周丹阳，黄晓燕

（国网浙江省电力有限公司台州供电公司，浙江 台州 318000）

配电网作为连接大电网和用户的枢纽，在电力系统中起着至关重要的作用。近年来极端天气频发［1］，不仅对社会生产生活造成了严重的负面影响，也威胁着配电网的安全稳定运行。因此，极端天气下的配电网运行与维护问题逐渐凸显。在极端天气来临之前，如果能够主动识别配电网的薄弱环节［2-3］，科学合理地安排针对性检修［4-5］，不仅能够提高配电网抵御极端天气灾害的能力，也对缩小停电范围、提升运维检修效率和经济性有着重大意义。

因此，文献［6］建立了基于典型故障与环境场景关联识别的配电网运行风险预警算法，能够针对各种故障场景下的配电网运行风险提出预警。文献［7］提出了一种计及天气因素的配电网故障特征选择和故障停电风险等级预测方法，采用改进的C4.5 决策树算法对配电网故障风险等级进行预测，挖掘出了故障停电风险等级与天气因素之间的关联关系。文献［8］针对雷击天气建立了基于BP（反向传播）神经网络的输电线路雷击故障预测方法，能够准确预测80%的雷击故障。

上述方法虽然能够有效辨识并预警电网常规气象影响下的故障，但是对于极端自然灾害场景下的故障预警尚缺乏针对性及系统性的研究。因此，文献［9］考虑了多种类型极端天气，并结合负荷与拓扑的重要度对输电网中的关键元件进行辨识和弹性提升，以此抑制故障连锁发展并提升输电系统的弹性能力；
该工作虽然能够一定程度提升系统的灾害抵御能力，但是仍然没有实现电网多维数据关联性的深度挖掘，且难以直接应用在配电网中。文献［10］根据气象数据，结合环境与地形地貌信息，实现了台风和暴雨的时空演变趋势预测，并且可以根据地理特征修正预测结果，提升了停电防御系统对台风与暴雨灾害的预警决策支持能力。文献［11］基于大数据技术，通过关联规则算法挖掘气象数据与故障之间的关系，可在特定条件下有效提供配电网的故障预报。可见，虽然目前极端天气下配电网的故障主动防御已经有了一定的初步成果，但仍需进一步深入研究。

由于大数据［12-13］和深度学习［14］等技术可以高效处理海量多维数据，近年来在配电网中得到了大量运用［15］。针对上述问题，本文提出基于RF（随机森林）［16-17］和LSTM（长短期记忆神经网络）［18］的配电网馈线薄弱环节识别方法。首先选取馈线历史故障时设备、运行和气象因素进行主成分分析，得到与故障相关的特征变量，并建立基于RFLSTM 的故障预测模型；
其次将大量的历史故障数据进行预测模型训练，得到馈线的故障概率预测模型；
接着，以台风、雷暴和城市内涝作为区域极端天气场景，进行时间跨度为极端天气来临前一周的故障预测，得到基于历史潮流数据和极端气象预报数据下的馈线故障概率；
最后通过故障概率为配电网馈线划分薄弱等级，实现极端天气下配电网馈线薄弱环节辨识，从而为极端天气下的配电网主动运维提供有针对性的决策支持。

由于构建单棵决策树对训练数据有非常严重的依赖性，很容易产生过拟合，进而降低准确率。因此，RF算法把决策树算法作为基分类器来进行集成学习［19］。RF首先采用继承学习的模式，利用极端天气场景下的配电网馈线故障数据训练样本，建立了多棵决策树，然后对多棵决策树的结果进行综合投票，以确定极端场景下配电网馈线故障概率的预测结果。

1.1 极端天气下故障影响因素

极端天气对配电网的影响大多集中在对配电网馈线的直接破坏及其所引发的次生灾害所造成的故障。本文根据浙江某地区实际情况，考虑台风、雷暴和城市内涝灾害3种极端天气场景。

对于台风灾害来说，首先在气象方面，台风的风力强度、持续时长是决定受灾程度的重要指标［20］；
其次，配电网馈线的地理位置和台风的路径决定网架受台风影响的程度。此外，由台风造成的次生灾害，如短时强降雨、山体滑坡和城市内涝等，也是决定配电网受台风影响程度的因素之一。在网架线路方面，台风影响范围内的网架设备所处的环境、线路档距和自身健康程度（如运行年限和历史故障数）等因素决定着设备在极端天气下抵御故障的能力。在电网运行方面，受极端天气影响的主要因素为设备运维频率和运维程度、运行负荷程度和架空线电缆的比例等。

对于雷暴灾害来说，其故障风险除了线路年限、绝缘配置等设备因素和运行因素外，主要由雷击风险和过电压闪络风险构成。雷击风险主要取决于架空线路杆塔地理位置、地线接地程度和地闪密度等。过电压闪络主要通过雷电流幅值概率度、杆塔档距和土壤电阻率进行计算。由于配电网线路杆塔分布较为密集，通常土壤电阻率和地闪密度选取区域土壤电阻率和区域地闪密度。

对于城市内涝来说，其对配电网馈线的影响主要集中于地下电缆，以及分布在地下空间或城市低洼地带的变电、配电设备。一旦发生城市内涝，设备进水或地下电缆绝缘损坏进水将导致短路发生，引发故障和停电事故。电力电缆的绝缘健康程度主要受其运行负荷程度、敷设环境、运行年限和绝缘测试参数等因素影响，本文主要考虑电缆的运行年限和绝缘性能参数等，并通过线性评分机制进行综合评定，绝缘性能线性评分f如公式（1）所示。

式中：R为当前绝缘测试阻值；
RL为上次测量值。

由式（1）可知，当绝缘阻值超过600 MΩ 或大于0.9RL时评分为1，绝缘阻值低于0.7RL时，绝缘性能不合格，评分为0。

因此，城市配电网设备所处地理位置的内涝风险指数、设备绝缘健康程度和防水等级共同决定其遭受城市内涝的故障概率。

1.2 故障特征变量和样本集

在构建RF故障预测模型之前，在上述影响因素和历史运行故障数据的基础上，采用层次分析法［21］提取故障特征变量，得到3 种极端天气场景下的3 类影响因素（设备、运行和气象）的13 个故障特征变量，具体如表1所示。

表1 极端天气下故障相关特征变量

本文以浙江省某地电网2020年1月—2021年8月共计184条10 kV馈线的历史运行、网架和故障信息等数据为基础，结合该时段的历史气象数据，选取100条数据完整有效的馈线作为网架馈线薄弱环节的识别对象。由307条故障样本和35 493条正常样本组成了样本数据集θ={Ei|i=1，2，...，N}。每个样本Ei包含了一组特征向量Xi，以及与之对应的故障概率Ri，可表示为：

式中：特征向量Xi包括设备因素Si、运行因素Yi和气象因素Wi3类，具体特征变量如表1所示。

样本数据中的有功功率、气温和风力每间隔0.5 h 采集一次，并取其平均值作为单日数据，单个样本数据时间跨度为一周，其余特征变量均为周累计量。

1.3 单条馈线RF故障预测模型

首先，采用Bootstrap 重抽样方法［17］随机从先验样本集θ中有放回地抽取n(n

图1 RF故障预测算法流程

由于实际运行过程中馈线的故障频率较低，单条馈线一周故障数均不超过1 次，因此以0～1的概率数作为周馈线故障发生概率预测的结果指标。预测结果的数值越接近1，说明馈线发生故障的概率越大；
反之，数值越接近0，则表示馈线发生故障的概率越小。

2.1 LSTM算法原理

LSTM 神经网络是一种深度学习方法，在RNN（循环神经网络）的基础上，通过增加输入、遗忘和输出门限，改变自循环的权重，使其在模型参数固定时能够通过动态改变不同时刻的积分尺度，有效避免RNN容易出现的梯度消亡和膨胀问题［22］。利用这一特性，本文将LSTM 用于配电网电压和功率的短期预测，并将预测结果作为RF故障预测模型的输入，以此提高预测的精度和可靠性。模型结构如图2所示，LSTM模型包括3个输入，分别为细胞状态Ct-1、隐层状态ht-1和t时刻输入向量xt；
2个输出分别为细胞状态Ct和隐层状态ht，且ht同时也是t时刻的输出。此外，δ和tanh 为激活函数，分别表示输出为0～1 的sigmoid函数和输出在-1～1 的双曲正切函数；
符号⊗和⊕则分别表示输入向量之间的乘积和相加算子。

图2 LSTM模型结构

遗忘门首先将读取隐层状态ht-1和t时刻输入向量xt，然后通过一个sigmoid 激活函数向每个在细胞状态Ct-1中的数字输出一个在0～1 的数值，其中1表示“完全保留”，0表示“完全舍弃”：

式中：bf为遗忘门的常量向量；
Wf为遗忘矩阵。

输入门将决定新的信息加入到细胞状态Ct中的数量，包括两个步骤。首先，通过一个tanh 激活函数来创建一个新的候选状态量将内容归一化到[-1，1]；
其次，通过一个sigmoid激活函数决定需要更新的信息；
最后，当前细胞状态Ct由前一时刻的细胞状态Ct-1和新的候选状态量共同决定：

式中：bi和bc分别为输入门和候选状态量的常量向量；
Wi和Wc分别为输入矩阵和候选状态量矩阵。

输出门将决定t时刻的输出，更新后的当前细胞状态Ct将通过tanh 激活函数进行[-1，1]的变换，并与sigmoid 门输出的ot值相乘得到最终输出ht：

式中：ot为t时刻的输出系数；
Wo为输出矩阵；
bo为输出门的常量向量。

2.2 RF-LSTM组合预测模型

为了解决传统RF故障预测模型输入参数中短期有功功率和电压的精度问题，本文提出一种RF-LSTM 组合故障预测模型，其结构如图3 所示。通过LSTM 神经网络对历史潮流数据进行学习来预测配电网短期的电压和有功功率，从而提高极端天气下短期故障预测的精度和可靠性。

图3 RF-LSTM组合预测模型结构

本文所提RF-LSTM 算法的具体流程如图4所示，其中包含5个步骤。

图4 RF-LSTM算法流程

步骤1：对极端天气下导致配电网故障的气象、运行因素和设备参数等多维数据进行分析，提取其中的特征变量，建立特征变量库。

步骤2：建立基于RF 算法的单条馈线故障预测模型，将历史配电网运行数据、气象、网架和地理信息数据构建的样本分为训练集（数据占比70%）和测试集（数据占比30%）对模型进行训练和验证。

步骤3：在极端天气来临前的一周，基于历史配电网运行潮流数据，采用LSTM 算法进行短时的有功功率和电压等潮流预测，并将预测数据作为初始参数输入到RF故障预测模型中。

步骤4：根据气象预报数据，在极端天气来临前一周，结合LSTM 预测得到的潮流数据以及现有馈线数据作为RF-LSTM 组合预测模型的初始参数，预测出馈线在极端天气下的故障概率。

步骤5：将馈线的故障概率进行统计并划分薄弱等级，进一步为极端天气前的主动运维工作提供预测数据支撑。在实现有针对性的主动运维的同时，提高电网应对极端天气的能力，降低灾后高负荷下的运维压力。

以浙江省某地电网2020 年1 月—2021 年8 月配电网的运行数据作为样本，对RF-LSTM 故障预测模型进行训练。以2021 年7 月28 日的极端天气（以台风为例）作为预测算例，假设故障前一周（即2021 年7 月21 日）气象部门预测到极端天气，并开始对区域内配电网的100条10 kV馈线进行薄弱等级划分。

3.1 数据预处理

整理和汇总预测模型训练所需要的各类数据，统计得到浙江省某地电网辖区内8所变电站近一年的电压波动情况，如图5 所示。从图5 可以看出，电压幅值变化较大的月份集中在年初（12月—次年2 月）和年中（6—9 月），分别对应寒冬和盛夏两个季节，期间用户的采暖和制冷负荷升高，容易导致电压不稳定。此外，夏季极端天气频发也是导致电压波动的主要因素之一。

图5 历史电压波动情况

此外，统计截至2021 年6 月底，辖区内现有线路架空线-电缆比，如表2 所示。从表2 可知，架空线长度占线路总长度的22.279%。经过3条线路的电缆化改造，架空线比例为23.331%，相较于2020年初降低了1.052%，电缆化程度较高，但仍有一部分线路为户外架空线。这些户外架空线大多离海岸线较近且地势平坦空旷，极易受台风影响，故障风险较高。

表2 现有线路架空线-电缆比

本文所提方法为组合模型，且不同影响因素具有不同的计量单位。考虑到量纲和量级的差异，在构建模型的训练集之前需要对原始数据进行标准化处理，并将所有输入的数据通过归一化方程进行［0，1］之间的尺度变换：

式中：(k)表示特征变量k的第i个数据经过变换后的结果，i=0，1，…，N，k=1，2，…，M，N为数据样本总数，M为特征变量类型总数。

3.2 模型训练

经过数据预处理后，将得到的训练样本数据集输入Weka 3.8 平台，采用RF-LSTM 算法建立预测模型，并对模型进行准确性测试。本文选用Weka 3.8平台中的SVM（支持向量机）、DT（决策表）、RT（随机决策树）和GBDT（梯度下降分类树）4 种数据挖掘技术的主流算法。通过本文的样本数据集来进行预测模型准确性对比测试，本文提出的基于RF—LSTM 算法的故障预测模型准确率为97.97%，高于其他算法，同时其RAE 和MAE 分别为6.439 2%和0.001 1，也均低于对比算法。结果表明该算法具有较高的精确性和较低的预测误差，具体数据如表3 所示。其中RAE 表示N次实验的绝对误差求和；
MAE表示N次实验的绝对误差的均值，此值越小则实验结果越准确。

表3 多种训练模型准确性对比

3.3 薄弱环节识别

预测模型经训练和验证之后，分别选取2021年7月28日的台风天气、2021年4月2日的极端雷暴天气和2021 年7 月28 日的城市内涝灾害作为算例，对配电网馈线进行薄弱环节识别。

以极端天气发生前一周为时间基准，首先根据RF—LSTM 模型进行负荷预测，将得到的结果与天气预报信息，以及现有的馈线信息一同作为初始数据，对当地所辖的100条馈线进行台风天气下的配电网馈线故障概率预测。将故障预测的结果进行统计，并按照不同的故障概率进行薄弱等级划分，划分标准如表4所示。将得到的故障等级分为1/2/3级，对应的故障概率依次为0～0.3/0.3～0.7/0.7～1。

表4 馈线薄弱等级划分

接着，对故障等级进行薄弱等级描述，包括稳定（表示发生故障的概率较低）、弱稳定（表示有发生故障的可能性，应加强主动巡视）和脆弱（表示极有可能发生故障，需提前安排巡视和检修，并加强监测）。由于篇幅原因，本文仅展示台风场景的部分薄弱环节识别结果，如表5所示。3种极端场景下的馈线薄弱环节识别统计结果，则如表6所示。

表5 被判定的弱稳定和脆弱等级的馈线统计

表6 RF-LSTM馈线薄弱环节识别结果

定义馈线薄弱环节识别准确率η=SpSt，其中Sp表示薄弱等级识别准确的馈线条数，St表示馈线总数。本文所进行的算例验证为对极端天气下的馈线薄弱环节进行识别，以实际馈线是否发生故障进行反向验证，得出馈线薄弱环节识别准确率。由于实际运行时馈线状态只有故障或未故障，因此将实际故障的馈线定义为脆弱等级，未发生故障且预测故障概率小于0.3的定义为稳定等级，未发生故障且预测故障概率为0.3～0.7的定义为弱稳定等级。最后，将预测结果与实际结果相同的定义为薄弱环节识别准确馈线，并除以馈线总数得到馈线薄弱环节识别准确率。由于篇幅原因，表5 仅列出被判定为弱稳定和脆弱等级的馈线。根据表5 和表6 的数据统计，在台风场景下，100条馈线中，被识别为稳定等级的馈线有76条；
被识别为弱稳定等级的馈线有20 条；
被识别为脆弱等级的馈线有4 条，分别为P033 线、P346 线、P168线和P181线。2021年7月22—28日这一周的实际气象数据和运行记录显示，期间短时风力达到9级以上，造成3条馈线发生故障和一定程度的停电，分别为P346 线、P168 线和P181 线。由于其中一条弱稳定的馈线P033线被误判为脆弱，因此识别准确的馈线总数为99条。

同理，在雷暴场景下，实际故障馈线有3 条，100条馈线中被识别为稳定、弱稳定和脆弱等级的馈线分别有63、32 和5 条，识别准确98 条。在城市内涝场景下，实际故障馈线有1条，100条馈线中被识别为稳定、弱稳定和脆弱等级的馈线分别有78、19和3条，识别准确98条。

经计算，在3种极端场景下对线路薄弱环节的综合识别准确率分别为99%、98%和98%，同时，对发生故障的薄弱等级线路均识别成功，并且对于发生故障的线路薄弱环节识别没有出现遗漏现象。因此，在实际工程中应用该方法可以降低因灾致损的概率，提升灾前主动运维能力。

本文所提出的基于RF-LSTM 配电网薄弱环节识别方法，能够在极端天气来临之前，对配电网馈线的薄弱环节进行主动识别，并为主动运维计划的定制提供依据，该方法具有以下特点：

1）针对RF算法初始参数中负荷数据的不准确问题，提出基于LSTM 算法的短期潮流预测，提高了初始参数的精确性，提升了故障预测模型的精确度。

2）在极端天气来临前，通过对配电网馈线的故障概率预测，识别配电网馈线的薄弱环节，并且将预测结果作为主动运维检修故障的参考，在一定程度上能够降低故障发生的概率，同时提高了配电网抵御极端灾害的能力和可靠性。

猜你喜欢 馈线配电网概率 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第6讲 “统计与概率”复习精讲中学生数理化·中考版(2022年6期)2022-06-05基于充电桩选择策略的双馈线负荷优化和削峰潜力分析电力自动化设备(2022年4期)2022-04-14第6讲 “统计与概率”复习精讲中学生数理化·中考版(2021年6期)2021-11-22概率与统计(一)新世纪智能(数学备考)(2021年4期)2021-08-06概率与统计(二)新世纪智能(数学备考)(2021年4期)2021-08-06配电网FTU配置优化方法研究电子制作(2019年16期)2019-09-27配电智能分布式馈线自动化调试方案的研究电子制作(2019年16期)2019-09-2710千伏配电网线损原因与管理策略探析活力(2019年22期)2019-03-16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