基于改进逻辑回归的电网覆冰故障预测研究_王国庆.pdf

文章编号:1009-6094(2023)06-1762-09基于改进逻辑回归的电网覆冰故障预测研究王国庆,翟 悦,朱建明,黄 钧(中国科学院大学工程科学学院,北京 100190)摘 要:电网覆冰由于湿度、温度、海拔等因素可形成不同的覆冰类型,电网系统故障水平会根据覆冰类型的差异而变化。传统的电网覆冰故障预测多聚焦于覆冰厚度与电网故障的内在联系,忽略了覆冰类型对电网故障的影响作用。为解决这一问题,提出了一种改进的逻辑回归多分类算法,通过将拟合出的回归函数值输入 Softmax 函数转换为多概率形式实现对覆冰类型的分类,根据数据有无覆冰类型的划分,分别在不同的机器学习算法下对电网覆冰故障进行预测比较。经试验,采用改进逻辑回归算法预测覆冰类型的准确率达88%,电网故障预测的准确率较无覆冰类型下的预测在改进逻辑回归算法、朴素贝叶斯算法(Nave Bayes,NB)、K 近邻、支持向量机算法(Support Vector Machine,SVM)中分别平均提高了 5.3%、21.7%、7%、5.3%,研究表明,改进的逻辑回归算法可以准确预测电网的覆冰类型,提升电网故障预测的准确率。关键词:安全工程;逻辑回归;覆冰类型;电网故障;预测中图分类号:X934 文献标志码:ADOI:10.13637/j.issn.1009-6094.2022.0058收稿日期:20220118作者简介:王国庆,副教授,博士,从事应急管理方向研究,wgq94 。基金项目:国家自然科学基金项目(72074202)0 引 言在气候变化的影响下,由气象引起的自然灾害较之以往频率更高、破坏力更强。其中,在最重要的极端天气灾害中,冰灾是构成电网系统故障最为严重的灾害类型之一。冰灾对电网安全运行的主要影响表现在输电线路覆冰上,这是一种由大气层中空气对流环流、环境温度、湿度、风向风速等众多因素共同影响产生的物理现象1。当线路覆冰程度超过了其所设定的覆冰比值,就可能引起闪络、跳闸、断线、甚至倒塔等一系列设备故障,使得电力系统供应中断,引发大面积的停电事故。据统计,2008 年南方特大冰灾造成 10 kV 以上输电线路停运 36 740条、倒塔 8 381 基、全国 170 个县(市)大面积中断供电,仅南方电网的损失达 150 亿元1。10 a 之后,在2018 年春节期间,持续 7 d 的冻雨降雪天气再次引发湖南、云南、贵州等十余省份发生断线倒基等电力系统故障2。因此,为了确保电网安全可靠运转,研究电网覆冰故障的安全预警具有重要而紧迫的意义。现有研究多是将覆冰预测与电网故障预测分开开展研究工作的。在覆冰预测方面,1953 年 Imai3最早提出物理概念覆冰模型,他研究指出导线热传导对覆冰情况有控制作用,覆冰强度与温度成正比且与降水量无关。1955 年,Lenhard4首次将覆冰模型建立与电线材质建立分析,并在此研究上提出了一种覆冰厚度模型。之后的研究大多是在总结前人研究的基础上改进出了新的模型。如刘和云等5在Imai 模型的基础上又考虑了风速、降水量、水滴直径等对输电线路覆冰的影响,建立了一种新的冰厚预测模型。除此之外,随着电网监测数据越来越全面,数据量越来越大,智能算法被更多的应用。2019 年Hao 等6采用分层的 K均值聚类方法建立了一种覆冰预测模型,该方法将结冰过程划分为多段,分别聚类绘制出抽象的覆冰演变曲线,但结冰过程的划分还是以冰厚为主。2021 年,李贤初等7在气象因素对导线覆冰影响的研究工作基础上,建立了导线覆冰基于自适应变异粒子群算法(Adaptive MutationParticle Swarm Optimization Algorithm,AMPSO)的神经网络预测模型,该研究选择高湿环境下全年的线路覆冰数据以研究覆冰厚度增长的特性,改善了因覆冰周期短导致的数据采集难预测率低等问题。但该模型仍是对天气与覆冰厚度建立了映射关系,没有考虑各要素对覆冰类型的影响作用。在覆冰与电网故障的映射关系中,相同的覆冰厚度可以是不同的覆冰类型,不同的覆冰类型对电网造成的影响及对应采取的解决措施也是不同的。因此对电网覆冰类型进行预测不仅对电网故障准确预测有积极作用,而且对后续抢修工作的进行有指导意义。当前电网故障预测研究主要以电网自身运行数据为驱动,智能算法为主来研究的。1995 年 Yang等8首次将神经网络应用于电网故障预测研究中,文章基于输电网络网格化并各自建立起故障识别网络,通过综合所得信息得出电网故障诊断结果。2008 年,周卫等9将气象因素引入到电网故障预测中来,并提出精细化灾害预警系统的系统框架,为电网气象灾害预警提供了新思路。之后如 2017 年卢育梓10提出了一种新的配电网故障预测办法,该方法从电力公司需求角度出发,利用数据挖掘技术预2671第 23 卷第 6 期2023 年 6 月 安全 与 环 境 学 报Journal of Safety and Environment Vol.23 No.6Jun.,2023测馈线的故障等级。2020 年,Brester 等11建立了一种基于天气的电网故障预测模型,该模型表明故障前 6 h 的天气数据包含了足以做出准确预测的信息,这些信息即使在简单的神经网络中仍有良好的预测结果。上述故障预测研究中部分考虑了气象灾害对电网故障的影响作用,但针对覆冰灾害下的电网故障预测研究寥寥无几,并且这些少数研究均是基于故障率与覆冰厚度建立的概率模型12 13,但覆冰灾害下电网故障不仅与覆冰厚度有关,还与覆冰类型、地形、海拔、导线电压等因素相关。表 1 覆冰类型及特点Table 1 Types and characteristics of ice cover类型外观质量浓度/(gcm-3)特点雨凇冰体透明0.7 0.9过冷却水滴,且颗粒直径较大。与物体发生碰撞后呈湿增长模式,即形成水膜在先,而后凝结成冰凌。黏附力强,常伴有冰柱雾凇冰体白色疏松0.1 0.3过冷却水滴但颗粒直径较小。与物体发生碰撞后呈干增长模式,即刹那冷冻至冰凌。迎风面附着但黏附力较弱混合凇冰体呈半透明状0.2 0.6大小不同的过冷却水滴。与物体发生碰撞后有的为干增长模式,有的为湿增长模式。迎风面附着且附着力强雪凇冰体呈白色堆积状0.2 0.4冷冻的雪片,在下落至暖层空气时发生融化现象,而后与物体碰撞黏附在物体上。黏附力差综上所述,为了找寻各影响因素与覆冰类型的映射关系,探究覆冰类型对电网故障的影响作用,本文提出一种改进逻辑回归多分类算法,通过改进输出层函数建立多覆冰类型预测模型实现对覆冰类型的分类预测。后结合电力设备等因素,按照覆冰类型的划分,分别在不同的机器学习算法下对电网覆冰故障进行预测比较。以期达到建立覆冰类型与电网故障之间的映射关系,对后续抢修工作提供参考的作用。1 数据描述及处理1.1 覆冰成因分析在冰晶、雪花等水汽成分下落过程中,暖湿气流会使其逐渐溶解,再遇冷空气后,水滴的温度会迅速下降并在尘埃的包裹作用下形成以水滴为中心的冰粒,这些冰粒在近地面风力的推动下与输电线碰撞,因其表面张力轻松附着在导线上并在其表面凝结,这便是覆冰的形成14。覆冰可根据其外观特点划分为雨凇、雾凇、混合凇、雪凇 4 种类型。就成型比重来说,覆冰多发生在降雨时期,此时水蒸气分子较多,因此输电线覆冰主要为雨凇覆冰,其次是混合凇、雾凇。雪凇因电线振动或风中附着力差易脱落,不易形成冰滴凝结在导线表面,因此难以对电网运行造成严重损害,占比也就偏小。表 1 是覆冰类型及特点分析。基于对覆冰类型及其形成特点的分析可知,导线覆冰必须要满足一定的温度、空气湿度、风速。温度:合适的覆冰温度应该为-15 0,当气温过低时,冰滴已经完全冻住难以附着在线路上;当气温过高,水滴会直接落下而不是附着在线路表面。空气湿度:覆冰情况的产生其空气湿度普遍大于等于 85%,在这个湿度要求下的天气一般为大雾或者雨天,空气中将会有更多的液态水,更有可能被线路捕获。风速:一般为 1 15 m/s,风速过快会将水滴吹散,风速过慢对水滴的推动作用不强难以附着。除上述提到的气象因素之外,非气象因素也有可能对电网覆冰产生影响。比如输电线路所架设的海拔高度,海拔越高温度越低,二者为反比关系,当空气中的水汽成分充足就有可能产生导线覆冰的现象。其次不同地形地貌在相同气象条件下对覆冰的影响效果也大不相同。在其他条件相同的情况下,越接近湖泊的地区,空气水分比较大,就更容易导致线路覆冰;且迎风坡由于风力的作用覆冰情况会比背风坡更加严重。综上所述,本文选取了地理因素为海拔高度、经度、纬度、地形,气象因素为日平均气温、最高气温、最低气温、累积降雨量、平均气压、平均相对湿度、最小相对湿度、日照时数、平均风速、最大风速、最大风3671 2023 年 6 月 王国庆,等:基于改进逻辑回归的电网覆冰故障预测研究 Jun.,2023速风向、标准冰厚、天气共同作为覆冰类型因素变量。1.2 覆冰对电网故障的影响分析覆冰所引起的电网故障主要可分为 3 类。一类是由于线路覆冰过重导致的机械事故、电气事故,如金具损坏、杆塔损毁、弧垂增大引起的闪络和短路等。第二类是线路覆冰舞动。导线在覆冰情况下受风作用发生舞动导致相间闪络或对地闪络15。第三类是绝缘子覆冰闪络,这类故障是由于覆冰后的绝缘子性能强度下降,造成泄露距离减短发生闪络。基于以上分析,本文将覆冰导致的电网故障划分为倒杆、断线、闪络和舞动。并在覆冰因素变量的基础上增加导线电压等级、导线外径、设计冰厚 3 种电路数据共同组成电网故障概率预测的初始变量。1.3 数据预处理本文初始数据集包括 3 类:气象数据、地理环境数据、电网线路数据。这些数据之间存在量纲的差距,以覆冰类型数据为例,部分覆冰数据如表 2 所示(覆冰类型数据包括地理和气象因素两大类,共计17 个影响因素,在此只列出了因素间数值差值过大且具有代表性的部分因素。)表 2 覆冰原始数据(部分)Table 2 Original data of ice cover(part)地市局线路名称地形观测场海拔/m累计降水/mm平均本站气压/hPa平均相对湿度/%天气覆冰类型昭通大东线山谷62.70.1808.578阴混合凇曲靖关岔回线山的北面189.70.2809.983雨夹雪雾凇昭通红山线山谷167.16.9808.688雨混合凇曲靖师宗 10 kV 脚家箐线路山谷160.03.8808.192雨夹雪混合凇昭通雪金线犀牛分支线山谷275.20.8800.782雨夹雪混合凇昭通镇电威马线马家支线山谷151.80800.072雨夹雪雾凇昭通管坝线芦塘支线山谷269.30.2799.282雪雨凇昭通管坝线中寨支线山谷269.30.2804.086阴雨凇红河阿盈里线 386 线路林地190.20871.375雾雾凇曲靖虹平回线临江196.50804.556晴无曲靖会泽火红线龙树支线临江180.30.1806.678雨雨凇表 3 地形数据标签转换Table 3 Topographic data label conversion类型林地临水平地山地山北面山南面山脊山谷山腰山脚标签12345678910其中海拔高度以 m 计算,累计降水量以 mm 计算,从单位上二者就差了 1 000 倍,并且还存在地形、天气这类文字性的数据,于是本文对所涉及的数据进行了如下处理。1)为了避免目标向量由大量级的特征向量控制,减少量纲不同带来的消极影响,故需要对数据进行预处理。本文采用标准化作为预处理的方式,标准化公式如下。Xnew=Xi-(1)式中Xnew为标准化后的数据,Xi为待处理的数据,为待处理数据的标准差,为待处理数据的均值。2)将原始地形数据综合,并赋予其整数标签,对应结果如表 3。3)将天气数据整合并转换成数字标签,对应结果如表 4。表 4 天气数据标签转换Table 4 Weather data label conversion类型阴晴雨雾雪冻雨雨夹雪标签12345674671 Vol.23 No.6 安全 与 环 境 学 报 第 23 卷第 6 期2 改进逻辑回归分类