齊金定 孫濤 單巖 鄭少華 于振洪 孫靜

摘要：輸電線路具有距離長、覆蓋區(qū)域廣等特點，容易受天然環(huán)境及人為成分的影響較多，致使線路的運作維護工作存在較大困難，如何從海量數(shù)據中挖掘出有效信息，實現(xiàn)對輸電線路的故障診斷，是急需要解決的問題。提出一種基于支持向量機（Support Vector Machine，SVM）算法的數(shù)據挖掘方法，將其應用于輸電線路故障診斷方面，可以從輸電線路海量信息中找出潛藏的模式和其中的規(guī)則，成為調度人員處理事件的協(xié)助工具，起到降低事故處理耗時、防止事故擴大的作用，提高輸電線路運行和維護的質量。

關鍵詞：大數(shù)據；數(shù)據挖掘；SVM算法；故障分析

中圖分類號：TP393文獻標志碼：A文章編號：1008-1739（2019）23-68-4

0引言

輸電線路是電力系統(tǒng)的重要組成部分，將發(fā)電、變電、供配電的廠站設備和用戶有機地聯(lián)接成一個整體，具有線長、點多和面廣的特點。它的運行狀態(tài)直接關系到電力系統(tǒng)的可靠運行，影響著電力用戶的用電安全和良好的用電體驗。并且，隨著現(xiàn)代電網的規(guī)模、容量和覆蓋范圍越來越大，輸電線路在國民經濟和人民生活中占有重要地位，電網故障停電將會給社會生產和人民生活造成重大的經濟損失。輸電線路因為具有運送距離長、覆蓋區(qū)域廣等特點，容易受自然環(huán)境及人為因素的影響較多，致使線路的運維工作存在較大困難[1]，同時隨著信息化的建設，輸電線路每年都會產生大量數(shù)據，因此，如何從海量數(shù)據中挖掘出所需要的知識，使現(xiàn)代電力系統(tǒng)在完成日常生產管理工作的基礎上，實現(xiàn)對電力系統(tǒng)的實時監(jiān)測、故障診斷以及故障預測等功能，是現(xiàn)代智能電網需要解決的問題。數(shù)據挖掘技術是大數(shù)據分析中的關鍵技術，其實質是從海量數(shù)據中挖掘出隱含的知識，并將發(fā)現(xiàn)的數(shù)據轉化為信息，信息轉化為知識，知識轉化為行動，行動轉化為價值。

1數(shù)據挖掘技術

數(shù)據挖掘（Data Mining，DM）的概念由美國計算機學會在1995年提出，是指從海量的、隨機的、不完整的、模糊的數(shù)據中，提取出人們所需信息的過程。與這一術語相近的有許多，例如從數(shù)據庫中發(fā)現(xiàn)知識、數(shù)據分析、知識抽取、模式分析、數(shù)據采集和信息收割等[2]?？偟膩碚f，DM可以被認為是機器學習和數(shù)據庫衍生的產物，主要作用就是利用這二者對海量數(shù)據進行分析和管理。本文選取SVM算法進行研究。

1.1 SVM算法

SVM算法由Vapnik等學者提出，是近些年來機器學習、模式識別以及神經網絡等學術界公認的最有影響力的成就之一。SVM是統(tǒng)計學習理論中較新的理論，采用結構風險最小化原理，兼顧訓練誤差和泛化能力，在解決小樣本、非線性和高維數(shù)局部極小值等問題中表現(xiàn)出特有優(yōu)勢[3]。

SVM自提出以來，經過近二十年的發(fā)展，已經在許多領域取得了豐碩成果。現(xiàn)有SVM發(fā)展方向主要分為4個方面：

①改進SVM的運算速度，使其適應大規(guī)模數(shù)據集的研究，例如序列最小化算法等；

②對原有的SVM的形式優(yōu)化，簡化其中的計算過程；

③根據結構風險最小化原則以及SVM的一些原理而提出的新算法，例如廣義SVM等；

④根據結構風險最小原則以及核函數(shù)思想，在傳統(tǒng)的線性算法上構造出相應的核形式，例如核主成分分析。

1.2 SVM基本原理

SVM的核心內容就是升維、線性化和核函數(shù)，最終目的是尋找一個定義最優(yōu)線性超平面，使得訓練樣本集中類型不同的點處于超平面的兩側，與此同時，超平面兩側的空白區(qū)域必須達到最大。SVM理論能完美地支持二維2類線性可分數(shù)據。

1.3 SVM算法求解過程

SVM優(yōu)化的實質是對其參數(shù)進行優(yōu)化。SVM分類器的好壞判別標準，主要取決于其泛化能力和機器學習的復雜程度，簡而言之就是所構建模型對未知數(shù)據測試的精準程度，SVM模型的確定主要在于懲罰系數(shù)與核函數(shù)參數(shù)的選擇。

傳統(tǒng)SVM參數(shù)分類問題尋優(yōu)需要對，（分別表示懲罰系數(shù)、核函數(shù)參數(shù)）組合在給定范圍（2個參數(shù)范圍）一般為lb =-1：1：14，lb =-8：-1：-23內進行窮盡搜索，搜索次數(shù)等于2個參數(shù)向量長度的乘積，搜索總耗時等于搜索次數(shù)與訓練樣本個數(shù)的乘積。

SVM算法求解過程如圖2所示。

2輸變電系統(tǒng)大數(shù)據分析概述

電力系統(tǒng)的整個運行過程中會產生海量多源異構數(shù)據，也就是大數(shù)據，保證現(xiàn)代電網安全運行的前提是能夠及時處理這些海量數(shù)據。其中，輸變電設備狀態(tài)監(jiān)測數(shù)據占絕大部分，既包含設備的基本信息，也包含設備運行中的在線狀況監(jiān)測信息，數(shù)據量十分巨大，這對數(shù)據處理能力的可靠性和實時性要求很高[5]。

2.1輸變電系統(tǒng)大數(shù)據特點

輸變電系統(tǒng)中的數(shù)據具備大數(shù)據標志性的“4V”特征，即規(guī)模大、類型多、價值密度低和變化快[6]，具體特點如下。

①規(guī)模大

輸變電設備狀態(tài)數(shù)據規(guī)模很大，量級一般都是以TB，PB為單位。例如，數(shù)據采集與監(jiān)視控制SCADA系統(tǒng)，按10 000個遙測點，采樣間隔為3～4 s計算，每年將會產生1.03 TB數(shù)據（1.03 TB=12字節(jié)/幀* 0.3幀/s*10 000遙測點*86 400 s/d*365天）。

②類型多

輸變電設備狀態(tài)數(shù)據類型呈現(xiàn)多樣化的特點，包括各種歷史數(shù)據、實時數(shù)據、文本數(shù)據、多媒體數(shù)據等結構化、半結構化以及非結構化數(shù)據。對于不同類型的數(shù)據處理方式以及處理要求也都是不一樣的。例如，輸電線路系統(tǒng)中線路的臺賬信息通常是以文本數(shù)據的形式被記錄，而線路的運行狀況則往往是以圖片或者視頻的方式被記錄。

③價值密度低

輸變電設備狀態(tài)數(shù)據存在價值密度低的特點。輸變電設備運行過程中記錄了海量數(shù)據，而其中絕大多數(shù)都屬于正常數(shù)據，僅有非常稀少的故障數(shù)據，然而這些極少量的故障數(shù)據比正常數(shù)據更具有價值，它能夠有助于操作者了解設備的真實狀況。例如，輸變電設備狀態(tài)監(jiān)測連續(xù)24 h的監(jiān)測數(shù)據中真正有價值的可能僅僅只有1～2 s。

④數(shù)據處理速度要求快

由于電力系統(tǒng)的特殊性，操作者往往需要在極短暫的時間內做出正確的操作，這就需要系統(tǒng)能在數(shù)以ms的時間內對海量數(shù)據進行有效分析，以輔助操作者做出決策[7]。

3基于SVM算法的故障診斷分析

選取某地一條輸電線路的連續(xù)4個月的運行數(shù)據作為訓練樣本，以第5個月的運行數(shù)據作為基礎測試樣本，由于輸電線路實際運行中出現(xiàn)的故障極少，而故障樣本數(shù)量較少將會使實驗結果展現(xiàn)不夠直觀，因此在訓練樣本以及測試樣本中添加了該等級線路歷史數(shù)據中的故障數(shù)據，擴充了故障數(shù)據量，使實驗展示的結果更加直觀，增強了實驗的說服力。

實驗選取輸電線路的有功功率、無功功率、電流和電壓4個指標作為故障判斷依據。運用SVM模型進行實驗。此外，實驗過程中針對不同的故障類型，分別建立了訓練模型，并利用測試樣本數(shù)據進行了實驗。將SVM模型的參數(shù)設定為lb =-1：1：14，lb =4：-1：-11能搜尋到最優(yōu)參數(shù)組合，以得到最優(yōu)的時間效率和精確度。

通過算法驗證表明，訓練樣本數(shù)據在經過訓練之后，使該模型實現(xiàn)智能故障診斷功能，用測試樣本數(shù)據進行故障診斷時，測試樣本中的輸電線路故障類型已被檢測，基本實現(xiàn)了輸電線路智能化診斷功能，達到了實驗預期效果，達到了將大數(shù)據技術運用到輸電線路故障診斷的目的。

4結束語

通過介紹大數(shù)據分析中的DM、SVM算法等技術，輸變電系統(tǒng)大數(shù)據的特點和關鍵問題，提出的SVM算法在處理回歸和模式識別等問題上具有獨到的優(yōu)勢，使其非常適應于輸電線路故障診斷研究，可以從輸電線路海量的信息中，找出潛藏的模式和其中的規(guī)則，成為調度人員處理事件的協(xié)助工具，能夠起到降低事故處理耗時、防止事故擴大的作用，提高輸電線路運行和維護的質量，提高電力系統(tǒng)的運行穩(wěn)定性，保障大電網穩(wěn)定安全運行。

參考文獻

[1]張東霞，苗新，劉麗平，等.智能電網大數(shù)據技術發(fā)展研究[J].中國電機工程學報，2015，35（1）：2-12.

[2]邵峰晶，于忠清.數(shù)據挖掘原理與算法[M].北京：中國水利水電出版社，2003.

[3]芮璋現(xiàn)，肖海波.支持向量機（SVM）及其應用[J].福建電腦， 2007（4）：110.

[4] Vapnik V N， Golowich S E， Smola A. Support Vector Method for Function Approximation， Regression Estimation， and Signal Processing [J]. Advances in Neural Information Processing Systems， 1997： 281-287.

[5]周志華.機器學習與數(shù)據挖掘[J].中國計算機學會通訊， 2007，3（12）：27-37.

[6]夏火松.數(shù)據倉庫與數(shù)據挖掘技術[M].北京：科學出版社， 2004.

[7]宋亞奇，周國亮，朱永利.智能電網大數(shù)據處理技術現(xiàn)狀與挑戰(zhàn)[J].電網技術，2013，37（4）：927-935.

[8]金澈清，錢衛(wèi)寧，周傲英.流數(shù)據分析與管理綜述[J].軟件學報，2004，5（8）：1172-1181.