智能算法在10kV線路低電壓運行數據分析中的應用

李延賓 李志華 喻 旻

（1.廣東電網有限公司梅州供電局 2.中國科學院廣州能源研究所）

0 引言

電力系統是現代社會不可或缺的基礎設施之一，其穩定運行對于維護社會經濟的正常運轉至關重要［1］。在電力系統中，10kV線路低壓運行數據的監測和分析具有關鍵意義，因為它們直接關系到電力系統的可靠性、安全性和運行效率。隨著技術的不斷發展，智能算法在電力系統領域的應用日益成熟，為實時監測和數據分析提供了新的途徑和工具［2］。

本文旨在探討智能算法在10kV線路低壓運行數據分析中的應用，強調其在電力系統監測和運維管理中的重要性。首先，本文將介紹10kV線路低壓運行數據的來源，包括監測設備、傳感器和SCADA系統，以及它們如何持續監測電力系統的關鍵參數［3］。

1 數據收集與預處理

1.1 10kV線路低壓運行數據采集裝置

在10kV電力系統中，低壓側數據采集裝置是一種專用設備，用于監測和采集電力系統低壓側的電流、電壓、功率因數等參數數據［4］。該裝置通常由高精度傳感器、數據采集模塊、通信接口和數據處理單元組成。其工作原理基于精密傳感器的測量，這些傳感器能夠實時感知電力系統中的電流和電壓變化［5］。采集模塊負責將傳感器獲取的模擬信號轉換為數字信號，隨后，數據通過通信接口傳輸至數據處理單元。在數據處理單元中，先進的信號處理算法被應用于數據，例如濾波、校正和特征提取，以確保數據的準確性和穩定性。同時，該裝置配備了高性能的通信接口，如Modbus、Profibus等，使得采集到的數據能夠實時傳輸至監控中心或數據存儲系統。

這種數據采集裝置的主要目的是為了實現電力系統低壓側的實時監測和遠程控制。通過高精度的測量和先進的數據處理技術，該裝置可以提供可靠、準確的電力數據，為電力系統的運行狀態提供實時反饋。這些數據對于系統運行的穩定性、可靠性和安全性至關重要，也為運維人員提供了必要的信息，以便及時做出決策，確保電力系統的正常運行。10kV線路低壓在智能電網中的結構圖如圖1所示。

圖1 10kV線路低壓在智能電網中的結構圖

圖2 基于電波流動性屬性構建的決策樹

1.2 數據預處理

針對上述采集到的數據，對數據進行預處理。

（1）異常值檢測：首先，檢測和識別數據中的異常值。本文使用局部離群因子方法對10kV線路低壓運行數據進行異常值檢測。具體檢測步驟如下：

針對10kV線路低壓運行數據，對于每個數據點，使用歐氏距離計算其與其他數據點之間的距離，用于衡量數據點之間的相似性。

對于每個數據點，計算其局部密度。局部密度是指該數據點周圍鄰近數據點的密度，通常使用半徑為r內的數據點數量來衡量。使用以下公式來計算局部密度：

式中，Nr（p）為半徑為r內的鄰近數據點集合；dp，q為數據點p和q之間的距離。

計算每個數據點的局部離群因子LOF，LOF用于衡量一個數據點與其鄰近數據點的密度相比于其鄰近數據點的密度的相對偏差。LOF的計算如下：

式中，LOF越大，表示數據點p與其鄰近數據點的密度差異越大，也就是異常點。

（2）缺失值處理：在某些時間點或位置上缺乏數據的情況。由于設備故障、通信問題，均使用中位數進行修復。

（3）數據校準：校準傳感器數據以確保其準確性和一致性。通過檢查傳感器的校準曲線和修正系數，將其應用于測量數據以消除測量誤差。

（4）時間同步：因為10kV線路低壓運行數據來自多個不同的傳感器，需要確保數據在分析和比較時一致，本文使用統一的時間基準實現同步。

（5）去噪處理：去除數據中由于電磁干擾、通信干擾引起的噪聲，使用數字濾波器去除高頻噪聲。

（6）數據標準化：將數據標準化到一致的尺度，以便進行比較和分析。本文使用以下公式將數據進行最小-最大歸一化處理，將數據縮放到指定的范圍：［0，1］之間：

具體步驟如下：

1）計算數據列的MinVualue和MaxValue。

2）對數據列中的每個數值應用上述公式，將每個數值映射到［0，1］的范圍。

（7）數據驗證：最后，驗證清洗后的數據以確保其質量。

2 10kV線路低壓運行存在的故障問題

在10kV電力系統中，變壓器臺區故障問題是一個重要問題。首先，變壓器樁頭連接部件可能發生異常，特別是使用SL系列夾線時，由于其接觸面積相對較小，容易導致接觸不良，進而引發內部發熱，甚至發生燒壞事故。其次，變壓器低壓導線支撐點距離過遠可能導致設備線夾負載過大，使得銅鋁承受過度荷載力，產生斷裂現象。此外，臺區常有鳥類或其他動物穿行，也可能引發故障。零線不均衡電流大，以及更換變壓器時未更換低壓導線，都可能導致導線燒損。外部因素也會引發電力線路故障。線路穿越山川樹木、居民區等，碰到樹木或房屋可能導致線路接地，甚至造成人員傷亡。天氣因素如雷雨、大風、雨雪等，都會對電力線路運行造成不利影響，可能導致導線接地、跳閘，甚至發生洪水沖壞電力線路桿的事故。

3 基于決策樹的故障檢測算法

針對上述存在的故障問題，本文將10kV線路中的故障檢測作為智能算法改進的方向。在完成數據采集和數據清洗之后，進一步選擇電波流動性作為特征進行故障檢測算法的改進。

（1）特征選擇：選擇電波流動性這個屬性作為特征，電流波動性表示電流值在一段時間內的變化程度。將用于構建決策樹，在決策樹中的每個節點，選擇最具區分性的屬性來進行分割。

（2）構建決策樹：

1）選擇整個數據集作為初始節點。

2）在每個節點上，選擇最具區分性的屬性來進行分割。在這里，選擇電流波動性作為屬性。

3）計算每個可能的分割點的信息增益或基尼不純度，以確定最佳的分割點。信息增益用于度量分割后節點純度的提升，其計算公式如下：

式中，IG（D，A）表示屬性A對數據集D的信息增益；H（D）表示數據集D的熵；Dv表示在屬性A的取值為v時的子數據集。

基尼不純度用于度量節點的不純度，其計算公式如下：

式中，Gini（D）為數據集D的基尼不純度；c表示數據集中的類別數；pi表示數據集中屬于類別i的樣本占比。

4）選擇具有最高信息增益或最低基尼不純度的分割點，將節點分成子節點。

5）遞歸地重復步驟（4）和步驟（5），直到達到停止條件，即樹的深度達到限制。

6）構建完整的決策樹，其中每個葉子節點表示一個故障或分類。

7）決策樹的剪枝：通過剪枝來減少樹的復雜度，防止過擬合。

（3）模型訓練：根據訓練數據集，通過遞歸的將數據分割成子集，建立決策樹的結構。在每個節點，選擇最佳的屬性來分割數據。

（4）故障檢測：在決策樹建立完成之后，可以將新的數據樣本輸入到決策樹中，通過逐步遵循決策樹的分支來確定樣本的故障狀態。

4 實驗與驗證

算法中輸入10個樣本，每個樣本具有電流波動性的特征值，以及與之關聯的狀態（正常或異常）標簽。電流波動性的值范圍在0到1之間，其中值較小的樣本通常被認為是正常狀態，而值較大的樣本被認為是異常狀態。本文通過實驗構建了一個包含10個樣本的數據集，其中每個樣本都具有電流波動性作為特征，并且每個樣本被標記為正常或異常狀態。實驗的目標是使用決策樹算法對這些樣本進行分類，并根據電流波動性的值來預測其狀態。

表 基于電波流動性的異常值情況

通過訓練決策樹模型，可以觀察到模型的分割屬性是電流波動性。選擇閾值為0.5，將電流波動性小于0.5的樣本歸類為正常狀態，而將電流波動性大于等于0.5的樣本歸類為異常狀態。分析實驗結果還表明，在這個模擬中，電流波動性的值越大，樣本被分類為異常狀態的概率越高，這與實際電力系統中可能的情況相符。說明電流波動性作為特征對于識別電力系統中的異常情況具有重要意義。

5 結束語

通過使用智能算法，可以更好地理解低壓運行數據的特點，并發現潛在的問題。這對于提高電力系統的運行效率和穩定性有重要意義。因此，智能算法在10kV線路低壓運行數據分析中具有重要的應用價值。