山地環(huán)境輸電線路故障分類及巡檢措施分析

敖志敏, 方曦, 田 剛, 郭德平, 蔣波, 田飛龍

(貴州電網(wǎng)有限責(zé)任公司銅仁供電局, 貴州 銅仁 554300)

輸電線路是電力系統(tǒng)的重要組成部分，連接著發(fā)電廠與各終端用戶。隨著我國(guó)社會(huì)經(jīng)濟(jì)不斷發(fā)展，電力需求響應(yīng)日益增加，電網(wǎng)發(fā)展迅速，已成為覆蓋范圍廣、電壓等級(jí)高、負(fù)荷容量大、線路情況復(fù)雜的智能電網(wǎng)[1-2]。然而山地環(huán)境下的輸電線路所處的自然環(huán)境大都比較惡劣，因此經(jīng)常會(huì)受到氣象、地質(zhì)等因素的影響[3-6]，加上設(shè)備本身的損耗老化，輸電線路故障業(yè)已成為影響電網(wǎng)正常運(yùn)行和經(jīng)濟(jì)發(fā)展的重要因素，因此保證輸電線路的安全高效運(yùn)行具有重要意義。

對(duì)于提高電網(wǎng)運(yùn)行穩(wěn)定性，除了日常的運(yùn)維檢修之外，研究和分類已經(jīng)發(fā)生的故障也具有重要的理論和現(xiàn)實(shí)作用[7-8]。目前，故障分類一般首先是提取故障的特征信息，然后判斷故障狀態(tài)，已有大量的學(xué)者對(duì)此進(jìn)行研究[9-10]。文獻(xiàn)[11]提出了多分類支持向量機(jī)的配電網(wǎng)短路故障識(shí)別方法，結(jié)果表明該方法可以準(zhǔn)確率地識(shí)別典型中壓配電網(wǎng)常見故障。文獻(xiàn)[12]根據(jù)各節(jié)點(diǎn)LOF值的大小實(shí)現(xiàn)智能配電網(wǎng)的故障檢測(cè)與定位，建立了SVM故障類型判別預(yù)測(cè)模型。文獻(xiàn)[13]根據(jù)配電網(wǎng)拓?fù)浣Y(jié)構(gòu)關(guān)系建立原始決策表，利用粗糙集和建立支持向量機(jī)故障診斷模型，通過算例對(duì)比驗(yàn)證了所提方法的精確性和高效性。文獻(xiàn)[14]提出了一種基于卷積稀疏自動(dòng)編碼器的輸電線路故障檢測(cè)和分類方法，具有較高的魯棒性和通用性。

這些故障分類方法可以對(duì)一些簡(jiǎn)單的故障進(jìn)行判別，但對(duì)復(fù)雜故障的分類效果并不明顯，尤其是信號(hào)特征不明顯的早期故障，比如地質(zhì)災(zāi)害或惡劣天氣引起的間歇性故障。且這些方法受電力系統(tǒng)組成方式、故障接地電阻等影響較大，方法的適用性受限。因此，本文提出了基于支持向量機(jī)(support vector machine,SVM)的方法來分類山地環(huán)境輸電線路的故障，并提出相應(yīng)巡檢措施。

1 研究區(qū)與數(shù)據(jù)源

1.1 研究區(qū)概況

貴州地理環(huán)境獨(dú)特，位于云貴高原，境內(nèi)山脈、河流數(shù)量眾多，氣候不穩(wěn)定，災(zāi)害性天氣種類較多，濃霧、凝凍、冰雹、暴雨泥石流等頻度大，是我國(guó)自然災(zāi)害發(fā)生頻率較高的省份。貴州電網(wǎng)所轄輸電線路的氣象和地質(zhì)條件相對(duì)復(fù)雜，雖然隨著科技的進(jìn)步和電網(wǎng)防災(zāi)能力的提升，電網(wǎng)故障發(fā)生的頻次明顯下降，但因氣象災(zāi)害和地質(zhì)災(zāi)害引起的電網(wǎng)故障時(shí)有發(fā)生，因此提高電網(wǎng)運(yùn)行穩(wěn)定性的需求非常迫切。

1.2 數(shù)據(jù)概況

貴州山地環(huán)境輸電線路所處的環(huán)境存在較大差異，因此其發(fā)生故障的類型也各不相同，因此在制定線路的故障巡檢策略時(shí)，有必要梳理清楚該地區(qū)輸電線路的災(zāi)害類型，圖1為某段時(shí)間內(nèi)貴州省220 kV及以上輸電線路跳閘事故原因的統(tǒng)計(jì)圖。

圖1 輸電線路跳閘事故原因統(tǒng)計(jì)Fig.1 Statistics of transmission line trip accidents

由圖1可以看出，雷災(zāi)、暴雨泥石流(洪災(zāi))、風(fēng)災(zāi)、冰災(zāi)等災(zāi)害是輸電線路跳閘的主要原因。這些幾類災(zāi)害類型產(chǎn)生的原因各不相同，但是可以通過一些明顯的特征來判斷。經(jīng)過分析，在本文中分別用地面落雷密度和年均雷暴日來表征雷擊的可能性，風(fēng)速作為風(fēng)災(zāi)的表征因子，冰災(zāi)的發(fā)生和溫度、濕度直接相關(guān)。對(duì)于暴雨泥石流而言，其發(fā)生受氣象條件直接影響，因此以降雨量和持續(xù)時(shí)間來判斷。實(shí)際上，這些氣象因素之間會(huì)相互影響，例如降雨過程中會(huì)有發(fā)生雷擊，降雨過后溫度下降濕度增加，容易產(chǎn)生霧氣。

另外，近年來隨著貴州經(jīng)濟(jì)結(jié)構(gòu)的轉(zhuǎn)型及發(fā)展方式的轉(zhuǎn)變，其電力供需形勢(shì)也快速的發(fā)展，年增長(zhǎng)率逐年上升，全年用電量大幅增長(zhǎng)，在2017年年度用電量首次突破100TW·h。由圖2A可知，2017年-2020年全社會(huì)用電負(fù)荷量最大集中在12月和1月。由圖2B可知，2017年-2020年月份城鄉(xiāng)居民用電量曲線變化呈現(xiàn)“V”形，最大集中在12月、1月和2月，和全社會(huì)用電負(fù)荷量基本保持一致，綜上可知，氣溫和居民用電負(fù)荷量對(duì)貴州全省的負(fù)荷特性的影響也將越來越大，負(fù)荷容量的增高對(duì)線路的損耗也會(huì)進(jìn)一步增高，因此，輸電線路的負(fù)荷容量和運(yùn)行年限也是引發(fā)輸電線路故障的因素之一。

(a)每月全社會(huì)用電量(a)Monthly electricity consumption of the whole society

(b)每月城鄉(xiāng)居民用電量(b)Monthly electricity consumption of urban and rural residents 注：2020年12月的數(shù)據(jù)暫未更新。圖2 貴州省2017年-2020年總用電量統(tǒng)計(jì)Fig.2 Statistics of total electricity consumption in Guizhou Province from 2017 to 2020

由上述分析可知，地面落雷密度、年均雷暴日、風(fēng)速、降雨量、降雨持續(xù)時(shí)間、氣溫、濕度、設(shè)備運(yùn)行年限、輸電線路負(fù)荷量等因素之間并不獨(dú)立存在，因此本文將這些因素作為模型輸入，利用核函數(shù)來耦合各因素之間的關(guān)系，如圖3所示。

圖3 SVM模型示意圖Fig.3 Schematic diagram of SVM model

2 研究方法

支持向量機(jī)(support vector machine，SVM) 的理論基礎(chǔ)是VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化，是一種常用的有監(jiān)督分類方法。該方法利用核函數(shù)將輸入向量映射到一個(gè)高維特征空間，構(gòu)建最優(yōu)分類超平面實(shí)現(xiàn)分類。支持向量機(jī)核函數(shù)對(duì)于模型性能的表現(xiàn)有至關(guān)重要的作用，選擇合適的核函數(shù)對(duì)分類精度和模型泛化能力有著直接影響。但目前尚無明確的選用指導(dǎo)，考慮到RBF核函數(shù)具有較強(qiáng)的泛化能力，對(duì)大、小樣本均展現(xiàn)出較好的性能，因此本文選擇RBF核函數(shù)，徑向基核函數(shù)公式為：

K(xi,xj)=exp(-γ‖xi-xj‖2)

(1)

其中，γ為自定義參數(shù)。核函數(shù)的懲罰因子c和參數(shù)g大小通過網(wǎng)格參數(shù)尋優(yōu)方法確定。 確定了核函數(shù)及核參數(shù)后，利用支持向量機(jī)構(gòu)建輸電線路故障分類模型的流程圖如圖4所示，主要步驟包括：

圖4 SVM模型構(gòu)建流程圖Fig.4 Construction flow chart of SVM model

(1)收集數(shù)據(jù)。收集輸電線路歷史故障數(shù)據(jù)，包括故障時(shí)刻和故障區(qū)域的地面落雷密度、年均雷暴日、風(fēng)速、降雨量、降雨持續(xù)時(shí)間、氣溫、濕度、輸電線路運(yùn)行年限、輸電線路負(fù)荷量等數(shù)據(jù)，本文選取雷災(zāi)、洪災(zāi)、風(fēng)災(zāi)、冰災(zāi)、線路原因、其他各600組數(shù)據(jù)用于構(gòu)建故障分類模型。

(2)數(shù)據(jù)歸一化。0均值標(biāo)準(zhǔn)化不是基于樣本中最大值和最小值作為參考，具有較強(qiáng)的適應(yīng)能力，當(dāng)樣本增加最大值或最小值發(fā)生變化時(shí)不會(huì)產(chǎn)生偏差。而且利用0均值標(biāo)準(zhǔn)化前后的數(shù)據(jù)結(jié)構(gòu)保持不變。本文的數(shù)據(jù)之間差異較大，因此選擇0均值標(biāo)準(zhǔn)化對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，其計(jì)算公式為：

(2)

(3)樣本劃分。X-Y共生距離(sample set partitioning based on joint X-Y distances，SPXY)法由于很好地考慮了輸入向量值之間的差異[15]，保證樣本間的差異性和代表性，訓(xùn)練集和測(cè)試集都可以最大限度地包含總體樣本的特征，有助于提高建模效率和模型精確度。

(4)模型訓(xùn)練。將準(zhǔn)備好的樣本劃分為訓(xùn)練集和測(cè)試集，按照2∶1、3∶1、4∶1的比例劃分，前者作為模型的訓(xùn)練集，后者作為模型的測(cè)試集。

(5)精度分析。本文將識(shí)別準(zhǔn)確率作為故障分類模型的評(píng)價(jià)指標(biāo)，識(shí)別準(zhǔn)確率為災(zāi)害類型和災(zāi)害類型被正確判別的百分比，準(zhǔn)確率越高則分類效果越好。

3 結(jié)果與分析

3.1 故障分類結(jié)果分析

通常認(rèn)為，訓(xùn)練樣本數(shù)越多分類準(zhǔn)確率越高，同時(shí)為避免模型訓(xùn)練時(shí)因訓(xùn)練樣本太多出現(xiàn)過擬合，因此為兼顧訓(xùn)練準(zhǔn)確率及模型適用性，本文按照2∶1、3∶1、4∶1的比例劃分樣本，訓(xùn)練故障分類模型。SVM分類模型的訓(xùn)練結(jié)果如表1和表2所示。表1 是不同比例訓(xùn)練集/測(cè)試集的分類結(jié)果，由表可知，當(dāng)訓(xùn)練集和測(cè)試集的數(shù)量分別為400和200組時(shí)，訓(xùn)練集和測(cè)試集中整體分類準(zhǔn)確的數(shù)量為1861和966組，其中雷災(zāi)分類準(zhǔn)確的數(shù)量最多為171組，冰災(zāi)分類準(zhǔn)確的數(shù)量最少為149組。當(dāng)訓(xùn)練集和測(cè)試集的數(shù)量分別為450和150組時(shí)，訓(xùn)練集和測(cè)試集中整體分類準(zhǔn)確的數(shù)量為2150和749組，其中雷災(zāi)和風(fēng)災(zāi)分類準(zhǔn)確的數(shù)量最多為132組，冰災(zāi)分類準(zhǔn)確的數(shù)量最少為116組。當(dāng)訓(xùn)練集和測(cè)試集的數(shù)量分別為480和120組時(shí)，訓(xùn)練集和測(cè)試集中整體分類準(zhǔn)確的數(shù)量為2349和622組，其中雷災(zāi)分類準(zhǔn)確的數(shù)量最多為109組，冰災(zāi)分類準(zhǔn)確的數(shù)量最少為98組。從表1可知，在六種災(zāi)害類型中，雷災(zāi)、風(fēng)災(zāi)、線路原因三種類型的準(zhǔn)確數(shù)量要高于其他、洪災(zāi)和冰災(zāi)三種。表2是表1經(jīng)過換算之后不同比例訓(xùn)練集/測(cè)試集的分類精度。

表1 不同比例訓(xùn)練集/測(cè)試集的分類結(jié)果Tab.1 Classification results of different ratios between training set and test set

表2 不同比例訓(xùn)練集/測(cè)試集的分類精度Tab.2 Classificationaccuracy of different ratios between training set and test set

為了分析訓(xùn)練樣本數(shù)量對(duì)分類準(zhǔn)確率的影響，本文分別比較了不同比例下相同災(zāi)害類型訓(xùn)練集分類精度和測(cè)試集分類精度，對(duì)應(yīng)的結(jié)果分別如圖5和圖6所示。在訓(xùn)練集∶測(cè)試集=2∶1的比例下，訓(xùn)練集和測(cè)試集的整體分類精度分別是77.5%和80.5%；在訓(xùn)練集∶測(cè)試集=3∶1的比例下，訓(xùn)練集和測(cè)試集的整體分類精度分別是79.6%和83.2%；在訓(xùn)練集∶測(cè)試集=4∶1的比例下，訓(xùn)練集和測(cè)試集的整體分類精度分別是81.6%和86.4%。

圖5 不同比例下相同災(zāi)害類型訓(xùn)練集分類精度Fig.5 Training set classification accuracy of the same disaster type under different proportions

圖6 不同比例下相同災(zāi)害類型測(cè)試集分類精度

當(dāng)訓(xùn)練集∶測(cè)試集=4∶1時(shí)，與訓(xùn)練集∶測(cè)試集=2∶1的結(jié)果相比，雷災(zāi)、洪災(zāi)、風(fēng)災(zāi)、冰災(zāi)、線路原因、其他訓(xùn)練集的分類精度分別提高了3.2%、4.3%、5.3%、4.0%、2.5%、4.6%，測(cè)試集的分類精度分別提高了5.3%、6.5%、4.7%、7.2%、4.2%、7.5%；與訓(xùn)練集∶測(cè)試集=3∶1的結(jié)果相比，雷災(zāi)、洪災(zāi)、風(fēng)災(zāi)、冰災(zāi)、線路原因、其他訓(xùn)練集的分類精度分別提高了1.6%、2.1%、2.4%、2.3%、1.2%、1.9%，測(cè)試集的分類精度提高了2.8%、4.5%%、1.2%、4.4%、1.9%、4.3%。綜上可知，隨著訓(xùn)練樣本比例的增加，模型訓(xùn)練集和測(cè)試集的分類精度都有所提高，這表明模型的預(yù)測(cè)效果越來越好。

為了進(jìn)一步比較雷災(zāi)、洪災(zāi)、風(fēng)災(zāi)等六種類型的分類結(jié)果，本文分別比較了相同比例下不同災(zāi)害類型訓(xùn)練集分類精度和測(cè)試集分類精度，對(duì)應(yīng)的結(jié)果分別如圖7和圖8所示。以測(cè)試集為例，在訓(xùn)練集∶測(cè)試集=2∶1的比例下，雷災(zāi)分類精度最高為85.5%， 冰災(zāi)的分類最低為74.5%，相差11.0%；在訓(xùn)練集∶測(cè)試集=3∶1的比例下，雷災(zāi)和風(fēng)災(zāi)分類精度并列最高為88.0%，冰災(zāi)的分類最低為77.3%，相差10.7%；在訓(xùn)練集∶測(cè)試集=4∶1的比例下，雷災(zāi)分類精度最高為90.8%，冰災(zāi)的分類最低為81.7%，相差9.1%。

圖7 相同比例下不同災(zāi)害類型訓(xùn)練集分類精度Fig.7 Training set classification accuracy of different disaster types under the same proportion

圖8 相同比例下不同災(zāi)害類型測(cè)試集分類精度Fig.8 Test set classification accuracy of different disaster types under the same proportion

從輸電線路故障的分類結(jié)果看，六種災(zāi)害類型具有一定的差異。由于雷災(zāi)的發(fā)生是雷擊造成的，屬于間歇性故障，對(duì)應(yīng)特征即地面落雷密度和年均雷暴日，與正常情況相比，故障發(fā)生時(shí)這兩個(gè)參數(shù)會(huì)發(fā)生較大的變化。對(duì)于風(fēng)災(zāi)故障而言，當(dāng)風(fēng)速超過輸電線路承受的極限時(shí)容易引發(fā)故障，此時(shí)風(fēng)速值較高，有助于模型判斷。但冰災(zāi)的誘發(fā)因素主要由氣溫、濕度等因素，在一定的時(shí)間內(nèi)這些特征值并不會(huì)突變，模型的學(xué)習(xí)能力受限，不易判斷。當(dāng)災(zāi)害類型的致災(zāi)因子變化明顯時(shí)，其錯(cuò)判率較低，因此雷災(zāi)、風(fēng)災(zāi)、線路原因三種類型的準(zhǔn)確率要高于其他、洪災(zāi)和冰災(zāi)。

3.2 故障檢修治理措施

通過上一節(jié)對(duì)輸電線路多種故障的系統(tǒng)性分析，本節(jié)針對(duì)上述問題提出了針對(duì)性的防治檢修措施。

對(duì)于雷災(zāi)，除了采用增強(qiáng)線路絕緣水平、降低桿塔接地電阻等常規(guī)方式提高輸電線路的防雷能力之外，可根據(jù)對(duì)應(yīng)的分類結(jié)果和歷史運(yùn)維數(shù)據(jù)，劃分重點(diǎn)雷擊區(qū)，然后利用雷電定位等技術(shù)進(jìn)行實(shí)時(shí)監(jiān)測(cè)。對(duì)于洪災(zāi)，結(jié)合山地環(huán)境特有的地質(zhì)條件，在運(yùn)維數(shù)據(jù)的基礎(chǔ)上，對(duì)易發(fā)生山體滑坡等地質(zhì)災(zāi)害的區(qū)域加強(qiáng)輸電桿塔的機(jī)械強(qiáng)度，重點(diǎn)區(qū)域重點(diǎn)巡查。對(duì)于風(fēng)災(zāi)，基于故障數(shù)據(jù)和分類數(shù)據(jù)，確定故障風(fēng)速范圍，針對(duì)已有的輸電線路提高抗風(fēng)能力，當(dāng)以后新增輸電線路時(shí)，要避開強(qiáng)風(fēng)多發(fā)區(qū)域或根據(jù)現(xiàn)有的結(jié)果適當(dāng)提高輸電線路設(shè)計(jì)的標(biāo)準(zhǔn)。對(duì)于冰災(zāi)，利用分類結(jié)果判斷所屬區(qū)域發(fā)生覆冰、濃霧的范圍和頻次，采取相應(yīng)的整治措施，重點(diǎn)地區(qū)提高巡檢次數(shù)，減少輸電線路因覆冰、濃霧的發(fā)生故障的概率。對(duì)于線路原因，一是采用新材料、新技術(shù)，提高線路本身的性能，二是引導(dǎo)用戶進(jìn)行合理用電，削峰填谷，保證線路負(fù)荷容量不超過額定容量。對(duì)于其他原因?qū)е碌妮旊娋€路故障，例如人為破壞，則需要加強(qiáng)宣傳工作，提高輸電線路區(qū)域群眾的保護(hù)意識(shí)。例如鳥害，可以通過采取一些驅(qū)鳥和防鳥措施，進(jìn)行有效預(yù)防[16]。

3.3 故障檢修實(shí)施方式

貴州電網(wǎng)所轄輸電線路分布廣泛及所處環(huán)境比較特殊，存在著雷擊、覆冰等多種故障，因此對(duì)應(yīng)的檢修和防治措施也比較多樣復(fù)雜?？傮w而言，這些措施大部分都依賴于檢修人員完成，而隨著輸電線路覆蓋范圍擴(kuò)大化和多元化，巡視量也日益增長(zhǎng)，傳統(tǒng)的人工檢修方式存在著一些限制，例如巡視人員的勞動(dòng)強(qiáng)度較高、單次巡視范圍較小、存在錯(cuò)檢漏檢問題，難以及時(shí)響應(yīng)和滿足檢修需求。為了提高傳統(tǒng)的人工檢修方式的效率，針對(duì)貴州地區(qū)特有的山地現(xiàn)場(chǎng)環(huán)境提出了兩個(gè)發(fā)展方向：

(1)廣泛應(yīng)用AR智能設(shè)備和技術(shù)

針對(duì)電網(wǎng)的各類作業(yè)任務(wù)，在培訓(xùn)、巡視和檢修過程中應(yīng)用AR智能設(shè)備和技術(shù)，能夠加快檢修人員了解設(shè)備結(jié)構(gòu)和檢修流程。收集歷史運(yùn)維數(shù)據(jù)，然后建立基于AR的輸電現(xiàn)場(chǎng)作業(yè)環(huán)境，利用交互技術(shù)完成巡視流程、設(shè)備結(jié)構(gòu)、工作原理等學(xué)習(xí)，針對(duì)不同類型作業(yè)場(chǎng)景及其典型作業(yè)方法進(jìn)行專門的培訓(xùn)，將復(fù)雜和機(jī)械的培訓(xùn)檢修過程轉(zhuǎn)化為立體化的培訓(xùn)檢修，實(shí)現(xiàn)輸電現(xiàn)場(chǎng)作業(yè)的AR全流程應(yīng)用，可以有效提升效率和質(zhì)量。另外，應(yīng)用AR智能設(shè)備可以提前了解輸電現(xiàn)場(chǎng)作業(yè)可能發(fā)生的安全隱患，減少安全事故的發(fā)生。

(2)廣泛應(yīng)用無人機(jī)、電力機(jī)器人等智能巡檢設(shè)備

無人機(jī)和電力機(jī)器人等設(shè)備有著高效、安全、智能的優(yōu)點(diǎn)，是當(dāng)前輸電線路巡檢技術(shù)的重要研究方向[17-18]。無人機(jī)和電力機(jī)器人巡檢主要是通過搭載一些精密的檢測(cè)儀器，采集相應(yīng)的數(shù)據(jù)，然后對(duì)數(shù)據(jù)進(jìn)行篩選和分析，進(jìn)而判斷線路和設(shè)備是否存在運(yùn)行故障。這些智能巡檢設(shè)備在一定程度上可以替代人工巡檢方式，減少重復(fù)工作，實(shí)現(xiàn)輸電線路的快速檢測(cè)，通過大力推廣使用巡檢無人機(jī)和電力巡檢機(jī)器人，建立一套“智能設(shè)備為主、人工為輔”的檢修系統(tǒng)，可以有效提升輸電線路的巡視效率。

4 結(jié)論

本文通過收集現(xiàn)有輸電線路的運(yùn)維和故障數(shù)據(jù)，建立了支持向量機(jī)故障分類模型，得到的主要結(jié)論包括：

(1)在六種災(zāi)害類型中，雷災(zāi)、風(fēng)災(zāi)、線路原因的致災(zāi)因子相較于正常運(yùn)行時(shí)變化明顯，容易被SVM模型識(shí)別區(qū)分，因此雷災(zāi)、風(fēng)災(zāi)、線路原因三種類型的分類準(zhǔn)確率要高于洪災(zāi)、冰災(zāi)和其他三種類型。

(2)隨著訓(xùn)練樣本比例從2∶1增加為4∶1，模型訓(xùn)練集和測(cè)試集的分類精度都有所提高，模型的預(yù)測(cè)效果也越來越好。尤其當(dāng)訓(xùn)練集比測(cè)試集等于4∶1時(shí)，訓(xùn)練集和測(cè)試集的整體分類精度分別達(dá)到了81.6%和86.4%?？芍撃Ｐ蛯?duì)故障分類具有一定的適用性，且準(zhǔn)確率較高。

(3)針對(duì)貴州山地環(huán)境面臨的不同故障類型，提出了相應(yīng)的防治檢修措施。同時(shí)提出了應(yīng)用AR設(shè)備、無人機(jī)、電力機(jī)器人等智能設(shè)備，用以提高傳統(tǒng)人工的培訓(xùn)和巡檢效率。

下一步將收集更豐富的運(yùn)維和故障數(shù)據(jù)對(duì)各致災(zāi)因子進(jìn)行更深入的分析，并增加其他常用的分類模型，對(duì)比不同的分類結(jié)果選擇最優(yōu)的分類模型[19-21]。本文的結(jié)果不僅有助于建設(shè)輸電線路故障的預(yù)警和監(jiān)測(cè)模型，還可以明確輸電線路檢修的重點(diǎn)環(huán)節(jié)，節(jié)省人力物力財(cái)力，為輸電線路故障分類方面的研究提供技術(shù)支持和理論依據(jù)。