新能源配電網故障修復時間分析與預測研究

陳本權，杜 洋

(煙臺海頤軟件股份有限公司，山東 煙臺 264000)

風能、太陽能等新能源因具有高效、清潔的特質，在提升發電能效的同時，縮減了化石能源損耗及污染，是電網綠色發展的主流趨勢。目前，能源、環境問題日益嚴峻，而電力因市場需求量大、覆蓋范圍廣亟待能源創新，驅動新能源電網的建構。電力系統恢復[1-3]需要電力公司作出謹慎和快速的決策，特別是在極端天氣事件之后，自然災害面前更顯配電網的脆弱性。據統計，2008年后大停電進入高發期[4]，主要經濟體是大停電事故“重災區”，其中自然災害原因占56%；電力投資不足導致設備老化、市場設計缺陷等電力管理體制原因占31%；意外或人為事故原因占10%；網絡攻擊成為新興原因占3%，具有隱蔽性、復雜性強，防御難度大、物理傷害大等特點。在大規模的停電之后，電力公司主要任務之一是派遣維修人員前往受損地點，以恢復供電[5-6]。為了制定電力恢復計劃，有必要估算受損部件的修復時間，從而更有效地指導維修人員，并向公眾公布估計的恢復時間。

為此，許多學者對故障定性及定量進行了研究。文獻[7]提出一種基于深度強化學習的孤島微電網故障區域判定方法，該方法預先提取孤島微電網的故障特征，并基于深度強化學習和三端行波測距法判定孤島微電網故障區域；文獻[8]提出了基于機器學習回歸算法的配網用戶停電數量預測方法，用戶停電數量預測可為電網應急搶修提供輔助指導；文獻[9]提出了基于時變隱馬爾科夫模型的連鎖故障預測方法，并在IEEE36模型中驗證所提方法的可行性和準確性。除了考慮對故障的定位或定性，需要對故障修復及停電恢復時間進行預測。故障修復時間是機組人員維修部件所需的時間，而停電恢復時間可定義為從維修開始到用電客戶重新可以正常用電所需的時間。然而目前大量文獻應用不同方法對配電網中故障位置及停電用戶數量進行預測，還沒有針對故障修復及停電恢復時間預測的研究。

本文根據某電力公司服務區域內的6年維修數據，分析了停電的統計特性，研究了不同天氣事件下的停電特征，并利用多層前饋卷積神經網絡(MCNNs)研究停電恢復和故障修復時間，預測不同天氣條件下受損配電系統的停電恢復和故障修復時間，從而及時向用戶告知估計的停電恢復和故障修復時間，提高電力服務質量。

1 數據集與天氣事件分析

1.1 數據集

數據集由某電力公司6年內記錄的數萬次停電統計情況構成，共含50多個不同類別的停電原因。此外，數據集中報告的停電涉及多個配電線路。其中每次維修的報告信息包括：維修時間、恢復時間、中斷的客戶數量、維修的開始和結束時間、位置、原因和配電網電路號。不同原因下停電恢復、故障修復時間統計情況見表1。

表1 不同原因下停電恢復和故障修復時間統計Tab.1 Statistics of outage recovery and fault repair time under different causes

由于天氣事件(如雪、風和樹木(風導致的樹木觸碰)造成的停電事件變化很大，通常比其他原因造成的停電時間要長得多，這是因為這些事件可能更具破壞性，維修人員可能會遇到運輸和移動困難等情況。

使用不相關的輸入可能會增加計算成本并導致過度擬合，即預測模型對于特定數據過于敏感，從而無法使用其他類型數據進行準確預測。因此在分析數據時，必須剔除無關信息，并找到對輸出有很大影響的輸入。經過分析發現，中斷的客戶數量對恢復和修復時間都有顯著影響。受影響客戶數量與停電恢復時間關系如圖1所示，受影響客戶數量與故障修復時間關系如圖2所示。由圖1、圖2可以看出，受影響的客戶數量越多，恢復和修復時間都會越短。

圖1 受影響客戶數量與停電恢復時間關系Fig.1 Relationship between the number of affected customers and outage recovery time

為了進一步驗證這種關系，對暴雪天氣期間多個用戶停電情況進行了統計，維修開始和結束時間之間中斷客戶數量統計如圖3所示。由圖3可以看出，大量中斷客戶的停電位于圖的底部，且維修開始和結束時間之間的差異很小(恢復時間短)。此外，當多組停電同時發生時，預計恢復時間將受到顯著影響，但由于維修人員數量有限，影響大量客戶的停電事件將賦予更高的優先級。

1.2 天氣事件

極端天氣事件后停電恢復時間箱線如圖4所示。

由圖4可知，極端事件(如洪水、大雪和臺風)后的停電恢復時間變化很大，臺風等破壞性事件期間發生的停電與冰雹等非極端事件期間發生的停電之間的巨大差異。臺風(根據等級劃分為熱帶風暴、強熱帶風暴、臺風、強臺風)是該地區發生頻率最高的極端天氣事件，且損失情況難以估計，因此比其他天氣事件造成的停電次數更多。

極端天氣事件后故障修復時間箱線如圖5所示。

圖5 極端天氣事件后故障修復時間箱線Fig.5 Fault repair time box diagram after extreme weather events

2 深度神經網絡

深度學習[10]是一種典型的機器學習方法，本文采用多層卷積神經網絡(MCNNs)來分析停電修復和恢復時間，網絡結構如圖6所示。

圖6 網絡結構Fig.6 Network structure

該網絡由輸入層、輸出層及其之間的多個隱藏節點層(神經元)組成，每一層中的每個節點與下一層中的每個節點以一定的權重w連接，MCNNs的學習過程通過改變節點之間連接的權重實現。MCNNs使用函數y=f(x，w)將輸入x映射到輸出y，并通過網絡學習得到最佳函數近似值的參數w的值。

在配電網故障修復和停電恢復時間預測模型中，輸入為353個變量。其中，2個為連續變量，351個為離散變量(二進制)。連續變量為中斷客戶數量和需要維修的損壞數量，離散變量為停電原因、電路編號和天氣事件(山洪暴發、冰雹、大雪、降雨、熱帶風暴、臺風等)。此外，為了描述不同的離散變量，采用二進制變量表示分類特征的輸入。例如，如果天氣事件有4個類別{閃電、冰雹、大雪、降雨}，則MCNNs的輸入為以下二進制序列：{0001，0010，0100，1000}，其中，0001為閃電事件，0010為冰雹事件，0100為大雪事件，1000為降雨事件。用于預測故障修復時間和停電恢復時間的MCNNs模型具有相同的結構，但兩個模型的參數不同。

MCNNs模型使用了用于減少過擬合的Dropout正則化技術[11]。Dropout隨機將節點及其連接從網絡中刪除，從而防止過擬合。此外，各個卷積層均使用非線性激活函數。激活函數用于在網絡中引入非線性機制，從而使網絡能夠模擬輸入和輸出之間的復雜關系。所提網絡中使用Relu激活函數校正線性單元，Relu在深度網絡和復雜數據方面具有快速高效的性能。Relu激活功能由以下函數定義：

g(x)=max(0，x)

(1)

因此，MCNNs的輸出可以用激活函數表示。令nl為層l中的節點數。wl為層l-1和層l中節點之間的權重，且有wl∈Rnl×nl-1。al為層l的輸出，且有al∈Rn×1。因此，每一層的輸出al可計算：

al=g(wlal-1)

(2)

當輸入層數l=1時，al=x。對于具有L層(包括輸入層和輸出層)的神經網絡，MCNNs的輸出定義：

y=aL=g(wLaL-1)

(3)

3 仿真與分析

MCNNs模型仿真環境為Intel Core i7，3.6 GHz CPU和16 GB RAM的服務器上使用Keras和Tensorflow軟件包構建和訓練。

數據集分為訓練集和測試集，測試集用于評估所提出的預測模型，訓練集包括前5年發生的停電，而測試集為第6年發生的停電情況。對于用于預測停電恢復時間的MCNNs模型，有26 332個訓練樣本和5 273個測試樣本；用于故障修復時間的DNN模型，訓練樣本數為22 791個，測試樣本數為4 001個。

(4)

式中，N為訓練樣本的數量。

本文采用Adam優化器求解和更新訓練參數的值，Adam優化器本質為基于一階梯度的隨機目標函數優化算法，可實現基于低階矩的自適應估計。DNN網絡模型訓練參數設置見表2。

表2 DNN網絡模型訓練參數設置Tab.2 Training parameters setting of DNN network model

故障修復時間學習曲線如圖7所示，停電恢復時間學習曲線如圖8所示。

圖7 故障修復時間學習曲線Fig.7 Fault repair time learning curve

圖8 停電恢復時間學習曲線Fig.8 Outage recovery time learning curve

由圖7、圖8可知，與VGG16、ResNet和多層感知器模型相比，MCNNs模型的故障修復時間和停電恢復時間分別在21和18次迭代后，網絡性能達到最優且停止改善，其中故障修復時間MAE約為0.32 h；停電恢復時間MAE約為2.20 h。

故障修復時間與停電恢復時間占比見表3。由表3可知，80%的預測故障修復時間在實際值30 min內，只有2%的預測故障修復時間超過實際值150 min；27%的預測停電恢復時間在實際值的30 min內，有72%在實際恢復時間的120 min內。

表3 故障修復時間與停電恢復時間占比Tab.3 Proportion of fault repair time and outage recovery time

故障修復時間的預測模型優于停電恢復時間的預測模型，停電恢復時間MAE為118.20 min，比故障修復時間MAE長約90 min，主要是由于停電恢復時間的高度可變性與復雜性以及包括另一個不確定變量(維修人員調度問題)。

4 結論

配電網故障修復時間分析與預測對于電力公司定期維護設備、處置突發狀況至關重要，提出了MCNNs模型，該模型能夠學習配電網故障維修及停電數據特征，有效預測配電網故障修復及停電恢復時間，為配電網提高服務質量及應急處置提供一定參考。未來可對維修人員調度進行優化，進一步節省故障修復及停電恢復時間。