基于机器学习的输电线路故障统计与分析

陈霍兴 张俊 海龙

摘 要：本文对输电线路故障的影响因素进行分析，用相关性系数描述输电故障和气象数据之间关系。通过分析得出了气象数据中的温度、湿度、风速、气压和故障之间的相关性强度。通过对数据特征展开研究，以及对机器学习相关算法模型、关键算法组件的应用及验证，为输电线路故障分析提供有力的技术支撑。

关键词：机器学习 线路故障 分析应用

中图分类号：R196 文献标识码：A 文章编号：1672-3791（2018）12（a）-00-02

Abstract：In this paper， the influencing factors of transmission line faults are analyzed， and the correlation coefficient is used to describe the relationship between transmission faults and meteorological data. The correlation strength between temperature， humidity， wind speed， air pressure and fault is obtained through analysis. Through the research of data characteristics， and the application and verification of the machine learning algorithm model and key algorithm components， it provides a powerful technical support for the transmission line fault analysis.

Key words：machine learning； line fault； Analysis and Application

随着电网规模的扩大，输电线路运行安全对电网安全可靠运行的影响更为突出。本文分析了大量的输电故障数据，通过对故障数据的统计发现由外部气象环境造成的故障占了总故障约45%，包括大风、高温、雷电、污秽等故障原因。这几类故障会影响导地线、杆塔、金具、绝缘子等几大类设备，同时，会引起如安全距离不足、劣化自爆、缺损、伞群裂纹或电蚀、松脱位移、锈蚀损伤等类型的缺陷。

通过对输电线路的运行状态进行监测、故障诊断、状态评价，对提高输变电设备的运行可靠性与利用率，实现设备的优化管理具有重要科学意义和应用价值。输电线路状态参数对进行故障分析有较大的影响，如何合理地选择参数，保证线路故障评价的准确性，需要重点研究。

1 故障分析步骤

通过研究应用机器学习技术，挖掘电力数据中潜在的规律和价值，深入探索输电线路故障分析的应用价值，促进电网向数字化、智能化、精益化方向发展。

1.1 业务理解（business understanding）

理解项目的业务目标和应用需求，以及把业务目标转化为相对应的数据挖掘的问题，确定目标、明确分析需求。

1.2 数据探索（data understanding）

完成对源数据的收集，实现多源数据的融合，提取数据的特征，发现质量问题、从数据中发现隐藏的信息或探测臆想的数据子集，并进行数据清洗。

1.3 算法模型（modeling）

建立模型阶段，主要进行算法的选择和参数的调整。有些算法可以解决一类相同的数据挖掘问题，有些算法在数据类型上有特殊的要求，因此需要根据业务目标和数据情况选择合适的算法进行训练。

1.4 模型评估（evaluation）

为了建立一个高质量的模型，需要对训练结果进行评估，检查构造模型的步骤，确保模型可以完成业务目标。对模型进行较为全面的评价，并重审过程。

2 业务理解

2.1 业务调研

输电线路故障分析：故障分析是电网运行中的一项重要工作。影响线路故障的因素较多，不仅受到线路台账、运行参数、厂家等因素影响，同时受到天气状况、季节性、地域等因素的影响，目前针对故障的分析涉及到多个维度、多个层次。

2.2 問题定位

输电线路故障分析：目前线路的故障分析以南网导则为主，重点线路维护为辅开展，以人工方式进行统计和分析，没有输电线路故障的预测性。另外，电网中大量的监测数据未得到有效应用

3 数据探索

为了建立一个高质量的模型，需要充足的数据来支撑建模。本次数据分析涉及到的数据主要包括以下几个方面。

（1）设备台账：设备名称、设备类型、设备经纬度。

（2）故障数据：故障类型、故障紧急程度、故障部位、故障发生日期、故障描述。

（3）巡检数据：巡检异常数、巡检异常率、巡检异常占比。

（4）气象数据：温度、湿度、降雨量、气压。

4 算法模型

气象环境与线路故障相关性分析：从气象对电网影响的周期性特征出发，由于气象环境相关的线路故障率在不同年份和月份有差异，首先按照时间维度，统计线路不同时段的故障情况，包括故障次数、故障率、跳闸次数、跳闸率等，采用欧几里得距离、余弦相似度、Pearson相关系数、Spearman秩相关系数、Kendall's tau-b等级相关系数计算分析。

以某一线路故障分析为例，特征量关联关系列表如表1所示。

通过对线路故障在不同环境温度下的各种特征量的两两分析，找出线路故障与环境温度和其他特征量的关联关系，从而得到线路故障的分析标准，进而实现通过数据本身的状态评价，这种通过大数据平台不断的对特征量进行两两分析、多项分析，找出彼此的关联关系的方法可以灵活的对不同设备的数据进行分析评价，在不断分析中不断自我完善、自我校准，实现灵活、可靠、精细化的数据分析及评价。

5 故障分析结论

通过对数据进行清洗、探索、统计分析、建模等一系列分析的过程，得出故障和气象的强关联性的分析结论，并在此基础上通过多远回归算法对确立的气象因数进行综合的模型诊断和对比分析，最终确定线路故障分析预测模型以及相关的气象因数变量。

线性回归模型：故障总量=-55.4310+1.6587×平均气温（年）-2.9155×平均湿度（年）+5.4750×湿度≤40%的天数（年）-2.4079×湿度≥80%的天数（年）-62.5923×风速> 17M/S的天数（年）+30.6300×降雨量为[10，50）天数（年）-552.1602×降雨量为[50，100）天数（年）。

为了确认模型的质量是否足够准确，用已得到的自变量观测数据带入模型中，把得到的因变量预测数据与因变量观测数据做画图对比，如图1为故障总量多元线性回归——最终模型的预测数据图。

从图1中可以看到，预测数据与观测数据排列接近于一条45°的直线，可以判定预测是准确的。

6 结语

本文为了进一步对输电线路故障的影响因素进行分析，用相关性系数描述输电故障和气象数据之间关系。通过分析得出了气象数据中的温度、湿度、风速、气压和故障之间的相关性强度。

通过对数据特征展开研究，以及对机器学习相关算法模型、关键算法组件的应用及验证，为输电线路故障分析提供有力的技术支撑。

参考文献

[1] 张永强，刘琦，周经伦.基于Bayes性能退化模型的可靠性评定[J].电子产品可靠性与环境试验，2006（4）：46-49.

[2] 孙志征，侯戈，吴全初.输电线路运行中常见故障及检修方法[J].低碳世界，2016（22）：99-100.

[3] 柳雅腾.架空输电线路中的常见故障以及预防检修方法[J].山东工业技术，2016（15）：156.

[4] 严凤，许海梅.基于神经网络的配电线路综合故障定位方法[J].电力系统及其自动化学报，2015（5）：86-91.

[5] 叶浩明.高压输电线路故障类型与防范对策[J].企业技术开发，2014（21）：81-82.