李婷，張孝軍，潘華，朱維鈞，樂健

（1. 國網(wǎng)湖南省電力有限公司電力科學研究院，長沙 410007；2. 國網(wǎng)湖南省電力有限公司，長沙 410073；3. 武漢大學電氣與自動化學院，武漢 430072）

0 引言

架空輸電線路分布較為復雜，不同線路段經過的地理與氣象也都非常不同，因此存在著不同的故障問題，而輸電線路在系統(tǒng)中擔負著重要的責任，由此會給系統(tǒng)的穩(wěn)定運行和安全供電帶來一定的威脅［1-4］。由于輸電線路發(fā)生不明故障引起跳閘，若處理不當可能電網(wǎng)崩潰引發(fā)大面積停電事故［5-7］。因此，如何進行輸電線路故障識別并有針對性地進行故障恢復是電網(wǎng)穩(wěn)定運行必須要重點關注的對象［8-11］。

目前的輸電線路故障診斷涉及到故障信息非常少，僅側重于故障錄波里的零序電流信息，而環(huán)境氣象信息以及重合閘信息并沒有被考慮到［12-13］。單一的故障信息由于特征信息量較少，會使得診斷出現(xiàn)錯誤。文獻［14］提出了一種依賴運行數(shù)據(jù)進行線路狀態(tài)診斷的方法，但是提取的故障特征信息還是較為單一，且該評估方法受限于評估數(shù)據(jù)是否完整。文獻［15］提出利用電流初始波頭能量來診斷輸電線路故障類型，該方法僅提取故障錄波信息中的故障相電流信息。文獻［16］提出構造故障錄波信息中的線路電流與電壓之間的瞬時能量比，根據(jù)合理的判據(jù)來進行故障相的診斷。文獻［17］提出了一種基于故障錄波信息中非故障相相間電阻變化特征的故障相診斷方法，該方法適用于故障振蕩期。文獻［18］提出了利用S 變換提取各模分量在特定時間下的單一頻率模相量來進行輸電線路故障快速選相方法。

多源信息融合算法一般可分為隨機算法和人工智能算法［19-22］。隨機法計算量小但受用范圍窄。文獻［23］利用基于改進DS 證據(jù)理論進行多源信息融合診斷和同源故障信息確認，能夠實現(xiàn)精準診斷定位。人工智能法主要有支持向量機、神經網(wǎng)絡等，應用于更高層次的融合。文獻［24］提出了一種基于RBF 神經網(wǎng)絡理論的輸電線路故障類型識別的新方法，該方法的識別精度相對較高。

綜上分析，為了克服傳統(tǒng)輸電線路故障診斷方法的不足，本文提出了基于運檢管控平臺多源信息融合的輸電線路故障類型診斷方法，主要基于運檢管控平臺的輸電線路多源故障信息融合技術，整合形成輸電線路不同故障類型下的實際波形數(shù)據(jù)庫及關聯(lián)信息數(shù)據(jù)庫，采用小波包分析提取不同輸電線路故障類型的故障特征值，采用機器學習算法完成多源信息融合的故障診斷。并依據(jù)某地區(qū)歷史跳閘線路故障數(shù)據(jù)進行驗證，實際算例驗證了本文方法的正確性和有效性。

1 輸電線路故障成因診斷平臺架構

輸電線路不同故障成因對應了不同故障機理，對應的分類也不同，其中雷擊包含反擊和繞擊兩種，而非雷擊故障則由山火、污穢、鳥害等組成。

某省運檢智能化管控平臺（簡稱OICP）整合PMS、雷電定位、狀態(tài)監(jiān)測等專業(yè)平臺多源數(shù)據(jù)，全方位展現(xiàn)設備狀態(tài)；建立分析模型，利用數(shù)據(jù)中臺計算能力，實現(xiàn)基于多源數(shù)據(jù)實時計算的設備狀態(tài)分析、監(jiān)測預警和故障診斷；掌控設備及通道狀態(tài)，大幅優(yōu)化運檢資源配置，實現(xiàn)數(shù)據(jù)驅動運檢業(yè)務創(chuàng)新發(fā)展和效率提升。同時依托大屏可視化手段，實現(xiàn)多源信息實時展示；依托現(xiàn)代通信技術和多源信息整合，實現(xiàn)多源信息的融合互動?；谶\檢管控平臺的輸電線路多源故障數(shù)據(jù)互聯(lián)技術架構如圖1所示。

圖1 基于運檢管控平臺的多源數(shù)據(jù)互聯(lián)Fig.1 Multi-source data interconnection based on the OICP

2015—2020 年期間，有紀錄的220 kV 及以上故障跳閘超過200 條，其中雷擊為最主要的故障原因，超過105 條，占比達47%；山火（24 條）、鳥害（29 條）和外破（45 條）故障占比也較高，而樹障（3條）、異物（3 條）、風偏（4 條），冰害（4 條），其他（7條）故障占比較小，具體情況如圖2所示。

圖2 某省電網(wǎng)輸電線路不同故障統(tǒng)計Fig.2 Different fault statistics of transmission lines in one power grid

2 輸電線路故障類型診斷模型

2.1 多源信息融合技術

多源數(shù)據(jù)融合也稱信息融合，是一種自動化綜合信息處理技術，通過對多源數(shù)據(jù)進行融合處理，提取關鍵特征以克服單一數(shù)據(jù)來源的局限性，充分利用多種信息提高決策診斷的準確性。

多源信息融合技術由數(shù)據(jù)層融合、特征層融合和決策層融合3 種組合而成，融合層次越高意味著結果準確度越高，但花費的代價也越大。其基本結構如圖3所示。

圖3 不同層次信息融合的結構Fig.3 Structure of different levels of information fusion

2.2 故障診斷信息選取

本文重點在輸電線路故障類型的快速診斷，因此需要基于故障機理和大量實際歷史故障數(shù)據(jù)的深入分析，并建立典型故障原因實際數(shù)據(jù)庫。從故障相關因素中提取出與故障的發(fā)生密切相關的特征量，作為故障診斷關鍵信息。

故障相關信息可分為三類：故障氣象環(huán)境、故障錄波信息、重合閘信息。

本文選取的故障信息包括以下幾點。

1） 環(huán)境氣象信息。天氣、季節(jié)、時間等。長距離輸電線路不同路段經過的地理與氣象也都非常不同，因此進行故障診斷時不可忽略氣象因素。

2） 故障錄波信息?？商崛」收蠑?shù)值特性，如故障接地性質、過渡電阻性質、零序電流直流分量與諧波含量等。不同的故障起因對應的閃絡機理不同，直接反映在故障特征數(shù)據(jù)上，因此故障錄波信息不可忽略。

3） 重合閘信息。通過提取運檢管控平臺的線路故障后重合閘分析結果可進行故障診斷。

2.3 故障特征量提取

1）環(huán)境氣象信息特征量提取

由于氣象特征是非定量數(shù)值性的模糊因素，因此針對不同特征進行不同分類處理。

輸電線路故障時對應的天氣信息有不同類型。其中部分天氣條件區(qū)分不大，為了簡化其分類可合并一類。本文將故障天氣特征劃分為3 類：雷雨、陰天和晴天。

2）故障錄波信息特征量提取

由于故障電流和零序電流的時域特性難以體現(xiàn)故障特征，本文從頻域角度提取其故障特征量。

本文采用小波包分析提取故障特征量，其分解可表達為：

式中：j為尺度系數(shù)；n為頻率指標；D（j+1，n）為上一級分解結果；D（j，2n）和D（j，2n+1）為下一級分解結果；h、g分別為小波分析共軛低通、高通濾波器系數(shù)；l，k為小波函數(shù)的位置系數(shù)。小波包分解結構如圖4所示。

圖4 小波包分解樹狀結構Fig.4 Wavelet packet decomposition tree structure

根據(jù)Parseval 能量積分等式，原始信號x（t）在時域上能量定義為：

假設對原始信號進行3 層分解，則得到頻率從低到高的8 個小波包子頻帶，分別用E3，0、E3，1、…、E3，7表示各頻帶含有的能量，具體表達式為：

式中：D（i，j）為小波系數(shù)；N為所截取的故障錄波的時間長度。

根據(jù)各小波包子頻帶的能量可構造故障特征向量為：

為提高在數(shù)據(jù)分析上的效率，通常將小波包能量進行歸一化處理，令：

則得到歸一化后的特征向量為：

3）重合閘特征量提取

重合閘特征也是非數(shù)值性的，本文按照運檢管控平臺分析結果將其劃分為兩類，即重合成功和重合不成功。

2.4 故障診斷方法

本文采用機器學習算法對輸電線路電氣故障特征進行識別。機器學習算法中的BP 神經網(wǎng)絡算法是一種模擬生物過程的計算模型，與其他機器算法相比，神經網(wǎng)絡自適應性程度很高，但BP 算法容易被訓練集樣本限制，無法充分展示其自身優(yōu)越性。Adaboost 算法作為一種迭代算法具有融合作用，能夠與多種機器學習算法結合進行故障識別與診斷。為了減少訓練集樣本結構局限性的影響，進而提高故障識別能力，進行Adaboost 與BP 算法融合改進。

采用的Adaboost-BP 算法具體步驟如下。

1） 利用提取到的故障特征量，包括故障電流小波包能量、零序電流小波包能量等共n個數(shù)據(jù)組成訓練集X= ｛x1，x2，…，xn｝，本文算例中n取21，各輸電線路對應的故障種類組成D= ｛d1，d2， …，dn｝作為期望輸出，其中1 表示雷擊，2表示外部破壞，3 表示鳥害，4 表示山火。設定訓練集中X中樣本權重值相同，為訓練集X中樣本設定相同的權重值。

式中v1i=1/n為樣本的初始化權重，i=1，2，…，n。

2） 用訓練樣本訓練第s個BP 弱分類器Ps。由Ps的分類結果Qs=｛d′1，d′2，…，d′n｝與D對比得到誤差樣本，并計算第s個分類器的誤差。

式中：R為分類誤差樣本集合；Vs（r）為在分類器Ps中第r個樣本的分類誤差；QS（r）為第r個樣本由分類器Ps給出的分類結果；D（r）為表示第r個樣本的實際分類。

3）計算Ps的權重Ws，并同步調整下一個分類器的權重Vs+1。

式中Hs為樣本權重歸一化因子。

4）循環(huán)執(zhí)行上述步驟2）—3），將所有分類器訓練完畢。利用訓練好的模型進行檢測樣本的故障診斷識別，綜合給出輸電線路故障診斷結果。

綜上所述，本文所提出的基于運檢管控平臺多源信息融合的輸電線路故障類型診斷方法流程如圖5所示。

圖5 基于運檢管控平臺多源信息融合的輸電線路故障類型診斷方法流程Fig. 5 Fault type diagnosis method process of transmission lines based on multi-source information fusion of OICP

1） 結合運檢管控平臺的歷史運行故障數(shù)據(jù)建立好典型故障原因數(shù)據(jù)庫，然后從數(shù)據(jù)庫中讀取各類故障原因的波形數(shù)據(jù)及關聯(lián)信息進行預處理；

2） 對故障波形數(shù)據(jù)進行頻域分析，采用小波包提取出相關特征量，提取故障氣象環(huán)境及重合閘信息；

3） 將故障特征量進行特征融合形成訓練樣本，作為機器學習算法輸入，給出預測模型；

4） 結合預測模型給出新發(fā)生故障的故障類型診斷結果。

b.期末考核要求在規(guī)定的時間內設計一個綜合網(wǎng)站，并提出總體設計方案，考查學生的動手能力、實際操作能力，學生完成后通過FTP上傳到教師的服務器上.教師根據(jù)設計方案和具體的網(wǎng)站評定學生的成績，形成對學生專業(yè)技能的評價.此成績占總成績的40%.

3 算例分析

3.1 故障數(shù)據(jù)處理

本文以某省電網(wǎng)2015—2020 年輸電線路故障數(shù)據(jù)為基礎，剔除掉明顯與故障理論分析不符及重復故障錄波數(shù)據(jù)后進行輸電線路故障診斷。圖6 給出了某一條山火故障樣本的故障錄波數(shù)據(jù)的故障電流信息。

圖6 山火故障樣本故障電流Fig. 6 Fault currents of mountain fire fault samples

由圖6 分析可知，山火故障錄波數(shù)據(jù)呈現(xiàn)的特征為故障相電流和零序電流在故障時刻起一段時間內呈現(xiàn)畸變特性，且高頻諧波居多，直流含量較少。

而雷擊故障的特征為故障相電流和零序電流的波形為正弦波形，直流含量較多；鳥害故障的特征為故障相電流和零序電流的波形為正弦波形，直流分量與諧波特別少；外破故障的特征為故障相電流和零序電流波形呈現(xiàn)畸變特性，衰減直流分量與諧波含量較多。

3.2 故障數(shù)據(jù)故障特征提取及診斷

3.2.1 故障特征提取結果

本文提取到的故障特征量有氣象特征（天氣）與數(shù)值特征（故障相電流諧波、零序電流諧波、零序電流諧波含量、零序電流直流含量、接地性質）以及重合閘信息。采用小波包分析提取故障相電流8個諧波以及零序電流8 個諧波信息、零序電流諧波含量、零序電流直流含量，提取故障報告中的天氣條件，提取基于運檢管控平臺的界面中線路故障后重合閘分析結果，最后整理數(shù)據(jù)如附表A1-2，附表1-2僅給出部分特征數(shù)據(jù)，其中零序電流諧波含量、零序電流直流分量、接地性質因版面原因未給出。選擇合適數(shù)據(jù)并進行歸一化處理得到附表A3-4。

表1 機器學習的不同指標對比Tab.1 Comparison of different indicators of machine learning

3.2.2 故障診斷結果

選用上一小節(jié)得到的41 故障數(shù)據(jù)作為訓練樣本以及驗證樣本。附表A3-4 給出了部分訓練樣本和驗證樣本的數(shù)據(jù)，其中目標值1 表示雷擊，2 表示外破，3表示鳥害，4表示山火。

本文利用Matlab 2019a 軟件平臺進行仿真驗證，硬件環(huán)境為Intel（R） Core（TM） i5-10210UCPU@ 1.60 GHz。對樣本數(shù)據(jù)的訓練次數(shù)設為10 000次，收斂誤差為10-5，Adaboost-BP 算法完成訓練的時間在1 s 左右。對某次故障的電氣量信號提取特征量并進行故障類型識別所需時間約為0.4~0.5 s，表明本文所提的識別策略在算法上能夠實現(xiàn)快速診斷。得到結果如圖7所示。

圖7 AdaBoost-BP測試集與預測結果對比Fig.7 Comparison of AdaBoost-BP test set and prediction result

圖7 顯示，以神經網(wǎng)絡輸出為1 判斷為雷擊故障，以輸出結果為2 判斷為外破故障，以輸出結果為3 判斷為鳥害故障，以輸出結果為4 判斷為山火故障，采用Adaboost-BP 算法輸電線路故障故障判別策略計算目標值與輸出值之間的相關系數(shù)R2高達0.971 89。同時雷雨天氣與雷擊故障關系密切，通過這一故障特征對雷擊故障的識別率較高；該算法能夠對運檢管控平臺的多源數(shù)據(jù)進行很好的融合并給出精度較高的故障類型識別結果。

圖8 BP神經網(wǎng)絡測試集與預測結果對比Fig.8 Comparison of BP neural network test set and prediction results

由圖8可知，BP算法下輸電線路故障判別策略計算目標值與輸出值之間的相關系數(shù)R2為0.969 26，比Adaboost-BP 算法低了0.27%。綜合可知Adaboost-BP 算法在一定程度上提高了識別精度，進一步表明本文所提策略的正確性和可靠性。

3.2.3 機器學習算法故障診斷對比

現(xiàn)將提出的Adaboost-BP 算法與kNN 算法以及支持向量機算法（SVM）進行故障診斷對比。其中：

k 近鄰算法（k-Nearest Neighbors，kNN）不需要進行訓練即可對樣本進行預測。其步驟為：1） 隨機從訓練樣本中選取k個樣本組作為最初的最近鄰樣本組，分別計算測試樣本到此k個樣本組的距離；2） 篩選出距離最小的k個點并計算出其對應類別的出現(xiàn)頻率；3） 輸出其中出現(xiàn)頻率最高的類別作為測試樣本結果。

SVM 在核函數(shù)映射基礎上實現(xiàn)訓練集樣本特征維度提升，假設訓練樣本為（xi，yi），通過線性回歸函數(shù)f(xi)=ω?xi+b擬合并確定ω和b，采用松弛變量ε來控制預測值與訓練值之間的誤差。

將3 種機器學習算法進行相似性系數(shù)R2、均方差、誤差平均值3 種指標下的對比，其中相似性系數(shù)R2越大，則擬合效果越好，均方差、誤差平均值越小則說明算法精度越好。表1 給出了3 種不同機器學習方法對比結果。仿真結果表明，Adaboost-BP 的誤差平均值，均方差值和R2指標均要優(yōu)于其他方法，分別為0.076 2、0.226 2 和0.971 89。其次為kNN 算法，其均方差值和R2分別為0.585 4 和0.897 02， SVM 的3 項指標均位于3 種機器算法末位，沒有發(fā)揮出其性能特點。

表2給出了3種機器學習算法的運算時間對比，結果表明在3種算法中SVM所需要的時間最長，而kNN 所需時間最短，耗時僅為0.198 65 s，這是由于kNN無需進行模型訓練的特性。

表2 運算時間對比Tab.2 Comparison of training time

3.2.4 單一信息源診斷對比

分別以故障相電流、零序電流為單一信息源，采用同樣診斷方法進行故障識別得到如圖9 所示結果。

圖9 單一信息源診斷結果對比Fig.9 Comparison of AdaBoost-BP test set and prediction result

由圖9 可知，在相同的判斷標準下僅有故障相電流作為唯一信息源進行故障診斷識別的相關系數(shù)R2僅為0.776 47，識別雷擊故障的結果可靠性降低。僅有零序電流作為唯一信息源進行故障診斷識別的相關系數(shù)R2為0.859 96，識別雷擊故障、鳥害故障、山火故障的結果正確率較僅有故障相電流作為唯一信息源的識別結果高，綜合以上對比結果可知，融合多源信息特征的故障診斷結果準確性較單一信息源的高，出現(xiàn)誤判的機率要少，可靠性相對較高。

4 結語

本文主要基于運檢管控平臺的輸電線路多源故障信息融合技術，整合形成輸電線路不同故障類型下的實際波形數(shù)據(jù)庫及關聯(lián)信息數(shù)據(jù)庫，采用小波包分析提取不同輸電線路故障類型的故障特征值，采用機器學習算法完成多源信息融合的故障診斷。并依據(jù)湖南地區(qū)歷史跳閘線路故障數(shù)據(jù)進行驗證。通過驗證分析對比可得出以下結論：1） 本文所提出的基于運檢管控平臺多源信息融合的輸電線路故障快速診斷策略具有較高的準確性和可靠性；2）不同機器學習算法的故障診斷性能對比不同，其中，Adaboost-BP 的誤差平均值，均方差值和R2指標均要優(yōu)于kNN 及SVM，其運行時間介于kNN 及SVM 之間，綜合來說采用Adaboost-BP 算法來能夠對運檢管控平臺的多源數(shù)據(jù)進行很好的融合并給出精度較高的故障類型識別結果，減少了對訓練集樣本結構局限性的影響，提高了故障識別能力；3）基于多源信息的融合，能夠加快故障診斷識別。

附錄

表A1 部分故障特征量數(shù)據(jù)(1)Tab. A1 Partial fault characteristic data（1）