基于粒子群算法的高壓輸電線路故障預警方法

陳文棟

（國網淄博供電公司，山東 淄博 255000）

0 引 言

高壓輸電線路是電網的關鍵組成部分，線路和相關電力設備的狀態直接影響到電網的穩定性。高壓輸電線路的架設范圍十分廣泛，能夠不間斷跨越數千米的距離。隨著電網運營技術的不斷創新，高壓輸電線路的輸送距離逐漸增加，電網容量也隨之增加，對線路穩定性提出了嚴峻的考驗。很多高壓輸電線路分布在高山和密林中，所處的地理位置和地質條件相對復雜，此外還容易遭受到雷擊、山火和雨雪的侵害[1]。線路受到惡劣氣象條件和自然災害的影響，嚴重威脅電網運行的安全性和可靠性。一旦高壓輸電線路發生故障，則不僅會損害正在運行的電氣設備，還會導致電力傳輸中斷，嚴重時還會造成大范圍停電[2]。以上線路故障的后果均會造成經濟損失，不利于社會的長治久安。

為了保證電網運行的安全可靠性，需要對高壓輸電線路故障進行預警、分析和評估線路及設備的運行狀態，避免出現停電和桿塔倒塌現象[3]。通過良好的故障預警，采取有效的檢查和維護措施，消除安全隱患，保障電網安全。目前，學術界對高壓輸電線路故障預警方法開展了廣泛的研究，并取得了一定的研究成果。在高壓輸電線路視頻監控中，實時采集電路運行圖像，利用圖像識別技術，分析危險點圖像和氣象狀態，對線路進行遠程檢測和預警，實時掌握周圍環境的變化[4]。通過分析影響輸電線路災害預警的因素，利用主成分分析特征曲線擬合技術建立預警分析模型，結合各因子的評分情況，制定合理的防治措施[5]。

隨著大數據分析技術的發展，監督學習算法逐漸開始應用于高壓輸電線路故障預警中。將預警問題轉化為數學關系，輸入到網絡中進行學習和訓練，輸出預警結果。將卷積神經網絡-相關向量機（Convolutional Neural Network-Relevance Vector Machine，CNN-RVM）網絡應用到線路目標檢測領域，將檢測分支的特征遷移到掩模分支，以達到降低數據集標注成本的目的[6]。在歷史故障數據統計分析的基礎上，篩選故障特征并將其輸入至BP神經網絡中，確定初始權值并進行網絡訓練，降低預報準確率與識別精度之間的矛盾[7]。隨機森林算法在預測和分類領域具有一定優勢，能夠提升故障檢測和預警方法的抗干擾能力[8]。當前研究方法均能實現輸電線路的預警識別，降低線路故障造成的損失，但還存在故障特征信息沒有充分利用的問題。本文基于粒子群算法提出一種高壓輸電線路故障預警方法，對視頻監控區域存在的預知或確定可能發生的外力入侵事件進行預警，避免安全事故的發生，提高電網檢測效率。

1 基于粒子群算法的高壓輸電線路故障預警方法

1.1 高壓輸電線路故障因素分析

對輸電線路的覆冰和雷擊故障進行預警分析，首先對發生覆冰和雷擊故障的因素進行分析。從致災因子的角度對線路覆冰故障因素進行分析，隱患風險主要可分為冰閃跳閘、斷線故障和線路變形3種類型。溫度、濕度和風速對覆冰狀態存在很大的影響。溫度低、濕度大和風速大的區域，輸電線路表面含水量增多，覆冰風險增加。在高壓輸電線路的日常運維中，需要安裝覆冰監測裝置，及時統計冰區分布，通過監測數據對線路進行動線評估，制定相關防治措施[9]。

對雷擊跳閘故障進行因素分析，主要可以分為雷擊隱患、運維風險和氣象因素3個方面。某一區域發生過雷擊現象，則區域輸電線路在此遭受到雷擊的概率將會提升。根據高壓輸電線路監測的歷史數據，可以統計出以前該區域發生過雷擊跳閘故障的次數，并將其作為故障因素分析的基礎數據[10]。運維風險因素主要包括高壓輸電線路的架設海拔、地形地貌、絕緣子材質損耗和接地電阻的反擊耐雷能力等。線路的架設海拔越高，越容易聚集雷暴云中含有的負電荷。地形地貌復雜的區域，繞擊雷電流的數值也相對較大。當累積電荷超過臨界場強時，容易造成擊穿現象。合成絕緣子等材料對線路起到外部保護的作用，在一定程度上能夠減輕雷擊損傷，對此需要定期監測絕緣子外部情況，出現破損要及時修復和更換。

1.2 提取輸電線路故障特征

在分析高壓輸電線路覆冰和雷擊故障因素的基礎上，提取故障特征。架設的高壓輸電線路由多個支撐線路的桿塔連接而成，可以看做一組串聯結構。當任意兩個桿塔之間的線路發生故障時，整條線路均表現出故障狀態，不能正常輸送電力負荷[11]。根據線路和桿塔的連接狀態，輸電線路失效概率的計算公式可表示為：

式中：α1表示輸電線路失效概率；x表示桿塔；s1表示桿塔數量；α2表示桿塔的故障概率。在電力業務場景中，建立各種氣象、自然條件和各類設備對象之間的聯系，選擇不同的關聯集合描述不同的元件。在輸電線路實時運行中，采用電度量與測量相互核校的方式篩選不良數據。對于采集不到的數據，可采用估算的方式補全量測數據。通過識別出相互矛盾的突變數據并將其剔除，保證運行監測數據的有效性。提取的故障特征集合由多種狀態組合而成，狀態變化與選擇的線路設備元件相關[12]。在一定時間范圍內，輸電線路出現故障，可能是由單一或者多個元件失效造成的。此時，故障狀態發生概率可表示為：

式中：β1表示故障狀態發生概率；s2和s3分別表示在狀態中故障和可能發生故障設備元件的數量；β2表示第y個設備元件的故障概率；β3表示第z個設備元件不故障的概率。輸電線路發生故障時，觸發電網保護規則，相關設備也發生關聯動作。隨著設備的開關動作，潮流和信號發生變化，從而觸發故障信息判別機制[13]。根據外部環境的變化，需要不斷更新輸電線路故障特征集合。根據數據動態更新結果，以觸發時間為斷面，識別故障信號，預測發生故障的概率并預警。

1.3 線路故障特征數據預處理

高壓輸電線路的歷史監測信息數量相對較多，積累大量溫度和風速等數據。為挖掘故障概率與特征信息之間的關聯，需要對故障特征數據進行預處理，在降低采集數據存在的信息誤差的同時，提高模型運算分析能力。首先對故障特征數據進行歸一化處理，其目的在于去除數據參數量綱和取值的影響。本文采用歸一化、標準化方式進行數值型數據處理，計算公式為：

式中：pn和qn分別表示標準化前后的特征數據；n表示每組數據中的樣本數量；m表示評估特征量的總個數。對于危險等級類的故障數據，根據其嚴重程度進行賦值，歸一化為等級數據[14]。將輸電線路外部環境設計的環境特征進行整合，保存在同一數據處理空間[15]。由于隨著特征參量的增加，模型計算復雜度也增加，因此需要進行數據降維處理。對包含所有目標特征變量的集合進行篩選，選取故障特征量的主元。對標準化的數據向量建立特征值矩陣，計算矩陣協方差，公式為：

式中：δ表示特征值矩陣協方差；φ1表示變換特征值矩陣；φ2表示第i行和第j列所構成的相關系數。將協方差矩陣的系數按數據大小進行降序排列，確定評估特征量的貢獻率，以此衡量該屬性特征量的信息貢獻程度。故障動作與預警信息之間的關聯關系需要進行判定。累積貢獻率超過0.8的主元選定為輸入至輸電線路故障預警模型中的變量[16]。將采集到的故障信息與模型訓練結果進行對比，完成分類預測。

1.4 基于粒子群算法構建高壓輸電線路故障預警模型

線路覆冰對線路施加過多的荷載，產生自激振蕩舞動；覆冰會造成桿塔變形和傾斜，嚴重時直接造成桿塔倒塌，具有很輕的破壞性。同時冰凍災害對輸電線路的運維檢修還造成了困難，因此需要及時進行故障預警，降低覆冰災害的損失[17]。高壓輸電線路與地面的距離較大，導線受到地面線路保護的效果隨高度的增加而不斷減弱，因此線路受到雷電繞擊的風險也隨之增加[18]。通過高壓輸電線路故障狀態預測，可以得到下一時間點的故障概率。本文基于粒子群算法構建故障預警模型，如圖1所示。

圖1 高壓輸電線路故障預警模型

粒子群算法利用粒子存在的速度和位置兩個性質，綜合最優值，尋找個體最優解。粒子更新自身速度的公式為：

式中：μ表示粒子的速度；c表示計算次數；γ表示慣性常數；?1和?2表示加速度因子；d1和d2是[0，1]內的隨機函數；g和l分別表示個體和種群最優值。為提高粒子的全局搜索能力，在速度計算中加入一個慣性權重。使用慣性權重調目標函數，可以起到充分利用故障特征信息的作用，擴大最優位置的搜索范圍。慣性權重的計算公式可表示為：

式中：η表示粒子的位置。通過粒子群算法將故障狀態樣本集合作為預測參考，對樣本訓練得到最優解。提取故障關聯輸電線路和設備等元件的相關數據信息，將故障啟動信息與歷史故障狀態進行對比[19]。在特征數據推送和分析過程中，預測下一節點線路狀態，并判別故障發生的概率。將故障預測結果保存至數據庫中，并分析預測結果與故障事件的匹配程度，確認預警結果是否準確。故障可能發生在整條線路的任何位置，綜合故障概率預測值與預警值，進行故障風險預警。至此，完成基于粒子群算法的高壓輸電線路故障預警方法設計。

2 實 驗

2.1 實驗準備

以某電網高壓輸電線路故障覆冰和雷擊故障數據為基礎，建立數據集。該研究電網基桿塔有冰閃和雷擊跳閘記錄，無桿塔傾斜故障。根據桿塔經緯度信息，得到其坐標數據，連接相連桿塔，得到輸電線路的分布情況。設定相鄰5 km的輸電線路桿塔的故障概率相等，因此合并符合條件的桿塔。采集相關時間段的氣象數據和環境數據。原始故障記錄中包含20個環境特征和22個氣象特征，其中主要特征為濕度、溫度和風速。監測數據的相關統計信息如表1所示。

表1 高壓輸電線路監測信息

該數據集包括兩條500 kV和6 條220 kV架空線路的歷史監測數據，時間間隔為1 h。考慮一定裕度，采集距離高壓輸電線路5倍裕度寬度的落雷信息。使用MATLAB對采集的故障監測數據進行編程處理，剔除無效信息和不良數據。最后實驗數據集所包含的輸電線路覆冰故障狀態共計2 280組，雷擊故障狀態共計2 960組。其中雷擊故障包括感應和直擊雷過電壓兩種。選取數據集中的70%為訓練組，其余樣本數據為測試組，用于檢驗本文基于粒子群算法設計的高壓輸電線路故障預警方法的預測結果。

2.2 實驗結果與分析

將故障特征量提取出來后，需要對其進行分析和處理。將故障特征輸入至粒子群算法中，將其與訓練樣本進行對比。以時間為軸，以此將某一時間點的線路狀態進行預測，得到輸電電路的故障分類，以此實現故障預警。統計故障分類預測結果的誤判率和預測準確率，并將基于粒子群算法的高壓輸電線路故障預警方法的輸出結果與基于CNN-RVM、基于BP神經網絡和基于隨機森林算法的故障預警方法進行對比。不同方法的誤判率對比結果如表2所示。

根據表2的測試結果，基于粒子群算法的高壓輸電線路故障預警方法的誤判率為13.17%，比基于CNN-RVM、基于BP神經網絡和基于隨機森林算法的故障預警方法分別降低了3.96%、5.45%、5.17%。以上測試結果表明，基于粒子群算法的故障預警方法能夠降低故障類型識別的誤判數，提升分類效果。不同方法的預測準確率對比結果如表3所示。

表2 誤判率對比（單位：%）

根據表3的測試結果，基于粒子群算法的高壓輸電線路故障預警方法的預測準確率為93.25%，比基于CNN-RVM、基于BP神經網絡和基于隨機森林算法的故障預警方法分別提高了4.27%、6.78%、5.36%。以上測試結果表明，基于粒子群算法的故障預警方法能夠降低預測誤差。由于預警中使用的特征向量信息來源于監測裝置的實時記錄，因此該方法能夠提高預測結果的準確度。本次實驗通過實例驗證了設計方法的有效性。綜合上述實驗結果，基于粒子群算法的高壓輸電線路故障預警方法能夠充分利用故障特征進行預警。與傳統預警方案相比，該方法具有較低的誤判率，并且預測準確率更高。

表3 預測準確率對比（單位：%）

3 結 論

高壓輸電線路分布在環境惡劣的地方，氣象和環境因素會對電網安全造成影響。輸電線路狀態對電網運行穩定性具有直接影響。通過故障預警分析，可以降低線路整體的特定災害風險，有效降低運維成本。及時對可能發生故障的位置進行預測，能夠減輕運維人員的工作量，避免發生安全事故。本文主要以覆冰和雷擊故障為研究對象，基于粒子群算法設計高壓輸電線路故障預警方法。通過實例驗證了設計方法的有效性。實驗結果表明，本文方法具有較低的誤判率，并且預測準確率高于傳統預警方法。因此該方法能夠得到較為可靠有效的預警結果。本文僅對覆冰和雷擊導致的線路故障進行研究，預警項目還存在一定局限性。后續可對臺風和暴雨災害導致的線路故障問題進行研究，對線路整體開展全面預警。此外，可以利用輸電線路的相關參數對故障位置進行定位，提高定位精度。