摘要：迎峰度夏期間，臺風(fēng)災(zāi)害頻發(fā)，此時(shí)輸電線路高負(fù)荷運(yùn)行，一旦遭臺風(fēng)破壞，后果極其嚴(yán)重。從全面提升線路抗災(zāi)能力的角度來防范風(fēng)險(xiǎn)的代價(jià)太過昂貴，目前難以實(shí)現(xiàn)，所以當(dāng)下更多的是通過氣象信息與電網(wǎng)信息結(jié)合，建立防臺防災(zāi)體系來對抗臺風(fēng)災(zāi)害的侵襲。鑒于此，基于數(shù)據(jù)挖掘中廣義回歸神經(jīng)網(wǎng)絡(luò)的方法，對臺風(fēng)災(zāi)害歷史氣象數(shù)據(jù)以及電網(wǎng)數(shù)據(jù)進(jìn)行分析和處理，借助Matlab軟件搭建預(yù)警模型，實(shí)現(xiàn)故障預(yù)測，并驗(yàn)證其可行性。仿真結(jié)果表明，所提方法有較高的準(zhǔn)確率，可為實(shí)際電網(wǎng)的臺風(fēng)故障防御提供思路。

關(guān)鍵詞：輸電線路；臺風(fēng)災(zāi)害；預(yù)警；廣義回歸神經(jīng)網(wǎng)絡(luò)

中圖分類號：TM754 " "文獻(xiàn)標(biāo)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(fēng)災(zāi)害是引發(fā)輸電線路故障的重要原因之一，東南沿海地區(qū)歷史線路故障統(tǒng)計(jì)數(shù)據(jù)顯示，臺風(fēng)災(zāi)害導(dǎo)致的線路跳閘故障已占到跳閘總數(shù)的20%以上[1-2]。臺風(fēng)的強(qiáng)風(fēng)暴雨往往會(huì)導(dǎo)致一處或多處的斷線、倒塔故障，引發(fā)地區(qū)性的電力癱瘓；如2016年的“莫蘭蒂”臺風(fēng)，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(fēng)，臺風(fēng)災(zāi)害的波及范圍達(dá)到近25萬km2，造成大批變電站、輸電線路斷電停運(yùn)，影響了數(shù)省生產(chǎn)活動(dòng)的正常進(jìn)行[3-4]。因此，建立科學(xué)的防風(fēng)抗災(zāi)機(jī)制，在臺風(fēng)來臨時(shí)為調(diào)度工作提供科學(xué)合理的技術(shù)信息支持，有著極其重要的意義[5]。

近年來，沿海地區(qū)各省市電力公司逐漸開始對輸配電線路臺風(fēng)預(yù)警方法展開研究?，F(xiàn)有的方法有通過臺風(fēng)預(yù)測路徑和風(fēng)圈范圍對風(fēng)圈范圍內(nèi)的輸電線路做出預(yù)警；也有一些研究是針對線路桿塔的抗風(fēng)設(shè)計(jì)參數(shù)，綜合地形進(jìn)行考慮[6]。文獻(xiàn)[7]提出了一種基于數(shù)據(jù)挖掘的方法來對熱帶氣旋的生成進(jìn)行預(yù)測；文獻(xiàn)[8]則提出使用幾何糾正和殘差修正結(jié)合的方式來提高定位精度；文獻(xiàn)[9]提出通過建設(shè)臺風(fēng)實(shí)時(shí)跟蹤監(jiān)測預(yù)警平臺，對臺風(fēng)活動(dòng)進(jìn)行實(shí)時(shí)監(jiān)測，為電網(wǎng)防災(zāi)預(yù)警提供實(shí)時(shí)信息依據(jù)；文獻(xiàn)[10]提出構(gòu)建電網(wǎng)信息和地理環(huán)境信息一體化平臺，依據(jù)臺風(fēng)實(shí)況的預(yù)報(bào)信息，結(jié)合區(qū)域情況，給出預(yù)警；文獻(xiàn)[11]提出建立融合電網(wǎng)設(shè)備信息和自然環(huán)境信息的一體化、可視化預(yù)警平臺，對氣象災(zāi)害預(yù)警實(shí)現(xiàn)自動(dòng)處理。就文獻(xiàn)[6-11]來看，對于臺風(fēng)災(zāi)情，其僅僅針對臺風(fēng)自身的狀態(tài)給出預(yù)報(bào)信息，或是部分結(jié)合電網(wǎng)信息、輸電線路實(shí)況進(jìn)行預(yù)判。這些工作方法需要工作人員依靠經(jīng)驗(yàn)來分析臺風(fēng)預(yù)報(bào)信息并作出判斷，帶有一定的個(gè)人主觀性，科學(xué)依據(jù)不足。

現(xiàn)代社會(huì)，人們已經(jīng)克服了對臺風(fēng)等自然災(zāi)害進(jìn)行監(jiān)測的難題，但當(dāng)下對臺風(fēng)致災(zāi)預(yù)警所用到的數(shù)據(jù)更多是實(shí)時(shí)觀測的數(shù)據(jù)，相關(guān)的歷史數(shù)據(jù)往往被忽略。在進(jìn)行臺風(fēng)致災(zāi)預(yù)警時(shí)，更多的是直觀的因果關(guān)聯(lián)，并未能研究數(shù)據(jù)潛在的相關(guān)性。GRNN具有很好的非線性映射能力和學(xué)習(xí)速度，可以用于發(fā)掘臺風(fēng)災(zāi)害與故障之間的相關(guān)性，從而實(shí)現(xiàn)對桿塔故障進(jìn)行預(yù)測的目的?；诖?，本文提出了基于GRNN的臺風(fēng)災(zāi)害桿塔故障預(yù)測模型，采集臺風(fēng)災(zāi)害時(shí)與桿塔相關(guān)的風(fēng)速、風(fēng)向、降雨量等信息，進(jìn)行處理得到數(shù)據(jù)集，再對數(shù)據(jù)集進(jìn)行重采樣處理，形成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測試樣本，通過對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、測試以驗(yàn)證其準(zhǔn)確率。

1 " "臺風(fēng)災(zāi)害桿塔故障預(yù)測模型

1.1 " "數(shù)據(jù)采集

本文應(yīng)用到的數(shù)據(jù)包括：福建省建立的臺風(fēng)監(jiān)視系統(tǒng)收錄的實(shí)際監(jiān)測信息，福建某市市內(nèi)氣象站的經(jīng)緯度信息和近三年內(nèi)強(qiáng)臺風(fēng)期間的風(fēng)速、風(fēng)向、降雨量等氣象信息；電網(wǎng)相關(guān)信息有從電網(wǎng)公司獲取的該市的配電網(wǎng)輸電桿塔的經(jīng)緯度信息，以及該市在強(qiáng)臺風(fēng)期間發(fā)生的桿塔故障統(tǒng)計(jì)數(shù)據(jù)。

臺風(fēng)災(zāi)害下的跳閘故障大多數(shù)是風(fēng)偏跳閘故障，絕緣子串風(fēng)偏角過大時(shí)會(huì)引發(fā)桿塔跳閘故障，造成停電事故[12]。桿塔是否發(fā)生風(fēng)偏跳閘與桿塔所承受的臺風(fēng)風(fēng)速大小、線路走向和風(fēng)向間的夾角有很大關(guān)系；另外，臺風(fēng)災(zāi)害往往伴隨著暴雨的影響。綜上，將臺風(fēng)災(zāi)害時(shí)間劃分為離散時(shí)間段，每段步長為1 h，統(tǒng)計(jì)每個(gè)步長的臺風(fēng)信息向量X=[X1，X2，X3，X4，X5]。其中，X1為降雨量；X2為目標(biāo)桿塔承受的極大風(fēng)速；X3為極大風(fēng)速對應(yīng)的風(fēng)向與線路走向夾角極大值；X4為目標(biāo)桿塔5 min的平均風(fēng)速值，即1 h時(shí)間段內(nèi)5 min平均風(fēng)速的平均值；X5為風(fēng)向與線路5 min平均夾角，即1 h時(shí)間段內(nèi)5 min平均夾角的平均值。

鑒于桿塔所在位置與氣象站實(shí)際位置存在偏差，實(shí)際精準(zhǔn)氣象信息難以捕捉，本文通過選取距離桿塔最近的三個(gè)氣象站的數(shù)據(jù)進(jìn)行加權(quán)計(jì)算獲得實(shí)用數(shù)據(jù)。距離較遠(yuǎn)的氣象站測量數(shù)據(jù)與桿塔處氣象參數(shù)的誤差會(huì)較大，計(jì)算時(shí)其相應(yīng)的權(quán)重也較低。

式中：ai表示氣象站i的風(fēng)向類數(shù)據(jù)；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?fù)€路桿塔經(jīng)緯度信息求出。

通過計(jì)算可得到每個(gè)桿塔處的氣象輸入數(shù)據(jù)，將其與桿塔故障的歷史數(shù)據(jù)匹配，形成單個(gè)樣本。

1.2 " "樣本集生成

在臺風(fēng)期間，通常大部分桿塔都沒有發(fā)生故障，因此非故障樣本的數(shù)量會(huì)遠(yuǎn)多于故障樣本數(shù)量，這樣會(huì)產(chǎn)生不平衡的數(shù)據(jù)集。如果直接將不平衡的數(shù)據(jù)集代入神經(jīng)網(wǎng)絡(luò)的輸入，將會(huì)使預(yù)測的結(jié)果偏向多數(shù)樣本即非故障結(jié)果，故采取了重采樣的方法以平衡數(shù)據(jù)集：對故障樣本采用過采樣方法中經(jīng)典的合成少數(shù)類過采樣算法（SMOTE）增加樣本數(shù)目；對非故障樣本采用隨機(jī)欠采樣刪除冗雜樣本，再通過單邊選擇算法（OSS）對樣本進(jìn)行消噪處理。

SMOTE算法是用以解決數(shù)據(jù)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(shù)樣本的分析，模擬生成新的樣本并帶回?cái)?shù)據(jù)集中，實(shí)現(xiàn)對少數(shù)類樣本的擴(kuò)大采樣，以此來平衡原數(shù)據(jù)集內(nèi)不同類數(shù)據(jù)的數(shù)量。它能顯著改善隨機(jī)過采樣方法中出現(xiàn)的分類過擬合現(xiàn)象，而且不會(huì)損失有價(jià)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(jì)算比較樣本間的“距離”，將多數(shù)類樣本劃分為“噪聲樣本”“邊界樣本”和“安全樣本”，以減少多數(shù)類樣本、均衡數(shù)據(jù)為目的，對“噪聲樣本”“邊界樣本”合理去除，對“安全樣本”適當(dāng)精簡。OSS具有一定的選擇性，在處理過程中主要?jiǎng)h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(shù)量相當(dāng)，提升了數(shù)據(jù)集的均衡程度。

1.3 " " 廣義回歸神經(jīng)網(wǎng)絡(luò)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(yīng)的網(wǎng)絡(luò)輸入X=[x1，x2，…，xn]T，其輸出Y=[y1，y2，…，yk]T[15-16]。

輸入層共有n個(gè)神經(jīng)元，對應(yīng)測試樣本數(shù)據(jù)向量，即X=[x1，x2，…，xn]T的維數(shù)，輸入層將變量直接送入模式層。

模式層神經(jīng)元個(gè)數(shù)相當(dāng)于訓(xùn)練樣本的數(shù)量，該層計(jì)算測試樣本與訓(xùn)練樣本中每一個(gè)樣本的高斯函數(shù)取值，其神經(jīng)元傳遞函數(shù)為：

σ為平滑因子，該值對神經(jīng)網(wǎng)絡(luò)的性能影響很大，需要優(yōu)化取值。如果σ過大，預(yù)測輸出將會(huì)近似訓(xùn)練樣本輸出的平均值；如果σ過小，將使輸出結(jié)果靠向擁有最近協(xié)變量的訓(xùn)練樣本。因此，確定一個(gè)合適的σ，能夠讓所有訓(xùn)練樣本的因變量均被考慮在內(nèi)。

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(gè)初始的平滑因子參數(shù)，本文從0.2開始；

（2）初始化MAE0為較大數(shù)值（如50）；

（3）將訓(xùn)練樣本及初始平滑因子σi代入訓(xùn)練GRNN網(wǎng)絡(luò)，在得到測試結(jié)果后計(jì)算出相應(yīng)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(fù)步驟（3）～（4）；

（6）得到MAE最小的取值，作為最終實(shí)際應(yīng)用在網(wǎng)絡(luò)中的平滑因子σ。

1.5 " "基于GRNN的臺風(fēng)災(zāi)害桿塔故障預(yù)測

臺風(fēng)災(zāi)害下桿塔跳閘故障預(yù)警的方法如圖2所示，具體內(nèi)容分為兩個(gè)部分，一是根據(jù)歷史數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，二是根據(jù)實(shí)時(shí)數(shù)據(jù)實(shí)現(xiàn)桿塔跳閘故障預(yù)測。

關(guān)于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練部分，首先根據(jù)氣象臺收錄的臺風(fēng)歷史數(shù)據(jù)、電網(wǎng)系統(tǒng)中的桿塔經(jīng)緯度數(shù)據(jù)，將臺風(fēng)災(zāi)害期間的天氣信息與桿塔進(jìn)行關(guān)聯(lián)，再結(jié)合使用1.1節(jié)中所列方式，形成神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)；將歷史桿塔故障信息作為相應(yīng)的輸出數(shù)據(jù)，生成神經(jīng)網(wǎng)絡(luò)的一個(gè)樣本。將多組樣本形成集合，對樣本集合進(jìn)行重采樣，得到平衡樣本集。將平衡樣本集作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)，用以訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

基于實(shí)時(shí)數(shù)據(jù)的桿塔預(yù)測是將實(shí)時(shí)采集的氣象數(shù)據(jù)及位置信息輸入訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)，得到神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果，預(yù)測桿塔是否會(huì)發(fā)生故障。

2 " "臺風(fēng)災(zāi)害桿塔故障預(yù)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(shí)現(xiàn)建模。本次預(yù)測所用的訓(xùn)練數(shù)據(jù)及預(yù)測數(shù)據(jù)包括福建省2016年“蘇迪羅” “尼伯特” “莫蘭蒂” “鲇魚”臺風(fēng)期間的數(shù)據(jù)以及相應(yīng)的氣象站、桿塔信息。通過1.1、1.2介紹的方式對數(shù)據(jù)進(jìn)行處理后，得到訓(xùn)練用樣本共計(jì)586組，預(yù)測用樣本共計(jì)140組。用586組訓(xùn)練樣本對網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，再投入預(yù)測樣本進(jìn)行預(yù)測。

2.2 " "故障預(yù)測結(jié)果

2.2.1 " "預(yù)測結(jié)果

對140組預(yù)測結(jié)果統(tǒng)計(jì)得：在實(shí)際故障樣本中，第8、9、17、21、52組的絕對誤差達(dá)到了0.5及以上，共計(jì)5組；第5組的絕對誤差在0.1～0.2，共計(jì)1組；其余組的絕對誤差在0.1以內(nèi)。以上共計(jì)5組偏差較大，占比3.57%。

2.2.2 " "評價(jià)指標(biāo)

輸出結(jié)果的分布圖如圖3所示。

輸出分布圖反映了預(yù)測結(jié)果與實(shí)際情況的偏差。理想的輸出結(jié)果應(yīng)當(dāng)呈現(xiàn)近“Z”形，圖中預(yù)測結(jié)果存在很多毛刺，實(shí)際上僅有少數(shù)幾組樣本輸出錯(cuò)誤，其他輸出值均接近實(shí)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(biāo)為二分類的評價(jià)指標(biāo)。將桿塔跳閘故障視為正類，設(shè)定輸出為“1”；桿塔正常運(yùn)行視為負(fù)類，設(shè)定輸出為“0”。這樣，對輸出的判定即為一個(gè)分類的過程，以0.5為閾值，對預(yù)測結(jié)果作評估。由2.2.1的結(jié)論可得，在預(yù)測樣本集中，有第8、9、17、21、52組的預(yù)測結(jié)果與實(shí)際情況相反。綜上，140組預(yù)測樣本輸出有135組預(yù)測值逼近實(shí)際值，總的正確率在96.43%。其中，70組故障樣本中出現(xiàn)了5組錯(cuò)誤結(jié)果，占比7.14%；而70組正常樣本中0組預(yù)測失誤，占比0%。

采用命中率（RTP）、假警率（RFP）和準(zhǔn)確率（RACC）作初步評估：

式中：TP表示桿塔跳閘故障得到正確預(yù)測；TN表示桿塔正常運(yùn)行得到正確預(yù)測；FN表示桿塔跳閘故障被錯(cuò)誤預(yù)測；FP表示桿塔正常運(yùn)行被錯(cuò)誤預(yù)測。

以0.5為閾值分類，所得結(jié)果如表1所示。

預(yù)測的命中率達(dá)到92.8%，準(zhǔn)確率達(dá)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(diào)整二分類的分類閾值來達(dá)到避免錯(cuò)誤的目的。圖3中存在故障類樣本的拒動(dòng)，主要原因?yàn)楣收蠘颖緮?shù)據(jù)較為接近非故障樣本數(shù)據(jù)而導(dǎo)致誤判、拒動(dòng)?？偟膩碚f，絕大多數(shù)的樣本都能實(shí)現(xiàn)正確的預(yù)測分類，GRNN基本能實(shí)現(xiàn)對跳閘故障的預(yù)警。

3 " "結(jié)論及展望

針對現(xiàn)有的臺風(fēng)災(zāi)害下桿塔故障預(yù)測方法難以進(jìn)一步提高預(yù)測準(zhǔn)確性的問題，文中采用歷史臺風(fēng)信息、桿塔信息以及故障信息，提出了基于廣義回歸神經(jīng)網(wǎng)絡(luò)的桿塔故障預(yù)警方法。基于實(shí)際桿塔故障數(shù)據(jù)的預(yù)測結(jié)果表明，文中方法具有96.43%的預(yù)報(bào)正確率，準(zhǔn)確率較高，可以為線路臺風(fēng)防御提供決策依據(jù)。但文中選用的數(shù)據(jù)較為片面，缺少桿塔自身影響參數(shù)，訓(xùn)練數(shù)據(jù)總體偏少，對故障預(yù)報(bào)的效果有一定影響，在未來的研究中，需要進(jìn)一步考慮其他影響因素，采用合適的優(yōu)化處理，使用更多的訓(xùn)練數(shù)據(jù)和新的數(shù)據(jù)挖掘方法，以提高臺風(fēng)災(zāi)害下桿塔故障預(yù)測的準(zhǔn)確性。

[參考文獻(xiàn)]

[1] 陳彬，舒勝文，黃海鯤，等.沿海區(qū)域輸配電線路抵御強(qiáng)臺風(fēng)預(yù)警技術(shù)研究進(jìn)展[J].高壓電器，2018，54（7）：64-72.

[2] 彭偉松.臺風(fēng)登陸后對沿途電網(wǎng)線路破壞量預(yù)測研究[D].保定：華北電力大學(xué)，2019.

[3] 陳瑩.強(qiáng)臺風(fēng)環(huán)境下電網(wǎng)結(jié)構(gòu)安全性評估與應(yīng)急調(diào)控策略研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2018.

[4] 陳雄偉，羅永吉.高壓架空輸電線路臺風(fēng)災(zāi)害成因分析[J].城市建設(shè)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(fēng)災(zāi)害預(yù)警方法研究進(jìn)展[C]//福建省電機(jī)工程學(xué)會(huì)2018年學(xué)術(shù)年會(huì)獲獎(jiǎng)?wù)撐募?018：11-18.

[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(fēng)實(shí)時(shí)跟蹤監(jiān)控及預(yù)警平臺設(shè)計(jì)與實(shí)現(xiàn)[J].信息通信，2017（10）：119-120.

[10] 熊小伏，翁世杰，王建，等.電網(wǎng)臺風(fēng)風(fēng)險(xiǎn)預(yù)警系統(tǒng)方案設(shè)計(jì)[J].重慶大學(xué)學(xué)報(bào)，2014，37（7）：27-32.

[11] 包博，程韌俐，熊小伏，等.一種計(jì)及微地形修正的輸電線臺風(fēng)風(fēng)險(xiǎn)預(yù)警方法[J].電力系統(tǒng)保護(hù)與控制，2014，42（14）：79-86.

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

[13] 趙小強(qiáng)，劉夢依.基于不平衡數(shù)據(jù)集的主動(dòng)學(xué)習(xí)分類算法[J].控制工程，2019，26（2）：314-319.

[14] 李卓然.基于主動(dòng)學(xué)習(xí)的非均衡數(shù)據(jù)分類研究[D].大連：遼寧師范大學(xué)，2012.

[15] 陳偉根，奚紅娟，蘇小平，等.廣義回歸神經(jīng)網(wǎng)絡(luò)在變壓器繞組熱點(diǎn)溫度預(yù)測中的應(yīng)用[J].高電壓技術(shù)，2012，38（1）：16-21.

[16] 徐富強(qiáng)，鄭婷婷，方葆青.基于廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）的函數(shù)逼近[J].巢湖學(xué)院學(xué)報(bào)，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(tǒng)自動(dòng)化、智能運(yùn)檢、數(shù)字化變電站等。