三相數(shù)據(jù)進行分析能夠有效避免對單相缺陷的漏判.考慮到環(huán)境溫濕度也會對在線監(jiān)測數(shù)據(jù)造成波動[12]，因此，選取環(huán)境溫濕度、 三相阻性電流和三相電壓作為反映避雷器運行狀態(tài)在線監(jiān)測與缺陷診斷的特征量.此外，由于通常認為避雷器污穢或受潮等屬于避雷器的劣化原因之一，具體影響可通過阻性電流等在線監(jiān)測參數(shù)反映，且目前在線監(jiān)測系統(tǒng)中未對避雷器表面污穢情況進行定量監(jiān)測，故未將其作為特征參數(shù)開展分析.

2 反距離加權(quán)改進KNN算法

2.1 算法原理

KNN(K-nearest neighbor)算法依據(jù)聚類思想實現(xiàn)對樣本數(shù)據(jù)的分類.其基本原理是通過計算待測樣本與訓練樣本之間的距離，取出距離最近的K個訓練樣本，將K個樣本中出現(xiàn)次數(shù)最多的類別作為待測樣本的分類類別，從而實現(xiàn)樣本分類.傳統(tǒng)KNN算法具有原理簡單、 分類準確率高、 易于實現(xiàn)的特點[13-14]，但是當訓練樣本中存在干擾樣本時，對樣本的正確分類存在一定的影響.同時，K值的選取也影響著分類準確率.當K值較小時，干擾樣本對分類正確率影響較大，當K值較大時，算法的準確率也將有所降低.

KNN算法的原理如圖4所示.當K=2時，待測樣本的類型被分類為“三角形”; 當K=5時，待測樣本的類型被分類為“圓形”，但在實際應(yīng)用中待測樣本的實際類型更加傾向于“三角形”.因此，為了獲得準確的分類結(jié)果，K值的選取應(yīng)該減小，但過小的K值對于干擾樣本的敏感度較高.為了解決該問題，提出一種基于反距離加權(quán)的改進KNN算法.

反距離加權(quán)改進KNN算法在統(tǒng)計K個樣本中出現(xiàn)次數(shù)最多的類別的同時，將待測樣本與訓練集樣本距離的倒數(shù)作為最終參與樣本決策時投票的權(quán)重，即距離越近的樣本投票時權(quán)重更大，這也更加符合聚類思想.基于反距離加權(quán)改進KNN算法的流程如圖5所示.

2.2 數(shù)據(jù)預(yù)處理

由于不同特征量之間的數(shù)量級不同，不同特征量的偏差對分類的影響也不同，因此為了將不同特征量的偏差影響化為一致，文中對樣本數(shù)據(jù)進行歸一化，歸一化公式如下：

(3)

其中：Xmax為同一特征量的最大值；Xmin為最小值；X為歸一化前的數(shù)據(jù)；X′為歸一化后的數(shù)據(jù).

高維數(shù)據(jù)對于算法的運算速率影響較大，因此有必要對數(shù)據(jù)進行降維處理.在進行PCA(principal component analysis) 降維之前，對樣本進行KOM(Kaiser-Meyer-Olkin)檢驗和Bartlett球形度檢驗.通過分析可知，樣本數(shù)據(jù)的Bartlett球形度檢驗值小于0.05，KOM檢驗值大于0.60，適合進行PCA降維[15]，主成分個數(shù)為3時累計方差解釋率為84.69%，能較好地反映原始數(shù)據(jù)的情況，實現(xiàn)數(shù)據(jù)可視化，因此可以進行PCA降維[16].文中將原始八維樣本數(shù)據(jù)通過PCA降維成三維數(shù)據(jù).

3 避雷器故障診斷算法驗證

從某市電網(wǎng)30只避雷器不同時段的在線監(jiān)測數(shù)據(jù)中抽取200個樣本作為參數(shù)尋優(yōu)樣本，其中75.00%的樣本作為訓練樣本，25.00%的樣本作為測試樣本.參數(shù)尋優(yōu)樣本中包含天氣影響、 裝置故障、 一次設(shè)備故障和正常數(shù)據(jù)4類數(shù)據(jù)各50組，每個樣本中包含了三相阻性電流、 三相電壓、 環(huán)境溫濕度共8維數(shù)據(jù).其中，各類監(jiān)測數(shù)據(jù)的區(qū)間范圍分別為： 阻性電流16.42～498.57 μA，電壓64.8～132.61 kV，環(huán)境溫度18.27～40.23 ℃，環(huán)境濕度33.84%～91.74%.

3.1 算法參數(shù)尋優(yōu)

由于在KNN算法中K值與距離度量方式會影響KNN算法的準確性，因此針對K值與距離度量方式展開參數(shù)尋優(yōu)，常見的距離度量方式及其計算公式如下：

水資源在日常生活中和人們的利益密切關(guān)聯(lián)，且其是生命之源。水文工作者需牢牢把握水質(zhì)檢測關(guān)卡，保證用水安全，從而實現(xiàn)對水中微生物滋生導致的傳染病爆發(fā)、疾病流行，微生物實驗室檢驗及管理，且相對于化學檢測來說，而水質(zhì)檢測的質(zhì)控、處理，以及采集需注重多環(huán)節(jié)。隨著新出臺及實施的《生活飲用水標準檢驗方法》[1]，不斷提升了微生物檢測的要求，同時獲得人們更多的思考及關(guān)注度。結(jié)果的分析，以及樣品采集、檢測、管理等多環(huán)節(jié)，均包含于水質(zhì)監(jiān)測微生物實驗室樣品管理及檢測中，彼此之間互為依靠，緊密聯(lián)系，但是當有一些不足或者是缺陷出現(xiàn)的時候，則會對最終的檢驗結(jié)果產(chǎn)生極大的影響。

1)歐氏距離：

(4)

2) 切比雪夫距離：

(5)

3) 曼哈頓距離：

L(xi,yj)=max{|xi1-xj1|, |xi2-xj2|, …, |xin-xjn|}

(6)

通過對不同距離度量方式下的K值進行狀態(tài)診斷準確率的比較，選取合適的模型K值和距離度量方式.為獲得不同組合下的診斷準確率，將所有組合循環(huán)1 000次，并將準確率平均值作為該組合方案下的準確率.傳統(tǒng)KNN算法和基于反距離加權(quán)改進KNN算法的參數(shù)尋優(yōu)結(jié)果分別如圖6和圖7所示.

從圖中可以看出，在傳統(tǒng)KNN算法中，無論哪一種距離度量方式的準確率都隨著K值的增加而降低，而K值越大算法的抗干擾能力就越強.對比3種距離度量方式后不難發(fā)現(xiàn)，采用曼哈頓距離的模型整體準確率都高于其他兩種距離度量方式，在選擇曼哈頓距離且K=3時，算法分類準確率達到最高94.33%.采用改進KNN算法的準確率變化趨勢與傳統(tǒng)KNN算法基本一致，采用曼哈頓距離仍然取得了較高的準確率，然而在改進KNN算法中，選擇曼哈頓距離且當K=5時算法準確率達到最高97.28%，相較于傳統(tǒng)算法具有更高的準確率和抗干擾能力.

3.2 算法對比

為驗證本方法的優(yōu)勢，從運算效率和分類準確率兩方面將改進KNN算法與較為成熟有效的隨機森林算法、 支持向量機算法進行對比，結(jié)果如圖8所示.

定義3類算法評價指標(精確率(P)、 召回率(R)和F1)的計算公式如下，評價結(jié)果如表4所示.

(7)

(8)

(9)

表4 算法評價指標

其中： TPi表示實際類別與分類類別都為i的數(shù)量； FPi表示實際類別不為i，分類類別為i的數(shù)量； FNi表示實際類別為i，分類類別不為i的數(shù)量.

根據(jù)計算結(jié)果可獲得3種算法的混淆矩陣和算法指標如圖9所示.圖中分別用0、 1、 2、 3表示正常數(shù)據(jù)、 天氣影響數(shù)據(jù)、 一次設(shè)備故障、 裝置故障4類故障.

由圖9可知，在分類準確率方面，改進KNN算法遠高于隨機森林算法和支持向量機算法； 在運算速率分類時間方面，改進KNN算法與隨機森林算法相近，優(yōu)于支持向量機算法.因此，在基于在線監(jiān)測數(shù)據(jù)的避雷器缺陷識別與分類問題上，改進KNN算法具有更好的適用性和更好的分類性能.

3.3 算法泛化能力驗證

從模型樣本集以外的樣本中按照故障類型選取5個典型樣本進行算法的泛化能力驗證.5個典型樣本各項特征參數(shù)如表5所示.

表5 典型樣本的各項特征參數(shù)

通過算法模型計算樣本距離和權(quán)重，得分最高的類別即為分類類別，結(jié)果如表6所示.由表6可以看出，傳統(tǒng)KNN算法與改進KNN算法對于避雷器在線監(jiān)測數(shù)據(jù)都具有一定的分類能力，但是針對測試樣本⑤所屬的天氣影響數(shù)據(jù)分類中，傳統(tǒng)KNN算法的5個近鄰中有3個近鄰為正常樣本，因此傳統(tǒng)KNN算法存在無法正確區(qū)分受天氣影響數(shù)據(jù)和正常數(shù)據(jù)的問題，存在一定的誤判.然而改進KNN算法得益于反距離加權(quán)的投票方式，類別0較類別1具有數(shù)量上的優(yōu)勢，但在得分上類別0小于類別1，因此能夠有效避免誤判，具有更強的抗干擾能力和診斷準確率.

表6 算法泛化能力驗證結(jié)果

4 結(jié)語

針對避雷器現(xiàn)有在線監(jiān)測系統(tǒng)告警規(guī)則存在的不足，研究并提出一種基于反距離加權(quán)改進KNN算法的避雷器缺陷診斷方法，可得出以下結(jié)論：

1) 避雷器三相全電流和阻性電流Pearson相關(guān)系數(shù)大于0.8、 三相電壓和阻性電流的Pearson相關(guān)系數(shù)小于0.4，表明阻性電流和電壓可以反映避雷器的運行狀態(tài)，同時綜合分析三相數(shù)據(jù)并加入環(huán)境溫濕度能夠有效避免對單相缺陷的漏判和環(huán)境變化造成的誤判.

2) 采用曼哈頓距離且K=5時的基于反距離加權(quán)改進KNN算法對避雷器在線監(jiān)測數(shù)據(jù)具有較好分類效果，分類準確率為97.28%，精確率為97.92%，召回率為98.21%，F(xiàn)1值為98.06%，相較隨機森林和支持向量機算法具有更優(yōu)的分類性能，對避雷器在線監(jiān)測數(shù)據(jù)具有更好的適用性，有助于提升避雷器在線監(jiān)測的告警可靠性.