金屬氧化物避雷器缺陷診斷的反距離加權改進KNN算法

陳陽陽 ，舒勝文，吳涵，王國彬，陳誠

(1.福州大學電氣工程與自動化學院，福建 福州 350108;2.國網福建省電力有限公司電力科學研究院，福建 福州 350007)

0 引言

避雷器是保護電力系統免受電壓沖擊的關鍵設備，其正常運行對于保障電力系統穩定運行具有重要的意義[1-2].隨著避雷器投運時間的增長，閥片老化等缺陷增加了避雷器故障的風險.在線監測是及時發現避雷器缺陷的重要手段之一，在近10年得到廣泛應用.然而，避雷器在線監測數據受到環境和電磁干擾的影響，增加了避雷器在線監測的難度.因此，需要制定合理、 有效的在線監測預警規則，實現避雷器真實運行狀態的在線監測，減少在線監測誤判和漏判事件的發生，保證電力系統的安全穩定運行.

現行的金屬氧化物避雷器(metal oxide arrester，MOA)在線監測系統普遍采用閾值告警規則，該預警規則易受環境因素影響，造成阻性電流增大超過閾值而觸發報警，導致誤告警，給一線運維人員的工作造成困擾.然而，提高預警閾值可能使故障避雷器無法正常預警而產生漏告警，危及電網的穩定運行.因此，閾值告警規則由于其自身局限性，無法平衡好誤告警和漏告警之間的關系，有必要引入更加完善的預警規則或智能算法來實現避雷器的在線監測與缺陷診斷.

文獻[3]基于多層支持矢量機建立避雷器的在線狀態監測系統.文獻[4-6]采用混合算法進行模擬逼近，通過計算出避雷器等效模型的相關參數來實現在線監測.文獻[7]融合避雷器現場運檢和在線監測等信息，利用隨機森林實現對避雷器數據的分析.文獻[8]提出基于變權云理論的避雷器在線監測評估算法，通過最大隸屬度原則確定避雷器的絕緣老化情況.文獻[9]研究發現阻性電流3次諧波可以更靈敏地反映避雷器受潮情況，并總結出不同受潮狀態下阻性電流的變化規律.文獻[10]分析不同故障情況下避雷器阻性電流的變化情況，為針對避雷器阻性電流的在線監測提供了參考依據.文獻[11]實現避雷器在不同溫度下狀態參數的換算，對不同溫度下的告警閾值設定具有參考價值.

針對避雷器在線監測現行規則中存在的問題和當前國內外研究中存在的不足，本研究首先介紹避雷器的等效模型和常用的在線監測方法，對某省在線監測裝置的運行情況進行統計分析，通過研究在線監測各項數據間的Pearson相關系數，提取關鍵特征量； 其次，提出一種基于反距離加權改進KNN算法的避雷器缺陷診斷方法，并通過參數優化獲取模型的最優參數組合； 最后，通過實例分析驗證算法模型的有效性.旨在為基于在線監測數據的避雷器缺陷診斷方法提供一種新的思路.

1 避雷器在線監測方法及數據分析

1.1 避雷器在線監測方法

1.1.1 避雷器等效模型

避雷器可以等效為電阻和電容的并聯電路，如圖1所示.圖1中，總電流I、 阻性電流Ir、 容性電流Ic和避雷器兩端電壓U的關系, 可用圖2所示的矢量圖表示.圖2中，φ為電壓U與電流I的相角差，由此可得, 阻性電流Ir、 容性電流Ic的表達式為：

Ir=I·cosφ，Ic=I·sinφ

(1)

其中，避雷器的等效電阻隨著避雷器閥片老化、 受潮等劣化因素影響而減小，等效電容幾乎不變且遠大于等效電阻，因此阻性電流占比較小，φ值較大.

1.1.2 在線監測方法

常用的避雷器在線監測方法有全電流法、 基波法、 三次諧波法、 歷史數據分析法4種.

1) 全電流法是一種裝置簡單且最早采用的監測方法，通過測量流經避雷器的泄漏電流來判斷設備狀態.但是該方法受電壓波動和環境影響較大，且無法反映避雷器早期故障，存在告警盲區.

2) 基波法也稱為阻性電流法，是通過測量避雷器兩端電壓和流經避雷器的電流的幅值和相角，計算出避雷器的基波電流分量來表征避雷器運行狀態.

3) 三次諧波法也稱為零序電流法，是一種綜合考慮三相避雷器狀態的在線監測方法，裝置簡單，易于操作，但無法確定故障相所在位置，需要結合其他輔助方法進行進一步判斷.

4) 歷史數據分析法是通過收集在線監測歷史數據，結合人工智能算法實現設備故障診斷.該方法具有較高的精度但可解釋性差，且對在線監測設備準確測量和穩定運行提出了一定的要求.

1.2 避雷器在線監測應用現狀

據某省電科院不完全統計，2016—2019年，該省避雷器在線監測告警規則先后經過增加、 取消濕度屏蔽、 增加三相不平衡等多個版本，共計發出告警約21 040條，如表1所示.其中，僅有55條監測告警(含37條重復告警)證實屬于避雷器缺陷導致，發現問題避雷器18臺(500 kV 2臺、 220 kV 4臺、 110 kV 11臺，±320 kV 1臺)，報告本體受潮劣化11臺，泄露電流表計劣化5臺，底座絕緣子劣化2臺，告警正確率僅為0.26%.

截至2019年底，某省110 kV及以上避雷器共22 680支，其中配備在線監測裝置9 482臺，監測覆蓋率41.8%.在線監測裝置運行年限分布如圖3所示.

表1 金屬氧化物避雷器在線監測告警規則

通過統計分析避雷器設備狀態和告警規則，目前避雷器在線監測裝置主要存在以下幾個問題：

1) 現行告警規則不合理，在線監測誤告率高.單一閾值告警無法識別裝置自身故障告警、 天氣造成的正常波動、 污穢造成的異常告警，不能有效進行設備狀態預警.

2) 在線監測裝置運行年限久、 老化嚴重，維護工作量大.投運9 a及以上裝置達4 176臺，占比44%，最長投運年限達13 a.裝置缺陷數約占總缺陷的65%.部分在線監測裝置傳感器、 主板等抗干擾能力不足，造成監測數據不穩定、 誤告警.

1.3 避雷器在線監測數據分析

本研究的避雷器在線監測數據來源于某市電網30只不同運行狀態的110和220 kV避雷器，時間跨度為1～2 a，時間分辨率為1 h，能充分反映各種運行狀態下的避雷器數據特征.區別于已有研究，本研究中避雷器的運行狀態是經多數專家共同研判或解體分析后確定的，具有較高的可信度.

阻性電流、 全電流和相電壓是避雷器在線監測中的常用特征量，過多的數據維度會增加分類算法的復雜度和程序的運行時間，為此，有必要在維持基本算法準確率的前提下，利用數據相關性分析方法選取算法所需的關鍵特征數據.Pearson相關系數的公式如下所示：

(2)

其中：E為數學期望；X、Y為待分析的變量.

1) 全電流和阻性電流的相關性分析.通過分析某地區避雷器1 a的在線監測數據，得到三相全電流與阻性電流之間的Pearson相關系數，結果如表2所示.從表2可以看出，三相全電流和阻性電流之間具有較強的線性相關性，且阻性電流在全電流中的占比約為6%～35%，能敏感地反映全電流的變化情況，因此在研究中可以采用阻性電流來表征全電流的變化情況.

表2 全電流和阻性電流相關性分析

表3 相電壓和阻性電流相關性分析

綜上所述，在特征量選取中可以選取避雷器阻性電流、 電壓作為表征避雷器運行狀態的特征參數，綜合三相數據進行分析能夠有效避免對單相缺陷的漏判.考慮到環境溫濕度也會對在線監測數據造成波動[12]，因此，選取環境溫濕度、 三相阻性電流和三相電壓作為反映避雷器運行狀態在線監測與缺陷診斷的特征量.此外，由于通常認為避雷器污穢或受潮等屬于避雷器的劣化原因之一，具體影響可通過阻性電流等在線監測參數反映，且目前在線監測系統中未對避雷器表面污穢情況進行定量監測，故未將其作為特征參數開展分析.

2 反距離加權改進KNN算法

2.1 算法原理

KNN(K-nearest neighbor)算法依據聚類思想實現對樣本數據的分類.其基本原理是通過計算待測樣本與訓練樣本之間的距離，取出距離最近的K個訓練樣本，將K個樣本中出現次數最多的類別作為待測樣本的分類類別，從而實現樣本分類.傳統KNN算法具有原理簡單、 分類準確率高、 易于實現的特點[13-14]，但是當訓練樣本中存在干擾樣本時，對樣本的正確分類存在一定的影響.同時，K值的選取也影響著分類準確率.當K值較小時，干擾樣本對分類正確率影響較大，當K值較大時，算法的準確率也將有所降低.

KNN算法的原理如圖4所示.當K=2時，待測樣本的類型被分類為“三角形”; 當K=5時，待測樣本的類型被分類為“圓形”，但在實際應用中待測樣本的實際類型更加傾向于“三角形”.因此，為了獲得準確的分類結果，K值的選取應該減小，但過小的K值對于干擾樣本的敏感度較高.為了解決該問題，提出一種基于反距離加權的改進KNN算法.

反距離加權改進KNN算法在統計K個樣本中出現次數最多的類別的同時，將待測樣本與訓練集樣本距離的倒數作為最終參與樣本決策時投票的權重，即距離越近的樣本投票時權重更大，這也更加符合聚類思想.基于反距離加權改進KNN算法的流程如圖5所示.

2.2 數據預處理

由于不同特征量之間的數量級不同，不同特征量的偏差對分類的影響也不同，因此為了將不同特征量的偏差影響化為一致，文中對樣本數據進行歸一化，歸一化公式如下：

(3)

其中：Xmax為同一特征量的最大值；Xmin為最小值；X為歸一化前的數據；X′為歸一化后的數據.

高維數據對于算法的運算速率影響較大，因此有必要對數據進行降維處理.在進行PCA(principal component analysis) 降維之前，對樣本進行KOM(Kaiser-Meyer-Olkin)檢驗和Bartlett球形度檢驗.通過分析可知，樣本數據的Bartlett球形度檢驗值小于0.05，KOM檢驗值大于0.60，適合進行PCA降維[15]，主成分個數為3時累計方差解釋率為84.69%，能較好地反映原始數據的情況，實現數據可視化，因此可以進行PCA降維[16].文中將原始八維樣本數據通過PCA降維成三維數據.

3 避雷器故障診斷算法驗證

從某市電網30只避雷器不同時段的在線監測數據中抽取200個樣本作為參數尋優樣本，其中75.00%的樣本作為訓練樣本，25.00%的樣本作為測試樣本.參數尋優樣本中包含天氣影響、 裝置故障、 一次設備故障和正常數據4類數據各50組，每個樣本中包含了三相阻性電流、 三相電壓、 環境溫濕度共8維數據.其中，各類監測數據的區間范圍分別為： 阻性電流16.42～498.57 μA，電壓64.8～132.61 kV，環境溫度18.27～40.23 ℃，環境濕度33.84%～91.74%.

3.1 算法參數尋優

由于在KNN算法中K值與距離度量方式會影響KNN算法的準確性，因此針對K值與距離度量方式展開參數尋優，常見的距離度量方式及其計算公式如下：

水資源在日常生活中和人們的利益密切關聯，且其是生命之源。水文工作者需牢牢把握水質檢測關卡，保證用水安全，從而實現對水中微生物滋生導致的傳染病爆發、疾病流行，微生物實驗室檢驗及管理，且相對于化學檢測來說，而水質檢測的質控、處理，以及采集需注重多環節。隨著新出臺及實施的《生活飲用水標準檢驗方法》[1]，不斷提升了微生物檢測的要求，同時獲得人們更多的思考及關注度。結果的分析，以及樣品采集、檢測、管理等多環節，均包含于水質監測微生物實驗室樣品管理及檢測中，彼此之間互為依靠，緊密聯系，但是當有一些不足或者是缺陷出現的時候，則會對最終的檢驗結果產生極大的影響。

1)歐氏距離：

(4)

2) 切比雪夫距離：

(5)

3) 曼哈頓距離：

L(xi,yj)=max{|xi1-xj1|, |xi2-xj2|, …, |xin-xjn|}

(6)

通過對不同距離度量方式下的K值進行狀態診斷準確率的比較，選取合適的模型K值和距離度量方式.為獲得不同組合下的診斷準確率，將所有組合循環1 000次，并將準確率平均值作為該組合方案下的準確率.傳統KNN算法和基于反距離加權改進KNN算法的參數尋優結果分別如圖6和圖7所示.

從圖中可以看出，在傳統KNN算法中，無論哪一種距離度量方式的準確率都隨著K值的增加而降低，而K值越大算法的抗干擾能力就越強.對比3種距離度量方式后不難發現，采用曼哈頓距離的模型整體準確率都高于其他兩種距離度量方式，在選擇曼哈頓距離且K=3時，算法分類準確率達到最高94.33%.采用改進KNN算法的準確率變化趨勢與傳統KNN算法基本一致，采用曼哈頓距離仍然取得了較高的準確率，然而在改進KNN算法中，選擇曼哈頓距離且當K=5時算法準確率達到最高97.28%，相較于傳統算法具有更高的準確率和抗干擾能力.

3.2 算法對比

為驗證本方法的優勢，從運算效率和分類準確率兩方面將改進KNN算法與較為成熟有效的隨機森林算法、 支持向量機算法進行對比，結果如圖8所示.

定義3類算法評價指標(精確率(P)、 召回率(R)和F1)的計算公式如下，評價結果如表4所示.

(7)

(8)

(9)

表4 算法評價指標

其中： TPi表示實際類別與分類類別都為i的數量； FPi表示實際類別不為i，分類類別為i的數量； FNi表示實際類別為i，分類類別不為i的數量.

根據計算結果可獲得3種算法的混淆矩陣和算法指標如圖9所示.圖中分別用0、 1、 2、 3表示正常數據、 天氣影響數據、 一次設備故障、 裝置故障4類故障.

由圖9可知，在分類準確率方面，改進KNN算法遠高于隨機森林算法和支持向量機算法； 在運算速率分類時間方面，改進KNN算法與隨機森林算法相近，優于支持向量機算法.因此，在基于在線監測數據的避雷器缺陷識別與分類問題上，改進KNN算法具有更好的適用性和更好的分類性能.

3.3 算法泛化能力驗證

從模型樣本集以外的樣本中按照故障類型選取5個典型樣本進行算法的泛化能力驗證.5個典型樣本各項特征參數如表5所示.

表5 典型樣本的各項特征參數

通過算法模型計算樣本距離和權重，得分最高的類別即為分類類別，結果如表6所示.由表6可以看出，傳統KNN算法與改進KNN算法對于避雷器在線監測數據都具有一定的分類能力，但是針對測試樣本⑤所屬的天氣影響數據分類中，傳統KNN算法的5個近鄰中有3個近鄰為正常樣本，因此傳統KNN算法存在無法正確區分受天氣影響數據和正常數據的問題，存在一定的誤判.然而改進KNN算法得益于反距離加權的投票方式，類別0較類別1具有數量上的優勢，但在得分上類別0小于類別1，因此能夠有效避免誤判，具有更強的抗干擾能力和診斷準確率.

表6 算法泛化能力驗證結果

4 結語

針對避雷器現有在線監測系統告警規則存在的不足，研究并提出一種基于反距離加權改進KNN算法的避雷器缺陷診斷方法，可得出以下結論：

1) 避雷器三相全電流和阻性電流Pearson相關系數大于0.8、 三相電壓和阻性電流的Pearson相關系數小于0.4，表明阻性電流和電壓可以反映避雷器的運行狀態，同時綜合分析三相數據并加入環境溫濕度能夠有效避免對單相缺陷的漏判和環境變化造成的誤判.

2) 采用曼哈頓距離且K=5時的基于反距離加權改進KNN算法對避雷器在線監測數據具有較好分類效果，分類準確率為97.28%，精確率為97.92%，召回率為98.21%，F1值為98.06%，相較隨機森林和支持向量機算法具有更優的分類性能，對避雷器在線監測數據具有更好的適用性，有助于提升避雷器在線監測的告警可靠性.