基于大数据分析的配电网故障检测和诊断技术研究

王 键

（重庆文理学院，重庆 402160）

0 引 言

随着智能电网的发展，基于大数据分析和配电自动化控制技术的配电网络应运而生。配电网故障的处理方式主要包括故障检测、故障定位、故障区域隔离以及非故障区域恢复供电等。在配电网的故障防范与故障处理过程中，需要科学、充分地利用大数据分析技术减少配电网故障，提升配电网供电质量。为提升配电网故障处理能力，保障配电服务质量，文章从配电网自动化系统结构、配电网大数据特点、配电网异常问题等角度出发，结合工作经验，梳理基于大数据技术的配电网故障监测与诊断技术、配电网状态检测与故障处理流程、故障定位隔离与非故障区域恢复方法，以探讨基于大数据分析的配电网故障监测和故障诊断分析策略。

1 配电网自动化系统

配电网自动化管理模式下，利用现代电子、通信、计算机及网络技术等，集成配电网结构信息、用户信息、设备信息、地理信息、实时运行信息以及离线信息等，自动化监测、保护、控制及管理配电网运行状态。配电网自动化系统集成配电数据采集与监视控制系统（Supervisory Control And Data Acquisition，SCADA），具有馈线自动化、电网分析、与相关应用系统进行互联等功能。

2 配电网大数据特点

2.1 数据来源

智能电网依托传感器技术、通信技术、物联网技术及大数据技术等，能够实时并准确地获取电网设备的运行状态信息，全面且真实地记录电力生产运行过程及其细节。同时，智能电网会根据上层应用系统对多元状态信息的需求，实现对电网信息的多元采集和捕获。配电网大数据主要来源于电网业务数据和电网系统运行环境相关的气象、地理、环境等数据。其中，电网业务数据主要来源于3 个方向，即电网运行和设备监测或检测数据、电力企业营销数据、电力企业管理数据。根据数据的内在结构形式，可以将这些数据细分为结构化数据、半结构化数据和非结构化数据，不同的数据需要不同的存储与处理方式。

2.2 数据特点

配电网大数据基于区域用户数量，拥有数十万乃至百万、千万的数据采集点，需要监测的设备数量巨大。同时，为满足上层系统应用需求、全面且真实地记录生产运行细节，对设备信号采集频率提出较高要求，且需要全生命周期和实时状态的信息采集。此外，配电网大数据具有规模大、类型多、价值密度低以及变化快等特点，具有较强的多源异构性。

3 配电网主要异常问题

配电系统是一个高度复杂的动态系统。从故障类型角度来看，配电网故障主要分为电网故障和设备故障。电网故障常由非全相运行、绝缘子闪络放电、倒杆以及自然灾害等线路与环境问题引起；而设备故障可能来源于变压器、柱上开关、跌落式熔断器、环网柜高压计量箱、避雷器、电缆终端以及电源等诸多设备，故障原因包括电路老化、设备老化、设备安装不当以及人为主观破坏，还包括自然灾害、车祸等意外事件。配电网智能终端故障主要表现为用电量指数加权移动平均（Exponentially Weighted Moving Average，EWMA）预测值高于上界或低于下界、用电量呈下降趋势、用电量呈上升趋势、电流互感器回路异常以及线损率呈上升趋势等。

配电网作为电力系统输配电的末端环节，与客户关系密切，其故障监测和诊断效率直接关系着配电服务质量。从故障发生的过程来看，配电网供电服务需要具备基于异常数据变化预测故障的能力，以便及时发现并规避故障。同时，可以通过异常数据分析，快速定位并隔离故障问题，确保能够及时恢复非故障区域供电。从供电服务角度来看，针对短期客户业务活动带来的用电异常和长期随意用电等问题，需要根据客户用电需求变化，及时调整用电供给量，确保供电质量；针对长期人为和非人为的电路、电表故障问题，需及时安排检修并对违规违法操作进行处理[1]。

4 基于大数据技术的配电网故障检测与诊断技术

4.1 大数据分析技术

从技术层面来看，数据分析技术主要包括数据对比分析和结构分析[2]。其中，对比分析是分析采集到的电量、电压、电流以及温度等信息，基于时序、空间等特性，通过纵向对比、横向对比、基准对比、实际与计划对比、同比以及环比分析等方法，判断故障问题，以获得趋势性预测信息。而结构分析则从宏观角度出发，基于分析目的和基础数据，通过多元线性回归拟合、时间序列分析、人工神经网络分析以及模糊综合分析等方法，建构多要素、多时空、多过程等多维度动态数据大模型，并通过多维度的截面数据反应系统的分类结构占比。

4.2 基于大数据分析的配电网状态监测与故障处理流程

配电自动化系统中故障隔离与非故障区域恢复供电的实现方式主要有智能分布式、主站集中控制型、运行监测型、电压-时间就地型以及故障指示器型等[3-4]。基于大数据的配电网状态监测与故障处理流程如图1 所示。

图1 基于大数据的状态监测与故障处理流程

在配电网正常运行时，业务数据和电网运行环境数据会从数据采集端经通信网络传输至配电网数字化分析与管理相关系统。这些数据经预处理后，进入数据分析大模型系统，以完成数据融合、分析、计算等操作，最终的分析结果将以可视化的形式展现在相关系统的终端。对于监测分析中发现的异常数据，系统会对其进行进一步的故障定位与隔离，并作出相应的调控决策，以尽量减小故障问题对配电网络正常运行的影响。

4.3 基于大数据分析的故障定位隔离与非故障区域恢复

配电网故障处理一般包括故障定位隔离与非故障区域恢复处理2 个方面。

在故障定位隔离方面，传统的定位隔离主要采用基于用户投诉、线路故障指示器、重合器、馈线终端单元（Feeder Terminal Unit，FTU）以及配电主站的集中式故障定位隔离等方法。而基于大数据分析技术，配电网故障定位隔离主要采用主站集中式故障定位算法，包括基于图论的矩阵算法、过热弧搜寻法，还包括基于人工智能的人工神经网络、专家系统、模糊理论以及遗传算法等。

在非故障区域恢复方面，传统的非故障区域恢复主要采用基于客户投诉与配网SCADA的人工处理、基于自动重合的就地故障恢复模式、基于FTU 的主站集中式恢复模式等。其中，基于大数据分析技术的非故障区域恢复算法通常从网损最小、平衡负荷、提高可靠性等角度出发构建目标函数模型，并选用基于启发式算法（基于调度知识的启发式规则、基于一阶负荷矩的启发式规则等）或人工智能类（专家系统、遗传算法、模糊理论等）故障恢复算法，将约束条件带入算法，进行恢复方案的计算与决策[5]。

以矩阵算法的故障定位分析为例，矩阵算法从配电网拓扑结构出发，基于FTU 实时上传的异常监测信息、警告信息等，建立能够反映故障区段的故障诊断矩阵与评价函数。简单的故障矩阵模型无法表示电流方向、反应配电网的运行方式等特点，可能存在误判故障位置等问题，因此需要基于配电网实际情况创新优化矩阵算法。例如，从时空耦合、分层结构、综合特征以及综合学习粒子群优化算法（Comprehensive Learning Particle Swarm Optimization，CBPSO）协同等方向进行故障定位优化，降低故障位置误判的发生概率。

4.4 基于大数据分析的配电网故障检测和故障诊断分析策略

配电网故障定位和非故障区域恢复要素数理模型的构建主要基于实际配电网的拓扑结构、数据采集能力、信息要素建构能力以及分析目标期望等因素。为更好地搭建该模型，需要结合配电网实际情况，充分学习专家的经验和知识，选用最新的数据分析与挖掘技术，并结合配电网特点和故障诊断的质效要求，科学建构和运用数理模型。通过创新优化故障诊断模式，可以提高配电网实际运行中的故障诊断效能。同时，基于风险防范、事前预防等理念，积极探索基于异常数据监测与检测技术，及早预测故障风险，并利用自动化控制系统或人工干预处理等方式，降低配电网故障的发生概率，不断提升输配电质效和供电服务质量。

5 结 论

随着智能电网的迅速发展，如何深挖配电网大数据价值并进行科学分析变得尤为重要。配电网大数据在配电网异常监测、故障检测、故障处理等方面发挥着重要作用。在配电网故障处理中，通过应用故障监测、识别和定位理论，能够显著提升配电网的故障处理效率，有效缩短停电时间，提高供电系统的可靠性。这些理论的应用对于确保配电网的稳定运行和提供优质供电服务具有重要意义。