CN107085167A - 一种基于大数据的传输线路故障定位方法 - Google Patents

Abstract

本发明涉及一种基于大数据的传输线路故障定位方法，包括以下步骤：1)获取传输线路所在区域内的故障与雷击的历史关联数据，并且统计得到该区域对应的雷电引起故障的权衡参数nu；2)判断当发生雷击时，若该雷击在时空上与当前的故障相关，则进行步骤3)，3)根据权衡参数nu，结合行波记录仪获取的故障位置计算出真实的故障位置。与现有技术相比，本发明具有跨领域、定位精度高等优点。

Description

一种基于大数据的传输线路故障定位方法

技术领域

本发明涉及电力大数据应用技术领域，尤其是涉及一种基于大数据的传输线路故障定位方法。

背景技术

在我国高压输电线路遭受雷击的概率很高，雷击事件常有发生，主要原因是线路跨度大、距离远、地理分布广、气象条件复杂。据相关电力部门故障统计资料表明，由雷击所致高压输电线路跳闹次数占全年总跳闸次数的50％～80％。雷击发生后会引起线路发生闪络故障，破坏整个电网的稳定性，严重时可能会造成大面积停电，在雷击故障发生后，能够迅速准确的对故障点进行定位就显得尤为重要。

传统故障定位方法是运行人员通过分析故障录波信息，预测出可能的故障点位置，然后再委派线路维护人员进行线路区段的重点排查，确定故障点的位置，这种方式既费时又费力，查找效果也不是太好，特别在一些地形地貌复杂、环境恶劣的地区，人工巡线查找故障点存在着极大的难度。开展直升机红外航测巡线在一些特殊情况下比较适用，但成本和技术条件要求很高，全面推广使用难度较大。

上世纪70年代以后，计算机技术在电力系统中的应用逐渐增多，基于微机或微处理装置的故障测距方法研巧加速了故障测距技术实用化的进程，并取得了许多有用的技术成果。目前，有的测距原理和算法己被研制成装置并应用到现场。故障测距方法按照所需信息来源、测距原理和线路模型不同有多种分类方法按照电气量的获取来源可分为单端测距和双端测距；按照测距原理可分为故障分析法和行波法。其中，暂态行波法通过测量暂态行波在故障线路上的传播时间计算故障点到线路一端的距离，这种方法对于输电线路具有较高的定位精度。行波测距法具有原理简单、不受故障的类型以及线路的不对称原因所影响的优点，目前己经成为一种普遍应用的电力线路故障测距方法。然而，雷电波多数为负极性的脉冲波，脉冲上升和衰减速度较快且含有大量的高频量。当前行波故障测距装置并不具备雷击干扰和故障类型识别的能力，输电线路遭受非故障雷击时，雷电波并未引起线路故障，此种情况下也可能会引起行波测距装置误动作，形成错误的故障分析结论。故障类型不加以区分，在防雷措施的制定上势必会带有盲目性，使得一些线路的雷击事故率和跳闸率居高不下。

雷击故障时，需要装置能够可靠动作，若能识别出故障类型：雷击引起的故障或普通短路故障，线路维护人员才能做出合理的分析，制定出有针对性的线路防护措施方案，线路改进方案也才是科学正确的。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种跨领域、定位精度高的基于大数据的传输线路故障定位方法。

本发明的目的可以通过以下技术方案来实现：

一种基于大数据的传输线路故障定位方法，包括以下步骤：

1)获取传输线路所在区域内的故障与雷击的历史关联数据，并且统计得到该区域对应的雷电引起故障的权衡参数nu；

2)判断当发生雷击时，若该雷击在时空上与当前的故障相关，则进行步骤3)，

3)根据权衡参数nu，结合行波记录仪获取的故障位置计算出真实的故障位置。

所述的步骤1)具体包括以下步骤：

11)当历史上区域内的传输线路发生故障时，行波记录仪获取该故障发生的时间和线路故障位置数据；

12)根据该故障发生的时间和线路故障位置数据在雷电监测网络选取相关联的雷击位置数据作为相关历史实例；

13)根据相关历史实例的实际故障的检测结果，统计该区域内所有由由雷击引发故障的概率，即权衡参数nu。

所述的步骤2)中，雷击在时空上与当前的故障相关同时满足以下条件：

(1)该雷击发生的时间位于行波记录仪获取的故障发生的时刻前后各1s的范围内；

(2)该雷击发生的位置位于传输线路两侧300m的范围内。

所述的步骤2)中，真实的故障位置θ的采用贝叶斯定理计算，其计算式为：

arg max_θlog p(θ|x)＝arg max_nu[arg max_θ[nu·p(x|θ)]+arg max_θ[(1-nu)·p(θ)]]

其中，x为行波记录仪获取的故障位置，p(x|θ)为发生故障情况下行波测距得到故障为x的可能性，p(θ|x)为行波测距得到故障为x是真实的故障位置θ的可能性，p(θ)为故障被检测到的可能性。

若nu＝1，则完全相信行波记录仪的故障定位，若nu＝0，则完全相信雷电监测网络的故障定位。

与现有技术相比，本发明具有以下优点：

一、使用了跨领域数据的联合，从而实现了辨别是否雷击造成的故障的功能；

二、采用了将雷电监测网络数据和行波故障位置的测量数据整合在一起的方法，提高了故障定位的精度；

三、结果表明雷电监测网络数据和行波故障监测数据整合在一起的方法提高了故障定位的精度，将行波故障定位器数据和雷电数据关联起来的方法比任何其他的方法展现出更好的性能。

附图说明

图1为GIS数据结构示意图。

图2是400kV的传输线模型示意图。

图3为故障的信息流通图。

图4为时空间上的行波故障定位器数据和雷电GIS，GPS数据联合示意图。

图5为使用权重参数nu的行波和雷电数据的对比。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

故障通常是云对地的雷击造成，为了最小化雷电的影响，电力公司使用了恰当的电网结构保护(如接地线)和设备(冲击波保护器)。雷电的监测网络数据能和雷电特性以及由变电站测量出的其他事件数据一起关联起来雷电数据是由一些位于目标区域典型分散的传感器采集而来。这里有三种常见的闪电传感器：使用多重天线通过三角测量技术来确定雷电发生的距离的地基系统；使用方向和传感天线通过分析冲击信号的频率和衰减来计算雷电发生距离的移动系统；用安装在人造卫星太空系统直接观察锁定故障发生位置。

数据由设备接收，通常有两种情形：1，工具的本质是雷电传感器；2，来源于外部的雷电数据。在第一种情形下，数据是来源于传感器并且未处理过，而第二种情形下，外部来源的信息格式对于相关组织来说是特定的。无论使用哪一种来源，雷电数据代表性的包含了以下信息：GPS时间标志，雷击发生的经纬度，峰值电流，雷电的极性，雷击的类型(云对云或者云对地)。

行波记录仪数据可以作为信息的来源之一。行波故障定位器根据记录的行波一侧或者两侧的采样数据自动计算出故障点距离。现代设备大部分使用的方法都是与GPS同步的双端D型方法。定位器以GPS作为一个参考，计算出故障引起的行波的到达时间。然后，这些时间标记被送到中心站，在这里故障定位算法被用来计算故障点到线的终端距离。另外传输被记录的采样信号。行波故障定位方法的精确度很大程度上取决于采样率，现代设备使用的采样频率在0.1到20兆赫兹之间。在D型行波故障定位方法中，GPS首先被使用于线两端接收的信号同步化。同时，这信息和同样使用GPS的雷电监测数据的有时间关联性。

地理信息系统的主要优点是在系统中合并了不同形式的空间数据。不同类型的数据能够一起被分层，使得数据的管理更加简单。GIS工程的框架如图1所示。数据的采集由雷电监测网络和行波记录仪(TWR)完成，并且被绘制和存储在地理数据库中，地理空间分析工具被用来修改地图。框架中每一种类型的数据都有一个层。层是有着明显的分类结构的数据的有组织的分割，但是又整合入一个简单的文件。这些层在新的信息到达系统之后将会更新。

全球定位系统(GPS)是一个基于太空的卫星航行系统，它能够为地球上的特定目标提供位置和时间信息。最新的GPS设备时间精度为100ns，分辨率10ns。随着大数据的应用被证明能改进断电管理的方法，雷电数据与行波故障定位结果相关联。两个数据集在时间上都使用了GPS在空间上都是用了GIS。行波故障定位方法被假定为主要信息来源，而雷电数据是用来提高环境意识并且提高故障定位结果的精度。

数据库包含了采样波形数据、行波故障定位器单元的数据、雷电监测网络数据和地理数据。数据文件有着不同的格式，不能兼容，因此信息需要额外提取出来，这样才能使用。例如，雷电监测网络以坐标的形式(经纬度)提供了雷击的位置，而行波记录仪提供的是故障到线的终端的距离信息。

与GPS同步的行波方法被用作故障定位的一个信息来源。为了能实施行波故障定位，采取了如下的步骤：

电力系统的建模：此过程由传输线建模，互感器建模，二次电缆建模构成。

传输线的模型分为π型，T型，Bergeron线路模型和与频率相关的线路模型。π型与T型电路中的分布参数可用于分析行波在传输线上的传播，并假设电路的等效电感为0；Bergeron线路模型假设导体的参数与频率是相互独立的，此模型可用来无损传输线的瞬态计算，但实际的参数会受到集肤效应影响。而在与频率相关的模型中，导体的参数是与频率相关的，行波传播必须要在频域里计算，同时也易得出时域的瞬态电磁量。另外在软件ATPEMTP中进行以模拟滤波来验证与频率相关的线路参数的仿真。

互感器的建模分为电流互感器或电压互感器的建模，恒压变压器CVT的建模以及特殊行波传感器的建模。电压或者电流互感器在行波频率范围内的建模方法主要分为：一、基于内部结构的分布式模型；二、基于频率响应参数的传输函数模型。恒压变压器由电容分压器，中压电感，中压变压器，阻尼和负载。当考虑到杂散电容时，恒压变压器的瞬态响应有几种谐振模式，也即恒压变压器的频率响应有着明显的带通和带阻特性。行波传感器通常安装在恒压变压器旁边或者变电站的一些容性设备，有着很好的瞬态响应效果，但由于结构不同，基于内部结构很难进行建模，因此可以基于频率响应建模。

二次电缆建模：一般来说只有由互感器得到的信号能够通过二次电缆，最终能用于故障定位设备。行波在二次电缆的传播和在传输线上传播是相同的，且会造成波前震荡。同时，负载会影响到它的频率响应也应被考虑在内。

故障瞬态仿真：故障选取在选定的线路上的很多不同的位置。确定三相系统的模态转换方式：信号使用Clark变换变成模态的成分，在模态转换之后，地球和两种天线模式将代替三相系统。天线模式1是用来估计故障发生的距离。计算行波速度：方法是使用两个最先出现的连续功率延迟曲线的峰值，是通过计算信号平方的最大值的延迟实现。

计算到达时间：子波变换被用来确定瞬态峰值的到达时间。所用到的子波的母波是Daubechies子波，可以使用到MATLAB中的子波工具箱。

计算故障位置：位于两条线路(TA，TB)终端的两个TWR的暂态的峰值的到达时间和两个TWR的线路长度(l)，利用公式(2)计算出的波产生速度v用来计算故障距离θ。

执行时间同步：两个波头的到达时间使用GPS进行同步化。

影响到行波故障定位的因素如下：线路长度的估计值是造成误差的主要因数。不知道确切的线路长度和线路的拓扑结构将能导致500英尺的误差(150m)。行波的传播速度被假定为光速。当它在悬空的传输线上传播时，波的传播速度接近光速但并不是光速。为了系统能够工作，时间戳记法必须非常精确。正如前面所说，最近的行波故障定位器的GPS时间标记的精度为100ns。由于是暂态，波的监测误差时一个主要的误差来源。此误差是由于多重暂态或者是反射暂态的错误解释。这是在雷击情形下的一个重要关注点。雷暴天气有着多次的快速闪电，由于暂态和故障是相关联的，因此这会造成混淆。并且在这种情况下行波记录仪会产生错误的结果。电流传感器(CT)和容性电压传感器(CVT)也会影响到精确性。本发明使用的行波故障定位方波从电流互感器的二次侧电流信号中提取出行波。电流互感器由足够的带宽来能够通过这些暂态量，它们也确实影响了这种方法的精度。这种方法的精度受初始角很小(<5°)的故障影响很大。因为这种情况下的故障初始角过零，故障位置没有产生行波。

因为来自于雷电监测网络的信息不是传统的行波故障定位系统需要的信息的一部分，它不受任何描述的误差影响。唯一能够影响到两种方法的因素是GPS时间标签的精度。因此，雷电监测网络的数据可能能弥补故障定位方法并提高一个完整系统的精度。

图2是400kV的传输线模型，这个模型是用来实验的仿真部分。采样频率是1MHz，线的长度为120英里(约为193千米)。故障在距离A端10到110英里的地方产生。

雷电监测网络收集下列信息：由GPS收集到的雷击数据和时间；雷击的位置(经纬度)；雷击的峰值电流和极性；雷击的类型(云对云或者云对地)。行波故障定位器提供下列信息：GPS记录的事件的数据和发生时间；故障到终端的距离；终端记录的暂态信号。实验需要知道的额外数据：终端的位置(经纬度)和线路的地区表述法；暂态仿真需要传输线的特性。仿真需要使用到下列数据：传输线参数；传输线和杆塔的物理特性线路长度；雷电冲击波的峰值电流。

为了行波数据和雷电数据能自动关联起来以及故障检测更加精确，很有必要在人的介入得最少的前提下辨别出哪种故障可能是由雷电造成的。这个任务可按照下面的方法完成。

当行波记录仪检测到表明在传输线路上出现了故障的暂态量，它将发送带着GPS时间标签的数据给当地的控制大楼。这个数据然后被送到中央站，在中央站，能在雷电监测系统里查询到线路半径5千米，最近10分钟的实时雷电活动数据。查询雷电监测数据这一步必须是快且精确。

通过对比由行波记录仪监测的事件发生时间标记和那些由查询雷电监测系统的得到数据在时间和空间上表现出的亲密性能够确定是否是雷电活动造成的干扰。信息的流通示意图如图3所示。如果确定了是雷电造成的干扰，那么中央站将收集到的发生事件的完整数据集，中央站将相关联的数据一起用来分析去改进故障的定位。中央站运行事件的暂态仿真和进行接下来要讲述的数据分析过程。

关联性处理的数据管理如图3所示。行波故障记录仪被安装在传输线路的两端。另一方面雷电传感器不是设备的一部分，它被分散地安装在一个较广的区域内。图4中行波故障定位系统得出的估计结果称之为故障定位结果。结果被分给传输线路。雷电传感器得出的估计作为雷击的位置的估计。这个估计结果是经纬度的形式并且不必要位于传输线路上但是要在线路的附近。

雷击的定位是在传输线路最近的点使用对齐特征的过程。在GIS中编辑的对齐过程将会在一个特定的距离(公差)内移动到线路上最近的点。对齐点是雷电监测网络对故障位置的估计以便于故障位置能够以到终端的距离的形式表述出来。由于公差的存在，到线路终端距离设定为1千米。只有发生在距离线路1千米的雷击数据能够被关联起来。然后，一个来自于行波故障定位器而另一个来自于雷电监测网络的两个故障定位结果使用Bayesian理论结合在一起来提高预测的精确性。

在时空间数据开始关联之前，雷电的数据集以及被移除了所有云对云的雷电冲击波数据集，仅包含云对地的冲击波数据。接着进行时间的关联。在检测到故障之后，为了能从行波记录仪接收到故障出现的信号而建立了有着2秒左右的时间标记(FaultStart)的时间窗口。从雷电检测网络接收到的数据将被查找并且只有满足下列条件的雷击才会被收录进A数据库。

在空间的数据关联操作接收后，以线路终端的位置和线路的地区代表制为基础建立了一个距离线两侧都有300米的线周围区域。这个区域是一个多边形。一旦被创建就将被特别标注出来，它将会在未来对观察线路的分析上使用到，并且能够提前建立。在数据库A中查询数据且只有那些发生在数据库B中的区域的雷电才会被记录下来。这个问题称为多边形的点问题。创建的线路周围区域将会形成一个凹陷的多边形。网络算法确定雷击是否发生在多边形内部。多边形将被分为一个个网格单元，因此每次雷电发生的坐标都能和每个网格单元的坐标相匹配。

下一步在数据库B中查询雷电实例，并选择离行波记录仪的最近雷电实例作为雷电监测结果。

我们将行波故障定位作为故障发生时信息的主要来源。它处理被记录的数据x，然后基于这个数据给出最大可能性的故障位置估计。从公式(2)得到的精确值可按公式(3)描述。

FaultLocationResult≈arg max_θp(x|θ) (3)

θ的公差可能从历史记录上得知出也可能通过其他的途径，但是这些方法可能是不可靠的而且不在本研究的考虑范围之内。

在间接的边界信息和x的独立测量情形下，雷电监测数据被作为优先级。

故障位置的后验概率是由Bayes定理表达为公式(5)，

log p(θ|x)～log p(x|θ)+log p(θ) (5)

为了计算出必要的最大值，故障位置的后验估计值为公式(6)所示结果。

ImprovedPrediction＝arg max_θp(θ|x) (6)

没有必要计算出标准化的常数p(x)，因为同一故障记录仪中的x位置在所有的故障定位位置之下。

考虑到后验而不是仅考虑可能性这样能作出更好的预测，因为跨领域的数据被整合到了一起。

取公式(5)的对数，忽略常数值则

log p(θ|x)～log p(x|θ)+log p(θ) (7)

在公式(6)中分布优先和可能性的标准化设想下，确切计算出公差是不必要的。而计算出在区间[0,1]范围内的最佳的权衡参数nu是很有用的。这参数能控制p(x|θ)和p(θ)之间的较大或者较小公差的权重，但仅仅是相互之间的一个比例并且不考虑p(x)。nu＝1时，我们能完全相信雷电监测网络的数据，当nu向0靠近时，更应该相信行波故障定位的数据。

这种计算方法是有利的，充分利用了Bayesian方法，而马尔科夫链蒙特卡罗采样这种方法在电力系统中是不可行的。

考虑到对数函数的单调性，改进的故障定位可以如下线性的组合表示为公式(8)。

arg max_θlog p(θ|x)＝arg max_nu[arg max_θ[nu·p(x|θ)]+arg max_θ[(1-nu)·p(θ)]] (8)

现在任务变成了获得精确的nu值来使用。为了计算出nu，由于现在问题变成了一维的，因此可以沿着线路进行二进制搜寻来发现最优的nu值。这过程在给出具体的n值后仅需求O(log n)的时间来发现最优的nu值。像这样一个简单的线性组合在机械学习方面有着大的偏置和小的公差的优点，这意味着它的预测除了有着良好泛化能力的不可见例子之外不可能不精确。由于计算简单，这种算法能够直接应用于大数据的情境下。

为了评估上述提到的故障定位方法的实用性能，需要在一些不同的故障的情境下来进行估计。使用图2的模型。仿真1000次故障。首先，所有故障仅适用行波的方法来定位。在仿真后误差按照如下的方式计算得出相对误差，

第二，雷电监测网络数据的按照第三部分的介绍计算出结果，并使用公式(8)来量化误差。

两种方法关联之后，按照公式(9)来计算改进后的结果误差。当处理线性组合预测机时，有必要评估下它的泛化性能。好的泛化性能由对不可预见性的故障的故障定位能力表现出来。为了量化提出的故障定位方法的泛化性能有必要计算出泛化的误差。

为了估计改进后的故障定位方法的量化误差有必要将数据从不同的情境下分离出来，放入数据的训练集和测试集里面。在改进后得出的故障位置与实际的故障位置相比较时，确定训练集里的最优nu值来估计测试集的泛化误差，因此为了精确的估计结果需要重复这些步骤，一次处理过程常常需要2次交叉验证。图5的结果是从100次重复的交叉验证每个情形下计算出的平均值。

本方法比行波故障定位方法要好，而且有着最多的测试情况，误差接近于0。对于每种测试情况，这种方法都要比那些独自的方法精度要高。雷电数据的故障距离的均方误差为0.0076±3.1×10^-4英里，行波的均方误差为0.0012±4.3×10^-3英里，使用改进后的方法在处理不可见故障的问题上和行波方法相比公差和误差的平均值都较小。

行波方法的结果与雷电数据相比有着更高的精度这点是很重要的。雷电监测数据可能仅仅在改进行波故障检测方法上会很有用。雷电数据与其他两种相比有着很大的方差。图5提到的方法在预测时没有任何偏见，这表明故障预测的位置既没有过度侧重系统也没有侧重估计。因为行波在传输线路的两侧都有记录，因此误差不取决于故障的，表现出同方差性。

实验表明，在不可见实例中，行波和雷电数据之间精度的权重参数nu最优的估计值为0.871±0.0133。这可以认为行波方法有87.1％的可信度，雷电数据有12.9％的可信度。nu值方差小表明改进后预测方法的的方差小。

Claims (5)

1.一种基于大数据的传输线路故障定位方法，其特征在于，包括以下步骤：

1)获取传输线路所在区域内的故障与雷击的历史关联数据，并且统计得到该区域对应的雷电引起故障的权衡参数nu；

2)判断当发生雷击时，若该雷击在时空上与当前的故障相关，则进行步骤3)，

3)根据权衡参数nu，结合行波记录仪获取的故障位置计算出真实的故障位置。

2.根据权利要求1所述的一种基于大数据的传输线路故障定位方法，其特征在于，所述的步骤1)具体包括以下步骤：

11)当历史上区域内的传输线路发生故障时，行波记录仪获取该故障发生的时间和线路故障位置数据；

12)根据该故障发生的时间和线路故障位置数据在雷电监测网络选取相关联的雷击位置数据作为相关历史实例；

13)根据相关历史实例的实际故障的检测结果，统计该区域内所有由由雷击引发故障的概率，即权衡参数nu。

3.根据权利要求1所述的一种基于大数据的传输线路故障定位方法，其特征在于，所述的步骤2)中，雷击在时空上与当前的故障相关同时满足以下条件：

(1)该雷击发生的时间位于行波记录仪获取的故障发生的时刻前后各1s的范围内；

(2)该雷击发生的位置位于传输线路两侧300m的范围内。

4.根据权利要求1所述的一种基于大数据的传输线路故障定位方法，其特征在于，所述的步骤2)中，真实的故障位置θ的采用贝叶斯定理计算，其计算式为：

arg max_θlog p(θ|x)＝arg max_nu[arg max_θ[nu·p(x|θ)]+arg max_θ[(1-nu)·p(θ)]]

其中，x为行波记录仪获取的故障位置，p(x|θ)为发生故障情况下行波测距得到故障为x的可能性，p(θ|x)为行波测距得到故障为x是真实的故障位置θ的可能性，p(θ)为故障被检测到的可能性。

5.根据权利要求4所述的一种基于大数据的传输线路故障定位方法，其特征在于，若nu＝1，则完全相信行波记录仪的故障定位，若nu＝0，则完全相信雷电监测网络的故障定位。