人工智能的輸電線路故障識別系統(tǒng)

海南電網(wǎng)有限責任公司信息通信分公司 張鐵剛 馮世杰 南方電網(wǎng)海南數(shù)字電網(wǎng)研究院有限公司 王保強

海南省電力學校 郭 頌 海南電網(wǎng)有限責任公司白沙供電局 蘇澤銓

輸電線路是電網(wǎng)中的一個關(guān)鍵環(huán)節(jié)，它的作用就是把電能從發(fā)端經(jīng)過升、降到負載端。由于受到周圍環(huán)境的影響，電力系統(tǒng)的短路、雷擊等故障時有發(fā)生[1]。因此，在世界各地，輸電線路故障時有發(fā)生，造成了嚴重的供電事故。常見的輸電線路故障包括短路故障、接地故障、雷擊故障等。

近年來，輸電線路故障事件頻發(fā)，為電力企業(yè)帶來了巨大的經(jīng)濟損失，為及時發(fā)現(xiàn)輸電線路故障，將故障事件所帶來的負面損失降到最低，設(shè)計并開發(fā)了輸電線路故障識別系統(tǒng)。故障識別是利用各種檢測和測試方法，根據(jù)輸電線路的故障特征確定當前線路是否存在故障的方法，為故障的隔離與維護提供有效參考?，F(xiàn)階段發(fā)展較為成熟的輸電線路故障識別系統(tǒng)主要應用了VMD多尺度模糊熵技術(shù)、Seq2Seq技術(shù)及無人機熱紅外成像，然而在實際應用過程中，上述現(xiàn)有的故障識別系統(tǒng)表現(xiàn)出明顯的識別精度低的問題，為此引入人工智能算法。

人工智能是由人創(chuàng)造的機械所產(chǎn)生的智能，一般就是用一般的計算機形式把人的智力顯示在電腦上。根據(jù)輸電線路運行性能及系統(tǒng)功能需求，在此次優(yōu)化設(shè)計工作中選擇人工智能中的神經(jīng)網(wǎng)絡算法作為技術(shù)支持，以期能提高系統(tǒng)的故障識別精度。

1 輸電線路故障識別硬件系統(tǒng)設(shè)計

1.1 輸電線路數(shù)據(jù)采樣模塊

輸電線路的數(shù)據(jù)采集模塊主要包括傳感器、A/D轉(zhuǎn)換等。在電線的最下面，高壓端的連接金具上安裝了一個電流傳感器，它的電磁干擾很大而漏電信號很弱，因此要盡量避免這種情況發(fā)生。此外，感應器在室外環(huán)境中工作，因此須對防水、防風、機械強度等進行適當?shù)脑O(shè)計。此次系統(tǒng)選擇ACS71240型號的電流傳感器設(shè)備，該傳感器的外部采用了一種鋼結(jié)構(gòu)，能有效防止傳感器的鐵芯受到風向的擺動而受到損傷，同時由于鐵的高磁導率，可有效地防止電磁干擾。在機箱的內(nèi)側(cè)，有一個羅戈夫斯基線圈，線圈的核心是一種鐵氧體，匝數(shù)為200。

A/D轉(zhuǎn)換是將模擬信號轉(zhuǎn)化為數(shù)字信號的模數(shù)轉(zhuǎn)換。該系統(tǒng)將由傳感器獲取的仿真數(shù)據(jù)轉(zhuǎn)化成可由計算機進行處理的數(shù)據(jù)。當信號幅度大于預定門限時，A/D模組的觸發(fā)信號被激活，進行行波信號的采集并同時記錄觸發(fā)時間。

1.2 輸電線路數(shù)據(jù)處理器

為支持人工智能算法在系統(tǒng)環(huán)境中的運行，需在傳統(tǒng)系統(tǒng)的基礎(chǔ)上對處理器設(shè)備進行優(yōu)化。系統(tǒng)采用了多個外部控制器的多個通訊接口，可進行擴展，并可根據(jù)實際需求擴展外部設(shè)備，滿足人工智能算法的運行要求。優(yōu)化系統(tǒng)中使用的處理器，在傳統(tǒng)處理器上擴展了通用外圍器件，具體包括外部存儲控制器和液晶顯示控制器，提高處理器的工作效率。

1.3 故障指示器

是一種能在有短路電流經(jīng)過時顯示出故障標志的電磁感應裝置。在線路上設(shè)置一個故障指示燈，在電路發(fā)生故障時短路電流會通過，此時故障指示燈就會啟動，并顯示紅色的故障標志。這樣就能迅速發(fā)現(xiàn)問題所在。該系統(tǒng)采用了遠傳式故障指示器，它包括現(xiàn)場顯示和遙控數(shù)據(jù)采集終端，該設(shè)備在發(fā)現(xiàn)線路故障時，不但可進行現(xiàn)場翻牌或閃光報警，且可將故障信息通過短距離無線傳輸?shù)綌?shù)據(jù)采集設(shè)備，然后通過無線公共網(wǎng)絡或光纖傳輸給主機。除上述硬件設(shè)備外，系統(tǒng)存儲器、通信網(wǎng)絡等模塊均沿用傳統(tǒng)系統(tǒng)。

2 輸電線路故障識別系統(tǒng)軟件功能設(shè)計

2.1 設(shè)置輸電線路故障識別標準

輸電線路故障包括三相短路、中性點接地等多種類型，三相短路時電路分為兩部分，分別包含了電源和電力設(shè)備，無電源部分的電流會從失效前的數(shù)字下降為0。含電源部分短路全電流可表示為：ia=IPmsin(ωt+φ-θh)+Imsin(φ-θq)，式中：變量φ、θh和θq分別為電源電勢的初始相角及短路前后的阻抗角，ω為電源的工作頻率，t為時間周期，IPm和Im對應的是短路前后的電流幅值，最終的計算結(jié)果即為輸電線路中含電源部分的電流值。由此也能得出，短路線路中不含電源部分的電流值，并將其設(shè)置為輸電線路短路故障特征標準。以b、c兩相短路接地為例，在此情況下a相是一個特殊的相，此時得到輸電線路短路故障點位置上的電流和電壓特征為：

其中：X2和X0分別為負序和零序電抗，Ia1為a相的正序電流，j表示的是故障點數(shù)量，Ib和Ic分別為b相和c相的正序電流，最終的計算結(jié)果，λI和λV對應的是兩相短路故障狀態(tài)下輸電線路的電流和電壓浮動特征。按照上述方式得出輸電線路的所有故障類型的量化特征。

2.2 利用人工智能算法提取輸電線路實時運行特征

利用硬件系統(tǒng)中的數(shù)據(jù)采樣設(shè)備，實時獲取輸電線路對應的實時工作數(shù)據(jù)，以此作為特征提取的數(shù)據(jù)基礎(chǔ)。通過人工智能算法中神經(jīng)網(wǎng)絡的誤差反向傳播學習原理，提取初始工作數(shù)據(jù)中的實時特征。在神經(jīng)網(wǎng)絡中，每個神經(jīng)元都是單獨與后一層的神經(jīng)元相連。然后在隱藏層中計算權(quán)重等參數(shù)，最終由輸入層輸出。該方法以減小輸出方向和真實誤差為目標，通過不斷地修改輸入層與隱藏層的連接權(quán)，即錯誤后向擴散學習。每一次逆向傳播都會對錯誤進行校正，提高樣本數(shù)據(jù)識別分類的準確度。在神經(jīng)網(wǎng)絡特征提取過程中，結(jié)合工程的實際需求，選擇適當?shù)妮斎雽印⑤敵鰧雍碗[藏層，并對各個層之間的連接權(quán)和隱藏層和輸出層的閾值進行初始化。

通過網(wǎng)絡推理可得出隱藏層的輸出結(jié)果為：Hj=其中 f()為隱藏層的激勵函數(shù)，和aj分別為神經(jīng)網(wǎng)絡中輸入層i與隱藏層j的權(quán)值、輸入向量和閾值，其中輸入向量即為實時采集的輸電線路工作數(shù)據(jù)，變量n為隱藏層中神經(jīng)元數(shù)量。同理可以得出輸出層的輸出結(jié)果為：Ok=

2.3 實現(xiàn)輸電線路故障識別

2.3.1 輸電線路故障類型識別

輸電線路在正常工作下，同線路中的電壓值相同，電流值與其電阻間存在正相關(guān)關(guān)系，通過對綜合特征向量的初步分析，可確定當前輸電線路是否存在故障。如，若輸電線路電壓為0，此時可直接判定該線路存在故障，執(zhí)行后續(xù)的故障分類以及故障點識別程序，若故障狀態(tài)無法直接判斷，則可通過故障類型識別進一步確定。

將人工智能算法提取的線路綜合特征與設(shè)置的比對標準特征代入計算兩者間的相似度。式中：變量λset和λextact分別為設(shè)置特征和提取特征，計算結(jié)果γsim為相似度指標。設(shè)置相似度閾值為γ"，若計算結(jié)果高于γ"，則說明當前輸電線路存在故障，故障類型與代入的λset一致，否則需進行下一個故障類型的特征匹配程序，直到確定故障類型為止。若當前輸電線路的特征不與任何一個設(shè)置的故障特征匹配，則判定當前輸電線路無故障。

2.3.2 輸電線路故障點位置識別

由于硬件系統(tǒng)中的數(shù)據(jù)采樣模塊安裝了傳感器設(shè)備，可確定任意一個傳感器設(shè)備的安裝坐標。那么，在故障點位置的識別過程中，通過計算故障點與傳感器之間的位置關(guān)系，便可得出故障點定位結(jié)果。測距公式為：ddis=vΔt，其中ddis和Δt為輸電線路工作信號的傳播速度以及傳感器對故障信號的檢測時間，計算得出的結(jié)果L即為傳感器與故障點之間的距離。在已知傳感器安裝位置坐標為(xsenor,ysenor)的情況下，輸電線路故障點位置識別結(jié)果為：

式中：a為傳感器-故障點的連線與水平正方向之間的夾角，(xfault,yfault)為輸電線路故障點定位結(jié)果，在實際的計算過程中，正負符號的選擇取決于傳感器與故障點之間的位置關(guān)系。最終將輸電線路故障類型、故障點數(shù)量以及故障點位置的識別結(jié)果，通過硬件系統(tǒng)中的顯示屏設(shè)備，以可視化的形式輸出。

3 系統(tǒng)測試

為了測試系統(tǒng)的識別功能，對優(yōu)化設(shè)計的輸電線路故障識別系統(tǒng)進行測試。在系統(tǒng)測試過程中，對各功能模塊和總體性能是否滿足預期的要求進行了初步的檢測。在系統(tǒng)正式運行前可對其進行檢查，并對其進行修復，是確保其可靠度的關(guān)鍵。在系統(tǒng)測試中要建立適當?shù)臏y試環(huán)境，以仿真系統(tǒng)在真實的故障狀態(tài)下的運行狀況，并根據(jù)故障的輸出結(jié)果進行判定，從而找出系統(tǒng)存在的各種問題，在開發(fā)與投入使用之前進行修補。

3.1 配置輸電線路測試對象

實驗選擇某市的輸電線路作為系統(tǒng)測試實驗的識別對象，該輸電線路采用不同的電壓等級，具體包括35kV、110kV、220kV和500kV共四個等級。線路全長746km，大部分處于市區(qū)、部分線路位于野外，相比之下野外區(qū)域范圍內(nèi)的輸電線路受各類外部因素影響更大。在輸電線路研究對象上通過人為破壞的方式設(shè)置故障，記錄故障類型、數(shù)量以及位置，作為驗證系統(tǒng)識別功能的對比數(shù)據(jù)。

3.2 準備輸電線路故障數(shù)據(jù)樣本

為最大程度降低數(shù)據(jù)質(zhì)量對系統(tǒng)測試結(jié)果的影響，選擇輸電線路2022年3月1日至8日產(chǎn)生的所有工作數(shù)據(jù)，以此作為系統(tǒng)測試實驗的數(shù)據(jù)樣本。

3.3 描述系統(tǒng)測試過程

由于優(yōu)化設(shè)計的輸電線路故障識別系統(tǒng)應用了人工智能算法，因此需要設(shè)置相關(guān)的工作參數(shù)，設(shè)定神經(jīng)網(wǎng)絡的隱含層數(shù)為4，每層神經(jīng)元數(shù)目均為512個，迭代次數(shù)設(shè)置為90，學習率為0.25%。按照系統(tǒng)硬件設(shè)備的優(yōu)化設(shè)計結(jié)果，將相關(guān)的硬件設(shè)備安裝到實驗環(huán)境中，并調(diào)試各個元件是否能夠在實驗環(huán)境中正常運行。在傳感器設(shè)備的設(shè)置過程中，以輸電線路研究區(qū)段的起始位置作為第一個測點，每隔50m加設(shè)一個測點，將傳感器安裝在測點位置上即可。將準備的輸電線路數(shù)據(jù)樣本輸入到故障識別系統(tǒng)中，得出輸出結(jié)果。

為保證實驗結(jié)果的可信度，執(zhí)行多次實驗，每次實驗選擇的工作時間不同。分別設(shè)置故障類型正確識別率、故障數(shù)量誤差作為實驗的三個量化測試指標，具體的數(shù)值結(jié)果為：

其中變量Ncorrect、Nset和Ndistinguish分別對應的是故障類型識別正確的樣本數(shù)量、故障點樣本總數(shù)量以及識別故障點數(shù)量。為保證人工智能的輸電線路故障識別系統(tǒng)的應用價值，要求故障類型正確識別率ηtype不得低于95%，故障數(shù)量誤差εguantity不得高于總故障點數(shù)量的1%。

3.4 系統(tǒng)測試結(jié)果分析

通過相關(guān)數(shù)據(jù)的統(tǒng)計，得出系統(tǒng)故障識別功能的測試結(jié)果，得出優(yōu)化設(shè)計系統(tǒng)故障類型正確識別率和故障數(shù)量誤差指標的平均值分別為99.6%和0.4個，均低于預設(shè)值，即優(yōu)化設(shè)計的人工智能的輸電線路故障識別系統(tǒng)具有良好的故障識別功能。

4 結(jié)語

輸電線路是電網(wǎng)各個環(huán)節(jié)中的關(guān)鍵節(jié)點、也是故障頻發(fā)的地區(qū)，因此正確識別出線路的故障具有較高的現(xiàn)實意義。通過人工智能算法的應用，有效提高了系統(tǒng)的故障類型與數(shù)量的識別效果，能夠為輸電線路故障的維修提供有效參考。然而系統(tǒng)測試實驗中未對故障位置識別誤差進行測試，因此得出的實驗結(jié)果存在一定的局限性，需要在今后工作中進一步補充。