引言

臺風災害是引發(fā)輸電線路故障的重要原因之一,東南沿海地區(qū)歷史線路故障統(tǒng)計數(shù)據(jù)顯示,臺風災害導致的線路跳閘故障已占到跳閘總數(shù)的20%以上。臺風的強風暴雨往往會導致一處或多處的斷線、倒塔故障,引發(fā)地區(qū)性的電力癱瘓:如2016年的"莫蘭蒂"臺風,歷史性地造成7基500kV桿塔和15基220kV桿塔損壞:再如2019年的"利奇馬"臺風,臺風災害的波及范圍達到近25萬km2,造成大批變電站、輸電線路斷電停運,影響了數(shù)省生產(chǎn)活動的正常進行。因此,建立科學的防風抗災機制,在臺風來臨時為調(diào)度工作提供科學合理的技術(shù)信息支持,有著極其重要的意義。

近年來,沿海地區(qū)各省市電力公司逐漸開始對輸配電線路臺風預警方法展開研究?，F(xiàn)有的方法有通過臺風預測路徑和風圈范圍對風圈范圍內(nèi)的輸電線路做出預警:也有一些研究是針對線路桿塔的抗風設(shè)計參數(shù),綜合地形進行考慮。文獻提出了一種基于數(shù)據(jù)挖掘的方法來對熱帶氣旋的生成進行預測:文獻則提出使用幾何糾正和殘差修正結(jié)合的方式來提高定位精度:文獻提出通過建設(shè)臺風實時跟蹤監(jiān)測預警平臺,對臺風活動進行實時監(jiān)測,為電網(wǎng)防災預警提供實時信息依據(jù):文獻提出構(gòu)建電網(wǎng)信息和地理環(huán)境信息一體化平臺,依據(jù)臺風實況的預報信息,結(jié)合區(qū)域情況,給出預警:文獻提出建立融合電網(wǎng)設(shè)備信息和自然環(huán)境信息的一體化、可視化預警平臺,對氣象災害預警實現(xiàn)自動處理。就文獻來看,對于臺風災情,其僅僅針對臺風自身的狀態(tài)給出預報信息,或是部分結(jié)合電網(wǎng)信息、輸電線路實況進行預判。這些工作方法需要工作人員依靠經(jīng)驗來分析臺風預報信息并作出判斷,帶有一定的個人主觀性,科學依據(jù)不足。

現(xiàn)代社會,人們已經(jīng)克服了對臺風等自然災害進行監(jiān)測的難題,但當下對臺風致災預警所用到的數(shù)據(jù)更多是實時觀測的數(shù)據(jù),相關(guān)的歷史數(shù)據(jù)往往被忽略。在進行臺風致災預警時,更多的是直觀的因果關(guān)聯(lián),并未能研究數(shù)據(jù)潛在的相關(guān)性。VGRR具有很好的非線性映射能力和學習速度,可以用于發(fā)掘臺風災害與故障之間的相關(guān)性,從而實現(xiàn)對桿塔故障進行預測的目的?；诖?本文提出了基于VGRR的臺風災害桿塔故障預測模型,采集臺風災害時與桿塔相關(guān)的風速、風向、降雨量等信息,進行處理得到數(shù)據(jù)集,再對數(shù)據(jù)集進行重采樣處理,形成神經(jīng)網(wǎng)絡(luò)的訓練和測試樣本,通過對神經(jīng)網(wǎng)絡(luò)進行訓練、測試以驗證其準確率。

1臺風災害桿塔故障預測模型

1.1數(shù)據(jù)采集

本文應用到的數(shù)據(jù)包括:福建省建立的臺風監(jiān)視系統(tǒng)收錄的實際監(jiān)測信息,福建某市市內(nèi)氣象站的經(jīng)緯度信息和近三年內(nèi)強臺風期間的風速、風向、降雨量等氣象信息:電網(wǎng)相關(guān)信息有從電網(wǎng)公司獲取的該市的配電網(wǎng)輸電桿塔的經(jīng)緯度信息,以及該市在強臺風期間發(fā)生的桿塔故障統(tǒng)計數(shù)據(jù)。

臺風災害下的跳閘故障大多數(shù)是風偏跳閘故障,絕緣子串風偏角過大時會引發(fā)桿塔跳閘故障,造成停電事故。桿塔是否發(fā)生風偏跳閘與桿塔所承受的臺風風速大小、線路走向和風向間的夾角有很大關(guān)系:另外,臺風災害往往伴隨著暴雨的影響。綜上,將臺風災害時間劃分為離散時間段,每段步長為1h,統(tǒng)計每個步長的臺風信息向量X=[x1,x2,x3,x4,x5]。其中,x1為降雨量:x2為目標桿塔承受的極大風速:x3為極大風速對應的風向與線路走向夾角極大值:x4為目標桿塔5min的平均風速值,即1h時間段內(nèi)5min平均風速的平均值:x5為風向與線路5min平均夾角,即1h時間段內(nèi)5min平均夾角的平均值。

鑒于桿塔所在位置與氣象站實際位置存在偏差,實際精準氣象信息難以捕捉,本文通過選取距離桿塔最近的三個氣象站的數(shù)據(jù)進行加權(quán)計算獲得實用數(shù)據(jù)。距離較遠的氣象站測量數(shù)據(jù)與桿塔處氣象參數(shù)的誤差會較大,計算時其相應的權(quán)重也較低。

根據(jù)距離平方反比衰減規(guī)律,不同氣象站數(shù)據(jù)權(quán)重的計算方法為:

式中:di(i=1,2,3)表示氣象站i與該桿塔的距離,可以通過實地情況獲得。

桿塔處風速類數(shù)據(jù),0(即目標桿塔承受的極大風速、目標桿塔5min的平均風速值)的計算方法為:

式中:,i表示氣象站i的風速類數(shù)據(jù)。

桿塔處風向類數(shù)據(jù)a0(即極大風速對應的風向與線路走向夾角極大值、風向與線路5min平均夾角)的計算方法為:

式中:ai表示氣象站i的風向類數(shù)據(jù):aline表示該桿塔所在線路走向與地球正北方向的夾角,可以通過該桿塔與相鄰同線路桿塔經(jīng)緯度信息求出。

通過計算可得到每個桿塔處的氣象輸入數(shù)據(jù),將其與桿塔故障的歷史數(shù)據(jù)匹配,形成單個樣本。

1.2樣本集生成

在臺風期間,通常大部分桿塔都沒有發(fā)生故障,因此非故障樣本的數(shù)量會遠多于故障樣本數(shù)量,這樣會產(chǎn)生不平衡的數(shù)據(jù)集。如果直接將不平衡的數(shù)據(jù)集代入神經(jīng)網(wǎng)絡(luò)的輸入,將會使預測的結(jié)果偏向多數(shù)樣本即非故障結(jié)果,故采取了重采樣的方法以平衡數(shù)據(jù)集:對故障樣本采用過采樣方法中經(jīng)典的合成少數(shù)類過采樣算法(sMoTE)增加樣本數(shù)目:對非故障樣本采用隨機欠采樣刪除冗雜樣本,再通過單邊選擇算法(oss)對樣本進行消噪處理。

sMoTE算法是用以解決數(shù)據(jù)的非平衡問題的一種過采樣算法,該算法的基本思想是通過對少數(shù)樣本的分析,模擬生成新的樣本并帶回數(shù)據(jù)集中,實現(xiàn)對少數(shù)類樣本的擴大采樣,以此來平衡原數(shù)據(jù)集內(nèi)不同類數(shù)據(jù)的數(shù)量。它能顯著改善隨機過采樣方法中出現(xiàn)的分類過擬合現(xiàn)象,而且不會損失有價值的信息。

單邊選擇算法(oss)是一種具有代表性的欠取樣算法,該算法通過計算比較樣本間的"距離",將多數(shù)類樣本劃分為"噪聲樣本""邊界樣本"和"安全樣本",以減少多數(shù)類樣本、均衡數(shù)據(jù)為目的,對"噪聲樣本""邊界樣本"合理去除,對"安全樣本"適當精簡。oss具有一定的選擇性,在處理過程中主要刪去的是噪聲樣本及邊界樣本,而有用的樣本則盡可能地保留下來。

通過基于sMoTE的故障樣本采樣和基于oss的非故障樣本采樣,使正常樣本和故障樣本數(shù)量相當,提升了數(shù)據(jù)集的均衡程度。

1.3廣義回歸神經(jīng)網(wǎng)絡(luò)模型

GRNN由輸入層、模式層、求和層和輸出層組成。如圖1所示,對應的網(wǎng)絡(luò)輸入X=[x1,x2,…,xn]T,其輸出y=[y1,y2,…,yk]T。

輸入層共有n個神經(jīng)元,對應測試樣本數(shù)據(jù)向量,即X=[x1,x2,…,xn]T的維數(shù),輸入層將變量直接送入模式層。

模式層神經(jīng)元個數(shù)相當于訓練樣本的數(shù)量,該層計算測試樣本與訓練樣本中每一個樣本的高斯函數(shù)取值,其神經(jīng)元傳遞函數(shù)為:

g為平滑因子,該值對神經(jīng)網(wǎng)絡(luò)的性能影響很大,需要優(yōu)化取值。如果g過大,預測輸出將會近似訓練樣本輸出的平均值:如果g過小,將使輸出結(jié)果靠向擁有最近協(xié)變量的訓練樣本。因此,確定一個合適的g,能夠讓所有訓練樣本的因變量均被考慮在內(nèi)。

求和層中的節(jié)點個數(shù)等于輸出樣本的維度加1,即I＋1,本層輸出分為兩部分,使用兩種類型神經(jīng)元進行求和。第一部分為第一個節(jié)點,該節(jié)點輸出為模式層神經(jīng)元輸出的算術(shù)求和,其輸出為:

第二部分為其余I個節(jié)點,其輸出為模式層神經(jīng)元輸出的加權(quán)和,其輸出為:

其中,加權(quán)系數(shù)yij為第i個模式層節(jié)點對應的訓練樣本的輸出的第j個元素。

輸出層中的神經(jīng)元數(shù)目等于訓練樣本中輸出向量的維數(shù)I,每個神經(jīng)元的輸出等于各神經(jīng)元對應求和層的輸出與求和層第一個節(jié)點相除,即:

1.4平滑因子計算

本文采用平均絕對誤差(MeanAbsoluteDeviation)遴選合適的平滑因子a值。

平滑因子a具體的選取步驟如下:

(1)令平滑因子a的取值范圍(0,0.2],選一個初始的平滑因子參數(shù),本文從0.2開始:

(2)初始化皿AE0為較大數(shù)值(如50):

(3)將訓練樣本及初始平滑因子ai代入訓練GRNN網(wǎng)絡(luò),在得到測試結(jié)果后計算出相應皿AEi:

(4)比較皿AEi與皿AE0,保留誤差較小的a作為新的平滑因子:

(5)以0.01為步長,將所有的平滑因子值代入,重復步驟(3)~(4):

(6)得到皿AE最小的取值,作為最終實際應用在網(wǎng)絡(luò)中的平滑因子a。

1.5基于GRNN的臺風災害桿塔故障預測

臺風災害下桿塔跳閘故障預警的方法如圖2所示,具體內(nèi)容分為兩個部分,一是根據(jù)歷史數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進行訓練,二是根據(jù)實時數(shù)據(jù)實現(xiàn)桿塔跳閘故障預測。

關(guān)于神經(jīng)網(wǎng)絡(luò)的訓練部分,首先根據(jù)氣象臺收錄的臺風歷史數(shù)據(jù)、電網(wǎng)系統(tǒng)中的桿塔經(jīng)緯度數(shù)據(jù),將臺風災害期間的天氣信息與桿塔進行關(guān)聯(lián),再結(jié)合使用1.1節(jié)中所列方式,形成神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù):將歷史桿塔故障信息作為相應的輸出數(shù)據(jù),生成神經(jīng)網(wǎng)絡(luò)的一個樣本。將多組樣本形成集合,對樣本集合進行重采樣,得到平衡樣本集。將平衡樣本集作為神經(jīng)網(wǎng)絡(luò)的訓練數(shù)據(jù),用以訓練神經(jīng)網(wǎng)絡(luò)。

基于實時數(shù)據(jù)的桿塔預測是將實時采集的氣象數(shù)據(jù)及位置信息輸入訓練完成的神經(jīng)網(wǎng)絡(luò),得到神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果,預測桿塔是否會發(fā)生故障。

2臺風災害桿塔故障預測算例分析

2.1模擬場景

確定模型建立的流程后,借助Mat1ab軟件來實現(xiàn)建模。本次預測所用的訓練數(shù)據(jù)及預測數(shù)據(jù)包括福建省2016年"蘇迪羅""尼伯特""莫蘭蒂""鲇魚"臺風期間的數(shù)據(jù)以及相應的氣象站、桿塔信息。通過1.1、1.2介紹的方式對數(shù)據(jù)進行處理后,得到訓練用樣本共計586組,預測用樣本共計140組。用586組訓練樣本對網(wǎng)絡(luò)進行訓練后,再投入預測樣本進行預測。

2.2故障預測結(jié)果

2.2.1預測結(jié)果

對140組預測結(jié)果統(tǒng)計得:在實際故障樣本中,第8、9、17、21、52組的絕對誤差達到了0.5及以上,共計5組;第5組的絕對誤差在0.1~0.2,共計1組;其余組的絕對誤差在0.1以內(nèi)。以上共計5組偏差較大,占比3.57%。

2.2.2評價指標

輸出結(jié)果的分布圖如圖3所示。

輸出分布圖反映了預測結(jié)果與實際情況的偏差。理想的輸出結(jié)果應當呈現(xiàn)近"Z"形,圖中預測結(jié)果存在很多毛刺,實際上僅有少數(shù)幾組樣本輸出錯誤,其他輸出值均接近實際值。

由于桿塔是否跳閘屬于"非白即黑"的情形,所以選擇指標為二分類的評價指標。將桿塔跳閘故障視為正類,設(shè)定輸出為"1";桿塔正常運行視為負類,設(shè)定輸出為"0"。這樣,對輸出的判定即為一個分類的過程,以0.5為閾值,對預測結(jié)果作評估。由2.2.1的結(jié)論可得,在預測樣本集中,有第8、9、17、21、52組的預測結(jié)果與實際情況相反。綜上,140組預測樣本輸出有135組預測值逼近實際值,總的正確率在96.43%。其中,70組故障樣本中出現(xiàn)了5組錯誤結(jié)果,占比7.14%:而70組正常樣本中0組預測失誤,占比0%。

采用命中率(RTP)、假警率(RFP)和準確率(RACC)作初步評估:

式中:TP表示桿塔跳閘故障得到正確預測:TN表示桿塔正常運行得到正確預測:FN表示桿塔跳閘故障被錯誤預測:FP表示桿塔正常運行被錯誤預測。

以0.5為閾值分類,所得結(jié)果如表1所示。

預測的命中率達到92.8%,準確率達到了96.43%。

通過2.2.2中絕對誤差分析得,這些樣本無法通過調(diào)整二分類的分類閾值來達到避免錯誤的目的。圖3中存在故障類樣本的拒動,主要原因為故障樣本數(shù)據(jù)較為接近非故障樣本數(shù)據(jù)而導致誤判、拒動?？偟膩碚f,絕大多數(shù)的樣本都能實現(xiàn)正確的預測分類,GRNN基本能實現(xiàn)對跳閘故障的預警。

3結(jié)論及展望

針對現(xiàn)有的臺風災害下桿塔故障預測方法難以進一步提高預測準確性的問題,文中采用歷史臺風信息、桿塔信息以及故障信息,提出了基于廣義回歸神經(jīng)網(wǎng)絡(luò)的桿塔故障預警方法?；趯嶋H桿塔故障數(shù)據(jù)的預測結(jié)果表明,文中方法具有96.43%的預報正確率,準確率較高,可以為線路臺風防御提供決策依據(jù)。但文中選用的數(shù)據(jù)較為片面,缺少桿塔自身影響參數(shù),訓練數(shù)據(jù)總體偏少,對故障預報的效果有一定影響,在未來的研究中,需要進一步考慮其他影響因素,采用合適的優(yōu)化處理,使用更多的訓練數(shù)據(jù)和新的數(shù)據(jù)挖掘方法,以提高臺風災害下桿塔故障預測的準確性。