国网浙江电力公司钱塘区供电公司 黄一甲
配电网结构复杂、设备多、运行环境复杂，其故障影响因素包括自身因素、自然因素、人为因素三种。
自身因素主要包括运行因素，配电网故障运行影响因素主要为电流、电压、电网谐波。如果电流和电压过大会导致荷载增加，三相不平衡情况，导致设备运行功能不符合额定功率值，导致设备运行温度增加，三相不平衡会导致电网能耗增加，其中电网谐波会导致设备出现震动、噪声等问题，最终严重影响设备的质量和使用寿命。设备自身因素是指线路因为类型、长度、运行时间、厂家、架设方式等不同，导致设备老化影响性能，且一些设备经过维修或者自身质量不高也会导致故障多发。
自然因素是指天气、地理环境。配电网主要架设在地面，长期受到气温、大风、雨水、雷击等气象因素的影响，气温过高或过低会导致配电设备耐压下降，影响线路绝缘性，导致故障发生。地理环境指供电区域、变电站、山体等，供电区域负荷数值不同，故障率不同，配电所环境不同故障率不同。
人为因素是指技术人员在架设或者运维人员在检修时存在错误操作，或者维护检修不及时，导致线路出现故障。其他施工进行过程中需要挖断电缆或者车辆挂线等也会导致故障出现[1]。
第一，属性特点。在配电网故障特点中属性特点具体指配电网馈线和设备固有的属性特点，不会受到外界的影响，通过一些零散的数据点呈现出来。10kV馈线属性特点指线路自身性能、长度、源变电站、运行时间、连接设备数据、所属厂家等。对于自身性能，具体可以分为城市配电网和农村配电网，其主要根据区域供电划为不同的等级，供电区域的分类主要根据当地行政级别、设计规划负荷进行。
可以将馈线故障分为三种类型，具体可以根据供电区域计算故障发生率分析。对于线路长度，主要依据架设方式划分，分为架空线路、电缆线路、混合线路，线路的架设方式和故障率也有一定的关系，混凝线路一般故障率最高。线路长度有自身的分布图，依据分级结果来分析故障率，计算发现长度越长，故障率越高。本文选择10个变电站，结果发现，不同的变电站在相同的故障类型中，故障发生率不同。通过计算发现，线路运行时间在2500～7000d，线路运行的时间越长，故障率就越高。对连接设备数据而言，该配电网设备主要由变压器、负荷开关、断路器、引流线、保险、绝缘子等组成，其设备数量各不相同，通过等级划分，线路设备越多，故障率越高。不同厂家生产的故障率不同[2]。
第二，统计特征。统计特征是对配电网馈线故障发生率通过统计得出的特点，具体包括时间统计、气象统计、运行统计、故障自相性统计几种。对于时间，主要同月份和星期计算故障率；
对于气象，主要通过日最高和最低气温、日最大湿度和最小湿度、日最大风速和最小风速计算。对于运行统计，主要通过线路荷载、低电压、三相平衡等计算。对于自相关，主要通过以往故障数据进行计算。
第三，深度时序特点。因为配电网故障具有临时性，容易受到外界气象因素、自身特点、运行环境等因素的影响。对此通过统计特征数据创建模型会导致信息不全，因此需要通过时序特征分析创建配电网预测模型。深度时序特点分析法是神经网络图算法，可以通过学习器得出初预测结果，然后设计样本集，使用深度学习算法进行预测分析最终得出训练故障模型。
3.1 深度学习算法原理
集成学习。集成学习精准性强，和传统的机器学习模型相比较，可以有效改善模型性能。当前的集成学习算法可以分为强和弱两种。弱学习是指决策树，强学习是指随机森林。此外还有其他算法。强学习算法优于弱学习算法，弱学习算法是组合而成的，强学习算法是集成算法。这两种方法机器可以独立运算，有效降低模型计算误差。
梯度提升算法。该方法是在决策树方法的基础上形成的，可以有效处理大规模、高难度的数据。在该算法下，可以通过决策树对计算任务进行分解，后在节点回归下得出样本最小方差。该算法只是人们的一种设想，还没有具体实现，对此还需要人们不断改进，以进行梯度单边采样。这种优化改进方法可以直接通过样本来计算，以提高信息价值含量，最终确保模型精度提升，有效解决早期算法弊端问题。另外，人们也可以通过排斥性捆绑改进。该方法可以有效降低计算维度，减少计算量。因此，在具体预测故障时，由于配电网馈线具有高纬度特点，预测难度大，可以通过降低维度达到降低计算难度的目的。
人们也可以通过决策树形成策略降低模型复杂度。通过拟合有效控制模型，但是该方法效率低，会增加计算成本，对此不需要进行深度研究。人们可以通过分类特点数值来明确最优目标，该方法可以将基数较大的分类特点进行细化处理，通过增加学习深度提高准确性。该算法可以根据目标相关性进行排序，把握最佳分类点。此外，人们也可以通过深度学习中的并行学习法进行优化，该算法可以根据机器采集的不同特点明确最优分类，通过数据并行计算得出直方图，对并行算法进行优化[3]。
3.2 模型效果分析
可以通过任务划分矩阵评估深度学习算法的效果。该划分可以将样本分为正负两种，且该划分方法也可以有效计算查准率和查全率曲线评估模型，差准率是指样本的准确预测值。总之，本文将ACU值等同于配电网10kV 馈线故障预测模型的评价指标，通过对比测试分析，判断配网总特点是否可以融入深度时序特点中。通过以上研究也可以发现，深度算法对比就是将预测模型和代表算法进行对比的过程。
配电网10kV 馈线三种故障预测模型通过多次测试得出样本集，最终通过ROC 曲线和ACU 值计算得出以下几点结论。第一，在构建配电网不同故障预测模型时，需要基于深度时序特点对预测模型进行对比，最终得出具有深度时序特点的预测模型，此对比可以有效提高模型预测效果，从而证明了深度学习算法的时序特点是非常有效性[4]。第二，采用不同的算法模型，比如随机森林算法，其预测精准度高，基于弱学习算法的深度学习算法可以有效适用于配电网故障预测工作中，且上述提出的不同算法，精度各不相同，但是基本上精度都有了很大的提升。
由此可见，通过不平衡样本处理算法、训练法来创建故障预测模型，分析配电网故障其优势作用显著。另外，在配电网馈线三种故障模型中，各模型特点相同。但是具体作用不同，比如在气象因素故障模型中，线路长度、运行时间、月份、气温、设备数量等对线路运维影响最大，因此可以从这几方面进行检测。比如，人们可以考虑气温过高或者高过低、负荷过重等情况导致的故障，进行针对性地改进。总之，配电网线路在运行中容易受到外界温度的影响，其和内部运行有着直接的关系。
3.3 模型优化
对于深度学习的故障模型在优化时主要进行参数调整，提高模型的适用性、代表性，因为不同算法在模型参数上的表现有较大的差异，因此需要综合考虑、分析，尽量选择性能好、参数好的模型，比如决策树算法，其可以通过增加节点数量来提高模型精度。
如果要降低模型拟合性，则需要减少节点数量，在上述的三个故障模型中也具体包括多个子模型，为优化模型参数提供了条件。从提高模型预测精度、降低拟合度目标出发，将三个故障预测模型中的子模型参数进行调整，通过网络搜索算法得出最优值，最终得出最佳参数，并通过评分系统选择最佳组合参数优化模型参数。该评分算法可以通过混合验证进行计算，在调优后可以得出三种故障预测模型的ROC曲线图。将优化前和优化后的数值进行对比分析可以看出，模型最优参数阈值和召回率、误报率、精准度有直接关系。
总之，在优化模型参数后可以有效提高配电网三种故障预测模型的预测效果和精准度，由此可以观察到网络搜索算法可以有效应用在配电网故障数据样本集中，也可以准确显示出样本集的最佳阈值。比如，在设备故障因素模型中预测的数值在0.80 以上则为正例，在运行因素故障模型中预测的数值在0.78以上则为正例，其余的将为负例[5]。
4.1 创建运检排序指标
从故障停电影响、用户问题、运维作用等方面出发对几个方面来进行10kV馈线运检排序。第一，馈线供电区域。不同供电区域负荷值不同，馈线故障类型也不同，一般情况下，故障停电时间相同时，负荷值越大停电影响越大，对此需要通过负荷值和停电影响对供电区域进行分类。第二，馈线用户参数。在部分地区供电中断或者停电将会对人们的生活产生较大的影响，尤其是对供电可靠性有一定要求的地区，因此需要明确馈线故障检修的目标、等级。第三，馈线平均停电次数。馈线的平均停电次数可以有效反映出故障此时，便于工作人员了解故障的影响，对此需要根据故障预测模型评估平均预测结果。第四馈线供电路径。馈线供电路径和供电站直接相关，也直接影响检修等级，一般需要根据最近路段有限抢修。
4.2 馈线运检排序算法和结果分析
先确定馈线运检有限检修的等级，创建故障因子计算模型、设备故障模型、运行故障模型等，根据上述指标对模型进行分析，通过熵权法计算指标数据，得到最终的权重值。结果发现，馈线日平均停电次数和馈电用户信息是影响运检排序的主要因素，接下来是馈电供电路径和馈线区域，但是以上指标也会发生变化，因此需要根据具体情况进行多次计算，根据馈线故障预测结果明确馈线运检优先检修顺序。
馈线故障发生的主要原因运行受环境影响，其次是设备自身特点，这两个影响因素导致故障发生率各不相同。在排序之前，先需要对馈线进行检查维护，后根据影响植被，计算馈线的供电量。考虑到馈线用户和馈线日平均停电时对馈线故障影响的不同，还需要计算综合故障率，并考虑其他指标的影响，最终通过加权计算得出最终的阈值。研究发现，这种方法非常有效。对馈线不同故障进行预测可以有效明确馈线巡检目的。在具体计算故障率的过程中，如果气象因素影响最大，则需要安装避雷、防潮、散热装置，并有效发挥防风效果。如果是设备因素的影响，则需要及时检查配电变压器、隔离开关的位置、状态等，如果是运行因素的影响，则需要检查负荷、电压值、三相平衡情况。
本文对配电网数据进行分析处理，提出深度学习的配电网时序特点分析方法，在多种算法的基础上创建了三种故障预测模型，提高故障预测精准度和效率。相关部门还需要不断研究各种配电网故障预测技术，有效应对后期配电网线路变化情况，实现配电网数据的多元化。
猜你喜欢故障率馈线配电网中波八塔天线馈线制作卫星电视与宽带多媒体(2022年10期)2022-07-01通过控制策略的改进降低广五直线电机的故障率防爆电机(2021年2期)2021-06-09关于城市10kV配电网自动化实施的探讨电子制作(2018年8期)2018-06-26探索零故障率的LED智能显示终端中国交通信息化(2017年4期)2017-06-06基于IEC61850的配电网数据传输保护机制电测与仪表(2016年5期)2016-04-22基于故障率研究的数字保护最优检修周期电测与仪表(2016年20期)2016-04-11一场配电网改造的攻坚战——信阳供电公司加快推进配电网改造略记河南电力(2016年5期)2016-02-06配电网不止一步的跨越河南电力(2016年5期)2016-02-06基于新型材料的短波馈线实践西部广播电视(2015年7期)2016-01-16微波天馈线系统波导充气机的维护西部广播电视(2015年7期)2016-01-16