基于粒子群算法的輸電線路運行狀態監測方法

李 楠

（寧夏送變電工程有限公司，寧夏 吳忠 750000）

0 引 言

當前常見的運行狀態監測的方式是通過（冗）余生成殘差的形式，當殘差超出了一定的控制時，則可以判斷設備當前的傳感器中存在故障，對此，需要及時地采取相應的措施。但是在使用這種方式時，需要布置多個監測設備以此來獲得真實的數據。雖然方法簡單明了，但是在實施的過程中需要耗費較高的成本購置多個設備，嚴重限制其廣泛的應用[1]。因此，文中提出了基于粒子群算法（Particle Swarm Optimization，PSO）的輸電線路運行狀態監測方法。

1 輸電線路運行狀態監測內容

1.1 絕緣子污穢在線監測

絕緣子污穢的監測，指的是針對絕緣子表面污穢物質的監測。由于絕緣子表面隨著使用時間會或多或少帶有一定的污穢物質。一般情況下，這些污穢物質可以分為4大類：（1）自然污穢，指的是隨著空氣的吹動而漂浮的一些微生物；（2）工業污穢，指的是一些工業企業在作業的過程中所排放出來的煙塵；（3）顆粒性污穢，主要是指灰塵、煙塵等呈各種形狀的顆粒物；（4）氣體性污穢，主要是指形態以氣態為主的污穢物，這類物質的覆蓋力極強。以上這些物質一般都會具有一定的導電性與吸濕性，因此容易引發泄漏電流的情況。對此，需要做好絕緣子污穢的在線監測，實時了解到絕緣子當前的狀況[2]。

1.2 輸電線路履冰監測

我國除了南方地區外，大部分地區的輸電線路運作過程中都會出現履冰的情況，一旦出現履冰會導致輸電線路中的導線重量加重，以及弧垂的增加。當輸電線路的環境中存在風動的情況時，還有可能會造成斷線、閃絡事故的發生[3]。

1.3 雷電在線監測

雷電定位系統的原理是，在雷電發生時對雷電波信息特征量進行測定，然后根據搜集到的數據分析雷電所發生的時間、地點等有關雷電的信息，及時了解到雷電對輸電線路的影響，以及當發生雷擊情況時雷擊的地方，有助于工作人員能夠及時做出應對策略。

1.4 輸電線路的環境監測

輸電線路的建設隨著當前社會對電力需求的增加，日漸變得復雜，線路的覆蓋面積在不斷增加，電網架構逐漸變得復雜。而這些復雜的輸電線路搭設主要是在空曠、人跡較少的地方。在實際的運作過程中，電網極容易受到環境的影響，如氣候的變化、下方區域地形影響等[4]。

1.5 輸電線路的導線舞動監測

輸電線路的導線舞動情況會導致線路出現嚴重的損害，對此需要通過在線監測的方式，加強對導線舞動的觀測與記錄工作。

2 基于粒子群算法輸電線路監測方法

2.1 粒子群算法概述

粒子群算法也被稱為微力群算法，簡稱PSO粒子，人們對該詞的定義是沒有質量與體積的物體，因此只探討其速度與加速的狀態。

人們提出粒子群算法，其目的主要是為了要仿造鳥群運動，同時把這種運動圖形化。人們在對動物社會不斷觀察的過程當中，通過觀察與探索群體對于信息共享的演化趨勢，以此作為基礎研發了全新的一個演示過程[5]。

當前，粒子群算法主要是根據鳥群對于環境的適應度進行相對的分析，同時把鳥群當中的個體歸納到好的區域當中，把每個個體都看成是沒有體積的例子，只探討與分析其速度與加速度。根據其原理，其流程如圖1所示。

圖1 PSO算法基本流程

2.2 基于粒子群算法輸電線路監測案例分析

我國的北方冬季時期，輸電線路在運行時因為積雪出現覆冰的現象，覆冰一旦過厚會導致輸電線路出現故障。對此，在輸電線路運行的過程中需要有相應的監測手法對輸電線路覆冰現象進行預測。

2.2.1 支持向量機與粒子群優化算法

支持向量機中，學習機在給定的樣本當中訓練輸入與輸出量之間的函數關系，能夠準確預測未來值。在支持向量機當中的關鍵參數與算法性能的影響較大，如核參數與懲罰因子，但是在結合較差驗證方法使用時具有一定的盲目性，對此，還需要結合粒子群優化算法來進行，在粒子群優化算法中每個粒子群在初始化后都會成為一群隨機粒子，然后通過迭代的形式找到最優解[6]。在支持向量機中結合粒子群優化算法能夠更好地獲得最優參數，提高準確度，獲得更高的預測值。

2.2.2 線路覆冰厚度監測步驟

輸電線路覆冰的原因有很多種，比如環境濕度、環境溫度等，這些都屬于是原始的數據資料。

具體的步驟為：（a）選取歷史數據，分為兩組，訓練樣本與測試樣本；（b）在支持 向量機中選擇徑向基核函數對覆冰 厚度進行預測，首先采用粒子群優化算法通過輸入 數據來尋找徑向基核函數的最優懲罰參數；（c）采用徑向基核函數對輸入數據進行訓練，得到訓練模型；（d）利用得到的預測模型來監測未知的輸電線路的覆冰厚度。

2.3 基于粒子群算法輸電線路異常用電監測案例分析

在異常用電的監測當中，得到用戶考察日負荷曲線與同地區同類用戶負荷模式曲線的匹配度m1，用戶考察日負荷曲線與用戶歷史負荷模式曲線的匹配度m2后，根據實際情況確定對兩匹配度的偏好度ω1和ω2，最終加權求和得到用戶的用電正常度η：

供電企業可根據對用戶的信用狀況評估來設置用電正常度的報警閾值，當用戶的用電正常度η大于報警閾值時，則該用戶為正常用戶；相反，則該用戶異常用電次數Q將加1，在指定時間長度內Q大于若干次后，用戶被列為異常用電嫌疑用戶。異常用電次數Q同樣可以根據對用戶的信用狀況評估來設置。

基于粒子群算法的負荷模式異常用電檢測方法的具體流程如圖2所示。

圖2 基于PSO算法的異常用電檢測流程

3 結 論

通過把粒子群算法應用到輸電線路的設備監測當中，能夠為輸電線路的監測提供一條新的思路[7]。由于在輸電線路運行狀態的監測當中涉及到較多的監測內容，如要監測輸電線路的環境風速、風向和現場圖像等內容，對此在結合粒子群算法進行優化時還需要不斷進行深入研究。