人工智能的输电线路故障识别系统

海南电网有限责任公司信息通信分公司 张铁刚 冯世杰 南方电网海南数字电网研究院有限公司 王保强

海南省电力学校 郭 颂 海南电网有限责任公司白沙供电局 苏泽铨

输电线路是电网中的一个关键环节，它的作用就是把电能从发端经过升、降到负载端。由于受到周围环境的影响，电力系统的短路、雷击等故障时有发生[1]。因此，在世界各地，输电线路故障时有发生，造成了严重的供电事故。常见的输电线路故障包括短路故障、接地故障、雷击故障等。

近年来，输电线路故障事件频发，为电力企业带来了巨大的经济损失，为及时发现输电线路故障，将故障事件所带来的负面损失降到最低，设计并开发了输电线路故障识别系统。故障识别是利用各种检测和测试方法，根据输电线路的故障特征确定当前线路是否存在故障的方法，为故障的隔离与维护提供有效参考。现阶段发展较为成熟的输电线路故障识别系统主要应用了VMD多尺度模糊熵技术、Seq2Seq技术及无人机热红外成像，然而在实际应用过程中，上述现有的故障识别系统表现出明显的识别精度低的问题，为此引入人工智能算法。

人工智能是由人创造的机械所产生的智能，一般就是用一般的计算机形式把人的智力显示在电脑上。根据输电线路运行性能及系统功能需求，在此次优化设计工作中选择人工智能中的神经网络算法作为技术支持，以期能提高系统的故障识别精度。

1 输电线路故障识别硬件系统设计

1.1 输电线路数据采样模块

输电线路的数据采集模块主要包括传感器、A/D转换等。在电线的最下面，高压端的连接金具上安装了一个电流传感器，它的电磁干扰很大而漏电信号很弱，因此要尽量避免这种情况发生。此外，感应器在室外环境中工作，因此须对防水、防风、机械强度等进行适当的设计。此次系统选择ACS71240型号的电流传感器设备，该传感器的外部采用了一种钢结构，能有效防止传感器的铁芯受到风向的摆动而受到损伤，同时由于铁的高磁导率，可有效地防止电磁干扰。在机箱的内侧，有一个罗戈夫斯基线圈，线圈的核心是一种铁氧体，匝数为200。

A/D转换是将模拟信号转化为数字信号的模数转换。该系统将由传感器获取的仿真数据转化成可由计算机进行处理的数据。当信号幅度大于预定门限时，A/D模组的触发信号被激活，进行行波信号的采集并同时记录触发时间。

1.2 输电线路数据处理器

为支持人工智能算法在系统环境中的运行，需在传统系统的基础上对处理器设备进行优化。系统采用了多个外部控制器的多个通讯接口，可进行扩展，并可根据实际需求扩展外部设备，满足人工智能算法的运行要求。优化系统中使用的处理器，在传统处理器上扩展了通用外围器件，具体包括外部存储控制器和液晶显示控制器，提高处理器的工作效率。

1.3 故障指示器

是一种能在有短路电流经过时显示出故障标志的电磁感应装置。在线路上设置一个故障指示灯，在电路发生故障时短路电流会通过，此时故障指示灯就会启动，并显示红色的故障标志。这样就能迅速发现问题所在。该系统采用了远传式故障指示器，它包括现场显示和遥控数据采集终端，该设备在发现线路故障时，不但可进行现场翻牌或闪光报警，且可将故障信息通过短距离无线传输到数据采集设备，然后通过无线公共网络或光纤传输给主机。除上述硬件设备外，系统存储器、通信网络等模块均沿用传统系统。

2 输电线路故障识别系统软件功能设计

2.1 设置输电线路故障识别标准

输电线路故障包括三相短路、中性点接地等多种类型，三相短路时电路分为两部分，分别包含了电源和电力设备，无电源部分的电流会从失效前的数字下降为0。含电源部分短路全电流可表示为：ia=IPmsin(ωt+φ-θh)+Imsin(φ-θq)，式中：变量φ、θh和θq分别为电源电势的初始相角及短路前后的阻抗角，ω为电源的工作频率，t为时间周期，IPm和Im对应的是短路前后的电流幅值，最终的计算结果即为输电线路中含电源部分的电流值。由此也能得出，短路线路中不含电源部分的电流值，并将其设置为输电线路短路故障特征标准。以b、c两相短路接地为例，在此情况下a相是一个特殊的相，此时得到输电线路短路故障点位置上的电流和电压特征为：

其中：X2和X0分别为负序和零序电抗，Ia1为a相的正序电流，j表示的是故障点数量，Ib和Ic分别为b相和c相的正序电流，最终的计算结果，λI和λV对应的是两相短路故障状态下输电线路的电流和电压浮动特征。按照上述方式得出输电线路的所有故障类型的量化特征。

2.2 利用人工智能算法提取输电线路实时运行特征

利用硬件系统中的数据采样设备，实时获取输电线路对应的实时工作数据，以此作为特征提取的数据基础。通过人工智能算法中神经网络的误差反向传播学习原理，提取初始工作数据中的实时特征。在神经网络中，每个神经元都是单独与后一层的神经元相连。然后在隐藏层中计算权重等参数，最终由输入层输出。该方法以减小输出方向和真实误差为目标，通过不断地修改输入层与隐藏层的连接权，即错误后向扩散学习。每一次逆向传播都会对错误进行校正，提高样本数据识别分类的准确度。在神经网络特征提取过程中，结合工程的实际需求，选择适当的输入层、输出层和隐藏层，并对各个层之间的连接权和隐藏层和输出层的阈值进行初始化。

通过网络推理可得出隐藏层的输出结果为：Hj=其中 f()为隐藏层的激励函数，和aj分别为神经网络中输入层i与隐藏层j的权值、输入向量和阈值，其中输入向量即为实时采集的输电线路工作数据，变量n为隐藏层中神经元数量。同理可以得出输出层的输出结果为：Ok=

2.3 实现输电线路故障识别

2.3.1 输电线路故障类型识别

输电线路在正常工作下，同线路中的电压值相同，电流值与其电阻间存在正相关关系，通过对综合特征向量的初步分析，可确定当前输电线路是否存在故障。如，若输电线路电压为0，此时可直接判定该线路存在故障，执行后续的故障分类以及故障点识别程序，若故障状态无法直接判断，则可通过故障类型识别进一步确定。

将人工智能算法提取的线路综合特征与设置的比对标准特征代入计算两者间的相似度。式中：变量λset和λextact分别为设置特征和提取特征，计算结果γsim为相似度指标。设置相似度阈值为γ"，若计算结果高于γ"，则说明当前输电线路存在故障，故障类型与代入的λset一致，否则需进行下一个故障类型的特征匹配程序，直到确定故障类型为止。若当前输电线路的特征不与任何一个设置的故障特征匹配，则判定当前输电线路无故障。

2.3.2 输电线路故障点位置识别

由于硬件系统中的数据采样模块安装了传感器设备，可确定任意一个传感器设备的安装坐标。那么，在故障点位置的识别过程中，通过计算故障点与传感器之间的位置关系，便可得出故障点定位结果。测距公式为：ddis=vΔt，其中ddis和Δt为输电线路工作信号的传播速度以及传感器对故障信号的检测时间，计算得出的结果L即为传感器与故障点之间的距离。在已知传感器安装位置坐标为(xsenor,ysenor)的情况下，输电线路故障点位置识别结果为：

式中：a为传感器-故障点的连线与水平正方向之间的夹角，(xfault,yfault)为输电线路故障点定位结果，在实际的计算过程中，正负符号的选择取决于传感器与故障点之间的位置关系。最终将输电线路故障类型、故障点数量以及故障点位置的识别结果，通过硬件系统中的显示屏设备，以可视化的形式输出。

3 系统测试

为了测试系统的识别功能，对优化设计的输电线路故障识别系统进行测试。在系统测试过程中，对各功能模块和总体性能是否满足预期的要求进行了初步的检测。在系统正式运行前可对其进行检查，并对其进行修复，是确保其可靠度的关键。在系统测试中要建立适当的测试环境，以仿真系统在真实的故障状态下的运行状况，并根据故障的输出结果进行判定，从而找出系统存在的各种问题，在开发与投入使用之前进行修补。

3.1 配置输电线路测试对象

实验选择某市的输电线路作为系统测试实验的识别对象，该输电线路采用不同的电压等级，具体包括35kV、110kV、220kV和500kV共四个等级。线路全长746km，大部分处于市区、部分线路位于野外，相比之下野外区域范围内的输电线路受各类外部因素影响更大。在输电线路研究对象上通过人为破坏的方式设置故障，记录故障类型、数量以及位置，作为验证系统识别功能的对比数据。

3.2 准备输电线路故障数据样本

为最大程度降低数据质量对系统测试结果的影响，选择输电线路2022年3月1日至8日产生的所有工作数据，以此作为系统测试实验的数据样本。

3.3 描述系统测试过程

由于优化设计的输电线路故障识别系统应用了人工智能算法，因此需要设置相关的工作参数，设定神经网络的隐含层数为4，每层神经元数目均为512个，迭代次数设置为90，学习率为0.25%。按照系统硬件设备的优化设计结果，将相关的硬件设备安装到实验环境中，并调试各个元件是否能够在实验环境中正常运行。在传感器设备的设置过程中，以输电线路研究区段的起始位置作为第一个测点，每隔50m加设一个测点，将传感器安装在测点位置上即可。将准备的输电线路数据样本输入到故障识别系统中，得出输出结果。

为保证实验结果的可信度，执行多次实验，每次实验选择的工作时间不同。分别设置故障类型正确识别率、故障数量误差作为实验的三个量化测试指标，具体的数值结果为：

其中变量Ncorrect、Nset和Ndistinguish分别对应的是故障类型识别正确的样本数量、故障点样本总数量以及识别故障点数量。为保证人工智能的输电线路故障识别系统的应用价值，要求故障类型正确识别率ηtype不得低于95%，故障数量误差εguantity不得高于总故障点数量的1%。

3.4 系统测试结果分析

通过相关数据的统计，得出系统故障识别功能的测试结果，得出优化设计系统故障类型正确识别率和故障数量误差指标的平均值分别为99.6%和0.4个，均低于预设值，即优化设计的人工智能的输电线路故障识别系统具有良好的故障识别功能。

4 结语

输电线路是电网各个环节中的关键节点、也是故障频发的地区，因此正确识别出线路的故障具有较高的现实意义。通过人工智能算法的应用，有效提高了系统的故障类型与数量的识别效果，能够为输电线路故障的维修提供有效参考。然而系统测试实验中未对故障位置识别误差进行测试，因此得出的实验结果存在一定的局限性，需要在今后工作中进一步补充。