人工智能的輸電線路故障識別系統

海南電網有限責任公司信息通信分公司 張鐵剛 馮世杰 南方電網海南數字電網研究院有限公司 王保強

海南省電力學校 郭 頌 海南電網有限責任公司白沙供電局 蘇澤銓

輸電線路是電網中的一個關鍵環節，它的作用就是把電能從發端經過升、降到負載端。由于受到周圍環境的影響，電力系統的短路、雷擊等故障時有發生[1]。因此，在世界各地，輸電線路故障時有發生，造成了嚴重的供電事故。常見的輸電線路故障包括短路故障、接地故障、雷擊故障等。

近年來，輸電線路故障事件頻發，為電力企業帶來了巨大的經濟損失，為及時發現輸電線路故障，將故障事件所帶來的負面損失降到最低，設計并開發了輸電線路故障識別系統。故障識別是利用各種檢測和測試方法，根據輸電線路的故障特征確定當前線路是否存在故障的方法，為故障的隔離與維護提供有效參考。現階段發展較為成熟的輸電線路故障識別系統主要應用了VMD多尺度模糊熵技術、Seq2Seq技術及無人機熱紅外成像，然而在實際應用過程中，上述現有的故障識別系統表現出明顯的識別精度低的問題，為此引入人工智能算法。

人工智能是由人創造的機械所產生的智能，一般就是用一般的計算機形式把人的智力顯示在電腦上。根據輸電線路運行性能及系統功能需求，在此次優化設計工作中選擇人工智能中的神經網絡算法作為技術支持，以期能提高系統的故障識別精度。

1 輸電線路故障識別硬件系統設計

1.1 輸電線路數據采樣模塊

輸電線路的數據采集模塊主要包括傳感器、A/D轉換等。在電線的最下面，高壓端的連接金具上安裝了一個電流傳感器，它的電磁干擾很大而漏電信號很弱，因此要盡量避免這種情況發生。此外，感應器在室外環境中工作，因此須對防水、防風、機械強度等進行適當的設計。此次系統選擇ACS71240型號的電流傳感器設備，該傳感器的外部采用了一種鋼結構，能有效防止傳感器的鐵芯受到風向的擺動而受到損傷，同時由于鐵的高磁導率，可有效地防止電磁干擾。在機箱的內側，有一個羅戈夫斯基線圈，線圈的核心是一種鐵氧體，匝數為200。

A/D轉換是將模擬信號轉化為數字信號的模數轉換。該系統將由傳感器獲取的仿真數據轉化成可由計算機進行處理的數據。當信號幅度大于預定門限時，A/D模組的觸發信號被激活，進行行波信號的采集并同時記錄觸發時間。

1.2 輸電線路數據處理器

為支持人工智能算法在系統環境中的運行，需在傳統系統的基礎上對處理器設備進行優化。系統采用了多個外部控制器的多個通訊接口，可進行擴展，并可根據實際需求擴展外部設備，滿足人工智能算法的運行要求。優化系統中使用的處理器，在傳統處理器上擴展了通用外圍器件，具體包括外部存儲控制器和液晶顯示控制器，提高處理器的工作效率。

1.3 故障指示器

是一種能在有短路電流經過時顯示出故障標志的電磁感應裝置。在線路上設置一個故障指示燈，在電路發生故障時短路電流會通過，此時故障指示燈就會啟動，并顯示紅色的故障標志。這樣就能迅速發現問題所在。該系統采用了遠傳式故障指示器，它包括現場顯示和遙控數據采集終端，該設備在發現線路故障時，不但可進行現場翻牌或閃光報警，且可將故障信息通過短距離無線傳輸到數據采集設備，然后通過無線公共網絡或光纖傳輸給主機。除上述硬件設備外，系統存儲器、通信網絡等模塊均沿用傳統系統。

2 輸電線路故障識別系統軟件功能設計

2.1 設置輸電線路故障識別標準

輸電線路故障包括三相短路、中性點接地等多種類型，三相短路時電路分為兩部分，分別包含了電源和電力設備，無電源部分的電流會從失效前的數字下降為0。含電源部分短路全電流可表示為：ia=IPmsin(ωt+φ-θh)+Imsin(φ-θq)，式中：變量φ、θh和θq分別為電源電勢的初始相角及短路前后的阻抗角，ω為電源的工作頻率，t為時間周期，IPm和Im對應的是短路前后的電流幅值，最終的計算結果即為輸電線路中含電源部分的電流值。由此也能得出，短路線路中不含電源部分的電流值，并將其設置為輸電線路短路故障特征標準。以b、c兩相短路接地為例，在此情況下a相是一個特殊的相，此時得到輸電線路短路故障點位置上的電流和電壓特征為：

其中：X2和X0分別為負序和零序電抗，Ia1為a相的正序電流，j表示的是故障點數量，Ib和Ic分別為b相和c相的正序電流，最終的計算結果，λI和λV對應的是兩相短路故障狀態下輸電線路的電流和電壓浮動特征。按照上述方式得出輸電線路的所有故障類型的量化特征。

2.2 利用人工智能算法提取輸電線路實時運行特征

利用硬件系統中的數據采樣設備，實時獲取輸電線路對應的實時工作數據，以此作為特征提取的數據基礎。通過人工智能算法中神經網絡的誤差反向傳播學習原理，提取初始工作數據中的實時特征。在神經網絡中，每個神經元都是單獨與后一層的神經元相連。然后在隱藏層中計算權重等參數，最終由輸入層輸出。該方法以減小輸出方向和真實誤差為目標，通過不斷地修改輸入層與隱藏層的連接權，即錯誤后向擴散學習。每一次逆向傳播都會對錯誤進行校正，提高樣本數據識別分類的準確度。在神經網絡特征提取過程中，結合工程的實際需求，選擇適當的輸入層、輸出層和隱藏層，并對各個層之間的連接權和隱藏層和輸出層的閾值進行初始化。

通過網絡推理可得出隱藏層的輸出結果為：Hj=其中 f()為隱藏層的激勵函數，和aj分別為神經網絡中輸入層i與隱藏層j的權值、輸入向量和閾值，其中輸入向量即為實時采集的輸電線路工作數據，變量n為隱藏層中神經元數量。同理可以得出輸出層的輸出結果為：Ok=

2.3 實現輸電線路故障識別

2.3.1 輸電線路故障類型識別

輸電線路在正常工作下，同線路中的電壓值相同，電流值與其電阻間存在正相關關系，通過對綜合特征向量的初步分析，可確定當前輸電線路是否存在故障。如，若輸電線路電壓為0，此時可直接判定該線路存在故障，執行后續的故障分類以及故障點識別程序，若故障狀態無法直接判斷，則可通過故障類型識別進一步確定。

將人工智能算法提取的線路綜合特征與設置的比對標準特征代入計算兩者間的相似度。式中：變量λset和λextact分別為設置特征和提取特征，計算結果γsim為相似度指標。設置相似度閾值為γ"，若計算結果高于γ"，則說明當前輸電線路存在故障，故障類型與代入的λset一致，否則需進行下一個故障類型的特征匹配程序，直到確定故障類型為止。若當前輸電線路的特征不與任何一個設置的故障特征匹配，則判定當前輸電線路無故障。

2.3.2 輸電線路故障點位置識別

由于硬件系統中的數據采樣模塊安裝了傳感器設備，可確定任意一個傳感器設備的安裝坐標。那么，在故障點位置的識別過程中，通過計算故障點與傳感器之間的位置關系，便可得出故障點定位結果。測距公式為：ddis=vΔt，其中ddis和Δt為輸電線路工作信號的傳播速度以及傳感器對故障信號的檢測時間，計算得出的結果L即為傳感器與故障點之間的距離。在已知傳感器安裝位置坐標為(xsenor,ysenor)的情況下，輸電線路故障點位置識別結果為：

式中：a為傳感器-故障點的連線與水平正方向之間的夾角，(xfault,yfault)為輸電線路故障點定位結果，在實際的計算過程中，正負符號的選擇取決于傳感器與故障點之間的位置關系。最終將輸電線路故障類型、故障點數量以及故障點位置的識別結果，通過硬件系統中的顯示屏設備，以可視化的形式輸出。

3 系統測試

為了測試系統的識別功能，對優化設計的輸電線路故障識別系統進行測試。在系統測試過程中，對各功能模塊和總體性能是否滿足預期的要求進行了初步的檢測。在系統正式運行前可對其進行檢查，并對其進行修復，是確保其可靠度的關鍵。在系統測試中要建立適當的測試環境，以仿真系統在真實的故障狀態下的運行狀況，并根據故障的輸出結果進行判定，從而找出系統存在的各種問題，在開發與投入使用之前進行修補。

3.1 配置輸電線路測試對象

實驗選擇某市的輸電線路作為系統測試實驗的識別對象，該輸電線路采用不同的電壓等級，具體包括35kV、110kV、220kV和500kV共四個等級。線路全長746km，大部分處于市區、部分線路位于野外，相比之下野外區域范圍內的輸電線路受各類外部因素影響更大。在輸電線路研究對象上通過人為破壞的方式設置故障，記錄故障類型、數量以及位置，作為驗證系統識別功能的對比數據。

3.2 準備輸電線路故障數據樣本

為最大程度降低數據質量對系統測試結果的影響，選擇輸電線路2022年3月1日至8日產生的所有工作數據，以此作為系統測試實驗的數據樣本。

3.3 描述系統測試過程

由于優化設計的輸電線路故障識別系統應用了人工智能算法，因此需要設置相關的工作參數，設定神經網絡的隱含層數為4，每層神經元數目均為512個，迭代次數設置為90，學習率為0.25%。按照系統硬件設備的優化設計結果，將相關的硬件設備安裝到實驗環境中，并調試各個元件是否能夠在實驗環境中正常運行。在傳感器設備的設置過程中，以輸電線路研究區段的起始位置作為第一個測點，每隔50m加設一個測點，將傳感器安裝在測點位置上即可。將準備的輸電線路數據樣本輸入到故障識別系統中，得出輸出結果。

為保證實驗結果的可信度，執行多次實驗，每次實驗選擇的工作時間不同。分別設置故障類型正確識別率、故障數量誤差作為實驗的三個量化測試指標，具體的數值結果為：

其中變量Ncorrect、Nset和Ndistinguish分別對應的是故障類型識別正確的樣本數量、故障點樣本總數量以及識別故障點數量。為保證人工智能的輸電線路故障識別系統的應用價值，要求故障類型正確識別率ηtype不得低于95%，故障數量誤差εguantity不得高于總故障點數量的1%。

3.4 系統測試結果分析

通過相關數據的統計，得出系統故障識別功能的測試結果，得出優化設計系統故障類型正確識別率和故障數量誤差指標的平均值分別為99.6%和0.4個，均低于預設值，即優化設計的人工智能的輸電線路故障識別系統具有良好的故障識別功能。

4 結語

輸電線路是電網各個環節中的關鍵節點、也是故障頻發的地區，因此正確識別出線路的故障具有較高的現實意義。通過人工智能算法的應用，有效提高了系統的故障類型與數量的識別效果，能夠為輸電線路故障的維修提供有效參考。然而系統測試實驗中未對故障位置識別誤差進行測試，因此得出的實驗結果存在一定的局限性，需要在今后工作中進一步補充。