計及多維隱患因素的輸變電設備中長期故障率建模方法

馬江泓 馬龍濤 范 越

計及多維隱患因素的輸變電設備中長期故障率建模方法

馬江泓 馬龍濤 范 越

（國家電網有限公司西北分部，西安 710048）

隨著新能源并網比例的不斷提高，電網裝備水平和管理模式快速發展，電網的風險管理面臨新的不確定因素挑戰。本文提出一種計及多維隱患因素的輸變電設備中長期故障率建模方法。該方法首先運用頭腦風暴法匯總相關業務部門對不同類型設備風險隱患因素的經驗化篩選結果，完成設備風險隱患因素的識別，再按照不同的維度對隱患因素進行歸類，在對每一個維度的故障頻度進行單獨建模后，經加權得到設備的中長期故障率。通過西北電網750kV罐式斷路器的風險評估案例分析，展示了所提方法的實際應用效果。

電網風險；設備風險；頭腦風暴法；嚴重度；故障頻度

0 引言

受新能源并網和設備升級換代等內外部不可控因素的干擾，電力系統運行管理長期面臨各類系統風險。電力系統風險評估理論研究已開展多年[1-6]，設備故障率是系統風險評估的基本參數，與設備隱患因素密切相關，揭示其內在聯系是系統風險研究普遍關心的熱點問題，對提高系統風險管理水平至關重要[7]。

電網中的電力設備受負荷波動、網絡運行方式及隨機故障的影響，運行工況較為復雜，尤其對輸電線、變壓器和開關等輸變電設備而言，導致其故障停運的隱患因素繁多。現階段，對輸變電設備停運建模的研究主要集中在模型結構、數據處理及協變量選取三個方面。在模型結構選取方面，楊才明等[8]根據架空線路故障機理，提出多因素驅動的架空線路故障率模型（multi-drive-proportional hazard model, MDPHM），以設備老化、健康狀態、負載率和天氣狀況作為協變量，利用Levenberg-Marquardt方法進行模型參數估計。鹿鳴明等[9]基于比例風險模型（proportional hazard model, PHM）提出一種綜合考慮老化和設備狀態的故障率模型，采用極大似然估計方法對參數進行估計。Alvehag K等[10]結合季節變化規律和惡劣天氣（大風、閃電）的隨機強度，提出一種基于非齊次泊松過程的架空線路可靠性模型。Zhou Y等[11]提出一種基于泊松回歸模型和貝葉斯網絡的與配電架空線路天氣相關的故障率模型。Moradkhani A等[12]提出一種基于多項式和諧波模型的泊松回歸模型來刻畫架空線的故障率，并利用累積計數過程展示了故障數據的非單調性。

除模型結構的選取外，設備故障率采用何種方法建模還與所能獲取的故障數據樣本和故障影響因素密切相關。近年來，人們對于故障數據充分條件下的電力設備停運隱患因素相依的故障率模型已開展了相關研究，如溫度相依的輸電線路老化失效模型[13]，基于歷史故障信息的配電網設備故障概率模型[14]，以及考慮山火條件下的架空輸電線路停運概率模型[15]和冰凍災害條件下的架空輸電線路風險評估模型[16]等。此外，研究人員Clavijo-Blanco J A 等[17]對配電網不同電壓等級的線路故障進行統計分析，并估算出線路故障率。Jaech A等[18]提出一種故障線路停電時長預測方法，該方法借助自然語言處理方法對實時回傳的檢修報告進行加工處理，從而實現對停電時長Gamma分布參數的實時修正。除以上基于充足故障樣本的研究外，基于刪失和截斷故障數據的架空線故障率建模問題也引起了關注。Moradkhani A等[19]為了克服數據缺失和組件異質性問題，提出一種基于分層貝葉斯泊松回歸（hierar- chical Bayesian Poisson regression, HBPR）方法，并通過信息偏差準則（deriance information criterion, DIC）和模型檢查程序比較了可交換層次貝葉斯模型（exchangeable hierarchical Bayesian model, EHBM）和HBPR的擬合優度，得出HBPR估計的故障率準確度優于EHBM的結論。Wang Yue等[20]考慮天氣-故障關聯信息缺失的問題，提出一種計及不明因素作用的故障率模型，并提出一種雙層聚類方法，基于不完整數據進行模型參數估計。

目前，現有的電力設備故障率建模方法未能充分考慮不同性質電力設備隱患因素的影響，因此本文結合西北電網多年運行實踐，提出一種計及多維隱患因素的輸變電設備中長期故障率建模方法。該方法運用頭腦風暴法（brain storming）以“自下而上”的方式收集設備故障的主要隱患因素，并建立設備故障率的量化評價方法。與現有的電網設備故障率建模方法相比，所提方法將設備故障率依照不同的設備類型進行不同維度建模，其優勢在于，分維度建模能夠將性質相似的單一隱患因素合并，在緩解數據樣本稀有性的同時，也能從不同側面量化設備故障率，有利于精準落實職能部門的設備風險管控責任。在建模方法方面，將設備故障的客觀數據統計與專家經驗進行結合，從而形成不同類電網設備故障率的歸一化模型表達。這種方式以客觀故障統計為核心，引入專家經驗的修正，彌補因數據缺失而難以察覺的設備停運相關性影響，以期形成一套對工程實踐具有現實指導意義的設備故障率實用建模方法。

1 設備中長期風險評估基本框架

1.1 設備分類

本文定義的電網運行中長期風險是指在較長時間跨度（一般為半年或一年）內可能影響電網安全運行的因素、事件或狀態發生的可能性及后果的組合。在對電網設備中長期風險的研究中，本文將電網主設備分為線圈類設備、開關類設備、輸電設備、直流一次設備、站用交直流系統和二次系統。其中，各類主設備所包含的常見設備見表1。采用這種設備分類方式開展設備中長期風險評估，能夠保證不同類設備風險管理的獨立性，有利于落實不同設備管理部門的責任，提升設備風險管理的組織性和條理性。

表1 主設備分類

1.2 隱患因素篩選

對于設備的中長期風險評估，本文將隱患因素（hazard factors）定義為可能誘發設備故障的各種原因構成的集合。設備風險隱患因素可以分為多個維度，如設備固有屬性、環境條件、運行履歷（如不良工況、在線監測、例行試驗等）。為了實現對主設備隱患因素的全面篩選，本文提出采用頭腦風暴法建立隱患因素信息庫。

頭腦風暴法又稱智力激勵法、腦力激蕩法、專家會議決策法，是由美國創造學家阿歷克斯·奧斯本于1939年首次提出的一種激發創造性思維的方法。運用該方法進行風險隱患因素篩選的主要步驟如下：

1）建立臨時工作組，召開周期性集中會議，對設備的故障因素各抒己見，建立設備風險隱患因素信息庫。工作組成員宜從本單位業務部門、第三方監管部門、科研院所及大專院校廣泛聘請業務能力強、電網規劃運行經驗豐富、代表不同主體利益且無上下級領導關系的人員構成，人員數量不少于20人。會議氣氛要保持自由、平等、民主，保證信息庫的客觀公正。

2）發布原始誘因信息庫，通過辦公自動化系統開展加密問卷調查，在確保電網信息安全的前提下，廣泛征集一線生產部門的反饋信息，并反饋給臨時工作組，對設備風險原始誘因信息庫進行修正。

3）迭代步驟1）和步驟2）直到無重大修改意見。本文定義重大修改意見為同一批問卷出現兩次（含）以上的相同意見。

依照步驟1）～3），本文得到的電網主設備特殊隱患因素的詳細分類如圖1所示。

2 故障率模型

2.1 多維特性故障率

為反映多維隱患因素對設備風險的影響，本文定義電網設備多維特性故障率EFR為

式中：BFR為基礎故障率（base failure rate），是指同電壓等級同類設備群體中，故障累計次數與扣除計劃停運時間后的總投運年限之比，其數值代表該類設備故障發生頻次的統計均值，需根據累計歷史數據進行滾動更新；HCC為隱患因素修正系數（hazard correction coefficient），綜合反映設備故障的可觀性（detectability）及隱患因素對單臺設備差異化的影響。

2.2 基礎故障率

電網每類主設備的風險隱患因素不同，某些隱患因素實際所誘發的設備故障可能具有稀有性，難以建立單個隱患因素與設備故障率的關聯模型。為克服單一隱患因素設備故障稀少造成的建模困難，并建立不同類主設備故障率的統一計算模型，本文提出對隱患因素分維度進行歸類，如設備固有屬性、環境條件及運行履歷等，從而可分別統計不同隱患因素維度下的基礎故障率BFRsd，再對單維度基礎故障率進行加權即得到設備的基礎故障率BFR。

設同電壓等級的某類設備某維度過去年（扣除計劃停運時間）內發生故障跳閘的總次數為，該類設備該統計維度的總數量為臺，則該類設備的單維度基礎故障率BFRsd為

對于同一電壓級總維護長度為的輸電線路，單維度基礎故障率BFRsd的計算方法為

根據式（2）和式（3），某主設備個維度的綜合基礎故障率BFR為

2.3 隱患因素修正系數

經長期摸索實踐，本文定義設備故障率隱患因素修正系數HCC為

HCC的計算流程如下：

2.4 隱患因素嚴重度

1）線性計算法

其中

或

2）數量統計法

對于無明確性能指標但易于統計發生數量的隱患因素，如直流一次設備的接頭異常發熱、鳥害跳閘和二次系統的通道運行情況等，可以根據經驗設定其單次分值，累計計算其隱患嚴重程度分值，但不得超過其基值，即

3）條件賦值法

4）專有公式法

對于與工況履歷相關的隱患因素，如“變壓器本體累計短路電流”，其嚴重程度分值可按式（11）計算。

5）縱橫比分析賦值法

6）顯著性差異分析賦值法

2.5 多維故障率權重參數估計

表2 k值與n的關系

對式（12）取對數可得

3 案例分析

本文以西北電網投運的LW13—800/Y5000—50 SF6罐式斷路器為例，說明采用本文方法計算斷路器故障率的過程，其他輸變電設備的故障率計算過程類似。此類型斷路器被廣泛應用于西北五省電網中，是西北電網750kV網架的主要開關類設備，其誤跳和拒動均對西北五省主網運行有較大影響，有必要從多個維度對其故障率進行建模分析。

3.1 設備基礎故障率

選取與該斷路器同型號的西北五省750kV斷路器，故障記錄統計時間從2008年1月—2021年12月，包含跳閘、拒動及非計劃停運（非停）。開關類設備的基礎故障率統計維度包括生產廠家、投運年限和額定短路開斷電流。這三個維度分別對應設備品控質量、服役時長及參數規格，對設備故障率進行評估，具有不同的指導意義。

1）生產廠家維度

從生產廠家的維度度量統計設備故障率可用于動態評估產品質量，為設備質量監控和入網遴選提供客觀依據。2008年1月—2021年12月期間西北電網投運的750kV罐式斷路器生產廠家共計10家，各生產廠家每年新投運斷路器數量統計見表3。據此，依據式（2）計算斷路器生產廠家維度的基礎故障率見表4，如河南某有限公司的斷路器，誤跳的故障率為8/190/13=0.003 2次/(臺?年)，該維度的合計故障率為0.004 0次/(臺?年)。

表3 西北電網各生產廠家每年新投運750kV罐式斷路器數量統計 單位：臺

表4 西北五省750kV罐式斷路器生產廠家維度基礎故障率 單位：次/(臺·年)

2）投運年限維度

設備的投運年限是判斷設備進入老化狀態的重要依據，體現設備服役時長對本地設備老化的影響。2008年1月—2021年12月西北五省750kV罐式斷路器故障次數統計見表5。根據表5，按照式（2）計算得到斷路器投運年限維度的基礎故障率見表6，可以看到，客觀統計的故障率總體變化規律符合浴盆曲線，即故障頻發多見于投運早期，如新斷路器投運后1年內的跳閘概率稍大，達到0.478次/(臺?年)；隨著投運年限的增加，初期的跳閘故障率迅速下降；之后隨投運時間增加，跳閘概率緩慢上升，當投運時間達到12～13年時未見任何故障，說明此時已進入設備穩定運行期。

3）額定短路開斷電流維度

額定短路開斷電流是斷路器設備的核心參數，該參數與其他一系列跟電網運行相關的重要參數密切關聯，因而很大程度上影響設備的制造工藝和規格。額定短路開斷電流分別為50kA和63kA時，斷路器歷年投運臺數與跳閘統計見表7。據此計算的斷路器額定短路開斷電流維度的基礎故障率見表8，該維度下的合計故障率為0.008 25次/(臺?年)。

表5 2008年1月—2021年12月西北五省750kV罐式斷路器故障次數統計 單位：次

表6 西北五省750kV罐式斷路器投運年限維度基礎故障率 單位：次/(臺·年)

表7 不同額定短路開斷電流的750kV罐式斷路器歷年投運臺數與跳閘統計 單位：臺

表8 西北五省750kV罐式斷路器額定短路開斷電流維度基礎故障率 單位：次/(臺?年)

3.2 隱患因素修正系數

斷路器各個維度下的風險隱患因素較多，以下分別舉例說明若干不同性質隱患因素的HCC貢獻值計算過程。

其他隱患因素嚴重程度分值見表9，根據式（5）可計算得到該斷路器的HCC值為1.92。

表9 某750kV罐式斷路器隱患嚴重程度分值

（續表9）

3.3 基礎故障率的權重

根據表7得到750kV罐式斷路器原始故障統計曲線如圖2所示，將相應數據代入式（14）后，通過調用Ipopt求解權重，再代入式（4）和式（1），得到750kV罐式斷路器多維隱患因素故障率如圖3所示。可以看到，故障率估計值的總體趨勢與原始故障統計數據良好吻合，說明所提建模方法符合實際。

圖2 750kV罐式斷路器原始故障統計曲線

圖3 750kV罐式斷路器多維隱患因素故障率

4 結論

本文提出了一種計及多維隱患因素的輸變電設備中長期故障率建模方法。該方法首先運用頭腦風暴法建立不同類設備隱患因素信息庫，提出設備故障率按隱患因素的不同維度進行加權，每個維度的故障率由基礎統計故障率經隱患因素特性系數修正得到，并提出采用極大似然估計得到不同維度隱患因素故障率的權重。最后，通過西北電網750kV罐式斷路器故障率的案例分析，說明了本文所提方法對于故障率的估計符合實際故障統計規律。

[1] 丁茂生, 孫維佳, 蔡星浦, 等. 電力系統極端事件的風險評估與防范[J]. 中國電力, 2020, 53(1): 32-39, 65.

[2] 王申華, 何湘威, 方小方, 等. 基于泛在電力物聯網多源信息的電網動態風險評估系統[J]. 中國電力, 2019, 52(12): 10-19.

[3] 朱道俊, 張文鋒, 李國彬. 基于熵權和TOPSIS法的山區35kV架空線路雷擊風險評估[J]. 電氣技術, 2022, 23(8): 23-30.

[4] 陳劍平, 石恒初, 游昊, 等. 雙母線接線主變失靈保護整定風險及防范措施[J]. 電氣技術, 2020, 21(6): 127-131.

[5] 楊帥, 南東亮, 楊飛, 等. 基于移動運維平臺的二次設備風險隱患評價系統[J]. 電氣技術, 2020, 21(9): 66-69, 76.

[6] 張沛, 田佳鑫, 謝樺. 計及多個風場預測誤差的電力系統風險快速計算方法[J]. 電工技術學報, 2021, 36(9): 1876-1887.

[7] 譚波, 劉丙財, 陳永德, 等. 基于風險評估的輸電設備差異化運維策略[J]. 中國電力, 2016, 49(增刊1): 21-26, 30.

[8] 楊才明, 項中明, 謝棟, 等. 多因素驅動架空線路故障率模型[J]. 電力系統保護與控制, 2018, 46(12): 9-15.

[9] 鹿鳴明, 王逸飛, 郭創新, 等. 一種基于PHM考慮老化和設備狀態的油浸式變壓器故障率模型[J]. 電力系統保護與控制, 2014, 42(18): 66-71.

[10] ALVEHAG K, SO De R L. A reliability model for distribution systems incorporating seasonal variations in severe weather[J]. IEEE Transactions on Power Delivery, 2011, 26(2): 910-919.

[11] ZHOU Y, PAHWA A, YANG S S. Modeling weather- related failures of overhead distribution lines[J]. IEEE Transactions on Power Systems, 2006, 21(4): 1683- 1690.

[12] MORADKHANI A, RAHIMKHANI M. Determining the pattern of MV overhead line failure rate using Poisson regression[C]//2015 20th Conference on Electrical Power Distribution Networks Conference (EPDC), Zahedan, Iran, 2015: 143-149.

[13] 何劍, 程林, 孫元章, 等. 條件相依的輸變電設備短期可靠性模型[J]. 中國電機工程學報, 2009, 29(7): 39-46.

[14] 王輝, 郝麗麗, 黃梅, 等. 基于歷史故障信息的配電網設備故障概率建模[J]. 電力自動化設備, 2020, 40(3): 76-84.

[15] 宋嘉婧, 郭創新, 張金江, 等. 山火條件下的架空輸電線路停運概率模型[J]. 電網技術, 2013, 37(1): 100-105.

[16] 楊洪朝. 架空輸電線路冰凍災害風險評估系統研究及應用[D]. 長沙: 湖南大學, 2012.

[17] CLAVIJO-BLANCO J A, ROSENDO-MACIAS J A. Failure rates in distribution networks: estimation methodology and application[J]. Electric Power Systems Research, 2020, 185: 106398.

[18] JAECH A, ZHANG Baosen, OSTENDORF M, et al. Real-time prediction of the duration of distribution system outages[J]. IEEE Transactions on Power Systems, 2019, 34(1): 773-781.

[19] MORADKHANI A, HAGHIFAM M R, MOHAMMADZADEH M. Failure rate estimation of overhead electric distribution lines considering data deficiency and population variability[J]. International Transactions on Electrical Energy Systems, 2015, 25(8): 1452-1465.

[20] WANG Yue, CHEN Lu, YAO Meng, et al. Evaluating weather influences on transmission line failure rate based on scarce fault records via a bi-layer clustering technique[J]. IET Generation, Transmission & Distri- bution, 2019, 13(23): 5305-5312.

Mid- and long-term risk assessment of power equipment accounting for multi-dimensional hazard factors

MA Jianghong MA Longtao FAN Yue

(Northwest China Grid Co., Ltd, Xi’an 710048)

Power grid equipment and management mode are evolving fast to adapt for the ever-increasing portfolios of renewable energy in power generation. Power grid risk management is facing continuous challenge of new stochastic factors. This paper proposes a mid- and long-term failure rate model of power transmission equipment accounting for multi-dimensional hazard factors. Firstly, the proposed method employs the brain storming to summarize empirical equipment-related hazards factors which are provided by professional equipment management departments. Such a process can be regarded as the hazard factor identification. The summarized hazards factors are classified into various categories with distinct dimension sense. For each category or dimension, an independent failure frequency indicator is defined, which is then weighted to result in the so-called multi-dimensional failure rate (EFR). Case study on risk assessment of the Northwest 750kV tank circuit breakers is conducted to demonstrate a practical application of the proposed method.

power grid risk; component risk; brain storming; severity; failure frequency

2022-11-28

2023-01-10

馬江泓（1972—），男，工學學士，高級工程師，先后從事設備技術監督、檢修，安全管理工作。