基于大數(shù)據(jù)模型的輸電線路隱患預(yù)警系統(tǒng)研究

魏 浩，馬 進(jìn)

（國網(wǎng)四川省電力公司廣元供電公司，四川 廣元 628000）

1 大數(shù)據(jù)的需求分析

基于“技術(shù)與實(shí)踐相結(jié)合”的原則，通過對(duì)線路安全隱患方面所存在的問題進(jìn)行梳理，明確所要實(shí)現(xiàn)的目標(biāo)，采用數(shù)據(jù)分析工具對(duì)數(shù)據(jù)進(jìn)行處理，找出影響線路安全和預(yù)警能力的關(guān)鍵因素，使用現(xiàn)代算法工具實(shí)現(xiàn)輸電線路安全隱患智能預(yù)警，對(duì)安全隱患預(yù)警內(nèi)容進(jìn)行分級(jí)，采用概率算法，精準(zhǔn)度量預(yù)警內(nèi)容的正確性，為工作人員應(yīng)對(duì)故障處理提供了客觀的參考，提升了工作人員應(yīng)對(duì)故障的快速反應(yīng)能力。對(duì)巡檢計(jì)劃周期進(jìn)行優(yōu)化，縮減了技術(shù)處理組的工作量和巡檢周期，提高了巡檢計(jì)劃制定的效率及動(dòng)態(tài)及時(shí)性，建立起“安全可控，便捷高效”的輸電線路安全隱患排查預(yù)警方案。

2 數(shù)據(jù)收集與處理

通過對(duì)安全隱患產(chǎn)生的原因分析，找到3大方面（自然因素[1]、設(shè)備因素、人為因素） 的影響。在對(duì)設(shè)備信息數(shù)據(jù)和自然因素?cái)?shù)據(jù)進(jìn)行采集時(shí)，輸電運(yùn)檢應(yīng)用了自己已開發(fā)的“亮亮”大數(shù)據(jù)管理平臺(tái)有效、快速采集兩方面的數(shù)據(jù)；同時(shí)，由于該方案可以收集到兩種因素在同一時(shí)間內(nèi)產(chǎn)生的信息，兩種因素的信息具有一一對(duì)應(yīng)的關(guān)系。因此，對(duì)兩種因素的狀態(tài)關(guān)聯(lián)信息采集，能更好地運(yùn)用大數(shù)據(jù)對(duì)不同種因素的關(guān)聯(lián)信息進(jìn)行分析，發(fā)現(xiàn)其潛在的聯(lián)系，然后抓取已有方案中的相關(guān)數(shù)據(jù)信息。

本文預(yù)警方案需要對(duì)每條線路進(jìn)行安全隱患區(qū)段進(jìn)行預(yù)測。因此，需要把該數(shù)據(jù)采集平臺(tái)的數(shù)據(jù)進(jìn)一步處理，合理地分類線路區(qū)段。通過對(duì)所有巡檢線路長度的統(tǒng)計(jì)，考慮了區(qū)段故障定位的精準(zhǔn)性，把線路步長定為1 km。所以，在“亮亮”數(shù)據(jù)采集平臺(tái)上以線路步長1 km為區(qū)段進(jìn)行分類采集。例如，當(dāng)采集110 kV白輪線時(shí)，白輪線長9.687 km，此時(shí)數(shù)據(jù)將分為10組作為輸入數(shù)據(jù)。圖1為“亮亮”大數(shù)據(jù)管理平臺(tái)關(guān)聯(lián)數(shù)據(jù)采集內(nèi)容。

3 安全隱患分級(jí)

3.1 安全隱患特征

輸電線路安全隱患主要包含雷擊、覆冰、鳥害、山火故障等，針對(duì)不同安全隱患類型，模型所采集的特征數(shù)據(jù)不同。線路安全隱患特征如表1所示。表1中安全隱患特征項(xiàng)都包含在上述3大影響因素中，由于特征項(xiàng)的種類多，并且各監(jiān)測點(diǎn)每天需要存儲(chǔ)并傳輸?shù)膶?shí)時(shí)數(shù)據(jù)為百萬單位級(jí)，每一類特征數(shù)據(jù)所包含的信息價(jià)值單一，難以實(shí)現(xiàn)海量數(shù)據(jù)的價(jià)值利用。針對(duì)整體數(shù)據(jù)存在信息單一、實(shí)時(shí)數(shù)據(jù)海量及利用率低等問題，需選擇合理的數(shù)據(jù)學(xué)習(xí)算法對(duì)海量數(shù)據(jù)進(jìn)行處理。

表1 線路安全隱患特征表

3.2 隱患分類

由于數(shù)據(jù)量大且對(duì)安全隱患有強(qiáng)相關(guān)影響的特征數(shù)據(jù)難以發(fā)掘，因此利用現(xiàn)代智能算法——誤差逆向傳播神經(jīng)網(wǎng)絡(luò)算法BP（back propagation neural network） 神經(jīng)網(wǎng)絡(luò)算法[2]，對(duì)已分類的海量數(shù)據(jù)進(jìn)行分析辨識(shí)，尋找各類安全隱患特征之間的聯(lián)系，挖掘出導(dǎo)致線路安全隱患的關(guān)鍵安全隱患特征，稱其為隱患因子，進(jìn)而形成隱患因子庫。

基于BP神經(jīng)網(wǎng)絡(luò)的隱患因子形成過程分為3步，如圖2所示。第一步，設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)的模型，按照實(shí)際輸入輸出矩陣確定網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)；第二步，用盡可能多的歷史數(shù)據(jù)訓(xùn)練建立BP神經(jīng)網(wǎng)絡(luò)，增進(jìn)網(wǎng)絡(luò)精準(zhǔn)度，使網(wǎng)絡(luò)性合格；第三步，用一小部分優(yōu)質(zhì)數(shù)據(jù)對(duì)訓(xùn)練結(jié)果進(jìn)行測試，合格后采用產(chǎn)生的隱患因子，將其納入隱患因子庫。

圖2 隱患因子產(chǎn)生過程

通過對(duì)模型設(shè)計(jì)中BP網(wǎng)絡(luò)中間層結(jié)構(gòu)、傳遞函數(shù)、學(xué)習(xí)速率和學(xué)習(xí)算法4個(gè)主要問題的考慮，確定了該模型。該模型采用3層BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，結(jié)構(gòu)如圖3所示。

圖3 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖

3類數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入層，輸入層與輸出層之間的隱層選取了6個(gè)神經(jīng)元節(jié)點(diǎn)，輸出層輸出多個(gè)隱患因子，形成隱患因子庫。

表2 部分安全隱患產(chǎn)生時(shí)出現(xiàn)的隱患因子

3.3 考慮時(shí)序條件的安全隱患分級(jí)

當(dāng)收集的實(shí)時(shí)數(shù)據(jù)投入隱患因子挖掘模型后，得到安全隱患相對(duì)應(yīng)的多個(gè)隱患因子，對(duì)可能存在的安全隱患初步判斷并進(jìn)行分級(jí)，定為擬似安全隱患，并通過對(duì)某一安全隱患類型存在的隱患因子多少進(jìn)行分級(jí)，安全隱患發(fā)生的可能性由小到大分為擬似安全隱患一級(jí)、擬似安全隱患二級(jí)和擬似安全隱患三級(jí)。然后把得到的隱患因子傳遞給安全隱患判別庫，作為下文考慮時(shí)序現(xiàn)象匹配的輸入特征，從而對(duì)可能存在的安全隱患做出合理預(yù)測。

由于故障大多數(shù)有時(shí)間上的周期性，例如鳥害一般發(fā)生在春季和冬季、雷擊故障一般發(fā)生在多雷雨的夏季等，通過結(jié)合廣元地區(qū)的地理環(huán)境因素及運(yùn)檢部門巡檢時(shí)產(chǎn)生的大量數(shù)據(jù)，采用大數(shù)據(jù)分析方法，得到了標(biāo)準(zhǔn)安全隱患產(chǎn)生的時(shí)序特征，如表3所示。

表3 安全隱患時(shí)序特征

通過對(duì)相關(guān)安全隱患發(fā)生時(shí)間與表3的標(biāo)準(zhǔn)安全隱患時(shí)序特征進(jìn)行對(duì)比，結(jié)合實(shí)時(shí)數(shù)據(jù)產(chǎn)生的隱患因子，對(duì)達(dá)到一定相似閾值指標(biāo)的輸電線路進(jìn)行安全隱患預(yù)警，如圖4所示。

表6 260 MW負(fù)荷下不投氨槍NOx質(zhì)量濃度

4 轉(zhuǎn)化驗(yàn)證形成可行方案

4.1 驗(yàn)證安全隱患排查方案

采取上述方案開發(fā)軟件進(jìn)行驗(yàn)證，輸入初始設(shè)置值，得到輸電線路安全隱患排查預(yù)警方案。

由預(yù)警結(jié)果與實(shí)際數(shù)據(jù)結(jié)果進(jìn)行對(duì)比可知，該方案能有效預(yù)測安全隱患，提升了安全隱患排查的效率；同時(shí)，由于輸入數(shù)據(jù)為每1 km一組，因此預(yù)測精度能達(dá)到1 km范圍。該方案能夠調(diào)節(jié)預(yù)測精度，這取決于收集的輸入數(shù)據(jù)范圍。

4.2 優(yōu)化狀態(tài)巡檢計(jì)劃流程

優(yōu)化前后狀態(tài)巡檢計(jì)劃流程如圖5所示。

圖5 狀態(tài)巡視計(jì)劃流程優(yōu)化前后對(duì)比圖

采用圖5優(yōu)化方案，分析巡視人員采集線路區(qū)段數(shù)據(jù)，使其對(duì)巡視線路進(jìn)行智能分區(qū)、確定巡視周期，根據(jù)區(qū)域是否存在過安全隱患及安全隱患預(yù)警的級(jí)別，自動(dòng)生成巡視周期重點(diǎn)區(qū)域，減輕了綜合技術(shù)組人員的工作量，提高了人工動(dòng)態(tài)巡檢。

5 結(jié)論

基于大數(shù)據(jù)模型的輸電線路隱患預(yù)警系統(tǒng)實(shí)現(xiàn)了以下功能：一是，依托大數(shù)據(jù)技術(shù)構(gòu)建了輸電線路安全隱患排查預(yù)警方案，融合了現(xiàn)有生產(chǎn)管理、智能巡檢等方案，顯著提高了工作效率和準(zhǔn)確性，減少了大量的人工勞動(dòng)，并可隨時(shí)響應(yīng)安全隱患預(yù)警。二是，該方案依托線路數(shù)據(jù)區(qū)段分類技術(shù)，融合現(xiàn)代智能算法，使線路安全隱患定位到1 km的精度，精準(zhǔn)定位了線路安全隱患。三是，依托線路安全隱患精準(zhǔn)定位功能和考慮時(shí)序特征的預(yù)警方法，優(yōu)化了目前的巡檢計(jì)劃流程，減少了技術(shù)綜合組人員的工作量，提高了效率。四是，在實(shí)現(xiàn)安全隱患預(yù)警的前提下，對(duì)線路安全隱患預(yù)警等級(jí)進(jìn)行分級(jí)預(yù)測，有效預(yù)警了安全隱患發(fā)生的可能程度及消除安全隱患的難易性，促進(jìn)了工作人員消除安全隱患的及時(shí)性和效率；同時(shí)該方案也有效促進(jìn)了信息數(shù)據(jù)更新、運(yùn)檢維修等相關(guān)工作的及時(shí)性、準(zhǔn)確性和工作效率。