基于粒子群算法的高压输电线路故障预警方法

陈文栋

（国网淄博供电公司，山东 淄博 255000）

0 引 言

高压输电线路是电网的关键组成部分，线路和相关电力设备的状态直接影响到电网的稳定性。高压输电线路的架设范围十分广泛，能够不间断跨越数千米的距离。随着电网运营技术的不断创新，高压输电线路的输送距离逐渐增加，电网容量也随之增加，对线路稳定性提出了严峻的考验。很多高压输电线路分布在高山和密林中，所处的地理位置和地质条件相对复杂，此外还容易遭受到雷击、山火和雨雪的侵害[1]。线路受到恶劣气象条件和自然灾害的影响，严重威胁电网运行的安全性和可靠性。一旦高压输电线路发生故障，则不仅会损害正在运行的电气设备，还会导致电力传输中断，严重时还会造成大范围停电[2]。以上线路故障的后果均会造成经济损失，不利于社会的长治久安。

为了保证电网运行的安全可靠性，需要对高压输电线路故障进行预警、分析和评估线路及设备的运行状态，避免出现停电和杆塔倒塌现象[3]。通过良好的故障预警，采取有效的检查和维护措施，消除安全隐患，保障电网安全。目前，学术界对高压输电线路故障预警方法开展了广泛的研究，并取得了一定的研究成果。在高压输电线路视频监控中，实时采集电路运行图像，利用图像识别技术，分析危险点图像和气象状态，对线路进行远程检测和预警，实时掌握周围环境的变化[4]。通过分析影响输电线路灾害预警的因素，利用主成分分析特征曲线拟合技术建立预警分析模型，结合各因子的评分情况，制定合理的防治措施[5]。

随着大数据分析技术的发展，监督学习算法逐渐开始应用于高压输电线路故障预警中。将预警问题转化为数学关系，输入到网络中进行学习和训练，输出预警结果。将卷积神经网络-相关向量机（Convolutional Neural Network-Relevance Vector Machine，CNN-RVM）网络应用到线路目标检测领域，将检测分支的特征迁移到掩模分支，以达到降低数据集标注成本的目的[6]。在历史故障数据统计分析的基础上，筛选故障特征并将其输入至BP神经网络中，确定初始权值并进行网络训练，降低预报准确率与识别精度之间的矛盾[7]。随机森林算法在预测和分类领域具有一定优势，能够提升故障检测和预警方法的抗干扰能力[8]。当前研究方法均能实现输电线路的预警识别，降低线路故障造成的损失，但还存在故障特征信息没有充分利用的问题。本文基于粒子群算法提出一种高压输电线路故障预警方法，对视频监控区域存在的预知或确定可能发生的外力入侵事件进行预警，避免安全事故的发生，提高电网检测效率。

1 基于粒子群算法的高压输电线路故障预警方法

1.1 高压输电线路故障因素分析

对输电线路的覆冰和雷击故障进行预警分析，首先对发生覆冰和雷击故障的因素进行分析。从致灾因子的角度对线路覆冰故障因素进行分析，隐患风险主要可分为冰闪跳闸、断线故障和线路变形3种类型。温度、湿度和风速对覆冰状态存在很大的影响。温度低、湿度大和风速大的区域，输电线路表面含水量增多，覆冰风险增加。在高压输电线路的日常运维中，需要安装覆冰监测装置，及时统计冰区分布，通过监测数据对线路进行动线评估，制定相关防治措施[9]。

对雷击跳闸故障进行因素分析，主要可以分为雷击隐患、运维风险和气象因素3个方面。某一区域发生过雷击现象，则区域输电线路在此遭受到雷击的概率将会提升。根据高压输电线路监测的历史数据，可以统计出以前该区域发生过雷击跳闸故障的次数，并将其作为故障因素分析的基础数据[10]。运维风险因素主要包括高压输电线路的架设海拔、地形地貌、绝缘子材质损耗和接地电阻的反击耐雷能力等。线路的架设海拔越高，越容易聚集雷暴云中含有的负电荷。地形地貌复杂的区域，绕击雷电流的数值也相对较大。当累积电荷超过临界场强时，容易造成击穿现象。合成绝缘子等材料对线路起到外部保护的作用，在一定程度上能够减轻雷击损伤，对此需要定期监测绝缘子外部情况，出现破损要及时修复和更换。

1.2 提取输电线路故障特征

在分析高压输电线路覆冰和雷击故障因素的基础上，提取故障特征。架设的高压输电线路由多个支撑线路的杆塔连接而成，可以看做一组串联结构。当任意两个杆塔之间的线路发生故障时，整条线路均表现出故障状态，不能正常输送电力负荷[11]。根据线路和杆塔的连接状态，输电线路失效概率的计算公式可表示为：

式中：α1表示输电线路失效概率；x表示杆塔；s1表示杆塔数量；α2表示杆塔的故障概率。在电力业务场景中，建立各种气象、自然条件和各类设备对象之间的联系，选择不同的关联集合描述不同的元件。在输电线路实时运行中，采用电度量与测量相互核校的方式筛选不良数据。对于采集不到的数据，可采用估算的方式补全量测数据。通过识别出相互矛盾的突变数据并将其剔除，保证运行监测数据的有效性。提取的故障特征集合由多种状态组合而成，状态变化与选择的线路设备元件相关[12]。在一定时间范围内，输电线路出现故障，可能是由单一或者多个元件失效造成的。此时，故障状态发生概率可表示为：

式中：β1表示故障状态发生概率；s2和s3分别表示在状态中故障和可能发生故障设备元件的数量；β2表示第y个设备元件的故障概率；β3表示第z个设备元件不故障的概率。输电线路发生故障时，触发电网保护规则，相关设备也发生关联动作。随着设备的开关动作，潮流和信号发生变化，从而触发故障信息判别机制[13]。根据外部环境的变化，需要不断更新输电线路故障特征集合。根据数据动态更新结果，以触发时间为断面，识别故障信号，预测发生故障的概率并预警。

1.3 线路故障特征数据预处理

高压输电线路的历史监测信息数量相对较多，积累大量温度和风速等数据。为挖掘故障概率与特征信息之间的关联，需要对故障特征数据进行预处理，在降低采集数据存在的信息误差的同时，提高模型运算分析能力。首先对故障特征数据进行归一化处理，其目的在于去除数据参数量纲和取值的影响。本文采用归一化、标准化方式进行数值型数据处理，计算公式为：

式中：pn和qn分别表示标准化前后的特征数据；n表示每组数据中的样本数量；m表示评估特征量的总个数。对于危险等级类的故障数据，根据其严重程度进行赋值，归一化为等级数据[14]。将输电线路外部环境设计的环境特征进行整合，保存在同一数据处理空间[15]。由于随着特征参量的增加，模型计算复杂度也增加，因此需要进行数据降维处理。对包含所有目标特征变量的集合进行筛选，选取故障特征量的主元。对标准化的数据向量建立特征值矩阵，计算矩阵协方差，公式为：

式中：δ表示特征值矩阵协方差；φ1表示变换特征值矩阵；φ2表示第i行和第j列所构成的相关系数。将协方差矩阵的系数按数据大小进行降序排列，确定评估特征量的贡献率，以此衡量该属性特征量的信息贡献程度。故障动作与预警信息之间的关联关系需要进行判定。累积贡献率超过0.8的主元选定为输入至输电线路故障预警模型中的变量[16]。将采集到的故障信息与模型训练结果进行对比，完成分类预测。

1.4 基于粒子群算法构建高压输电线路故障预警模型

线路覆冰对线路施加过多的荷载，产生自激振荡舞动；覆冰会造成杆塔变形和倾斜，严重时直接造成杆塔倒塌，具有很轻的破坏性。同时冰冻灾害对输电线路的运维检修还造成了困难，因此需要及时进行故障预警，降低覆冰灾害的损失[17]。高压输电线路与地面的距离较大，导线受到地面线路保护的效果随高度的增加而不断减弱，因此线路受到雷电绕击的风险也随之增加[18]。通过高压输电线路故障状态预测，可以得到下一时间点的故障概率。本文基于粒子群算法构建故障预警模型，如图1所示。

图1 高压输电线路故障预警模型

粒子群算法利用粒子存在的速度和位置两个性质，综合最优值，寻找个体最优解。粒子更新自身速度的公式为：

式中：μ表示粒子的速度；c表示计算次数；γ表示惯性常数；ϑ1和ϑ2表示加速度因子；d1和d2是[0，1]内的随机函数；g和l分别表示个体和种群最优值。为提高粒子的全局搜索能力，在速度计算中加入一个惯性权重。使用惯性权重调目标函数，可以起到充分利用故障特征信息的作用，扩大最优位置的搜索范围。惯性权重的计算公式可表示为：

式中：η表示粒子的位置。通过粒子群算法将故障状态样本集合作为预测参考，对样本训练得到最优解。提取故障关联输电线路和设备等元件的相关数据信息，将故障启动信息与历史故障状态进行对比[19]。在特征数据推送和分析过程中，预测下一节点线路状态，并判别故障发生的概率。将故障预测结果保存至数据库中，并分析预测结果与故障事件的匹配程度，确认预警结果是否准确。故障可能发生在整条线路的任何位置，综合故障概率预测值与预警值，进行故障风险预警。至此，完成基于粒子群算法的高压输电线路故障预警方法设计。

2 实 验

2.1 实验准备

以某电网高压输电线路故障覆冰和雷击故障数据为基础，建立数据集。该研究电网基杆塔有冰闪和雷击跳闸记录，无杆塔倾斜故障。根据杆塔经纬度信息，得到其坐标数据，连接相连杆塔，得到输电线路的分布情况。设定相邻5 km的输电线路杆塔的故障概率相等，因此合并符合条件的杆塔。采集相关时间段的气象数据和环境数据。原始故障记录中包含20个环境特征和22个气象特征，其中主要特征为湿度、温度和风速。监测数据的相关统计信息如表1所示。

表1 高压输电线路监测信息

该数据集包括两条500 kV和6 条220 kV架空线路的历史监测数据，时间间隔为1 h。考虑一定裕度，采集距离高压输电线路5倍裕度宽度的落雷信息。使用MATLAB对采集的故障监测数据进行编程处理，剔除无效信息和不良数据。最后实验数据集所包含的输电线路覆冰故障状态共计2 280组，雷击故障状态共计2 960组。其中雷击故障包括感应和直击雷过电压两种。选取数据集中的70%为训练组，其余样本数据为测试组，用于检验本文基于粒子群算法设计的高压输电线路故障预警方法的预测结果。

2.2 实验结果与分析

将故障特征量提取出来后，需要对其进行分析和处理。将故障特征输入至粒子群算法中，将其与训练样本进行对比。以时间为轴，以此将某一时间点的线路状态进行预测，得到输电电路的故障分类，以此实现故障预警。统计故障分类预测结果的误判率和预测准确率，并将基于粒子群算法的高压输电线路故障预警方法的输出结果与基于CNN-RVM、基于BP神经网络和基于随机森林算法的故障预警方法进行对比。不同方法的误判率对比结果如表2所示。

根据表2的测试结果，基于粒子群算法的高压输电线路故障预警方法的误判率为13.17%，比基于CNN-RVM、基于BP神经网络和基于随机森林算法的故障预警方法分别降低了3.96%、5.45%、5.17%。以上测试结果表明，基于粒子群算法的故障预警方法能够降低故障类型识别的误判数，提升分类效果。不同方法的预测准确率对比结果如表3所示。

表2 误判率对比（单位：%）

根据表3的测试结果，基于粒子群算法的高压输电线路故障预警方法的预测准确率为93.25%，比基于CNN-RVM、基于BP神经网络和基于随机森林算法的故障预警方法分别提高了4.27%、6.78%、5.36%。以上测试结果表明，基于粒子群算法的故障预警方法能够降低预测误差。由于预警中使用的特征向量信息来源于监测装置的实时记录，因此该方法能够提高预测结果的准确度。本次实验通过实例验证了设计方法的有效性。综合上述实验结果，基于粒子群算法的高压输电线路故障预警方法能够充分利用故障特征进行预警。与传统预警方案相比，该方法具有较低的误判率，并且预测准确率更高。

表3 预测准确率对比（单位：%）

3 结 论

高压输电线路分布在环境恶劣的地方，气象和环境因素会对电网安全造成影响。输电线路状态对电网运行稳定性具有直接影响。通过故障预警分析，可以降低线路整体的特定灾害风险，有效降低运维成本。及时对可能发生故障的位置进行预测，能够减轻运维人员的工作量，避免发生安全事故。本文主要以覆冰和雷击故障为研究对象，基于粒子群算法设计高压输电线路故障预警方法。通过实例验证了设计方法的有效性。实验结果表明，本文方法具有较低的误判率，并且预测准确率高于传统预警方法。因此该方法能够得到较为可靠有效的预警结果。本文仅对覆冰和雷击导致的线路故障进行研究，预警项目还存在一定局限性。后续可对台风和暴雨灾害导致的线路故障问题进行研究，对线路整体开展全面预警。此外，可以利用输电线路的相关参数对故障位置进行定位，提高定位精度。