基于GRNN的臺風災害桿塔故障預警

摘要：迎峰度夏期間，臺風災害頻發，此時輸電線路高負荷運行，一旦遭臺風破壞，后果極其嚴重。從全面提升線路抗災能力的角度來防范風險的代價太過昂貴，目前難以實現，所以當下更多的是通過氣象信息與電網信息結合，建立防臺防災體系來對抗臺風災害的侵襲。鑒于此，基于數據挖掘中廣義回歸神經網絡的方法，對臺風災害歷史氣象數據以及電網數據進行分析和處理，借助Matlab軟件搭建預警模型，實現故障預測，并驗證其可行性。仿真結果表明，所提方法有較高的準確率，可為實際電網的臺風故障防御提供思路。

關鍵詞：輸電線路；臺風災害；預警；廣義回歸神經網絡

中圖分類號：TM754 " "文獻標志碼：A " "文章編號：1671-0797（2023）02-0001-05

DOI：10.19514/j.cnki.cn32-1628/tm.2023.02.001

0 " "引言

臺風災害是引發輸電線路故障的重要原因之一，東南沿海地區歷史線路故障統計數據顯示，臺風災害導致的線路跳閘故障已占到跳閘總數的20%以上[1-2]。臺風的強風暴雨往往會導致一處或多處的斷線、倒塔故障，引發地區性的電力癱瘓；如2016年的“莫蘭蒂”臺風，歷史性地造成7基500 kV桿塔和15基220 kV桿塔損壞；再如2019年的“利奇馬”臺風，臺風災害的波及范圍達到近25萬km2，造成大批變電站、輸電線路斷電停運，影響了數省生產活動的正常進行[3-4]。因此，建立科學的防風抗災機制，在臺風來臨時為調度工作提供科學合理的技術信息支持，有著極其重要的意義[5]。

近年來，沿海地區各省市電力公司逐漸開始對輸配電線路臺風預警方法展開研究。現有的方法有通過臺風預測路徑和風圈范圍對風圈范圍內的輸電線路做出預警；也有一些研究是針對線路桿塔的抗風設計參數，綜合地形進行考慮[6]。文獻[7]提出了一種基于數據挖掘的方法來對熱帶氣旋的生成進行預測；文獻[8]則提出使用幾何糾正和殘差修正結合的方式來提高定位精度；文獻[9]提出通過建設臺風實時跟蹤監測預警平臺，對臺風活動進行實時監測，為電網防災預警提供實時信息依據；文獻[10]提出構建電網信息和地理環境信息一體化平臺，依據臺風實況的預報信息，結合區域情況，給出預警；文獻[11]提出建立融合電網設備信息和自然環境信息的一體化、可視化預警平臺，對氣象災害預警實現自動處理。就文獻[6-11]來看，對于臺風災情，其僅僅針對臺風自身的狀態給出預報信息，或是部分結合電網信息、輸電線路實況進行預判。這些工作方法需要工作人員依靠經驗來分析臺風預報信息并作出判斷，帶有一定的個人主觀性，科學依據不足。

現代社會，人們已經克服了對臺風等自然災害進行監測的難題，但當下對臺風致災預警所用到的數據更多是實時觀測的數據，相關的歷史數據往往被忽略。在進行臺風致災預警時，更多的是直觀的因果關聯，并未能研究數據潛在的相關性。GRNN具有很好的非線性映射能力和學習速度，可以用于發掘臺風災害與故障之間的相關性，從而實現對桿塔故障進行預測的目的。基于此，本文提出了基于GRNN的臺風災害桿塔故障預測模型，采集臺風災害時與桿塔相關的風速、風向、降雨量等信息，進行處理得到數據集，再對數據集進行重采樣處理，形成神經網絡的訓練和測試樣本，通過對神經網絡進行訓練、測試以驗證其準確率。

1 " "臺風災害桿塔故障預測模型

1.1 " "數據采集

本文應用到的數據包括：福建省建立的臺風監視系統收錄的實際監測信息，福建某市市內氣象站的經緯度信息和近三年內強臺風期間的風速、風向、降雨量等氣象信息；電網相關信息有從電網公司獲取的該市的配電網輸電桿塔的經緯度信息，以及該市在強臺風期間發生的桿塔故障統計數據。

臺風災害下的跳閘故障大多數是風偏跳閘故障，絕緣子串風偏角過大時會引發桿塔跳閘故障，造成停電事故[12]。桿塔是否發生風偏跳閘與桿塔所承受的臺風風速大小、線路走向和風向間的夾角有很大關系；另外，臺風災害往往伴隨著暴雨的影響。綜上，將臺風災害時間劃分為離散時間段，每段步長為1 h，統計每個步長的臺風信息向量X=[X1，X2，X3，X4，X5]。其中，X1為降雨量；X2為目標桿塔承受的極大風速；X3為極大風速對應的風向與線路走向夾角極大值；X4為目標桿塔5 min的平均風速值，即1 h時間段內5 min平均風速的平均值；X5為風向與線路5 min平均夾角，即1 h時間段內5 min平均夾角的平均值。

鑒于桿塔所在位置與氣象站實際位置存在偏差，實際精準氣象信息難以捕捉，本文通過選取距離桿塔最近的三個氣象站的數據進行加權計算獲得實用數據。距離較遠的氣象站測量數據與桿塔處氣象參數的誤差會較大，計算時其相應的權重也較低。

式中：ai表示氣象站i的風向類數據；aline表示該桿塔所在線路走向與地球正北方向的夾角，可以通過該桿塔與相鄰同線路桿塔經緯度信息求出。

通過計算可得到每個桿塔處的氣象輸入數據，將其與桿塔故障的歷史數據匹配，形成單個樣本。

1.2 " "樣本集生成

在臺風期間，通常大部分桿塔都沒有發生故障，因此非故障樣本的數量會遠多于故障樣本數量，這樣會產生不平衡的數據集。如果直接將不平衡的數據集代入神經網絡的輸入，將會使預測的結果偏向多數樣本即非故障結果，故采取了重采樣的方法以平衡數據集：對故障樣本采用過采樣方法中經典的合成少數類過采樣算法（SMOTE）增加樣本數目；對非故障樣本采用隨機欠采樣刪除冗雜樣本，再通過單邊選擇算法（OSS）對樣本進行消噪處理。

SMOTE算法是用以解決數據的非平衡問題的一種過采樣算法，該算法的基本思想是通過對少數樣本的分析，模擬生成新的樣本并帶回數據集中，實現對少數類樣本的擴大采樣，以此來平衡原數據集內不同類數據的數量。它能顯著改善隨機過采樣方法中出現的分類過擬合現象，而且不會損失有價值的信息[13]。

單邊選擇算法（OSS）是一種具有代表性的欠取樣算法，該算法通過計算比較樣本間的“距離”，將多數類樣本劃分為“噪聲樣本”“邊界樣本”和“安全樣本”，以減少多數類樣本、均衡數據為目的，對“噪聲樣本”“邊界樣本”合理去除，對“安全樣本”適當精簡。OSS具有一定的選擇性，在處理過程中主要刪去的是噪聲樣本及邊界樣本，而有用的樣本則盡可能地保留下來[14]。

通過基于SMOTE的故障樣本采樣和基于OSS的非故障樣本采樣，使正常樣本和故障樣本數量相當，提升了數據集的均衡程度。

1.3 " " 廣義回歸神經網絡模型

GRNN由輸入層、模式層、求和層和輸出層組成。如圖1所示，對應的網絡輸入X=[x1，x2，…，xn]T，其輸出Y=[y1，y2，…，yk]T[15-16]。

輸入層共有n個神經元，對應測試樣本數據向量，即X=[x1，x2，…，xn]T的維數，輸入層將變量直接送入模式層。

模式層神經元個數相當于訓練樣本的數量，該層計算測試樣本與訓練樣本中每一個樣本的高斯函數取值，其神經元傳遞函數為：

σ為平滑因子，該值對神經網絡的性能影響很大，需要優化取值。如果σ過大，預測輸出將會近似訓練樣本輸出的平均值；如果σ過小，將使輸出結果靠向擁有最近協變量的訓練樣本。因此，確定一個合適的σ，能夠讓所有訓練樣本的因變量均被考慮在內。

平滑因子σ具體的選取步驟如下：

（1）令平滑因子σ的取值范圍（0，0.2]，選一個初始的平滑因子參數，本文從0.2開始；

（2）初始化MAE0為較大數值（如50）；

（3）將訓練樣本及初始平滑因子σi代入訓練GRNN網絡，在得到測試結果后計算出相應MAEi；

（4）比較MAEi與MAE0，保留誤差較小的σ作為新的平滑因子；

（5）以0.01為步長，將所有的平滑因子值代入，重復步驟（3）～（4）；

（6）得到MAE最小的取值，作為最終實際應用在網絡中的平滑因子σ。

1.5 " "基于GRNN的臺風災害桿塔故障預測

臺風災害下桿塔跳閘故障預警的方法如圖2所示，具體內容分為兩個部分，一是根據歷史數據對神經網絡進行訓練，二是根據實時數據實現桿塔跳閘故障預測。

關于神經網絡的訓練部分，首先根據氣象臺收錄的臺風歷史數據、電網系統中的桿塔經緯度數據，將臺風災害期間的天氣信息與桿塔進行關聯，再結合使用1.1節中所列方式，形成神經網絡輸入數據；將歷史桿塔故障信息作為相應的輸出數據，生成神經網絡的一個樣本。將多組樣本形成集合，對樣本集合進行重采樣，得到平衡樣本集。將平衡樣本集作為神經網絡的訓練數據，用以訓練神經網絡。

基于實時數據的桿塔預測是將實時采集的氣象數據及位置信息輸入訓練完成的神經網絡，得到神經網絡的輸出結果，預測桿塔是否會發生故障。

2 " "臺風災害桿塔故障預測算例分析

2.1 " "模擬場景

確定模型建立的流程后，借助Matlab軟件來實現建模。本次預測所用的訓練數據及預測數據包括福建省2016年“蘇迪羅” “尼伯特” “莫蘭蒂” “鲇魚”臺風期間的數據以及相應的氣象站、桿塔信息。通過1.1、1.2介紹的方式對數據進行處理后，得到訓練用樣本共計586組，預測用樣本共計140組。用586組訓練樣本對網絡進行訓練后，再投入預測樣本進行預測。

2.2 " "故障預測結果

2.2.1 " "預測結果

對140組預測結果統計得：在實際故障樣本中，第8、9、17、21、52組的絕對誤差達到了0.5及以上，共計5組；第5組的絕對誤差在0.1～0.2，共計1組；其余組的絕對誤差在0.1以內。以上共計5組偏差較大，占比3.57%。

2.2.2 " "評價指標

輸出結果的分布圖如圖3所示。

輸出分布圖反映了預測結果與實際情況的偏差。理想的輸出結果應當呈現近“Z”形，圖中預測結果存在很多毛刺，實際上僅有少數幾組樣本輸出錯誤，其他輸出值均接近實際值。

由于桿塔是否跳閘屬于“非白即黑”的情形，所以選擇指標為二分類的評價指標。將桿塔跳閘故障視為正類，設定輸出為“1”；桿塔正常運行視為負類，設定輸出為“0”。這樣，對輸出的判定即為一個分類的過程，以0.5為閾值，對預測結果作評估。由2.2.1的結論可得，在預測樣本集中，有第8、9、17、21、52組的預測結果與實際情況相反。綜上，140組預測樣本輸出有135組預測值逼近實際值，總的正確率在96.43%。其中，70組故障樣本中出現了5組錯誤結果，占比7.14%；而70組正常樣本中0組預測失誤，占比0%。

采用命中率（RTP）、假警率（RFP）和準確率（RACC）作初步評估：

式中：TP表示桿塔跳閘故障得到正確預測；TN表示桿塔正常運行得到正確預測；FN表示桿塔跳閘故障被錯誤預測；FP表示桿塔正常運行被錯誤預測。

以0.5為閾值分類，所得結果如表1所示。

預測的命中率達到92.8%，準確率達到了96.43%。

通過2.2.2中絕對誤差分析得，這些樣本無法通過調整二分類的分類閾值來達到避免錯誤的目的。圖3中存在故障類樣本的拒動，主要原因為故障樣本數據較為接近非故障樣本數據而導致誤判、拒動。總的來說，絕大多數的樣本都能實現正確的預測分類，GRNN基本能實現對跳閘故障的預警。

3 " "結論及展望

針對現有的臺風災害下桿塔故障預測方法難以進一步提高預測準確性的問題，文中采用歷史臺風信息、桿塔信息以及故障信息，提出了基于廣義回歸神經網絡的桿塔故障預警方法。基于實際桿塔故障數據的預測結果表明，文中方法具有96.43%的預報正確率，準確率較高，可以為線路臺風防御提供決策依據。但文中選用的數據較為片面，缺少桿塔自身影響參數，訓練數據總體偏少，對故障預報的效果有一定影響，在未來的研究中，需要進一步考慮其他影響因素，采用合適的優化處理，使用更多的訓練數據和新的數據挖掘方法，以提高臺風災害下桿塔故障預測的準確性。

[參考文獻]

[1] 陳彬，舒勝文，黃海鯤，等.沿海區域輸配電線路抵御強臺風預警技術研究進展[J].高壓電器，2018，54（7）：64-72.

[2] 彭偉松.臺風登陸后對沿途電網線路破壞量預測研究[D].保定：華北電力大學，2019.

[3] 陳瑩.強臺風環境下電網結構安全性評估與應急調控策略研究[D].哈爾濱：哈爾濱工業大學，2018.

[4] 陳雄偉，羅永吉.高壓架空輸電線路臺風災害成因分析[J].城市建設理論研究（電子版），2012（25）.

[5] JAVANBAKHT P，MOHAGHEGHI S.A risk-averse security-

constrained optimal power flow for a power grid subject to hurricanes[J].Electric Power Systems Research，2014，116：408-418.

[6] 舒勝文，陳彬，黃海鯤，等.輸配電線路臺風災害預警方法研究進展[C]//福建省電機工程學會2018年學術年會獲獎論文集，2018：11-18.

[7] JAISWAL N，KISHTAWAL C M.Prediction of tropical cyclogenesis using scatterometer data[J]. IEEE Transactions on Geoscience and Remote Sensing， 2011，49（12）：4904-4909.

[8] TSAI S C，KIANG J F.Floating dropsondes with DGPS receiver for real-time typhoon monitoring[J].IEEE Transactions on Geoscience and Remote Sensing，2011，49（11）：4363-4373.

[9] 劉天紹，劉孫俊，劉清冰，等.臺風實時跟蹤監控及預警平臺設計與實現[J].信息通信，2017（10）：119-120.

[10] 熊小伏，翁世杰，王建，等.電網臺風風險預警系統方案設計[J].重慶大學學報，2014，37（7）：27-32.

[11] 包博，程韌俐，熊小伏，等.一種計及微地形修正的輸電線臺風風險預警方法[J].電力系統保護與控制，2014，42（14）：79-86.

[12] 黃廷.防止輸電線路風偏放電的對策和措施[J].城市建設理論研究（電子版），2013，（15）.

[13] 趙小強，劉夢依.基于不平衡數據集的主動學習分類算法[J].控制工程，2019，26（2）：314-319.

[14] 李卓然.基于主動學習的非均衡數據分類研究[D].大連：遼寧師范大學，2012.

[15] 陳偉根，奚紅娟，蘇小平，等.廣義回歸神經網絡在變壓器繞組熱點溫度預測中的應用[J].高電壓技術，2012，38（1）：16-21.

[16] 徐富強，鄭婷婷，方葆青.基于廣義回歸神經網絡（GRNN）的函數逼近[J].巢湖學院學報，2010，12（6）：11-16.

收稿日期：2022-08-23

作者簡介：劉凍（1973—），男，浙江嘉興人，工程師，研究方向：電力系統自動化、智能運檢、數字化變電站等。