基于深度學習的10kV饋線故障預測方法研究

國網浙江電力公司錢塘區供電公司 黃一甲

1 配電網故障原因

配電網結構復雜、設備多、運行環境復雜，其故障影響因素包括自身因素、自然因素、人為因素三種。

自身因素主要包括運行因素，配電網故障運行影響因素主要為電流、電壓、電網諧波。如果電流和電壓過大會導致荷載增加，三相不平衡情況，導致設備運行功能不符合額定功率值，導致設備運行溫度增加，三相不平衡會導致電網能耗增加，其中電網諧波會導致設備出現震動、噪聲等問題，最終嚴重影響設備的質量和使用壽命。設備自身因素是指線路因為類型、長度、運行時間、廠家、架設方式等不同，導致設備老化影響性能，且一些設備經過維修或者自身質量不高也會導致故障多發。

自然因素是指天氣、地理環境。配電網主要架設在地面，長期受到氣溫、大風、雨水、雷擊等氣象因素的影響，氣溫過高或過低會導致配電設備耐壓下降，影響線路絕緣性，導致故障發生。地理環境指供電區域、變電站、山體等，供電區域負荷數值不同，故障率不同，配電所環境不同故障率不同。

人為因素是指技術人員在架設或者運維人員在檢修時存在錯誤操作，或者維護檢修不及時，導致線路出現故障。其他施工進行過程中需要挖斷電纜或者車輛掛線等也會導致故障出現[1]。

2 配電網故障特點分析

第一，屬性特點。在配電網故障特點中屬性特點具體指配電網饋線和設備固有的屬性特點，不會受到外界的影響，通過一些零散的數據點呈現出來。10kV饋線屬性特點指線路自身性能、長度、源變電站、運行時間、連接設備數據、所屬廠家等。對于自身性能，具體可以分為城市配電網和農村配電網，其主要根據區域供電劃為不同的等級，供電區域的分類主要根據當地行政級別、設計規劃負荷進行。

可以將饋線故障分為三種類型，具體可以根據供電區域計算故障發生率分析。對于線路長度，主要依據架設方式劃分，分為架空線路、電纜線路、混合線路，線路的架設方式和故障率也有一定的關系，混凝線路一般故障率最高。線路長度有自身的分布圖，依據分級結果來分析故障率，計算發現長度越長，故障率越高。本文選擇10個變電站，結果發現，不同的變電站在相同的故障類型中，故障發生率不同。通過計算發現，線路運行時間在2500～7000d，線路運行的時間越長，故障率就越高。對連接設備數據而言，該配電網設備主要由變壓器、負荷開關、斷路器、引流線、保險、絕緣子等組成，其設備數量各不相同，通過等級劃分，線路設備越多，故障率越高。不同廠家生產的故障率不同[2]。

第二，統計特征。統計特征是對配電網饋線故障發生率通過統計得出的特點，具體包括時間統計、氣象統計、運行統計、故障自相性統計幾種。對于時間，主要同月份和星期計算故障率；對于氣象，主要通過日最高和最低氣溫、日最大濕度和最小濕度、日最大風速和最小風速計算。對于運行統計，主要通過線路荷載、低電壓、三相平衡等計算。對于自相關，主要通過以往故障數據進行計算。

第三，深度時序特點。因為配電網故障具有臨時性，容易受到外界氣象因素、自身特點、運行環境等因素的影響。對此通過統計特征數據創建模型會導致信息不全，因此需要通過時序特征分析創建配電網預測模型。深度時序特點分析法是神經網絡圖算法，可以通過學習器得出初預測結果，然后設計樣本集，使用深度學習算法進行預測分析最終得出訓練故障模型。

3 基于深度學習構建10kV饋線故障預測模型

3.1 深度學習算法原理

集成學習。集成學習精準性強，和傳統的機器學習模型相比較，可以有效改善模型性能。當前的集成學習算法可以分為強和弱兩種。弱學習是指決策樹，強學習是指隨機森林。此外還有其他算法。強學習算法優于弱學習算法，弱學習算法是組合而成的，強學習算法是集成算法。這兩種方法機器可以獨立運算，有效降低模型計算誤差。

梯度提升算法。該方法是在決策樹方法的基礎上形成的，可以有效處理大規模、高難度的數據。在該算法下，可以通過決策樹對計算任務進行分解，后在節點回歸下得出樣本最小方差。該算法只是人們的一種設想，還沒有具體實現，對此還需要人們不斷改進，以進行梯度單邊采樣。這種優化改進方法可以直接通過樣本來計算，以提高信息價值含量，最終確保模型精度提升，有效解決早期算法弊端問題。另外，人們也可以通過排斥性捆綁改進。該方法可以有效降低計算維度，減少計算量。因此，在具體預測故障時，由于配電網饋線具有高緯度特點，預測難度大，可以通過降低維度達到降低計算難度的目的。

人們也可以通過決策樹形成策略降低模型復雜度。通過擬合有效控制模型，但是該方法效率低，會增加計算成本，對此不需要進行深度研究。人們可以通過分類特點數值來明確最優目標，該方法可以將基數較大的分類特點進行細化處理，通過增加學習深度提高準確性。該算法可以根據目標相關性進行排序，把握最佳分類點。此外，人們也可以通過深度學習中的并行學習法進行優化，該算法可以根據機器采集的不同特點明確最優分類，通過數據并行計算得出直方圖，對并行算法進行優化[3]。

3.2 模型效果分析

可以通過任務劃分矩陣評估深度學習算法的效果。該劃分可以將樣本分為正負兩種，且該劃分方法也可以有效計算查準率和查全率曲線評估模型，差準率是指樣本的準確預測值。總之，本文將ACU值等同于配電網10kV 饋線故障預測模型的評價指標，通過對比測試分析，判斷配網總特點是否可以融入深度時序特點中。通過以上研究也可以發現，深度算法對比就是將預測模型和代表算法進行對比的過程。

配電網10kV 饋線三種故障預測模型通過多次測試得出樣本集，最終通過ROC 曲線和ACU 值計算得出以下幾點結論。第一，在構建配電網不同故障預測模型時，需要基于深度時序特點對預測模型進行對比，最終得出具有深度時序特點的預測模型，此對比可以有效提高模型預測效果，從而證明了深度學習算法的時序特點是非常有效性[4]。第二，采用不同的算法模型，比如隨機森林算法，其預測精準度高，基于弱學習算法的深度學習算法可以有效適用于配電網故障預測工作中，且上述提出的不同算法，精度各不相同，但是基本上精度都有了很大的提升。

由此可見，通過不平衡樣本處理算法、訓練法來創建故障預測模型，分析配電網故障其優勢作用顯著。另外，在配電網饋線三種故障模型中，各模型特點相同。但是具體作用不同，比如在氣象因素故障模型中，線路長度、運行時間、月份、氣溫、設備數量等對線路運維影響最大，因此可以從這幾方面進行檢測。比如，人們可以考慮氣溫過高或者高過低、負荷過重等情況導致的故障，進行針對性地改進。總之，配電網線路在運行中容易受到外界溫度的影響，其和內部運行有著直接的關系。

3.3 模型優化

對于深度學習的故障模型在優化時主要進行參數調整，提高模型的適用性、代表性，因為不同算法在模型參數上的表現有較大的差異，因此需要綜合考慮、分析，盡量選擇性能好、參數好的模型，比如決策樹算法，其可以通過增加節點數量來提高模型精度。

如果要降低模型擬合性，則需要減少節點數量，在上述的三個故障模型中也具體包括多個子模型，為優化模型參數提供了條件。從提高模型預測精度、降低擬合度目標出發，將三個故障預測模型中的子模型參數進行調整，通過網絡搜索算法得出最優值，最終得出最佳參數，并通過評分系統選擇最佳組合參數優化模型參數。該評分算法可以通過混合驗證進行計算，在調優后可以得出三種故障預測模型的ROC曲線圖。將優化前和優化后的數值進行對比分析可以看出，模型最優參數閾值和召回率、誤報率、精準度有直接關系。

總之，在優化模型參數后可以有效提高配電網三種故障預測模型的預測效果和精準度，由此可以觀察到網絡搜索算法可以有效應用在配電網故障數據樣本集中，也可以準確顯示出樣本集的最佳閾值。比如，在設備故障因素模型中預測的數值在0.80 以上則為正例，在運行因素故障模型中預測的數值在0.78以上則為正例，其余的將為負例[5]。

4 基于深度學習構建10kV饋線的運檢排序算法

4.1 創建運檢排序指標

從故障停電影響、用戶問題、運維作用等方面出發對幾個方面來進行10kV饋線運檢排序。第一，饋線供電區域。不同供電區域負荷值不同，饋線故障類型也不同，一般情況下，故障停電時間相同時，負荷值越大停電影響越大，對此需要通過負荷值和停電影響對供電區域進行分類。第二，饋線用戶參數。在部分地區供電中斷或者停電將會對人們的生活產生較大的影響，尤其是對供電可靠性有一定要求的地區，因此需要明確饋線故障檢修的目標、等級。第三，饋線平均停電次數。饋線的平均停電次數可以有效反映出故障此時，便于工作人員了解故障的影響，對此需要根據故障預測模型評估平均預測結果。第四饋線供電路徑。饋線供電路徑和供電站直接相關，也直接影響檢修等級，一般需要根據最近路段有限搶修。

4.2 饋線運檢排序算法和結果分析

先確定饋線運檢有限檢修的等級，創建故障因子計算模型、設備故障模型、運行故障模型等，根據上述指標對模型進行分析，通過熵權法計算指標數據，得到最終的權重值。結果發現，饋線日平均停電次數和饋電用戶信息是影響運檢排序的主要因素，接下來是饋電供電路徑和饋線區域，但是以上指標也會發生變化，因此需要根據具體情況進行多次計算，根據饋線故障預測結果明確饋線運檢優先檢修順序。

饋線故障發生的主要原因運行受環境影響，其次是設備自身特點，這兩個影響因素導致故障發生率各不相同。在排序之前，先需要對饋線進行檢查維護，后根據影響植被，計算饋線的供電量。考慮到饋線用戶和饋線日平均停電時對饋線故障影響的不同，還需要計算綜合故障率，并考慮其他指標的影響，最終通過加權計算得出最終的閾值。研究發現，這種方法非常有效。對饋線不同故障進行預測可以有效明確饋線巡檢目的。在具體計算故障率的過程中，如果氣象因素影響最大，則需要安裝避雷、防潮、散熱裝置，并有效發揮防風效果。如果是設備因素的影響，則需要及時檢查配電變壓器、隔離開關的位置、狀態等，如果是運行因素的影響，則需要檢查負荷、電壓值、三相平衡情況。

5 結語

本文對配電網數據進行分析處理，提出深度學習的配電網時序特點分析方法，在多種算法的基礎上創建了三種故障預測模型，提高故障預測精準度和效率。相關部門還需要不斷研究各種配電網故障預測技術，有效應對后期配電網線路變化情況，實現配電網數據的多元化。