基于大數據模型的輸電線路隱患預警系統研究

魏 浩，馬 進

（國網四川省電力公司廣元供電公司，四川 廣元 628000）

1 大數據的需求分析

基于“技術與實踐相結合”的原則，通過對線路安全隱患方面所存在的問題進行梳理，明確所要實現的目標，采用數據分析工具對數據進行處理，找出影響線路安全和預警能力的關鍵因素，使用現代算法工具實現輸電線路安全隱患智能預警，對安全隱患預警內容進行分級，采用概率算法，精準度量預警內容的正確性，為工作人員應對故障處理提供了客觀的參考，提升了工作人員應對故障的快速反應能力。對巡檢計劃周期進行優化，縮減了技術處理組的工作量和巡檢周期，提高了巡檢計劃制定的效率及動態及時性，建立起“安全可控，便捷高效”的輸電線路安全隱患排查預警方案。

2 數據收集與處理

通過對安全隱患產生的原因分析，找到3大方面（自然因素[1]、設備因素、人為因素） 的影響。在對設備信息數據和自然因素數據進行采集時，輸電運檢應用了自己已開發的“亮亮”大數據管理平臺有效、快速采集兩方面的數據；同時，由于該方案可以收集到兩種因素在同一時間內產生的信息，兩種因素的信息具有一一對應的關系。因此，對兩種因素的狀態關聯信息采集，能更好地運用大數據對不同種因素的關聯信息進行分析，發現其潛在的聯系，然后抓取已有方案中的相關數據信息。

本文預警方案需要對每條線路進行安全隱患區段進行預測。因此，需要把該數據采集平臺的數據進一步處理，合理地分類線路區段。通過對所有巡檢線路長度的統計，考慮了區段故障定位的精準性，把線路步長定為1 km。所以，在“亮亮”數據采集平臺上以線路步長1 km為區段進行分類采集。例如，當采集110 kV白輪線時，白輪線長9.687 km，此時數據將分為10組作為輸入數據。圖1為“亮亮”大數據管理平臺關聯數據采集內容。

3 安全隱患分級

3.1 安全隱患特征

輸電線路安全隱患主要包含雷擊、覆冰、鳥害、山火故障等，針對不同安全隱患類型，模型所采集的特征數據不同。線路安全隱患特征如表1所示。表1中安全隱患特征項都包含在上述3大影響因素中，由于特征項的種類多，并且各監測點每天需要存儲并傳輸的實時數據為百萬單位級，每一類特征數據所包含的信息價值單一，難以實現海量數據的價值利用。針對整體數據存在信息單一、實時數據海量及利用率低等問題，需選擇合理的數據學習算法對海量數據進行處理。

表1 線路安全隱患特征表

3.2 隱患分類

由于數據量大且對安全隱患有強相關影響的特征數據難以發掘，因此利用現代智能算法——誤差逆向傳播神經網絡算法BP（back propagation neural network） 神經網絡算法[2]，對已分類的海量數據進行分析辨識，尋找各類安全隱患特征之間的聯系，挖掘出導致線路安全隱患的關鍵安全隱患特征，稱其為隱患因子，進而形成隱患因子庫。

基于BP神經網絡的隱患因子形成過程分為3步，如圖2所示。第一步，設計BP神經網絡的模型，按照實際輸入輸出矩陣確定網絡的內部結構；第二步，用盡可能多的歷史數據訓練建立BP神經網絡，增進網絡精準度，使網絡性合格；第三步，用一小部分優質數據對訓練結果進行測試，合格后采用產生的隱患因子，將其納入隱患因子庫。

圖2 隱患因子產生過程

通過對模型設計中BP網絡中間層結構、傳遞函數、學習速率和學習算法4個主要問題的考慮，確定了該模型。該模型采用3層BP網絡拓撲結構，結構如圖3所示。

圖3 神經網絡模型結構圖

3類數據作為神經網絡的輸入層，輸入層與輸出層之間的隱層選取了6個神經元節點，輸出層輸出多個隱患因子，形成隱患因子庫。

表2 部分安全隱患產生時出現的隱患因子

3.3 考慮時序條件的安全隱患分級

當收集的實時數據投入隱患因子挖掘模型后，得到安全隱患相對應的多個隱患因子，對可能存在的安全隱患初步判斷并進行分級，定為擬似安全隱患，并通過對某一安全隱患類型存在的隱患因子多少進行分級，安全隱患發生的可能性由小到大分為擬似安全隱患一級、擬似安全隱患二級和擬似安全隱患三級。然后把得到的隱患因子傳遞給安全隱患判別庫，作為下文考慮時序現象匹配的輸入特征，從而對可能存在的安全隱患做出合理預測。

由于故障大多數有時間上的周期性，例如鳥害一般發生在春季和冬季、雷擊故障一般發生在多雷雨的夏季等，通過結合廣元地區的地理環境因素及運檢部門巡檢時產生的大量數據，采用大數據分析方法，得到了標準安全隱患產生的時序特征，如表3所示。

表3 安全隱患時序特征

通過對相關安全隱患發生時間與表3的標準安全隱患時序特征進行對比，結合實時數據產生的隱患因子，對達到一定相似閾值指標的輸電線路進行安全隱患預警，如圖4所示。

表6 260 MW負荷下不投氨槍NOx質量濃度

4 轉化驗證形成可行方案

4.1 驗證安全隱患排查方案

采取上述方案開發軟件進行驗證，輸入初始設置值，得到輸電線路安全隱患排查預警方案。

由預警結果與實際數據結果進行對比可知，該方案能有效預測安全隱患，提升了安全隱患排查的效率；同時，由于輸入數據為每1 km一組，因此預測精度能達到1 km范圍。該方案能夠調節預測精度，這取決于收集的輸入數據范圍。

4.2 優化狀態巡檢計劃流程

優化前后狀態巡檢計劃流程如圖5所示。

圖5 狀態巡視計劃流程優化前后對比圖

采用圖5優化方案，分析巡視人員采集線路區段數據，使其對巡視線路進行智能分區、確定巡視周期，根據區域是否存在過安全隱患及安全隱患預警的級別，自動生成巡視周期重點區域，減輕了綜合技術組人員的工作量，提高了人工動態巡檢。

5 結論

基于大數據模型的輸電線路隱患預警系統實現了以下功能：一是，依托大數據技術構建了輸電線路安全隱患排查預警方案，融合了現有生產管理、智能巡檢等方案，顯著提高了工作效率和準確性，減少了大量的人工勞動，并可隨時響應安全隱患預警。二是，該方案依托線路數據區段分類技術，融合現代智能算法，使線路安全隱患定位到1 km的精度，精準定位了線路安全隱患。三是，依托線路安全隱患精準定位功能和考慮時序特征的預警方法，優化了目前的巡檢計劃流程，減少了技術綜合組人員的工作量，提高了效率。四是，在實現安全隱患預警的前提下，對線路安全隱患預警等級進行分級預測，有效預警了安全隱患發生的可能程度及消除安全隱患的難易性，促進了工作人員消除安全隱患的及時性和效率；同時該方案也有效促進了信息數據更新、運檢維修等相關工作的及時性、準確性和工作效率。