基于灰色聚类的配网线路跳闸信息快速采集方法

张明 符瑜科 邓巽江 陈汝佳 朱传谱 曾颖霓

摘 要： 为提高对配网线路跳闸故障的分析质量，提出以灰度聚类为核心的配网线路跳闸信息快速采集方法。根据配电网内电力节点分布情况，应用电网支路完全可观原理，合理布置跳闸信息采集点。通过OPC协议和异构通信网络，实现配网线路运行变量信息的抽取与传输，结合传输信息的时空特征构造面板数据。利用灰色关联聚类算法，提取信息的时空维度特性，并基于特征权重因子确定聚类中心，将所有采集信息聚为多个类，再与标准的跳闸信息特征相匹配，快速筛选出最为贴近的一类信息，作为跳闸信息采集结果。结果表明：当所提方法采集跳闸信息量达到3 000条时，其信息冗余度仅为4.52%，符合跳闸信息采集要求。

关键词： 灰色聚类；电网；跳闸信息；特征提取；信息采集；面板数据

中图分类号： TM7；TP392

文献标志码： A  文章编号： 1001-5922（2023）08-0175-05

A fast method for collecting trip information of distribution network based on grey clustering

ZHANG Ming1 ，FU Yuke1 ，DENG Xunjiang2 ，CHEN Rujia3 ，ZHU Chuanpu1 ，ZENG Yingni1

（1.Hainan Power Grid Co.，Ltd.，Haikou 570203，China ）

（2.Danzhou Power Supply Bureau of Hainan Power Grid Co.，Ltd.，Danzhou 571700，Hainan China ）

（3.Jieyang Power Supply Bureau of Guangdong Power Grid Co.，Ltd.，Jieyang 522000，Guangdong China ）

Abstract： In order to improve the analysis quality of distribution network line trip fault，a fast acquisition method of distribution network line trip information based on gray clustering is proposed.According to the distribution of power nodes in the distribution network，the trip information collection points should be reasonably arranged based on the principle of complete observability of grid branches.Through OPC protocol and heterogeneous communication network，the extraction and transmission of distribution network line operation variable information was realized，and the panel data was constructed based on the space-time characteristics of transmission information.The gray correlation clustering algorithm was used to extract the spatio-temporal dimension characteristics of information，and determined the clustering center based on the feature weight factor.All collected information was grouped into multiple classes，and then matched with the standard tripping information features to quickly screen the closest class of information as the tripping information collection result.The simulation results showed that when the amount of trip information collected by the proposed method reached 3 000，the information redundancy was only 4.52%，which meets the requirements of trip information collection.

Key words： grey clustering;power grid;trip information;feature extraction;information collection;panel data

目前，針对跳闸信息的采集方案较少，通常是针对用电信息展开采集，根据采集结果预测跳闸故障。如文献[1]中设计了一种线路跳闸故障预测方法，该方法利用改进的堆栈Informer网络进行数据驱动，通过构建堆叠Informer网络提取线路长序列时间序列数据的底层特征，再通过网络训练预测线路跳闸故障序列。该方法是针对线路时间序列进行采集和提取，然后对跳闸故障展开预测。文献[2]中将光纤技术应用于电能信息采集通讯模块中，自上而下的对采集终端和电能信息采集通讯模块中的主站进行时间同步处理，建立完整的电能信息采集通讯模块，实时获取目标信息。文献[3]中结合了分布式架构、异步网络和并行计算技术，设计了一种高频具有高频实时采集特征的主站系统，用于实时信息采集用电信息。文献[4]中以云平台为基础，结合设备采集终端配置需求，为电力计量数据的采集和分析提供支撑。

为此，本文提出将灰色聚类方法融入到信息采集过程中，通过分析实时抽取的线路信息的特征，将跳闸信息快速、准确地采集出来。

1 方法设计

1.1 布置配网线路跳闸信息采集点

跳闸信息是包含在实时配网线路运行信息之中的，为了避免采集的跳闸信息不完整，文中引入电网支路完全可观原理，分析当前配网线路的最优信息采集点布置方案，通过信息采集结果抽取所有电力线路节点的电压、电流等信息。实际采集点布置过程中，需要了解配电网内电力节点数量和分布情况，结合数值分析原理，定义电网量测模型为：

α=Qs+d   （1）

式中： α 表示线路电压观测值； Q 表示雅克比矩阵； s 表示配网线路节点电压状态； d 表示量测误差。倘若雅克比矩阵符合满秩条件，通过式（1）可以客观的求解出配网线路内包含的所有电压状态变量。

由于当前配网线路越来越复杂，为了得到更加真实、全面的跳闸信息，文中提出以支路可观为基础的信息采集点布置模型：

F= min ∑ m j=1 X jA m×1X m×1≥C m×1     （2）

式中： F 表示跳闸采集点布置模型； X j 表示第 j 个信息采集点的信息向量； m 表示配网线路中电力节点数量； A 表示网络描述矩阵； C 表示支路完全可观性矩阵。

同时，在上述信息采集点布置模型求解过程中，需要根据当前配电网络线路的组成结构，添加约束条件，形成如下所示的跳闸信息采集点布置优化模型：

F= （Qs+d）α A m×1  min ∑ m j=1 d j   （3）

在式（3）所示的優化模型求解后，确定合理的配网线路信息采集点布置方案，进行后续线路跳闸信息采集处理。

1.2 线路运行信息的抽取与传输

结合微软对象连接与嵌入技术（OLE）、组件对象模型（COM）、分布式组件对象模型（DCOM），建立OPC（用于控制过程的对象连接与嵌入）协议，在每个信息采集点抽取当前线路运行信息。配网线路运行信息抽取过程中，OLE的实现需要依托于3个自动化标准接口，分别负责获取线路运行信息、存储整体抽取信息和分类存储抽取信息。

实际操作过程中，设置OPC客户端为现场采样信息传输服务器，将OPC协议直接应用到视窗控制中心（WinCC）服务器内，搜索全部变量状态信息，作为抽取的配网线路运行信息，形成信息数据库[5]。数据转存模式如图1所示。

按照上述信息采样和转存模式，抽取配网线路实时运行状态信息后，需要进行全部信息的通信。异构网络的普及极大地提高了移动通信技术的性能[6]，文中结合采样点分布密度，搭建合适的异构通信网络，用以实现现场抽取信息的传输。考虑到当前配电网络线路组成复杂，实时抽取的信息量极大，为了保证所有信息有序通过异构网络传输，文中引入了一种新的高效通信和隐私保护框架，称为拥挤信息获取（CIA）[7]，在此基础上维护信息传输顺序。

此外，在线路运行信息传输过程中，还需要对信息进行有效的压缩处理。在确定异构通信网络的基础通信性能后，提出了一种线性网络系统通信性能的新度量，即信息增益[8]。在网络邻接矩阵的影响下，分析信息增益度量的变化情况，根据信息增益的上限和下限，确定该通信网络的信息传输性能。基于此，确定数据压缩的约束条件，本文重点介绍了雾计算的联合优化研究[9]，应用联合计算卸载、能量收集等算法，构建数据压缩相关模型。按照雾计算的方式计算信息压缩成本，以最小压缩成本为目标确定最优控制策略，简化上文抽取的线路运行信息，将其快速传输至后台，进行跳闸信息的筛选和采集。

1.3 构造配电线路面板数据

为了从配网线路运行信息中准确选择出跳闸信息，文中提出将传输到的信息转换为面板数据，也可以称之为时间序列截面数据，其可以将原始信息的时间和截面空间上的特点描述出来，便于刻画配网线路运行信息的复杂的时空维度特性。正常情况下，面板数据模型可以表示为：

y ot=η ot+∑ L l=1 θ lotx lot+λ ot   （4）

式中： o 表示采集信息个体； t 表示时间； l 表示解释变量的个数； L 表示解释变量集； x 表示解释变量； y 表示被解释变量； η 表示截距项； θ 表示待估计系数； λ 表示随机误差项。

考虑到传输至调度中心的采样数据，来自不同位置的信息采集点，这就是横截面数据。同时，根据信息采样顺序，从时间上入手定义时序数据。这两方面的特性结合起来，可以形成标准的面板数据，直观表现出每条采样信息的特征。为了保证面板数据的平稳性和均衡性。文中对面板数据的分析常用3个步骤：单位根检验[10]、协整检验和回归分析参数估计。当部分面板数据符合单位根检验要求后，表明当前信息序列属于非平稳序列，但这些信息之间又存在互相制衡的关系，表明基于抽取的线路运行信息构造的面板数据符合要求。

1.4 基于灰色聚类实现跳闸信息快速采集

将面板数据投射为空间四面体网格[11-12]，对其进一步分析可知，提取采样信息中包含的电压幅值、有功功率等基础特征。针对面板数据的高维度性，归纳部分特征组成原始特征集，与跳闸信息的典型特征相匹配，聚类得到所有符合要求的特征信息，并将其对应的信息快速采集出来，再分析不同特征量之间的灰色关联度，剔除部分关联度较低的数据，得到跳闸信息采集结果[13-14]。

灰色聚类方法，作为衡量因素间关联程度的一种方法[15]，可以辅助跳闸信息采集。其中，信息特征量可以定义为如下特征序列：

ψ 1=（I 1（1），I 1（2），I 1（3），…，I 1（n））ψ 2=（I 2（1），I 2（2），I 2（3），…，I 2（n））…ψ r=（I r（1），I r（2），I r（3），…，I r（n））      （5）

式中： I 表示配网线路采集信息的基础特征； n 表示信息采集点总数量； ψ 表示特征序列； r 表示特征序列总数量。

结合规范性等原则[16]，定义灰色关联度计算公式为：

ε=0.5×  min  u  min  k  I 1（k）-I u（k） +σ max  u  max  k  I 1（k）-I u（k）   I 1（k）-I u（k） +σ max  u  max  k  I 1（k）-I u（k）     （6）

式中： ε 表示2个随机选择的特征序列之间的灰色关联度； u 表示特征序列； k 表示观测对象； σ 表示分布系数。

对于任意一个特征序列来说，可以将其长度表示为以下数学公式：

p u=∫n 1（ψ u-I u（1））   （7）

式中： p 表示特征量序列的长度。需要注意的是，如果选定的特征序列属于单调递增序列，式（7）计算结果将会大于0，而选定的特征序列为单调递减序列时，可以确定式（7）计算结果会大于0。

倘若选定的2个信息特征序列长度完全一致，可以将二者之间的灰色绝对关联度表示为：

ε 0u= 1+ p 0 + p u  1+ p 0 + p u + p u-p 0     （8）

根据灰色绝对关联度计算结果，将抽取的配网线路运行信息特征划分为多个类别，每个类别之间区别较大，选取与标准跳闸信息表现出的特征最为相近的信息聚类类别，作为跳闸信息快速采集结果。跳闸信息聚类过程中，需要定义式（9）所示的灰色绝对关联度矩阵。

rr=   ε 11 ε 12 … ε 1r0 ε 22 … ε 2r… … … …0 … 0 ε rr      （9）

式中： E 表示灰色绝对关联度矩阵。当关联度计算结果大于预先设定的阈值，表明此2个特征序列同属一类，同样这2个特征序列对应的配网线路运行信息也是一类。经过上述处理，将所有抽取的配网线路信息聚为多类。对比标准的跳闸信息特征，筛选出与之相近的一类信息，作为跳闸信息采集结果。

2 仿真實验

2.1 仿真环境

为了验证文中研究信息快速采集方法的可行性，文中针对该方法展开仿真实验。以某条10 kV 配电线路为参考，该配电网共包含48 条分支线路。由于该区域属于典型的强雷区，近3年内常常出现因雷击而跳闸的情况，每条配网线路的跳闸率统计结果如图2所示。

由图2可知，不同分支的线路跳闸率存在差异，平均跳闸率统计结果为17次/（100 km·a）。

参考10 kV 配电线路的运行模式，并定义跳闸率为17次/（100 km·a），在MATLAB环境下搭建仿真测试环境，该线路的负载工作原理如图3所示。

考虑到作为参考的配电线路的供电台区属于环形迂回结构，本次实验也按照合理的连接方式，将多个仿真配网线路连接起来，形成仿真组网，作用后续跳闸信息快速采集测试的基础。

2.2 跳闸信息快速采集结果

定义配网线路的信息采集时间间隔为120 s，停滞时间为100～150 s，单次采样时长为1 150 s。基于这些信息采集参数，抽取所有线路运行信息。对这些采集信息进行灰色关联度分析，按照图4所示的特征提取流程得到信息基本特征量。

基于图4所示的特征提取流程，对所有采集的配网线路信息进行处理，确定与跳闸信息采集相关的5个基础特征为相对功角、发电机转速、机端电压、机端电流、机械功率与有功功率。其中，选取特征的单位根检验结果如表1所示。

表1中，“*[KG-*3]*”代表在0.01以下显著水平，而括号内的数据代表假设成立的可能性。整体来看，相对功角、发电机转速2项基础特征的一阶差分值序列表现出平稳特点，而其他特征的水平值就表现出平稳的特点。

基于灰色聚类算法进行跳闸信息采集时，设置因变量为相对功角，其他几项特征均为自变量，进行线性回归分析后，可得到：

ξ ot=E（1） ω[TX-1.92mm] ot t +E（2）υ ot+E（3）H ot+E（4）G ot+E（5）R ot+e ot   （10）

式中： ξ 表示相对功角； ω 、υ、H、G、R 分别表示转速、机端电压、机端电流、有功功率和机械功率； e 表示误差项。

通过上述分析，确定作为自变量的5个基本特征对攻角的影响程度，从而确定其权重因子分别为3.811、-4.324、-1.827、-0.534、0.645。在此基础上，运用灰色聚类算法进行特征聚类处理，从而将其对应的线路跳闸信息快速整合在一起，完成信息采集处理，最终形成的跳闸信息快速采集结果。

根据图5可知，采用文中设计的信息采集方法，可以快速采集配网线路跳闸信息，基于此确定每个跳闸事件的产生原因，作为后续跳闸故障处理的基础。

2.3 采集信息冗余度对比

以体现本文设计采集方法的优越性为目标，实验选用基于云平台的信息流采集方法、基于分布式技术的用电信息采集方法作为对照组，分别在上述仿真环境下进行信息采集实验，对比三种方法的信息采集结果，通过公式（11）计算不同方法采集信息的冗余度。

A=1- θ φ ×100 %    （11）

式中： A 表示信息冗余度； θ 表示有效信息量； φ 表示采集的跳闸信息总量。经过计算，得到图5所示的冗余度对比结果。

由图5可知，在采集信息量不断增长的情况下，采集结果中包含的冗余信息也越来越多；但本文方法采集信息的冗余度明显低于其他2种方法。当采集跳闸信息量达到3 000條时所提方法采集配网线路跳闸信息的冗余度为4.52%，相比其他2种方法降低了12.62%、16.46%。综上所述，应用灰色聚类算法快速采集的配网线路跳闸信息，更加符合要求。

3 结语

配网跳闸信息是线路跳闸故障分析的基础，本文为了快速获取有效跳闸信息，提出一种结合灰色聚类算法的信息快速采集方法。从实验测试结果可以看出，该方法应用后，所采集的信息中包含的冗余信息较少，可以在后续故障分析与处理过程中发挥更好的指导作用。

【参考文献】

［1］  GUO L I，LI R Z，JIANG B.A data-driven long time-series electrical line trip fault prediction method using an Improved stacked-Informer network[J].Sensors （Basel，Switzerland），2021，21（13）：4466.

[2] 郑国权，唐悦，刘宣.基于光纤技术的电能信息采集系统设计[J].激光杂志，2020，41（5）：173-177.

[3] 钱奇，闫海峰，唐伟宁，等.基于分布式技术的用电信息采集主站系统设计与应用[J].电力系统自动化，2021，45（23）：170-178.

[4]  刘丽娜，周一飞，王韬，等.基于云平台的用电计量采集信息流分析系统[J].电子器件，2021，44（4）：953-958.

[5] 杜炤鑫，谢海宁，宋杰，等.基于图像处理和深度学习的配网跳闸故障识别方法[J].中国科学技术大学学报，2020，50（1）：39-48.

[6] 舒征宇，汪俊，许欣慧，等.基于VMD-DTW聚类的配电网故障选线方法研究[J].三峡大学学报（自然科学版），2021，43（3）：65-71.

[7] 唐波，刘子怡，彭友仙，等.考虑多参数影响的输电线路绕击跳闸率求解算法[J].电瓷避雷器，2020（6）：151-158.

[8]  史泽兵，丁晓兵，余江，等.基于功角聚类分析的配电网选线保护方法[J].电力科学与技术学报，2020，35（3）：29-35.

[9] 刘蓓，尚银辉，刘绚，等.配电线路跳闸填报文本智能挖掘方法[J].高电压技术，2021，47（2）：445-454.

[10] 罗宁，陈露东，卢嗣斌，等.基于聚类分析和改进灰色关联的配电网运行可靠性评价[J].武汉大学学报（工学版），2020，53（7）：636-642.

[11] 陈黎丽，王震，郭云川，等.安全数据采集代理顽健部署策略研究[J].通信学报，2019，40（6）：51-65.

[12] 吴琼，余文铖，洪海生，等.基于XGBoost算法的配网台区低压跳闸概率预测[J].中国电力，2020，53（4）：105-113.

[13] 徐海波，方勇杰，崔晓丹.适用于稳控装置的逆变站送出交流线路故障跳闸判据[J].电力系统自动化，2020，44（9）：151-157.

[14]  WANG Y X，LIU M Q，BAO Z J，et al.Stacked sparse autoencoder with PCA and SVM for data-based line trip fault diagnosis in power systems[J].Neural Computing and Applications，2019，31（10）：6719-6731.

[15] 张凌浩，张明，嵇文路，等.基于灰色关联理论和BP神经网络的分布式光伏电站运维数据虚拟采集方法[J].电力建设，2021，42（1）：125-131.

[16]  刘建明，赵子岩，季翔.物联网技术在电力输配电系统中的研究与应用[J].物联网学报，2018，2（1）：88-102.