考慮時空分布的配電網站房巡檢策略

裴 超 王大磊 楊占剛 黃宇翔 張杰愷

考慮時空分布的配電網站房巡檢策略

裴 超1王大磊2楊占剛1黃宇翔1張杰愷1

（1. 國網重慶市電力公司市北供電分公司，重慶 401147； 2. 國網重慶市電力公司市區供電分公司，重慶 400015）

配電網站房巡檢工作是全面摸排設備缺陷隱患，提供試驗檢驗依據，提升配電網運行水平的重要手段。針對配電網站房點多面廣、巡檢工作量大、一線運維人員缺乏的突出問題，提出考慮時空分布的配電網站房巡檢策略。該方法從地理信息系統（GIS）中導出運維轄區內站房坐標，經預處理形成數據源文件，綜合考慮運維人員承載力、站房重要度和智能化程度、運維周期長短等實際應用場景特點，利用K均值聚類算法和遺傳算法對預處理后的數據進行聚類優化分析，形成定期巡檢模式下的站房巡檢策略和考慮周期長短的站房差異化巡檢策略。算例分析表明，所提方法能夠有效優化巡檢路徑和指導運維人員開展巡檢工作，提升巡視質量和效率。

配電網；巡檢；定期運維；差異化運維；時空分布；K均值聚類算法

0 引言

配電網站房是配電網的重要組成部分，運行環境復雜，直接面向終端用戶。隨著經濟社會的快速發展，配電網的投入持續加大、管理逐漸加強，對配電網可靠供電和優質服務的要求也越來越高[1]。配電網站房巡檢是配電網運行專業的核心基礎工作，可靠、全面的站房巡檢是及時掌握配電網站房運行狀態、制定檢修計劃的有效途徑，對提升配電網運行水平具有重要意義。

由于配電網站房數量眾多，分布廣泛，基礎臺賬失全，管理手段不細，運維人員經驗不一，在安排日巡檢計劃時，主要根據巡視人員對站房位置、設備狀況的了解及以往巡視經驗來確定，“拍腦袋”現象時有發生，導致巡視站房選取主觀性較大，容易造成巡視人員工作效率不高及資源配置不合理。

配電網站房定期巡檢工作量大與配電網運行人員缺乏的矛盾突出。實施差異化巡視是降低巡檢工作量、提升巡視品質的重要途徑。南方電網公司要求根據配電網設備健康度和重要度制定適用各自電網的差異化運維模式[2]。文獻[3]將配電設備健康度與重要度結合，確定配電設備不同風險管控級別，從而形成配電設備差異化運維策略。文獻[4]采用逐步模糊聚類法分析多維因素對配電設備差異性的影響，構建基于全息感知的配電設備差異化運維策略。以上研究建立了較好的配電設備運行狀態評估體系和重要度評價方法，但均未考慮時空分布的站房巡檢優化，不便于運行人員安排巡檢工作。

因此，本文為適應目前實際業務的需求，提出考慮時空分布的配電網站房巡檢策略：定期巡檢模式下，以歐式距離最小為目標建立巡檢策略；差異化巡檢模式下，分析設備運行狀況、健康程度和智能化水平，突出重點設備管控、兼顧一般設備運維，制定綜合考慮時空分布特性的巡檢策略，推動運維管理模式向“動態定級，精準運維”轉變。算例表明，所提方法能夠切實有效優化巡檢路徑，提升配電網站房巡視效率和運行水平。

1 定期巡檢策略

目前大部分供電企業配電網實施機構施行定期巡檢模式。文獻[5]給出了站房巡視周期，本文采用K均值聚類算法快速計算出供電轄區站房的定期巡檢劃分結果，用于指導運維人員安排巡檢工作。

1.1 坐標數據獲取

地理信息系統（geographic information system, GIS）能夠在計算機軟件與硬件的支持下，用于專門處理地圖數據，在電力系統中獲得了廣泛的應用[6]。GIS提供的可視化功能可構建直觀、友好的圖形化人機交互界面，同時系統提供的強大的數據管理和分析能力能夠支持電網數據管理與電力輔助決策。本文從GIS獲取運維轄區的站房坐標，對導出的站房名稱及數據進行預處理，形成后續計算所需的源數據。

1.2 K均值聚類算法

K均值聚類算法[7]是一種無監督學習，也是基于劃分的聚類算法，算法簡單、快速，收斂性好，本文采用K均值聚類算法對運維轄區站房進行聚類，算法流程如下：

1）根據運維人員實際承載力和規程規范要求，確定值。

2）從站房坐標源數據中隨機選取個站房坐標作為初始聚類中心。

3）計算非中心點到每個聚類中心的距離，將該點回歸到距離最短的那個聚類中心所在的類簇中。

4）計算每個類簇中距離的平均值作為新的聚類中心。

5）根據每個非中心點到中心點的距離最小原則，對數據集進行重新聚類。

6）重復步驟4）、5），直到聚類簇不再變化，或者達到設定的迭代次數后結束算法。

K均值聚類算法流程如圖1所示。

圖1 K均值聚類算法流程

2 差異化巡檢策略

差異化巡檢是緩解運維人力不足、巡檢工作量急劇攀升的有效方法，是供電企業今后施行站房巡檢的重要方向。本文綜合考慮配電網站房重要度、運行環境、設備運行狀況和智能化程度，特別是配電自動化的大力興建、廣泛應用為站房線上化巡視、數字化運維創造了可行條件，有利于大幅提升巡視質量、巡視效率，削減現場巡視工作量。

2.1 材料的介電常數、介質損耗

根據經驗及充分討論，本文劃分2月/次、3月/次、4月/次、6月/次四個類型的巡視周期，相應的站房數量分別為1、2、3、4，建立模型如下。

式中：為0-1矩陣，其元素W=1表示站房在月有巡視工作，W=0表示站房在月無巡視工作；為站房坐標形成的對角矩陣；為每月的總分類數；C為月內的類簇；μ為月內的類簇C的中心，即平均值。

2.2 基于遺傳算法的K均值聚類算法

對于定周期、靜態的物理空間分布的站房劃分，K均值聚類算法操作簡單、收斂速度快，但考慮時空關聯情況下的站房巡檢策略制定時，傳統K均值聚類算法有局限。遺傳算法[8-9]是基于進化論和遺傳學說的具有廣泛適用性和很強搜索能力的優化算法，本文將聚類算法和遺傳算法結合起來，利用遺傳算法的全局搜索能力尋找到最優的聚類中心，然后利用聚類算法進行聚類操作。具體操作過程如下：

1）根據遺傳算法，求出群體中適應度最大的染色體，解碼出聚類中心。

2）根據準則函數計算出待聚類數據中一點到各個聚類中心的距離。

3）找出最短聚類和其聚類中心的種類。

基于遺傳算法的K均值聚類算法流程如圖2所示。

3 算例分析

以市北公司江北供電中心為例，江北供電中心轄區內開閉所314座，從GIS導出開閉所坐標，開閉所空間分布情況如圖3所示。

圖2 基于遺傳算法的K均值聚類算法流程

圖3 江北供電中心開閉所空間分布情況

3.1 定期巡檢策略

依據文獻[5]的要求，開關站、配電室定期巡視周期為一個季度，綜合考慮江北供電中心運維人員承載力和檢修、消缺、故障處理等工作量，計劃季度巡視60天，即=60，編寫Python代碼程序實現K均值聚類算法。定期巡檢聚類結果如圖4所示。

K均值聚類算法將314個開閉所聚類成60個類簇，每個類簇含5～7座開閉所，圖4為聚類結果空間分布情況，同一類簇用相同顏色標注，相鄰類簇用不同顏色進行區分，依據聚類結果運維人員可以方便地安排季度內日巡檢計劃，避免了當前盲目式、粗放式巡檢計劃安排。

圖4 定期巡檢聚類結果

3.2 差異化巡檢策略

差異化巡檢能突出重點設備管控、兼顧一般設備運維，提升站房巡檢質量。依據文獻[3]，本文綜合考慮站房重要度、設備運行狀態、配電自動化實用化率，將江北供電中心314座開閉所巡視周期劃分為4類，不同巡視周期的開閉所數量見表1。不同巡視周期的開閉所分布如圖5所示。

表1 不同巡視周期的開閉所數量

圖5 不同巡視周期的開閉所分布

根據表1，江北供電中心開閉所巡視次數年度1 084次，月度約90次，考慮長期開展巡視工作的延續性，計劃一天巡視5～7座開閉所，因此月度巡視16天，即=16。編寫Python代碼程序實現基于遺傳算法的聚類算法，差異化巡檢聚類結果如圖6所示。

圖6給出了江北供電中心開閉所每月巡檢計劃，該策略避免“拍腦袋”式經驗性制定計劃，有效指導運維人員開展差異化巡檢工作。所制定巡檢策略一方面能夠突出重點設備管控、兼顧一般設備運維，提升巡檢質量，另一方面兩種模式巡檢量見表2，差異化巡檢相比定期巡檢減少13.7%的現場巡視工作量，且隨著配電自動化實用化加快、配電網站房環境治理向縱深推進、設備狀態檢修按高標執行，差異化巡檢模式的優勢將進一步凸顯。

表2 兩種巡檢模式巡檢量

4 結論

當前配電網站房巡檢計劃存在不足，多數靠人工經驗粗放制定，本文提出了考慮時間、空間的站房巡檢策略。定期巡檢僅考慮靜態的空間分布，采用K均值聚類算法可以快速聚類劃分，給出大部分企業仍然采用的定期巡檢策略。差異化巡檢考慮時空關聯，空間分布，巡檢周期各異，綜合采用遺傳算法和K均值聚類算法制定突出重點設備管控、兼顧一般設備運維的巡檢策略。市北公司江北供電中心的算例表明，所提站房巡檢策略能清晰給出巡檢計劃，適應企業的定期或差異化巡檢要求，提升站房巡檢質量、效率，具有較好的工程應用價值。

[1] 周泳雅. 10kV配網差異化運維創新模式探討[J]. 機電信息, 2018(6): 99, 101.

[2] 中低壓配電運行標準: Q/CSG 1205003—2016[S]. 北京: 中國電力出版社, 2016.

[3] 李珊, 歐世鋒, 李克文, 等. 基于配電設備狀態評價的差異化運維策略[J]. 廣西電力, 2017, 40(5): 21-27.

[4] 馬洪波, 張曉虹. 基于全息感知的配電設備差異化運維[J]. 中國電力企業管理, 2019(26): 70-72.

[5] 配電網運行規程: Q/GDW 519—2010[S]. 北京: 中國電力出版社, 2010.

[6] 元淵. 基于GIS的輸電地理信息系統[J]. 中國電業(技術版), 2012(9):47-52.

[7] 王千, 王成, 馮振元, 等. K-means聚類算法研究綜述[J]. 電子設計工程, 2012, 20(7):21-24.

[8] 趙松. 數據挖掘中基于遺傳算法的K-means聚類算法的研究及應用[D]. 杭州: 浙江工業大學, 2014.

[9] 張然, 孫曉璐, 何仲瀟, 等. 基于異常點檢測和改進K-means算法的臺區用戶相別辨識方法[J]. 智慧電力, 2020, 48(1):91-96.

Inspection strategy of power distribution station considering temporal and spatial distribution

PEI Chao1WANG Dalei2YANG Zhan’gang1HUANG Yuxiang1ZHANG Jiekai1

(1. State Grid Chongqing Shibei Power Supply Company, Chongqing 401147; 2. State Grid Chongqing Shiqu Power Supply Company, Chongqing 400015)

The inspection of distribution network room is an important means to comprehensively find out the hidden dangers of equipment defects, provide the basis for test and inspection, and improve the operation level of distribution network. In view of the prominent problems of the wide range of distribution website rooms, large inspection workload and the lack of front-line operation and maintenance personnel, an inspection strategy of distribution website rooms considering temporal and spatial distribution is proposed. In this method, the coordinates of the station buildings within the operation and maintenance area are derived from the geographic information system (GIS) and preprocessed to form the data source file. Considering the characteristics of the actual application scenarios such as the carrying capacity of the operation and maintenance personnel, the importance and intelligence of the station buildings, and the length of the operation and maintenance cycle, K-means algorithm and genetic algorithm are used to cluster and optimize the preprocessed data, forming the station building patrol strategy under the regular patrol mode and the station building differential patrol strategy considering the length of the cycle. The example analysis shows that the proposed method can effectively optimize the inspection path, guide the operation and maintenance personnel to carry out the inspection work, and improve the inspection quality and efficiency.

distribution network; on-site inspection; regular operation and maintenance; differ- entiated operation and maintenance; temporal and spatial distribution; K-means clustering algorithm

重慶市電力公司群創科技項目（522000220017）

2022-10-11

2022-10-31

裴 超（1990—），男，重慶市墊江縣人，碩士，工程師，主要從事繼電保護、配電自動化工作。