考慮強對流天氣的鄉(xiāng)鎮(zhèn)配電網(wǎng)樹線矛盾風險預(yù)警及優(yōu)化處理

姚福星 苗世洪 涂青宇 孫 芊 李豐君

考慮強對流天氣的鄉(xiāng)鎮(zhèn)配電網(wǎng)樹線矛盾風險預(yù)警及優(yōu)化處理

姚福星1苗世洪1涂青宇1孫 芊2李豐君2

（1. 華中科技大學電氣與電子工程學院 強電磁工程與新技術(shù)國家重點實驗室 電力安全與高效湖北省重點實驗室 武漢 430074 2. 國網(wǎng)河南省電力公司電力科學研究院 鄭州 450052）

電力線路周圍樹木生長與線路安全運行之間的矛盾（即樹線矛盾）是影響鄉(xiāng)鎮(zhèn)配電網(wǎng)供電可靠性的重要因素。針對強對流天氣來臨之前鄉(xiāng)鎮(zhèn)配電網(wǎng)樹線矛盾風險預(yù)警及清障處理需求，提出了一套“分區(qū)預(yù)警-總體權(quán)衡-優(yōu)化處理”機制。首先，考慮強對流天氣的地域關(guān)聯(lián)特性，基于支持向量機建立了鄉(xiāng)鎮(zhèn)配電網(wǎng)各區(qū)域強對流天氣-樹線矛盾映射模型，實現(xiàn)樹障接地風險的分區(qū)預(yù)警；然后，基于風險預(yù)警結(jié)果，以總體經(jīng)濟投入和停電損失最小為目標，建立了考慮強對流天氣影響的鄉(xiāng)鎮(zhèn)配電網(wǎng)樹線矛盾雙層優(yōu)化處理模型，決策各矛盾易發(fā)點的清障計劃；最后，采用某鄉(xiāng)鎮(zhèn)強對流氣象監(jiān)測數(shù)據(jù)、樹障接地故障記錄以及改進的IEEE 33節(jié)點系統(tǒng)、123節(jié)點系統(tǒng)進行了算例分析。結(jié)果表明，所提模型能夠有效挖掘強對流天氣與樹線矛盾間的映射關(guān)系，并給出經(jīng)濟性最優(yōu)的事前清障計劃，實現(xiàn)鄉(xiāng)鎮(zhèn)配電網(wǎng)樹障接地風險的分區(qū)預(yù)警及優(yōu)化處理。

強對流天氣 鄉(xiāng)鎮(zhèn)配電網(wǎng) 樹線矛盾 風險預(yù)警 優(yōu)化處理

0 引言

我國鄉(xiāng)鎮(zhèn)配電網(wǎng)具有覆蓋范圍廣、自動化程度不高、安全環(huán)境相對較差等特點，因此面臨的風險因素較多，導致故障頻發(fā)[1]。據(jù)統(tǒng)計，在眾多故障記錄中，由樹線矛盾引發(fā)的接地故障占有很大比例[2-3]，究其原因，主要有兩點：一是我國地形地貌復雜，農(nóng)村分布較為零散，致使鄉(xiāng)鎮(zhèn)配電網(wǎng)需要跨越山區(qū)、丘陵等地帶；二是鄉(xiāng)鎮(zhèn)配電網(wǎng)廣泛采用架空裸導線作為電能傳輸?shù)妮d體，為了節(jié)約敷設(shè)成本，往往進行“取直”操作，導致線路穿越植被覆蓋率較高的地區(qū)。雖然鄉(xiāng)鎮(zhèn)供電公司會定期巡線，及時對超高超寬的樹木進行修剪處理，但此類清障措施僅能保證正常天氣條件下配電線路的可靠運行，一旦遭遇強風、暴雨等強對流天氣，由于線路舞動、樹木搖擺甚至彎折傾覆等因素，樹線間的空氣極易發(fā)生擊穿，引發(fā)接地故障，嚴重威脅配電網(wǎng)的安全穩(wěn)定運行，對局部區(qū)域甚至整條配電線路的供電產(chǎn)生巨大影響[4]。

近年來，隨著生態(tài)破壞、全球變暖形勢的日益嚴峻，大風、短時強降水等強對流天氣時有發(fā)生，對配電網(wǎng)尤其是鄉(xiāng)鎮(zhèn)配電網(wǎng)的安全運行產(chǎn)生了極大威脅[5-6]。與此同時，隨著鄉(xiāng)村振興戰(zhàn)略的不斷推進，提高供電可靠性、滿足居民正常的生產(chǎn)生活需要，已然成為鄉(xiāng)鎮(zhèn)配電網(wǎng)新時代發(fā)展的必然要求。因此，有必要研究考慮強對流天氣影響的鄉(xiāng)鎮(zhèn)配電網(wǎng)樹線矛盾風險預(yù)警及優(yōu)化處理技術(shù)，助力電力行業(yè)高質(zhì)量發(fā)展和國家新農(nóng)村建設(shè)。

目前，國內(nèi)外學者針對樹障監(jiān)測及風險預(yù)警技術(shù)開展了大量研究工作，為電網(wǎng)的運行與改造提供了重要依據(jù)。在數(shù)據(jù)采集和建模方面，文獻[7]提出一種基于多光譜激光雷達的樹障數(shù)據(jù)收集方法，能夠有效縮減樹線距離的檢測時間，并提升檢測結(jié)果的準確率；文獻[8]采用快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)和立體視覺算法對采集到的二維圖像進行處理，生成三維的高度和位置信息，并據(jù)此準確研判各樹障的搭線風險；文獻[9]基于衛(wèi)星遙感影像建立線路的三維立體模型，并結(jié)合樹冠識別和線路空間參數(shù)計算，實現(xiàn)了樹線距離的測量和風險預(yù)警。在裝置研發(fā)和應(yīng)用方面，文獻[10]設(shè)計了一種樹障生長風險預(yù)判系統(tǒng)，結(jié)合超聲波探頭和線路的懸鏈方程，綜合識別樹障的風險位置，有效地提升了線路巡檢時的預(yù)判效果；文獻[11]搭建了一套輸電通道移動巡視管控平臺，通過移動終端和互聯(lián)網(wǎng)系統(tǒng)的有機結(jié)合，實現(xiàn)巡視數(shù)據(jù)的實時展示，并在武漢南瑞國網(wǎng)雷電監(jiān)測預(yù)警中心進行了部署，取得了較好的應(yīng)用效果；文獻[12]研發(fā)了一種超高樹障在線監(jiān)控報警裝置，借助超聲波探測和ZigBee自組網(wǎng)技術(shù)，實時監(jiān)測線路周圍樹木的生長情況，為制定預(yù)防措施和定期清障提供依據(jù)。以上文獻及系統(tǒng)可幫助巡線人員準確地把控樹木與導線間的安全距離，但大多從樹木本身的生長特性方面進行監(jiān)測和建模，并未考慮氣象因素對樹障的影響。隨著機器學習的不斷發(fā)展以及大數(shù)據(jù)分析平臺的建立，采用支持向量機（Support Vector Machine, SVM）等算法挖掘氣象信息與樹線矛盾間的映射關(guān)系，并進一步實現(xiàn)樹障接地風險預(yù)警，具有重要的理論和現(xiàn)實意義，但相關(guān)研究還鮮見報道。

在樹線矛盾風險處理方面，文獻[13]綜合考慮樹障清理和電桿維修兩類主要措施，來提升電力系統(tǒng)設(shè)備抵御極端天氣的能力，通過二者的合理優(yōu)化，在保障系統(tǒng)經(jīng)濟性的同時，有效地提升了配電網(wǎng)的韌性；文獻[14]分析了清障措施對于降低配電網(wǎng)故障風險的影響，并結(jié)合美國康涅狄格州某實際系統(tǒng)進行了算例分析，結(jié)果表明，及時對樹線矛盾易發(fā)點進行清障處理，可以使配電網(wǎng)的年故障點數(shù)量降低25.7%～42.5%；文獻[15]對比了清障前后配電網(wǎng)在暴雨條件下無故障區(qū)域數(shù)量的增長情況以及有故障區(qū)域停電頻次的降低情況，發(fā)現(xiàn)提升配電網(wǎng)的清障能力能夠有效降低暴雨對于配電網(wǎng)失負荷量的影響。以上文獻的分析結(jié)果表明，在強對流天氣到來之前，組織開展進一步的巡線和清障工作，能夠及時消除潛在的威脅，有針對性地提升配電網(wǎng)的供電可靠性。然而，考慮到強對流天氣來臨前時間緊迫，且鄉(xiāng)鎮(zhèn)供電公司的清障資源有限，事前清障過程還需要計劃性停電，同樣會產(chǎn)生停電損失，因此需要結(jié)合各樹線矛盾易發(fā)點的故障概率，權(quán)衡計劃性停電損失和事前清障成本，以及故障停電損失和事后處理成本，妥善決策是否采取事前清障措施。對于樹障接地風險較高且故障后會造成巨大停電損失的矛盾點，應(yīng)優(yōu)先處理；反之，對于樹障接地概率較低、故障停電損失較小而事前清障成本較高的矛盾點，在清障資源緊缺且時間緊迫的條件下，可以暫緩處理。從數(shù)學角度講，其本質(zhì)上是一個優(yōu)化問題[16]，然而該問題目前鮮有研究。文獻[17]結(jié)合各樹線矛盾易發(fā)點的故障概率預(yù)測結(jié)果，建立了清障點優(yōu)化決策模型，但并未考慮清障過程造成的停電損失，也沒有考慮清障時長約束、清障班組工作時間約束等限制條件，模型結(jié)構(gòu)較為簡單。此外，有關(guān)樹線矛盾優(yōu)化建模的研究還相對較少。

針對上述問題，本文首先考慮強對流天氣的地域關(guān)聯(lián)特性，將鄉(xiāng)鎮(zhèn)配電網(wǎng)全供電區(qū)域氣象監(jiān)測信息作為待分類數(shù)據(jù)，并以是否發(fā)生樹障接地作為標簽，基于SVM建立了鄉(xiāng)鎮(zhèn)配電網(wǎng)各區(qū)域強對流天氣-樹線矛盾映射模型，實現(xiàn)了樹障接地風險的分區(qū)預(yù)警；其次，基于風險預(yù)警結(jié)果，綜合考慮清障資源約束、清障班組工作時間約束等條件，以總體經(jīng)濟投入和停電損失最小為目標，建立了考慮強對流天氣影響的鄉(xiāng)鎮(zhèn)配電網(wǎng)樹線矛盾雙層優(yōu)化處理模型，決策各矛盾易發(fā)點的清障計劃；最后，結(jié)合我國某地區(qū)強對流天氣數(shù)據(jù)、樹障接地故障記錄，以及改進的IEEE 33節(jié)點系統(tǒng)、123節(jié)點系統(tǒng)進行算例分析，驗證所提模型及方法的有效性。相比于現(xiàn)有研究，本文的主要創(chuàng)新點在于：充分計及強對流天氣的地域關(guān)聯(lián)特性及其來臨前的時間緊迫性、鄉(xiāng)鎮(zhèn)供電公司清障資源的有限性和各矛盾易發(fā)點的任務(wù)量特性，形成一套樹障接地“分區(qū)預(yù)警-總體權(quán)衡-優(yōu)化處理”機制，能夠?qū)渚€矛盾進行監(jiān)測預(yù)警和妥善處理，有效地提升強對流天氣下鄉(xiāng)鎮(zhèn)配電網(wǎng)的風險防御水平。

1 基于SVM的鄉(xiāng)鎮(zhèn)配電網(wǎng)樹障接地風險預(yù)警模型

1.1 SVM基本原理

SVM是一類具有堅實理論基礎(chǔ)的廣義二元線性分類器，它通過有監(jiān)督學習求解得到最大邊距超平面，從而實現(xiàn)對訓練樣本的歸納分類[18]。其算法簡單可靠，對異常值不敏感，且計算復雜度不取決于樣本空間的維數(shù)，魯棒性好，泛化能力強，近年來被廣泛應(yīng)用于電力系統(tǒng)故障診斷[19]、狀態(tài)評估[20-21]、負荷辨識[22]和可再生能源出力預(yù)測[23]等領(lǐng)域，取得了良好的效果。本文也基于SVM建立強對流天氣與樹障接地風險的映射模型。

給定一系列的樣本數(shù)據(jù)，SVM的任務(wù)就是找到一條盡可能遠離所有樣本點的決策邊界，在實現(xiàn)樣本數(shù)據(jù)二分類的同時，保障模型的抗噪性能。但傳統(tǒng)的SVM模型僅能用于線性可分數(shù)據(jù)，對于線性不可分的樣本，需要引入核函數(shù)對其進行處理，將其映射到更高維度的空間中，從而間接實現(xiàn)線性可分。常見的核函數(shù)有多項式核函數(shù)、高斯核函數(shù)、拉普拉斯核函數(shù)和Sigmoid核函數(shù)等。本文選用的強對流天氣數(shù)據(jù)包含溫度、濕度、降雨量等多個維度，難以直接進行線性分類，因此首先采用高斯核函數(shù)對其進行變換，再基于SVM建立強對流天氣-樹線矛盾映射模型。

對于已經(jīng)訓練好的分類模型，給定一個新的樣本點，SVM就會根據(jù)其與決策邊界的位置關(guān)系自動對其進行分類，輸出相應(yīng)的類別預(yù)測結(jié)果，同時根據(jù)樣本點與決策邊界的距離，輸出分類結(jié)果的可靠性概率。基于此原理，即可獲得強對流氣象預(yù)報條件下鄉(xiāng)鎮(zhèn)配電網(wǎng)的樹線矛盾風險預(yù)測結(jié)果。

1.2 強對流天氣數(shù)據(jù)地域關(guān)聯(lián)特性分析

強對流天氣是指對流性大風、短時強降水、冰雹等災(zāi)害性天氣，其生命史短暫，空間范圍較小，一般為幾十km至幾百km，但突發(fā)性強，破壞力顯著，一旦發(fā)生，會給人民群眾的生命財產(chǎn)造成巨大損失[24]。各類強對流天氣的形成過程往往不盡相同，但都是大尺度氣象背景和中小尺度系統(tǒng)地形、下墊面相互影響的結(jié)果，與局部地區(qū)的動力和熱力作用有很大關(guān)系[25-26]。例如，2021年7月20—21日，河南鄭州、新鄉(xiāng)、開封、周口、焦作等部分地區(qū)出現(xiàn)特大暴雨，直接經(jīng)濟損失高達885.34億元，就是東風急流、低渦切變與太行山區(qū)、伏牛山區(qū)地形抬升效應(yīng)共同作用的結(jié)果[27-28]。由此可見，強對流天氣具有明顯的地域關(guān)聯(lián)特性。

為驗證該特性，本文對某鄉(xiāng)鎮(zhèn)8個區(qū)域2019年夏季強對流氣象監(jiān)測數(shù)據(jù)的空間相關(guān)性進行了分析(各區(qū)域邊界由氣象站位置及行政區(qū)劃信息綜合確定)，包括溫度、濕度、風速、降雨量、風向、風力級別6個變量，結(jié)果如附圖1所示。其中，A～H為區(qū)域代號。圖像的下三角部分展示了8個區(qū)域各類氣象監(jiān)測數(shù)據(jù)的Pearson相關(guān)系數(shù)，而上三角部分則以氣泡的形式對數(shù)據(jù)的空間相關(guān)性進行了直觀表征，氣泡越大，顏色越鮮艷，表示相關(guān)性越強。

由附圖1可知，8個區(qū)域溫度、濕度的相關(guān)系數(shù)均在0.78以上，相關(guān)性很強；風速、風力級別的相關(guān)系數(shù)均在0.5附近，也具有一定的相關(guān)性；而風向和降雨量兩個變量的相關(guān)系數(shù)相對較低，更具地方特色。但整體而言，8個區(qū)域的強對流氣象監(jiān)測數(shù)據(jù)具有一定的空間相關(guān)性。因此，在建立鄉(xiāng)鎮(zhèn)配電網(wǎng)樹障接地風險預(yù)警模型的過程中，不能僅考慮本地氣象數(shù)據(jù)的作用結(jié)果，還應(yīng)計入相鄰區(qū)域的氣象監(jiān)測信息，更好地表征強對流天氣的地域關(guān)聯(lián)特性，從小尺度氣象監(jiān)測系統(tǒng)的角度，準確挖掘強對流天氣與樹障接地風險間的映射關(guān)系。

1.3 鄉(xiāng)鎮(zhèn)配電網(wǎng)樹障接地風險預(yù)警模型

為充分計及強對流天氣的地域關(guān)聯(lián)特性，同時體現(xiàn)樹障接地故障的地區(qū)差異，本文以鄉(xiāng)鎮(zhèn)配電網(wǎng)全供電范圍氣象監(jiān)測信息作為SVM的輸入數(shù)據(jù)，分區(qū)域建立強對流天氣-樹線矛盾映射模型。

模型輸入數(shù)據(jù)矩陣的形成過程如圖1所示。首先，將各地區(qū)采集到的歷史強對流氣象監(jiān)測信息按照時間標度對齊，并對風向、風力級別等文字描述的信息進行數(shù)據(jù)編碼，整合各時刻的采樣值，形成局部特征變量組合；其次，將8個地區(qū)的特征變量組合分別進行標幺化，轉(zhuǎn)換為[0,1]之間的數(shù)據(jù)，并按照地理位置進行排布，形成待分類數(shù)據(jù)；最后，將各區(qū)域的樹障接地故障標志變量分別與待分類數(shù)據(jù)進行整合，輸入相應(yīng)的SVM分類模型，即可分區(qū)域挖掘強對流天氣與樹障接地間的映射關(guān)系。

在完成模型訓練后，還需要借助測試數(shù)據(jù)集對其分類正確性進行檢驗，檢驗的方法為：將各地區(qū)后續(xù)采集到的強對流氣象數(shù)據(jù)按照圖1的方式進行整合，并輸入相應(yīng)的SVM分類模型；將模型輸出的樹障接地故障預(yù)測結(jié)果與實際監(jiān)測結(jié)果進行對比，據(jù)此計算得出各模型的分類正確率。強對流天氣來臨之前，氣象部門會發(fā)布精細化的預(yù)報信息，將該信息輸入已經(jīng)訓練好的SVM分類模型，即可得到鄉(xiāng)鎮(zhèn)配電網(wǎng)各區(qū)域樹障接地故障預(yù)測結(jié)果及對應(yīng)的可靠性概率，再按照式（1）計算獲得各樹線矛盾易發(fā)點的故障概率，就可以實現(xiàn)樹障接地風險的分區(qū)預(yù)警。

2 鄉(xiāng)鎮(zhèn)配電網(wǎng)樹線矛盾優(yōu)化處理模型

2.1 整體建模思路

為充分利用清障資源，有效降低強對流天氣下鄉(xiāng)鎮(zhèn)配電網(wǎng)的停電損失和管理成本，本文結(jié)合第1節(jié)求解得到的風險預(yù)警結(jié)果，建立鄉(xiāng)鎮(zhèn)配電網(wǎng)樹線矛盾雙層優(yōu)化處理模型，其結(jié)構(gòu)如圖2所示。其中，上層模型以近兩天總體經(jīng)濟投入和停電損失最小為目標函數(shù)，采用改進粒子群算法，決策各樹線矛盾易發(fā)點是否采取事前清障措施，并將相應(yīng)的決策結(jié)果傳遞給下層；下層模型基于上層給定的事前清障指令，以當日清障損失及作業(yè)成本最小為目標函數(shù)，借助商業(yè)優(yōu)化軟件決策各清障班組工作計劃，并將相應(yīng)的事前清障成本反饋給上層。此時上層模型結(jié)合下層傳遞的成本結(jié)果進行對比優(yōu)化，探索新的樹線矛盾優(yōu)化處理方案。上下層模型反復迭代，直至在滿足約束條件的前提下，獲得最優(yōu)樹線矛盾處理結(jié)果。

圖2 樹線矛盾雙層優(yōu)化處理模型結(jié)構(gòu)

2.2 上層事前清障決策模型

2.2.1 目標函數(shù)

上層模型以近兩日總體經(jīng)濟投入與停電損失之和最小為優(yōu)化目標，結(jié)合風險評估結(jié)果決策各樹線矛盾易發(fā)點是否采取事前清障措施，其中，經(jīng)濟投入包括正常天氣下的事前清障成本以及極端天氣下配電網(wǎng)發(fā)生故障后的清障成本兩大類，停電損失也包括正常天氣下清障造成的計劃性停電損失以及極端天氣下配電網(wǎng)故障和清障過程中面臨的停電損失兩大類。

2.2.2 約束條件

清障作業(yè)點數(shù)量約束為

2.3 下層清障班組調(diào)度模型

2.3.1 目標函數(shù)

下層模型以當日清障作業(yè)成本與計劃性停電損失之和最小為優(yōu)化目標，決策各清障班組工作計劃。

2.3.2 約束條件

1）清障資源約束

同一時段內(nèi)清障消耗的人力、物力等資源不能超過可提供的最大資源量。

2）停電損失約束

同一時段內(nèi)清障造成的計劃性停電損失不能超過可承受的最大損失量。

3）清障任務(wù)約束

該約束條件表明上層模型下達的清障指令必須要在一天之內(nèi)得到有效執(zhí)行。

4）清障時長約束

5）清障班組工作狀態(tài)約束

該約束條件表明：同一時段同一個清障班組最多只能處理一個樹線矛盾易發(fā)點。

該約束條件表明：樹線矛盾易發(fā)點采取清障作業(yè)時，有且僅有一個班組在此執(zhí)行清障任務(wù)。

6）清障班組工作時長約束

7）清障班組修整時長約束[29]

各清障班組在工作一段時間以后，至少要休整一定時長才能繼續(xù)工作。

2.4 模型求解方法

粒子群優(yōu)化（Particle Swarm Optimization, PSO）是一類高效的全局優(yōu)化算法，其原理簡單、魯棒性強、求解速度快，具有良好的自組織性、進化性和記憶功能[30]，廣泛應(yīng)用于電力系統(tǒng)復雜優(yōu)化問題的求解過程當中，故本文采用改進的權(quán)重遞減PSO算法求解上層模型。在上層模型生成事前清障決策結(jié)果后，下層模型將被轉(zhuǎn)換為混合整數(shù)線性規(guī)劃問題，可以借助YALMIP調(diào)用Gurobi 9.0.1求解。

3 算例分析

3.1 算例數(shù)據(jù)及參數(shù)設(shè)置

考慮到強對流天氣持續(xù)時間較短，發(fā)生頻率較低，且集中出現(xiàn)在夏季，為避免其數(shù)據(jù)特征被大量的正常天氣狀態(tài)所湮沒，本文首先對某鄉(xiāng)鎮(zhèn)八個區(qū)域2018—2020年夏季強對流天氣的發(fā)生時間進行統(tǒng)計，截取各強對流天氣發(fā)生日前后共計三天的氣象監(jiān)測數(shù)據(jù)進行拼湊整合，并按照圖1所示的步驟排布，與對應(yīng)時間尺度下的樹障接地記錄共同構(gòu)成SVM的待定輸入數(shù)據(jù)集。數(shù)據(jù)時間采樣精度為1 h，三年共計1 115組數(shù)據(jù)。

拼湊整合得到的待定輸入數(shù)據(jù)集是一個嚴重不平衡數(shù)據(jù)集，其中標志為1（即發(fā)生樹障接地故障）的數(shù)據(jù)占比不到10%。為改善輸入樣本的均衡性，避免影響SVM分類模型的訓練結(jié)果，本文采用SMOTE算法[31]“插值”生成部分少數(shù)類樣本（即發(fā)生樹障接地故障），替代多數(shù)類樣本（即未發(fā)生故障），作為SVM分類器的最終輸入數(shù)據(jù)。需要特別說明的是，該替換過程并不改變數(shù)據(jù)集的大小。

結(jié)合強對流天氣日前預(yù)報信息和SVM分類模型，分區(qū)域計算得出鄉(xiāng)鎮(zhèn)配電網(wǎng)樹障接地風險后，需要權(quán)衡各矛盾易發(fā)點的清障成本和停電損失，妥善決策事前清障計劃。受限于電網(wǎng)公司的數(shù)據(jù)保密性要求，本文并未獲取到與前述氣象數(shù)據(jù)和故障數(shù)據(jù)相對應(yīng)的實際配電系統(tǒng)拓撲，因此基于改進的IEEE 33節(jié)點系統(tǒng)和123節(jié)點系統(tǒng)開展樹線矛盾優(yōu)化處理模型算例分析，以驗證其有效性。

改進的IEEE 33節(jié)點系統(tǒng)拓撲如附圖2所示，圖中節(jié)點1、2、5處設(shè)有支線斷路器，節(jié)點6、13、28處設(shè)有分段開關(guān)。為確保模型和數(shù)據(jù)的一致性，將系統(tǒng)劃分為8個部分，與前述8個區(qū)域相對應(yīng)，同時設(shè)置10個樹線矛盾易發(fā)點，各矛盾易發(fā)點的單位時間停電損失和最小清障時長參見表1。類似地，將改進的IEEE 123節(jié)點系統(tǒng)也劃分為8個區(qū)域，并設(shè)置30個樹線矛盾易發(fā)點，系統(tǒng)拓撲結(jié)構(gòu)、區(qū)域劃分結(jié)果及矛盾易發(fā)點的位置如附圖3所示。圖中，節(jié)點2、9、15、20、27、38、65、73、82、103和116處設(shè)有支線斷路器，節(jié)點47、56、72、92和108處設(shè)有分段開關(guān)。各矛盾易發(fā)點參數(shù)見附表1。

表2 各清障班組單位時間工作成本和最大工作時長

圖3 各清障班組最小休息時長與持續(xù)工作時長的關(guān)系

3.2 樹障接地風險預(yù)警模型性能分析

為檢驗樹障接地風險預(yù)警模型的有效性，將SMOTE增強后的1 115組數(shù)據(jù)劃分為900組訓練樣本及215組檢測樣本。首先借助訓練樣本求解各區(qū)域SVM分類器的最優(yōu)參數(shù)，繼而基于檢測樣本求解最優(yōu)參數(shù)所對應(yīng)的分類效果，結(jié)果見表3。

表3 樹障接地風險預(yù)警模型針對檢測樣本的分類效果

由表3可以看出，基于SVM的樹障接地風險預(yù)警模型對檢測樣本的分類效果較好，8個區(qū)域的分類正確率均在86.976 7%以上，最高可達92.558 1%，查準率和查全率都處于較高水平，F(xiàn)1分數(shù)也在0.855 7以上，能夠較為準確地實現(xiàn)樹障接地風險預(yù)警。

為進一步驗證模型對實際數(shù)據(jù)的分類效果，截取2020年8月某強對流天氣發(fā)生日的氣象監(jiān)測數(shù)據(jù)，輸入各區(qū)域SVM分類器，將其輸出的風險預(yù)警結(jié)果與實際樹障接地故障記錄進行比對，結(jié)果見附表2（1～7和13～24和時段該鄉(xiāng)鎮(zhèn)配電網(wǎng)8個區(qū)域均未發(fā)生樹障接地故障，且SVM分類器的輸出結(jié)果均為0，并未進行展示）。由附表2可知，針對該強對流天氣發(fā)生日，A、C兩個區(qū)域的樹障接地風險預(yù)警模型的分類正確率為95.833 3%，其余六個區(qū)域的模型分類正確率均為100%，綜合正確率可達98.958 3%，因此可以判定：本文所提基于SVM的鄉(xiāng)鎮(zhèn)配電網(wǎng)樹障接地風險預(yù)警模型，可以有效挖掘強對流天氣與樹線矛盾間的映射關(guān)系，實現(xiàn)樹障接地風險的分區(qū)預(yù)警。

3.3 強對流天氣地域關(guān)聯(lián)特性敏感度分析

為分析強對流天氣地域關(guān)聯(lián)特性對樹障接地風險預(yù)警模型的影響，同樣采用3.2節(jié)所述900組訓練樣本及215組檢測樣本，對鄉(xiāng)鎮(zhèn)配電網(wǎng)各區(qū)域SVM分類器進行訓練和驗證，但各模型僅考慮本地氣象監(jiān)測信息，不再計及相鄰區(qū)域天氣的影響，結(jié)果見表4。

表4 對照模型針對檢測樣本的分類效果

對比表3和表4可知，不考慮強對流天氣的地域關(guān)聯(lián)特性，除區(qū)域H受影響較小之外，各樹障接地風險預(yù)警模型的分類正確率和F1分數(shù)均有所降低，平均下降3.488 4%和0.038 4。其中，區(qū)域C、D、E、G的模型分類正確率已降至86%以下，查準率和查全率也受到了較大影響。

進一步地，同樣截取3.2節(jié)所述強對流天氣發(fā)生日的氣象監(jiān)測數(shù)據(jù)，輸入各區(qū)域?qū)φ漳Ｐ椭?，并將模型輸出結(jié)果與實際故障記錄進行比較，結(jié)果見附表3（1～7和13～24時段電網(wǎng)無故障發(fā)生，且各模型輸出結(jié)果均為0，并未進行展示）。由附表2和附表3可知，不考慮強對流天氣地域關(guān)聯(lián)特性后，模型針對該日樹線矛盾的風險預(yù)警正確率有所下降，只有B、F、G、H四個區(qū)域模型的正確率為100%，其余四個區(qū)域模型的正確率均為95.833 3%，綜合正確率為97.916 7%，相比于3.2節(jié)考慮強對流天氣地域關(guān)聯(lián)特性的預(yù)警結(jié)果，綜合正確率下降了1.041 6%。

綜上所述，在鄉(xiāng)鎮(zhèn)配電網(wǎng)樹障接地風險預(yù)警建模過程中，有必要考慮強對流天氣的地域關(guān)聯(lián)特性，以提高模型輸出結(jié)果的準確率。

3.4 樹線矛盾優(yōu)化處理模型性能分析

根據(jù)2020年夏季某強對流天氣發(fā)生時段的風險預(yù)警結(jié)果，基于改進的IEEE 33節(jié)點系統(tǒng)和123節(jié)點系統(tǒng)開展三種場景的對比分析。8個區(qū)域的故障概率分別為0.8、0.4、0.5、0.55、0.3、0.75、0.2和0.6。

1）改進的IEEE 33節(jié)點系統(tǒng)

系統(tǒng)中各場景的成本對比情況見表5。由表5可知，場景1不采取事前清障措施，因此無須承擔任何計劃性停電損失和事前清障成本。但由于其未對樹障接地風險較高的矛盾易發(fā)點進行處理，致使其在強對流天氣到來以后，需要承擔較多的故障停電損失和事后處理成本，因此總成本較高。相較于場景1，場景2的故障停電損失和事后處理成本有很大下降，這是因為場景2對故障停電損失最大的五個矛盾易發(fā)點（編號依次為①、⑤、⑥、⑨、③）進行了事前清障處理，消除了部分接地風險，因此在強對流天氣來臨之時，由樹障接地造成的停電損失較小，且需要處理的故障點有所減少，事后處理成本較低；但由于其未考慮風險預(yù)警結(jié)果，僅依據(jù)故障停電損失對各矛盾易發(fā)點進行排序清理，因此需要承擔許多不必要的事前清障成本和計劃性停電損失，致使其總成本不降反增。相比之下，場景3的總成本最低，這是因為它能夠結(jié)合各矛盾易發(fā)點的風險預(yù)警結(jié)果，權(quán)衡計劃性停電損失和事前清障成本，以及故障停電損失和事后處理成本，比較后給出經(jīng)濟性最優(yōu)的事前清障計劃。

表5 改進的IEEE 33節(jié)點系統(tǒng)中不同場景的成本對比

場景3最終輸出的決策結(jié)果為：僅對矛盾易發(fā)點①、②、⑧進行事前清障處理，其余矛盾易發(fā)點不采取任何措施。為驗證模型輸出結(jié)果的準確性，將各矛盾易發(fā)點的計劃性停電損失、事前清障成本、故障停電損失和事后處理成本分別列寫于附表4。其中，事前清障成本會因清障班組的不同而發(fā)生變動，因此表中給出的是一個范圍。由附表4可知，只有矛盾易發(fā)點①、②、⑧的計劃性停電損失與事前清障成本之和低于其故障停電損失與事后處理成本之和，因此僅對這三個樹線矛盾易發(fā)點采取事前清障措施最為經(jīng)濟。計算結(jié)果與模型輸出結(jié)果一致，驗證了模型輸出結(jié)果的準確性。

2）改進的IEEE 123節(jié)點系統(tǒng)

為展示所提模型在大規(guī)模算例系統(tǒng)中的適用性，本文進一步基于改進的IEEE 123節(jié)點系統(tǒng)開展了算例分析，得出的各場景成本見表6。由表6可知，場景3的總成本處于最低水平，這表明所提模型在大型算例系統(tǒng)中依然適用，且其經(jīng)濟性并不受系統(tǒng)拓撲結(jié)構(gòu)變化的影響。

表6 改進的IEEE 123節(jié)點系統(tǒng)中不同場景的成本對比

表7 不同選取方式下的系統(tǒng)成本

綜合以上分析可知，本文所提鄉(xiāng)鎮(zhèn)配電網(wǎng)樹線矛盾優(yōu)化處理模型能夠妥善權(quán)衡各矛盾易發(fā)點的清障成本和停電損失，給出經(jīng)濟性最優(yōu)的事前清障計劃，并且不受系統(tǒng)拓撲結(jié)構(gòu)變化的影響。此外，由于在成本計算時考慮了停電損失，所提模型還能夠在樹線矛盾優(yōu)化處理的過程中，兼顧供電可靠性。

4 結(jié)論

本文考慮強對流天氣的影響，基于SVM建立了鄉(xiāng)鎮(zhèn)配電網(wǎng)各區(qū)域樹障接地風險預(yù)警模型，并進一步提出一種兼顧總體經(jīng)濟投入和停電損失的鄉(xiāng)鎮(zhèn)配電網(wǎng)樹線矛盾優(yōu)化處理策略，形成一套“分區(qū)預(yù)警-總體權(quán)衡-優(yōu)化處理”機制，通過算例分析，得出了以下結(jié)論：

1）強對流天氣具有一定的地域關(guān)聯(lián)特性，在樹障接地風險預(yù)警建模過程中，從小尺度氣象監(jiān)測系統(tǒng)的角度準確表征該特性，有助于提高模型輸出結(jié)果的準確率。

2）本文所建立的鄉(xiāng)鎮(zhèn)配電網(wǎng)樹障接地風險預(yù)警模型，可以有效挖掘強對流天氣與樹線矛盾間的映射關(guān)系，實現(xiàn)樹障接地風險的分區(qū)預(yù)警。

3）本文所提出的鄉(xiāng)鎮(zhèn)配電網(wǎng)樹線矛盾優(yōu)化處理模型，可以妥善權(quán)衡各矛盾易發(fā)點的清障成本和停電損失，給出經(jīng)濟性最優(yōu)的事前清障計劃，并且不受系統(tǒng)拓撲結(jié)構(gòu)變化的影響。

未來的研究方向：將氣象監(jiān)測數(shù)據(jù)、電力系統(tǒng)數(shù)據(jù)和地理信息數(shù)據(jù)有機結(jié)合，挖掘三者間的關(guān)聯(lián)關(guān)系，找出電力系統(tǒng)故障的影響機理，并有針對性地進行預(yù)防，建成“電-天-地”一體化監(jiān)測防御系統(tǒng)，充分發(fā)揮大數(shù)據(jù)平臺的優(yōu)勢，提升鄉(xiāng)鎮(zhèn)配電網(wǎng)故障風險預(yù)警及優(yōu)化處理水平。

附 錄

附圖1 強對流氣象監(jiān)測數(shù)據(jù)空間相關(guān)性分析結(jié)果

App.Fig.1 Spatial correlation analysis results of severe convective weather monitoring data

附圖2 改進的IEEE 33節(jié)點系統(tǒng)拓撲圖、區(qū)域劃分結(jié)果及樹線矛盾易發(fā)點位置

App.Fig.2 Improved IEEE 33-node system topology diagram, area division results, and the location of tree-line contradiction prone points

附圖3 改進的IEEE 123節(jié)點系統(tǒng)拓撲圖、區(qū)域劃分結(jié)果及樹線矛盾易發(fā)點位置

App.Fig.3 Improved IEEE 123-node system topology diagram, area division results, and the location of tree-line contradiction prone points

附表2 模型輸出結(jié)果與實際故障記錄比較

附表3 對照模型輸出結(jié)果與實際故障記錄比較

附表4 各矛盾易發(fā)點成本情況對比及模型輸出結(jié)果準確性驗證

[1] 喻錕, 胥鵬博, 曾祥君, 等. 基于模糊測度融合診斷的配電網(wǎng)接地故障選線[J]. 電工技術(shù)學報, 2022, 37(3): 623-633.

Yu Kun, Xu Pengbo, Zeng Xiangjun, et al. Grounding fault line selection of distribution networks based on fuzzy measures integrated diagnosis[J]. Transactions of China Electrotechnical Society, 2022, 37(3): 623-633.

[2] 龔國軍. 化解樹線矛盾[J]. 中國電力企業(yè)管理, 2015(8): 18-20.

Gong Guojun. Resolve the contradiction between trees and lines[J]. China Power Enterprise Management, 2015(8): 18-20.

[3] 李朝陽. 談樹線矛盾及解決辦法[J]. 農(nóng)村電工, 2002, 10(11): 31.

Li Zhaoyang. On the contradiction between tree and line and its solution[J]. Rural Electician, 2002, 10(11): 31.

[4] Cong Zihan, Liu Yadong, Yan Yingjie, et al. MHD simulation of tree-line arc in 10kV distribution network[C]//2020 8th International Conference on Condition Monitoring and Diagnosis (CMD), Phuket, Thailand, 2020: 346-349.

[5] 許寅, 和敬涵, 王穎, 等. 韌性背景下的配網(wǎng)故障恢復研究綜述及展望[J]. 電工技術(shù)學報, 2019, 34(16): 3416-3429.

Xu Yin, He Jinghan, Wang Ying, et al. A review on distribution system restoration for resilience enhancement[J]. Transactions of China Electrotechnical Society, 2019, 34(16): 3416-3429.

[6] 周曉敏, 葛少云, 李騰, 等. 極端天氣條件下的配電網(wǎng)韌性分析方法及提升措施研究[J]. 中國電機工程學報, 2018, 38(2): 505-513, 681.

Zhou Xiaomin, Ge Shaoyun, Li Teng, et al. Assessing and boosting resilience of distribution system under extreme weather[J]. Proceedings of the CSEE, 2018, 38(2): 505-513, 681.

[7] 李俊鵬, 黃俊波, 賈永祥. 基于激光雷達的電力巡線樹障檢測方法設(shè)計[J]. 電子設(shè)計工程, 2021, 29(22): 59-63.

Li Junpeng, Huang Junbo, Jia Yongxiang. Design of electric line patrol detection method based on LiDAR[J]. Electronic Design Engineering, 2021, 29(22): 59-63.

[8] Rong Shuaiang, He Lina, Du Liang, et al. Intelligent detection of vegetation encroachment of power lines with advanced stereovision[J]. IEEE Transactions on Power Delivery, 2021, 36(6): 3477-3485.

[9] 劉蘭蘭, 李勃鋮, 毛盾, 等. 基于衛(wèi)星遙感影像的線樹距離測量與樹障預(yù)警技術(shù)[J]. 南方電網(wǎng)技術(shù), 2021, 15(8): 130-138.

Liu Lanlan, Li Bocheng, Mao Dun, et al. Line-tree distance measurement and tree barrier early warning technology based on satellite remote sensing monitoring[J]. Southern Power System Technology, 2021, 15(8): 130-138.

[10] 沈明松, 曾紹攀, 廖振陸. 輸電線路通道樹障生長風險預(yù)判系統(tǒng)[J]. 自動化技術(shù)與應(yīng)用, 2022, 41(4): 99-103.

Shen Mingsong, Zeng Shaopan, Liao Zhenlu. Risk prediction system of tree barrier growth in transmission line[J]. Techniques of Automation and Applications, 2022, 41(4): 99-103.

[11] 張磊, 姜志博, 王海濤, 等. 輸電通道移動巡視管控系統(tǒng)構(gòu)建[J]. 中國電力, 2020, 53(3): 35-42.

Zhang Lei, Jiang Zhibo, Wang Haitao, et al. Construction of mobile patrol management and control system for power transmission channel[J]. Electric Power, 2020, 53(3): 35-42.

[12] 劉雯靜, 張童飛, 胡志珍, 等. 基于超聲和無線組網(wǎng)的超高樹障在線監(jiān)測裝置[J]. 電力系統(tǒng)自動化, 2013, 37(10): 98-103, 107.

Liu Wenjing, Zhang Tongfei, Hu Zhizhen, et al. A transmission line monitoring device based on ultrasonic and wireless networking technologies[J]. Automation of Electric Power Systems, 2013, 37(10): 98-103, 107.

[13] Najafi Tari A, Sepasian M S, Tourandaz Kenari M. Resilience assessment and improvement of distribution networks against extreme weather events[J]. International Journal of Electrical Power & Energy Systems, 2021, 125: 106414.

[14] Taylor W O, Watson P L, Cerrai D, et al. Dynamic modeling of the effects of vegetation management on weather-related power outages[J]. Electric Power Systems Research, 2022, 207: 107840.

[15] Cerrai D, Watson P, Anagnostou E N. Assessing the effects of a vegetation management standard on distribution grid outage rates[J]. Electric Power Systems Research, 2019, 175: 105909.

[16] 王熙. 基于遺傳算法的最優(yōu)輸電線路通道處理方法[J]. 科技創(chuàng)新與應(yīng)用, 2017(8): 176.

Wang Xi. Optimal transmission line channel processing method based on genetic algorithm[J]. Technology Innovation and Application, 2017(8): 176.

[17] Dokic T, Kezunovic M. Predictive risk management for dynamic tree trimming scheduling for distribution networks[J]. IEEE Transactions on Smart Grid, 2019, 10(5): 4776-4785.

[18] 周志華. 機器學習[M]. 北京: 清華大學出版社, 2016.

[19] 李贏, 舒乃秋. 基于模糊聚類和完全二叉樹支持向量機的變壓器故障診斷[J]. 電工技術(shù)學報, 2016, 31(4): 64-70.

Li Ying, Shu Naiqiu. Transformer fault diagnosis based on fuzzy clustering and complete binary tree support vector machine[J]. Transactions of China Electrotechnical Society, 2016, 31(4): 64-70.

[20] 范賢浩, 劉捷豐, 張鐿議, 等. 融合頻域介電譜及支持向量機的變壓器油浸紙絕緣老化狀態(tài)評估[J]. 電工技術(shù)學報, 2021, 36(10): 2161-2168.

Fan Xianhao, Liu Jiefeng, Zhang Yiyi, et al. Aging evaluation of transformer oil-immersed insulation combining frequency domain spectroscopy and support vector machine[J]. Transactions of China Electrotechnical Society, 2021, 36(10): 2161-2168.

[21] 楊秋玉, 阮江軍, 黃道春, 等. 基于振動信號時頻圖像識別的高壓斷路器分閘緩沖器狀態(tài)評估[J]. 電工技術(shù)學報, 2019, 34(19): 4048-4057.

Yang Qiuyu, Ruan Jiangjun, Huang Daochun, et al. Opening damper condition evaluation based on vibration time-frequency images for high-voltage circuit breakers[J]. Transactions of China Electrotechnical Society, 2019, 34(19): 4048-4057.

[22] 安國慶, 梁宇飛, 蔣子堯, 等. 基于CF-MF-SE聯(lián)合特征的非侵入式負荷辨識[J]. 河北科技大學學報, 2021, 42(5): 462-469.

, Liang Yufei, Jiang Ziyao, et al. Non-intrusive load identification based on CF-MF-SE joint feature[J]. Journal of Hebei University of Science and Technology, 2021, 42(5): 462-469.

[23] 肖白, 邢世亨, 王茂春, 等. 基于改進KDE法和GA-SVM的多風電場聚合后輸出功率長期波動特性預(yù)測方法[J]. 電力自動化設(shè)備, 2022, 42(2): 77-84.

Xiao Bai, Xing Shiheng, Wang Maochun, et al. Prediction method of output power long-term fluctuation characteristic for multiple wind farms after aggregation based on improved KDE method and GA-SVM[J]. Electric Power Automation Equipment, 2022, 42(2): 77-84.

[24] 中國氣象報社. 強對流天氣的成因及其類型[EB/OL]. (2012-04-19)[2022-06-28]. http://www.cma. gov.cn/2011qxfw/2011qqxkp/2011qkpdt/201204/t20120419_170025.html．

[25] 崔麗曼, 蘇愛芳, 張宇星, 等. 2016年河南省一次大范圍強對流天氣成因分析[J]. 氣象與環(huán)境學報, 2020, 36(2): 9-19.

Cui Liman, Su Aifang, Zhang Yuxing, et al. Causes analysis of the formation of an extensive severe convective weather in 2016 in He’nan Province[J]. Journal of Meteorology and Environment, 2020, 36(2): 9-19.

[26] 錢維宏, 艾陽, 陳笑晨. 遼寧開原龍卷強對流過程的擾動天氣環(huán)境[J]. 地球物理學報, 2021, 64(5): 1531-1541.

Qian Weihong, Ai Yang, Chen Xiaochen. Anomalous synoptic environments of a strong convective process with tornado in Kaiyuan City, Liaoning Province[J]. Chinese Journal of Geophysics, 2021, 64(5): 1531-1541.

[27] 央視新聞客戶端. 河南省因災(zāi)遇難人數(shù)增至73人[EB/OL]. (2021-07-28)[2022-06-28]. http://m.news. cctv.com/2021/07/28/ARTIFshlq3OWp8MP6GyfuTmO210728.shtml.

[28] 人民網(wǎng). 河南暴雨為何這么強？還要持續(xù)多久？聽聽專家怎么說[EB/OL]. (2021-07-21)[2022-06-28]. http://finance.people.com.cn/GB/n1/2021/0721/c1004-32164191.html.

[29] 王廷濤, 苗世洪, 張松巖, 等. 基于狀態(tài)評估的多類型儲能系統(tǒng)檢修優(yōu)化策略[J]. 電力自動化設(shè)備, 2021, 41(10): 234-243.

Wang Tingtao, Miao Shihong, Zhang Songyan, et al. Maintenance optimization strategy of multi-type energy storage systems based on state evaluation[J]. Electric Power Automation Equipment, 2021, 41(10): 234-243.

[30] 齊曉光, 姚福星, 朱天曈, 等. 考慮大規(guī)模風電接入的電力系統(tǒng)混合儲能容量優(yōu)化配置[J]. 電力自動化設(shè)備, 2021, 41(10): 11-19.

Qi Xiaoguang, Yao Fuxing, Zhu Tiantong, et al. Capacity optimization configuration of hybrid energy storage in power system considering large-scale wind power integration[J]. Electric Power Automation Equipment, 2021, 41(10): 11-19.

[31] 王文博, 曾小梅, 趙引川, 等. 基于SMOTE-XGBoost的變壓器缺陷預(yù)測[J]. 華北電力大學學報（自然科學版）, 2021, 48(5): 54-60, 71.

Wang Wenbo, Zeng Xiaomei, Zhao Yinchuan, et al. A transformer defect prediction model based on SMOTE-XGBoost[J]. Journal of North China Electric Power University (Natural Science Edition), 2021, 48(5): 54-60, 71.

Risk Warning and Optimization Processing for Tree-Line Contradiction in Rural Distribution Network Considering Severe Convective Weather

Yao Fuxing1Miao Shihong1Tu Qingyu1Sun Qian2Li Fengjun2

（1. State Key Laboratory of Advanced Electromagnetic Engineering and Technology Hubei Electric Power Security and High Efficiency Key Laboratory School of Electrical and Electronic Engineering Huazhong University of Science and Technology Wuhan 430074 China 2. Electric Power Research Institute of State Grid Henan Electric Power Company Zhengzhou 450052 China）

The transmission lines of rural distribution networks often traverse areas with high vegetation coverage. During severe convective weather, the air between the line and surrounding trees is highly susceptible to breakdown and trigger grounding faults. Therefore it is necessary to carry out early warning and clearance treatment of tree-line contradiction risks before the arrival of severe convective weather to improve the power supply reliability of the rural distribution networks. However, most of the existing studies on tree-barrier monitoring and risk early warning have been modeled in terms of the growth characteristics of the trees themselves, without considering the influence of meteorological factors. On the other hand, since time is tight before the arrival of severe convective weather and the rural power companies have limited clearance resources, the pre-clearance process also requires planned power outage, the failure probability of each tree-line contradiction prone point should be taken into account, and the cost of clearance and loss of power outage should be weighed to make a proper decision on whether to take pre-clearance measures. Aiming at these, a set of " zonal early warning, overall trade-off, optimal processing" mechanism was proposed for the tree-line contradiction of rural distribution networks before the arrival of severe convective weather.

Firstly, considering the geographical correlation characteristic of severe convective weather, taking the meteorological monitoring information of the whole rural distribution network as the data to be classified, and using whether tree-barrier grounding fault occurs as the label, a mapping model of severe convective weather and tree-line contradiction in each region of the rural distribution network was established based on Support Vector Machine, so as to realize the zonal early warning of tree-barrier grounding risks; Secondly, based on the risk warning results, taking into account the constraints of clearance resources and the working time constraints of clearance teams, a two-layer optimization processing model of tree-line contradiction in rural distribution network considering the impact of severe convective weather was established with the objective of minimizing the overall economic investment and outage loss, and the clearance plan of each contradiction prone point was decided. Finally, the proposed model and method were validated by combining severe convective weather data and tree-barrier grounding fault records in a region of China, as well as the improved IEEE 33-node system and 123-node system for simulation analysis.

The following conclusions can be drawn from the simulation analysis: (1) The severe convective weather has a certain spatial correlation characteristic, and in the modeling process of tree-barrier grounding risks early warning, the exact description of this characteristic from the perspective of small-scale meteorological monitoring system can help to improve the accuracy of the model output. (2) The proposed risk early warning model in rural distribution network can effectively explore the mapping relationship between severe convective weather and tree-line contradiction, and realize the zonal early warning of tree-barrier grounding faults. (3) The proposed optimal processing model for tree-line contradiction in rural distribution network can properly balance the cost of troubleshooting and the outage loss at each contradiction prone point, and give an economically optimal pre-clearance plan, which is not affected by the change of system topology.

Severe convective weather, rural distribution network, tree-line contradiction, risk warning, optimization processing

姚福星 男，1998年生，博士研究生，研究方向為配電網(wǎng)優(yōu)化運行、儲能優(yōu)化規(guī)劃及運行等。E-mail:yaofuxing@hust.edu.cn

苗世洪 男，1963年生，博士，教授，博士生導師，研究方向為配電網(wǎng)及微電網(wǎng)新技術(shù)、電網(wǎng)智能調(diào)度與自動化技術(shù)等。E-mail:shmiao@hust.edu.cn（通信作者）

TM727.2

10.19595/j.cnki.1000-6753.tces.221267

國網(wǎng)河南省電力公司科技項目資助（SGHADK00PJJS2100232）。

2022-06-30

2022-12-06

（編輯 赫 蕾）