基于大数据分析的输电线路运行故障诊断方法

输电线路能否安全运行不仅直接关系到整个电力系统能否可靠运行，也关乎广大电力用户的用电安全和质量。输电线路的故障诊断方法一直以来备受各学术界和产业界关注，成为其共同研究的热点。随着大数据技术的不断发展，除了广泛应用于互联网、金融、物流等领域，在能源电力行业中大数据技术也进入逐步发展阶段。

输电线路常见故障

输电线路，作为电网运行中不可或缺的重要组成部分，其不仅是电能传输的纽带，同时也是整个电力系统安全稳定运行的根本。随着国家经济建设的不断发展，电网布局获得进一步的发展和改善，同时促进了输电线路建设的长足发展。

对于输电线路来说，因为所处位置环境相对复杂，地域分布范围广泛，并且杆塔点数量多、铺设线路长，同时长期暴露在野外，不但极易遭受极端气候的侵袭，而且人为等其他外力的破坏也不容忽视，这些都会导致线路跳闸，从而增加电网停电事故发生概率。如果输电线路发生故障，且不能及时准确地发现并采取修复措施，由此产生的经济损失将难以估量。因此，做好输电线路的故障诊断工作是保障电网安全稳定运行的重要环节，需要我们给予高度的重视。输电线路中常见的故障按性质来分主要涉及自然因素影响和人为因素影响两个方面[1]：

（1）自然因素的影响

在我国输电线路的铺设一般都是在室外的，在运行过程中处于长时间曝露在室外的状态，很容易受到极端气候的影响，而这些影响因素不但难以预见，还会给输电线路带来极强的破坏。

雷击。根据国家电网系统输电线路故障统计分析，2011～2013年，50%以上的高压线路跳闸都是由雷击引起的，足见雷击仍是造成输电线路闪络最主要的原因。雷击对输电线路和电力设备的影响是极大的。

强风。随着电网规模的增大以及不可避免的极端气候的频发，输电线路由于强风现象而引发跳闸的次数逐年增多，给输电线路的建设工作带来了一定的危害。在暴风天气较多的地方，风力对线路的影响更是十分显著，如飑线风会引发风偏放电现象，飓风或龙卷风则会引起线路倒塌等。

覆冰。对输电线路而言，覆冰带来的影响集中体现在我国的北方地区。输电线路冰层覆盖过厚会引发过负载事故；冰层覆盖不均匀时容易引发杆塔倾倒、线路中断事故；这些都将进而造成巨大的损失。

鸟害。鸟类本身的飞行行为并不会对输电线路造成很大的影响，但是鸟类飞行时常会叼着杂物，当其飞行经过输电线路时，杂物的散落或者附着在线路上都有可能会造成輸电线路故障。除此以外，鸟类筑巢和鸟粪闪络都可能造成输电线路故障。

（2）人为因素的影响

目前，由于人为因素引起的输电线路跳闸事故呈逐年上升趋势。在输电线路防护区内私建房屋、大肆修路、开山放炮、围堰挖塘、焚烧等违章违法行为屡禁不止，导致输电线路和电网系统安全稳定运行遭到严重威胁。因此，对于人为因素造成对输电线路的毁坏同样不可忽视的。

这些故障的发生往往不能被有效预测，造成的危害十分巨大，直接威胁着输电线路以及人民生命财产的安全。

故障诊断方法

广义上，故障诊断方法是采用检查和测试方法来查找设备或者系统故障的过程，其在各个行业领域都有广泛应用。在电力行业，故障诊断主要被应用在输变电设备上，这是由于输变电设备分布广泛、距离远、情况复杂的特点所决定的。

故障诊断的四大主要任务分别为：检测故障、判断故障类型、确定故障位置以及恢复故障。检测到故障的发生所需用时越少，检测到的故障信号越小，故障误报率与漏报率越低，故障分离能力越强，故障辨识能力越强，说明故障诊断方法越优秀。

一个优秀的故障诊断方法能帮助电力部门制定合理的检测方案，减少故障持续时间，降低人力资源成本，也能大大减少因为故障而对工业用电、居民用电产生的影响。因此如何提高故障诊断的能力，是一个具有现实意义的课题。

1.1.传统诊断方法

（1）阻抗法

阻抗法主要是根据测量线路阻抗与线路长度成正比这个原理来进行故障测距与定位。阻抗的测量则可以利用发生故障时线路中的电压、电流量来进行计算。该方法操作简单，但是在某些线路结构和故障情况下是无法使用阻抗法进行测距，存在着测距死区问题。

在实际应用中，阻抗法可以用来辅助寻找故障波头，从这个方面来看，阻抗法也有着比较重要的研究价值。

（2）行波法

根据电压和电流行波在线路上有固定的传播速度这一特点，提出了行波故障诊断方法。行波法主要工作原理是利用行波在测量点与故障点往返一次的时间，经过简单的计算得到故障距离，从而进行故障定位。

行波法主要有两种方式，一是通过电压行波的测距方法，二是通过电流行波测距，也有从业人员结合两种方法来提高测距精度。由于行波法利用了故障初期出现的行波电压、行波电流信息，因此它能够在短时间内检出故障。

1.2.基于大数据的诊断方法

随着大数据技术地不断发展，其除了广泛应用于互联网、金融、物流等领域，在电力等能源行业中，大数据技术也迈入发展阶段。

而在诸多大数据技术中，数据挖掘技术和数据分析处理技术在电力行业中的应用是最为常见的，主要就是应用于对电力系统的故障的诊断以及安全评估。

电力系统中的数据具备大数据标志性的“4V”特征，即规模（Volume）大、类型（Varity）多、价值（Value）密度低和处理速度快（Velocity），如图1所示。

在电力系统不断革新的同时，系统中设备的科技化程度也在不断提高，传统的故障诊断方法也迫切需要得到改进，基于大数据技术输电线路故障诊断方法开始迈入智能化阶段。大数据分析是指通过数据挖掘、深度学习、信息融合等方法对前期预处理的海量数据进行整合分析，从中挖掘有价值的信息以满足用户需求。

结合电力系统的现状，为了达到充分挖掘电力大数据价值的目的，处理电力大数据时需要从以下三个方面着手：第一，建立与大数据信息匹配的多维数据模型；第二，运用先进的数据挖掘技术提取相关性最高的数据特征；第三，运用多个领域的图形化分析技术提高决策水平。本文主要介绍以下三种基于大数据分析的智能故障诊断的方法：

（1）人工神经网络诊断方法

人工神经网络（Artificial Neural Networks，ANN）与一般人工智能方法相比，拥有强大的自适应学习能力，分布式信息存储能力，并行处理能力，非结构化信息处理能力以及强大的推广能力等。

在神经网络诊断法中人工神经元模拟了脑神经的基本特性，它按照不同的权重接收其他神经元传递来的信号，而输出则是这种加权和信号的非线性函数值。

类似于人脑的结构，人工神经网络由一组结点和连接这些结点的有向链接组成，如图2所示的前馈网络模型，包含输入层、输出层以及介于两者之间的隐藏层（可以有若干层）。每一层都由数量不等的结点组成，每一层的结点通过链接只和下一层的结点相连，这些结点通常被称之为神经元或者单元。

训练ANN是一个很耗时的过程，且对训练数据中的噪音非常敏感，考虑到ANN应用于输电线路故障测距时需要考虑的因素非常多，而且所用的训练样本数据量巨大，导致训练结果很难收敛，因此，ANN实用于输电线路故障测距尚需进一步研究。

（2）故障树分析诊断方法

故障树分析法（Fault Tree Analysis， FTA），又称事故树分析法，是一种将设备或系统中故障形成的可能原因，自上而下按层级细化寻找故障直接原因和间接原因的演绎分析法。在输电线路故障诊断应用中，故障分析树将输电线路运行中最不希望发生的故障设为顶层事件，然后向下逐层列出可能导致该事件发生的全部因素，最后形成故障树，以此描述事件之间的相互联系，从而展开定性和定量分析。故障树定性分析是故障树分析的核心，定性分析是一个求最小割集的过程。最小割集是指最低限度导致顶上事件发生的基本事件的集合。故障树定性分析通过求得最小割集，以便于快速地分析系统的故障模式。

而定量分析的目的是：根据已给事件的概率，计算顶层事件的概率。这种方法是比较常用的故障诊断方法，可以将比较复杂的问题简化为几个小问题，主要用于简单对象的离线诊断。

故障模式及影响分析（Fault Mode and Effect Analysis，FMEA） ，是一种从因果法系出发，分析系统结构与系统中每个故障对系统产生的影响以消除潜在故障模式的定性分析方法，该方法属于前瞻性分析方法，在预防事故发生中起到了重要的作用。在输电线路故障诊断应用中，通过制定规范化的FMEA分析表格，首先，明确输电线路运行过程中可能发生的各种潜在故障模式；其次，评估每种故障模式可能带来的影响，以及其严重程度；再者，针对每种故障模式，评估其发生的原因和发生机率的大小；最后，针对危害严重的故障模式，提出相应的解决措施。

FTA能系统地、准确地预测或者发现系统安全性问题，FMEA能定性地分析系统的故障模式及其对系统造成的所有影响。FTA方法先是根据故障间因果关系以及逻辑关系建立起一个以事件为节点的倒树结构，然后对树结构进行简化和计算各基本事件的结构重要度，最后进行定量以及定性分析。若以FMEA為基础建立故障树，能进一步提高FTA的客观性、全面性以及分析结果的有效性。图3是为基于FMEA的故障树分析过程示意图。

（3）模糊模式识别诊断方法

模糊模式识别方法是利用模糊数学中的概念、原理与方法解决分类识别问题。例如，最大隶属度法，就近原则法和模糊聚类法等。模糊模式识别（Fuzzy Pattern Recognition， FPR）的基本思想是指接受现实中存在模糊现象的事实，把这些模糊事件设定为研究对象，并将其转变为计算机能够进行处理的信息，从而达到模式识别的目的。

例如，输电线路系统中有许多这种内涵确定而外延不确定的概念，例如“过电压”、“过电流”等。正因为输电线路系统中的模糊性的存在，这种模糊模式识别的故障诊断方法得到了广泛的应用。

由于传统的行波测距法存在以下这些不确定性因素：

故障发生时刻是不确定的，它可能发生在电压最小值到最大值之间的任一时刻，这会直接影响行波源的大小。

行波测距时，母线上的接线是不固定的，这会影响母线处的反射，干扰结果。

输电线路上存在大量干扰。而这些问题都会导致其可靠性较差。

为了更好地处理这些不确定性因素带来的干扰，已有学者提出在原有的行波测距基础上结合模糊模式识别技术。提出一种对输电线路进行分段的独特思想，发生在每一段线路内的故障与一种模式相对应，通过逐一识别各段线路上的故障模式，定位故障发生位置。针对某一故障可能出现多种候选模式符合的情况下，可以根据模糊理论定义一个隶属函数，来表征故障属于某种模式的程度。

由于输电系统运行中产生数据体量大、类型繁多的特点，传统故障诊断方法已经无法准确快速地确定故障点。与传统故障诊断方法相比，基于大数据技术的智能故障诊断法在信息的获取和处理方面有着很大的优势，而且它在诊断故障的同时还具备对输电线路故障的预测功能。

尽管，大多数的智能算法在实用于电力系统中仍还需要进一步的研究，且还有赖于各项技术的发展与成熟。但毫无疑问的是，基于大数据分析技术的智能故障诊断技术是故障诊断发展的必然趋势，而且将其他学科的知识运用于输电线路故障诊断的方法具有广阔的前景，这将为输电线路故障诊断研究开拓一条新的方法。