基于大数据模型的输电线路隐患预警系统研究

魏 浩，马 进

（国网四川省电力公司广元供电公司，四川 广元 628000）

1 大数据的需求分析

基于“技术与实践相结合”的原则，通过对线路安全隐患方面所存在的问题进行梳理，明确所要实现的目标，采用数据分析工具对数据进行处理，找出影响线路安全和预警能力的关键因素，使用现代算法工具实现输电线路安全隐患智能预警，对安全隐患预警内容进行分级，采用概率算法，精准度量预警内容的正确性，为工作人员应对故障处理提供了客观的参考，提升了工作人员应对故障的快速反应能力。对巡检计划周期进行优化，缩减了技术处理组的工作量和巡检周期，提高了巡检计划制定的效率及动态及时性，建立起“安全可控，便捷高效”的输电线路安全隐患排查预警方案。

2 数据收集与处理

通过对安全隐患产生的原因分析，找到3大方面（自然因素[1]、设备因素、人为因素） 的影响。在对设备信息数据和自然因素数据进行采集时，输电运检应用了自己已开发的“亮亮”大数据管理平台有效、快速采集两方面的数据；同时，由于该方案可以收集到两种因素在同一时间内产生的信息，两种因素的信息具有一一对应的关系。因此，对两种因素的状态关联信息采集，能更好地运用大数据对不同种因素的关联信息进行分析，发现其潜在的联系，然后抓取已有方案中的相关数据信息。

本文预警方案需要对每条线路进行安全隐患区段进行预测。因此，需要把该数据采集平台的数据进一步处理，合理地分类线路区段。通过对所有巡检线路长度的统计，考虑了区段故障定位的精准性，把线路步长定为1 km。所以，在“亮亮”数据采集平台上以线路步长1 km为区段进行分类采集。例如，当采集110 kV白轮线时，白轮线长9.687 km，此时数据将分为10组作为输入数据。图1为“亮亮”大数据管理平台关联数据采集内容。

3 安全隐患分级

3.1 安全隐患特征

输电线路安全隐患主要包含雷击、覆冰、鸟害、山火故障等，针对不同安全隐患类型，模型所采集的特征数据不同。线路安全隐患特征如表1所示。表1中安全隐患特征项都包含在上述3大影响因素中，由于特征项的种类多，并且各监测点每天需要存储并传输的实时数据为百万单位级，每一类特征数据所包含的信息价值单一，难以实现海量数据的价值利用。针对整体数据存在信息单一、实时数据海量及利用率低等问题，需选择合理的数据学习算法对海量数据进行处理。

表1 线路安全隐患特征表

3.2 隐患分类

由于数据量大且对安全隐患有强相关影响的特征数据难以发掘，因此利用现代智能算法——误差逆向传播神经网络算法BP（back propagation neural network） 神经网络算法[2]，对已分类的海量数据进行分析辨识，寻找各类安全隐患特征之间的联系，挖掘出导致线路安全隐患的关键安全隐患特征，称其为隐患因子，进而形成隐患因子库。

基于BP神经网络的隐患因子形成过程分为3步，如图2所示。第一步，设计BP神经网络的模型，按照实际输入输出矩阵确定网络的内部结构；第二步，用尽可能多的历史数据训练建立BP神经网络，增进网络精准度，使网络性合格；第三步，用一小部分优质数据对训练结果进行测试，合格后采用产生的隐患因子，将其纳入隐患因子库。

图2 隐患因子产生过程

通过对模型设计中BP网络中间层结构、传递函数、学习速率和学习算法4个主要问题的考虑，确定了该模型。该模型采用3层BP网络拓扑结构，结构如图3所示。

图3 神经网络模型结构图

3类数据作为神经网络的输入层，输入层与输出层之间的隐层选取了6个神经元节点，输出层输出多个隐患因子，形成隐患因子库。

表2 部分安全隐患产生时出现的隐患因子

3.3 考虑时序条件的安全隐患分级

当收集的实时数据投入隐患因子挖掘模型后，得到安全隐患相对应的多个隐患因子，对可能存在的安全隐患初步判断并进行分级，定为拟似安全隐患，并通过对某一安全隐患类型存在的隐患因子多少进行分级，安全隐患发生的可能性由小到大分为拟似安全隐患一级、拟似安全隐患二级和拟似安全隐患三级。然后把得到的隐患因子传递给安全隐患判别库，作为下文考虑时序现象匹配的输入特征，从而对可能存在的安全隐患做出合理预测。

由于故障大多数有时间上的周期性，例如鸟害一般发生在春季和冬季、雷击故障一般发生在多雷雨的夏季等，通过结合广元地区的地理环境因素及运检部门巡检时产生的大量数据，采用大数据分析方法，得到了标准安全隐患产生的时序特征，如表3所示。

表3 安全隐患时序特征

通过对相关安全隐患发生时间与表3的标准安全隐患时序特征进行对比，结合实时数据产生的隐患因子，对达到一定相似阈值指标的输电线路进行安全隐患预警，如图4所示。

表6 260 MW负荷下不投氨枪NOx质量浓度

4 转化验证形成可行方案

4.1 验证安全隐患排查方案

采取上述方案开发软件进行验证，输入初始设置值，得到输电线路安全隐患排查预警方案。

由预警结果与实际数据结果进行对比可知，该方案能有效预测安全隐患，提升了安全隐患排查的效率；同时，由于输入数据为每1 km一组，因此预测精度能达到1 km范围。该方案能够调节预测精度，这取决于收集的输入数据范围。

4.2 优化状态巡检计划流程

优化前后状态巡检计划流程如图5所示。

图5 状态巡视计划流程优化前后对比图

采用图5优化方案，分析巡视人员采集线路区段数据，使其对巡视线路进行智能分区、确定巡视周期，根据区域是否存在过安全隐患及安全隐患预警的级别，自动生成巡视周期重点区域，减轻了综合技术组人员的工作量，提高了人工动态巡检。

5 结论

基于大数据模型的输电线路隐患预警系统实现了以下功能：一是，依托大数据技术构建了输电线路安全隐患排查预警方案，融合了现有生产管理、智能巡检等方案，显著提高了工作效率和准确性，减少了大量的人工劳动，并可随时响应安全隐患预警。二是，该方案依托线路数据区段分类技术，融合现代智能算法，使线路安全隐患定位到1 km的精度，精准定位了线路安全隐患。三是，依托线路安全隐患精准定位功能和考虑时序特征的预警方法，优化了目前的巡检计划流程，减少了技术综合组人员的工作量，提高了效率。四是，在实现安全隐患预警的前提下，对线路安全隐患预警等级进行分级预测，有效预警了安全隐患发生的可能程度及消除安全隐患的难易性，促进了工作人员消除安全隐患的及时性和效率；同时该方案也有效促进了信息数据更新、运检维修等相关工作的及时性、准确性和工作效率。