基于分類模型的配電線路故障研判方法研究

袁 丹，王 誼，李偉明，吳 明

（國網浙江寧波市鄞州區供電有限公司，浙江 寧波 315100）

0 引言

配電線路故障主動搶修流程的有效實施，是供電企業提高供電服務質量的必由之路，執行速度快是該流程保持“主動性”的基本要求。

故障及時準確的發現是保證搶修速度的第一步。目前，國內外對配電網故障定位方法研究較多，文獻[1]對常用的幾種故障定位方法進行了對比。“S”信號注入法[2-3]可對單相接地進行檢測與定位，文獻[4]提出結合FTU（饋線終端設備）和“S”信號注入法相結合的方法來提高配電網單相接地故障定位準確性。文獻[5]基于同步相量測量單元采集的數據進行配電網故障位置研判，但僅能判斷故障區域，無法精確定位，因此文獻[6]提出基于微同步相量的配電網故障定位法，達到精確定位故障點位置。也有學者提出基于矩陣算法[7]，遺傳算法[8]，免疫算法[9]進行配電網故障定位。

近年來，大數據及數據挖掘技術在各行業的應用發展迅猛，也在電力行業形成了研究熱點。通過大數據技術分析電力通信傳輸網設備的溫度情況[10]，提前發現設備溫度異常并及時解決，提高了系統安全性。文獻[11]運用數據挖掘技術對多源監測數據進行分析，評估電力設備的運行狀態，診斷設備缺陷。文獻[12]通過挖掘分析用電信息采集系統、營銷業務應用系統的數據，智能甄別采集異常、智能派發異常工單，達到了采集系統高效運維的目的，大數據技術和數據挖掘技術在配電網系統也有應用和研究[13-16]。

目前配電線路上各類監測設備故障率高，實際情況真偽難辨，通過引入大數據分析技術對故障信號進行分析，可以相對準確地研判故障，為主動搶修提供技術支持，提高搶修效率。

1 業務背景

1.1 配電線路主動搶修

配電線路故障主動搶修包括故障的發現、確認、定位、搶修，以及報備和用戶通知等環節，執行速度是主動搶修的核心因素，如果沒有速度，主動搶修就會退化為被動搶修。主動搶修所需的信息來自智能化監測設備，以往由于配電網分級保護裝置的普遍應用，供電企業普遍缺乏對局部配電線路故障的可靠感知能力。當前，隨著配電網智能監測設備的大量安裝和使用（包括配電線路在線監測、配變終端、智能總保），以及配電網營配貫通工作的深入開展，還有地縣兩級配電網運營管控體系的逐步建立，主動搶修工作已經基本具備了開展的條件。

1.2 故障研判的信息來源

配電線路故障主動搶修基于配電網智能監測設備的故障信號，包括配電自動化、配電線路在線監測、配電變壓器（簡稱配變）監測、智能總保、智能電表等。配電自動化主要對城市區域的電纜線路進行監測，無法覆蓋廣大農村區域的架空線路；配電線路在線監測裝置僅能對短路和接地故障進行大致的定位，無法顯示實際停電設備信息；智能總保只適用于TT接線方式的低壓系統，覆蓋面及其有限；智能電表數量龐大，受信息系統性能所限無法進行及時高效地處理。目前來說，只有配電變壓器的監測信號具有覆蓋面廣、時效性強的特點，是判別配電線路故障情況的有效信號來源。

1.3 主動搶修存在的困難

作為國網浙江電力主動搶修模塊試點單位，國網寧波市鄞州區供電公司在主動搶修過程中遇到的最大難題還是故障“判不準”。因為配電網設備點多面廣，運行環境極其復雜，監測設備故障率高，故障信號真實度差，所以實際情況真偽難辨。設備、通信、系統等故障都會引起信號的失真，另外電力用戶自行操作甚至其他人為因素也會產生故障信號，使得主動搶修工作無法正常開展。如果對每個故障信號都開展人工研判和現場派工核實，將付出巨大的人力、物力和時間成本，一方面對于誤信號的疲于應付會嚴重挫傷職工的工作積極性，另一方面如果對故障信號的人工研判耗時過長也會使主動搶修退化成被動搶修。

2 基于配電變壓器停電信號的故障研判模型

2.1 總體思路

首先，用戶停電是配電線路故障的最終表現形式，而配電變壓器是直接向終端用戶供電的電力設備，因此可以從配變變壓器的停電信號著手研究配電線路故障的研判方法。其次，既然目前無法對具體的每一個故障進行精確的因果分析，那么引入大數據分析技術對信號進行總體、關聯、高效地分析是非常有必要的。最后，通過對配電變壓器停電信號各種屬性的分析來預測配電線路故障屬于分類預測的范疇，可以使用各種分類模型來實現。

2.2 方法步驟

基于大數據挖掘技術，通過對海量的配變停電信號以及配電線路實際故障的關聯分析，建立分類模型，并利用該模型對實時發生的停電信號進行在線研判，以相對可靠地對故障進行識別，為主動搶修提供了技術支持。具體做法是：以配電線路為單位，按照一定的時間間隔統計配變的停電信號，并將停電變壓器的屬性和停電信號的數量與配電線路的故障進行關聯，運用大數據挖掘技術建立起關聯算法，并利用該算法自動研判配電線路故障概率，以此作為主動搶修派單的參考。通過該模型對配變停電信號進行實時在線分析，得到故障真實發生的概率，為故障派單提供了技術依據，解決故障判不準的難題。

3 故障研判模型的建立和應用成效

3.1 自變量的獲取和處理

利用用電信息采集系統，導出2015年1月—2016年6月的專用和公用配電變壓器有效停電數據，所提取的字段信息包括：線路、戶號、戶名、終端停電時間、終端復電時間等，并人工添加配變專用、公用類型屬性，明細清單導出形成專用和公用配變停電信號明細如表1所示。

表1 專用和公用配變停電信號明細

按照1～5 min的時間間隔，整理出10 kV線路停電事件，得到數據如表2所示。

從表2可知，隨著時間間隔的增加，停電事件沒有明顯增加，事件的平均停電信號數也未有明顯減少，綜合考慮到終端時鐘不同步產生的數據穩定性問題，以及搶修工作時效性的需要，選用按5 min時間間隔整理的停電事件數據作為自變量，共得到有效數據48 939條。

利用PMS（設置管理系統）查詢并導出2015年1月—2016年6月的配電網檢修計劃信息，所提取的字段信息包括：工作日期、主線路名稱、實際工作開始時間、實際工作結束時間、執行情況描述和電壓等級等，明細清單導出形成配電網檢修計劃停電線路明細如表3所示。

表2 專用和公用配變停電事件整理

表3 配電網檢修計劃停電線路明細

對檢修計劃的3 311條記錄進行整理，排除非停電和取消的計劃，合并重復的計劃，共獲得2 263條有效數據。

以線路名稱和停電時間對專用配變（簡稱專變）和公用配變（簡稱公變）停電明細表和配電網檢修計劃停電線路明細表進行關聯，完成計劃內停電數據的剔除。

3.2 因變量的獲取和處理

登錄營銷系統，查詢并導出2015年1月—2016年6月的95598工單信息，所提取的字段信息包括：工單編號、受理時間、處理結果等，明細清單導出形成95598工單信息明細如表4所示。

人工整理運行單位的故障處理記錄，所整理的字段信息包括：工作日期、實際工作開始時間、實際工作結束時間、主線路名稱，整理清單導出形成配電線路運行故障明細如表5所示。

通過比對95598工單信息明細表中的“受理時間”、“線路名稱”和配電網運行故障細表中的“實際工作時間”、“主線路名稱”進行關聯，合并得到因變量整理表（95598工單+故障記錄），獲得2 481條有效數據。

表4 95598工單信息明細

表5 配電線路運行故障明細

3.3 分類模型總體描述

通過對專用和公用配變停電明細表和配電網檢修計劃停電線路明細表的關聯和剔除，以及專用和公用配變停電明細表和因變量整理表的關聯。整理實際數據發現，按照日期進行關聯和剔除，與按照具體時間進行關聯和剔除效果類似。按此方法得到最終的信號、故障對應明細表，共關聯成功1 676條數據。該表字段如表6所示。

表6 信號、故障對應明細

以2015年的信號故障記錄作為訓練數據，從2016年中隨機篩選500條故障記錄，以及500條非故障記錄作為測試數據。分析發現2015年共有26 897條數據，其中關聯為故障的為1 155條，而未關聯為故障記錄為25 742條。

樣本分布的不對稱會嚴重影響模型的訓練效果，而本次數據挖掘的目標是識別故障并指導主動搶修，因此對故障記錄進行加權（懲罰）處理，將故障記錄乘以20倍作為訓練數據，最終訓練數據中共有49 997條記錄，其中故障記錄為24 255，非故障記錄為25 742。

運用WEKA軟件進行數據分析，通過量化對比Logistic模型、決策樹模型、神經網絡模型，從而選擇最佳模型。

（1）Logistic 模型。

通過設置不同的臨界值P，得到如表7所示。

表7 不同概率P的訓練結果明細

其中P為分類的臨界值，當Logistic預測概率大于P，則判定為故障，否則判定為非故障，Hit表示命中真實故障的數量，Ni-j表示把i識別成 j的數量（i=0， 1； j=0，1）。 經過綜合平衡準確率和命中率關系，選用P=0.5作為模型參數，達到即能識別故障，又能盡量減少對非故障的誤判的目的。得到模型的函數表達式如下：

式中：自變量X1為10 kV線路下專變停電信號數量，其系數為0.001 9，自變量X2為10 kV線路下公變停電信號數量，其系數為0.179 8。

其中X1，X2的系數均大于0，說明隨著專變和公變停電信號數量的增加，故障概率也相應的增加，而公變停電信號數量的變化對故障概率影響更大。利用該模型就能根據10 kV線路下專變和公變的信號數量預測線路故障發生的概率，若預測概率大于0.5則視為故障，否則視為非故障。

從2016年中隨機篩選500條故障記錄及500條非故障記錄對模型進行測試，該模型的故障的命中率達到了89.519 7%，識別準確率為68%。

（2）決策樹模型。

對模型進行剪枝，剪掉小于170的節點，最后得到模型含有11個節點，21個枝。該模型的訓練命中率為74%，測試命中率為79%，識別準確率為69%。

（3）神經網絡模型。

設置最多訓練500次，選用三層網絡進行建模,該模型的訓練命中率為71%，測試命中率為70%，識別準確率為69%。

經過比較，選用在訓練和測試結果中表現更加優異的Logistic模型作為故障研判模型。

3.4 應用成效

國網寧波市鄞州區供電公司通過故障研判模型的實時在線數據挖掘，大大提升了對局部配電線路的有效感知能力，同時還結合移動互聯網技術實現對疑似故障設備的路徑規劃和位置導航，加快到達現場的速度。在主動搶修流程得到了有效加速后，國網寧波市鄞州區供電公司故障發現時間平均從30 min減少到了5 min，故障查勘確認時間平均從45 min減少到了15 min，故障報備和通知到戶時間平均從30 min減少到了10 min，效果明顯。

4 結語

通過大數據挖掘技術自動研判配電線路故障發生概率并指導實際主動搶修，可以大大減少人力物力的投入，提高職工的工作積極性，將有限的資源投入到真正需要搶修的地方，從而進一步提高供電可靠性和用戶滿意度，可為企業帶來實際的經濟和社會效益。在此選擇Logistic模型用于建立故障研判模型，針對現有采集的數據，模型的驗證與選擇相對不夠全面。因此從數據維度、數量等多方面補全數據，全面的對比各模型的優劣，選擇出一個或多個研判模型，能夠更準確地研判故障，是今后的研究方向。

另外，建議在浙江省電力有限公司配電網智能運維管控平臺中建立配電線路故障主動搶修全過程管理流程，實現包括故障信號的接入、過濾、研判，故障設備的定位，故障范圍的自動分析，用戶的通知服務等功能，并制定相應的標準和制度，使主動搶修能夠全面加速，真正落到實處。

[1]蘆興，王瑞闖．配電網故障定位方法研究[J]．電網與清潔能源，2013，29（7）∶26-30．

[2]王昭楊.配電網單相接地故障定位S信號法的研究[J].電力科學與工程，2010，26（3）∶14-17.

[3]齊鄭，鄭朝，劉占波，等.“S”信號定位方法的有效性分析及改進研究[J].電力系統保護與控制，2012，40（8）∶101-104.

[4]杜剛，劉迅，蘇高峰.基于FTU和“S”信號注入法的配電網接地故障定位技術的研究[J].電力系統保護與控制，2010，38（12）∶73-76.

[5]戴志輝，崇志強，李川，等．基于電壓偏差向量2-范數的主動配電網故障定位新方法[J]．電力系統自動化，2015，39（15）∶96-102．

[6]周治國，高文燾，劉文亮.基于μPMU的主動配電網故障定位方法研究[J].電網與清潔能源，2016，32（3）∶72-77.

[7]劉健，倪建立，杜宇.配電網故障區段判斷和隔離的統一矩陣算法[J].電力系統自動化，1999，23（1）∶31-33.

[8]郭壯志，陳波，劉燦萍，等.基于遺傳算法的配電網故障定位[J].電網技術，2007，31（11）∶88-92.

[9]鄭濤，潘玉美，郭昆亞，等.基于免疫算法的配電網故障定位方法研究[J].電力系統保護與控制，2014，42（1）∶77-83.

[10]賀琛，王彥波，王云燁.基于電力通信傳輸網大數據的溫度監測系統研究[J].浙江電力，2016，35（7）∶65-68.

[11]鄭一鳴，孫翔.基于多源監測數據挖掘的電力設備狀態診斷[J].浙江電力，2016，35（5）∶1-6.

[12]吳亮，張潮，陳瓊.用電信息系統運行數據的統計與分析[J].浙江電力，2017，36（4）∶56-59.

[13]張沛，吳瀟雨，和敬涵.大數據技術在主動配電網中的應用綜述[J].電力建設，2015，36（1）∶52-59.

[14]張東霞，鄧春宇，王曉蓉.大數據在配電系統的應用[J].供用電，2017，34（6）∶2-7.

[15]崔艷妍，王軍，蘇劍，等.配電網運營大數據挖掘與分析[J].供用電，2017，34（6）∶20-26.

[16]張鐵峰，梁思博，顧建煒.配用電大數據應用綜述[J].電測與儀表，2017，54（2）∶92-99.