基于灰色聚類的配網線路跳閘信息快速采集方法

張明 符瑜科 鄧巽江 陳汝佳 朱傳譜 曾穎霓

摘 要： 為提高對配網線路跳閘故障的分析質量，提出以灰度聚類為核心的配網線路跳閘信息快速采集方法。根據配電網內電力節點分布情況，應用電網支路完全可觀原理，合理布置跳閘信息采集點。通過OPC協議和異構通信網絡，實現配網線路運行變量信息的抽取與傳輸，結合傳輸信息的時空特征構造面板數據。利用灰色關聯聚類算法，提取信息的時空維度特性，并基于特征權重因子確定聚類中心，將所有采集信息聚為多個類，再與標準的跳閘信息特征相匹配，快速篩選出最為貼近的一類信息，作為跳閘信息采集結果。結果表明：當所提方法采集跳閘信息量達到3 000條時，其信息冗余度僅為4.52%，符合跳閘信息采集要求。

關鍵詞： 灰色聚類；電網；跳閘信息；特征提取；信息采集；面板數據

中圖分類號： TM7；TP392

文獻標志碼： A ?文章編號： 1001-5922（2023）08-0175-05

A fast method for collecting trip information of distribution network based on grey clustering

ZHANG Ming1 ，FU Yuke1 ，DENG Xunjiang2 ，CHEN Rujia3 ，ZHU Chuanpu1 ，ZENG Yingni1

（1.Hainan Power Grid Co.，Ltd.，Haikou 570203，China ）

（2.Danzhou Power Supply Bureau of Hainan Power Grid Co.，Ltd.，Danzhou 571700，Hainan China ）

（3.Jieyang Power Supply Bureau of Guangdong Power Grid Co.，Ltd.，Jieyang 522000，Guangdong China ）

Abstract： In order to improve the analysis quality of distribution network line trip fault，a fast acquisition method of distribution network line trip information based on gray clustering is proposed.According to the distribution of power nodes in the distribution network，the trip information collection points should be reasonably arranged based on the principle of complete observability of grid branches.Through OPC protocol and heterogeneous communication network，the extraction and transmission of distribution network line operation variable information was realized，and the panel data was constructed based on the space-time characteristics of transmission information.The gray correlation clustering algorithm was used to extract the spatio-temporal dimension characteristics of information，and determined the clustering center based on the feature weight factor.All collected information was grouped into multiple classes，and then matched with the standard tripping information features to quickly screen the closest class of information as the tripping information collection result.The simulation results showed that when the amount of trip information collected by the proposed method reached 3 000，the information redundancy was only 4.52%，which meets the requirements of trip information collection.

Key words： grey clustering;power grid;trip information;feature extraction;information collection;panel data

目前，針對跳閘信息的采集方案較少，通常是針對用電信息展開采集，根據采集結果預測跳閘故障。如文獻[1]中設計了一種線路跳閘故障預測方法，該方法利用改進的堆棧Informer網絡進行數據驅動，通過構建堆疊Informer網絡提取線路長序列時間序列數據的底層特征，再通過網絡訓練預測線路跳閘故障序列。該方法是針對線路時間序列進行采集和提取，然后對跳閘故障展開預測。文獻[2]中將光纖技術應用于電能信息采集通訊模塊中，自上而下的對采集終端和電能信息采集通訊模塊中的主站進行時間同步處理，建立完整的電能信息采集通訊模塊，實時獲取目標信息。文獻[3]中結合了分布式架構、異步網絡和并行計算技術，設計了一種高頻具有高頻實時采集特征的主站系統，用于實時信息采集用電信息。文獻[4]中以云平臺為基礎，結合設備采集終端配置需求，為電力計量數據的采集和分析提供支撐。

為此，本文提出將灰色聚類方法融入到信息采集過程中，通過分析實時抽取的線路信息的特征，將跳閘信息快速、準確地采集出來。

1 方法設計

1.1 布置配網線路跳閘信息采集點

跳閘信息是包含在實時配網線路運行信息之中的，為了避免采集的跳閘信息不完整，文中引入電網支路完全可觀原理，分析當前配網線路的最優信息采集點布置方案，通過信息采集結果抽取所有電力線路節點的電壓、電流等信息。實際采集點布置過程中，需要了解配電網內電力節點數量和分布情況，結合數值分析原理，定義電網量測模型為：

α=Qs+d ??（1）

式中： α 表示線路電壓觀測值； Q 表示雅克比矩陣； s 表示配網線路節點電壓狀態； d 表示量測誤差。倘若雅克比矩陣符合滿秩條件，通過式（1）可以客觀的求解出配網線路內包含的所有電壓狀態變量。

由于當前配網線路越來越復雜，為了得到更加真實、全面的跳閘信息，文中提出以支路可觀為基礎的信息采集點布置模型：

F= min ∑ m j=1 X jA m×1X m×1≥C m×1 ????（2）

式中： F 表示跳閘采集點布置模型； X j 表示第 j 個信息采集點的信息向量； m 表示配網線路中電力節點數量； A 表示網絡描述矩陣； C 表示支路完全可觀性矩陣。

同時，在上述信息采集點布置模型求解過程中，需要根據當前配電網絡線路的組成結構，添加約束條件，形成如下所示的跳閘信息采集點布置優化模型：

F= （Qs+d）α A m×1 ?min ∑ m j=1 d j ??（3）

在式（3）所示的優化模型求解后，確定合理的配網線路信息采集點布置方案，進行后續線路跳閘信息采集處理。

1.2 線路運行信息的抽取與傳輸

結合微軟對象連接與嵌入技術（OLE）、組件對象模型（COM）、分布式組件對象模型（DCOM），建立OPC（用于控制過程的對象連接與嵌入）協議，在每個信息采集點抽取當前線路運行信息。配網線路運行信息抽取過程中，OLE的實現需要依托于3個自動化標準接口，分別負責獲取線路運行信息、存儲整體抽取信息和分類存儲抽取信息。

實際操作過程中，設置OPC客戶端為現場采樣信息傳輸服務器，將OPC協議直接應用到視窗控制中心（WinCC）服務器內，搜索全部變量狀態信息，作為抽取的配網線路運行信息，形成信息數據庫[5]。數據轉存模式如圖1所示。

按照上述信息采樣和轉存模式，抽取配網線路實時運行狀態信息后，需要進行全部信息的通信。異構網絡的普及極大地提高了移動通信技術的性能[6]，文中結合采樣點分布密度，搭建合適的異構通信網絡，用以實現現場抽取信息的傳輸。考慮到當前配電網絡線路組成復雜，實時抽取的信息量極大，為了保證所有信息有序通過異構網絡傳輸，文中引入了一種新的高效通信和隱私保護框架，稱為擁擠信息獲取（CIA）[7]，在此基礎上維護信息傳輸順序。

此外，在線路運行信息傳輸過程中，還需要對信息進行有效的壓縮處理。在確定異構通信網絡的基礎通信性能后，提出了一種線性網絡系統通信性能的新度量，即信息增益[8]。在網絡鄰接矩陣的影響下，分析信息增益度量的變化情況，根據信息增益的上限和下限，確定該通信網絡的信息傳輸性能。基于此，確定數據壓縮的約束條件，本文重點介紹了霧計算的聯合優化研究[9]，應用聯合計算卸載、能量收集等算法，構建數據壓縮相關模型。按照霧計算的方式計算信息壓縮成本，以最小壓縮成本為目標確定最優控制策略，簡化上文抽取的線路運行信息，將其快速傳輸至后臺，進行跳閘信息的篩選和采集。

1.3 構造配電線路面板數據

為了從配網線路運行信息中準確選擇出跳閘信息，文中提出將傳輸到的信息轉換為面板數據，也可以稱之為時間序列截面數據，其可以將原始信息的時間和截面空間上的特點描述出來，便于刻畫配網線路運行信息的復雜的時空維度特性。正常情況下，面板數據模型可以表示為：

y ot=η ot+∑ L l=1 θ lotx lot+λ ot ??（4）

式中： o 表示采集信息個體； t 表示時間； l 表示解釋變量的個數； L 表示解釋變量集； x 表示解釋變量； y 表示被解釋變量； η 表示截距項； θ 表示待估計系數； λ 表示隨機誤差項。

考慮到傳輸至調度中心的采樣數據，來自不同位置的信息采集點，這就是橫截面數據。同時，根據信息采樣順序，從時間上入手定義時序數據。這兩方面的特性結合起來，可以形成標準的面板數據，直觀表現出每條采樣信息的特征。為了保證面板數據的平穩性和均衡性。文中對面板數據的分析常用3個步驟：單位根檢驗[10]、協整檢驗和回歸分析參數估計。當部分面板數據符合單位根檢驗要求后，表明當前信息序列屬于非平穩序列，但這些信息之間又存在互相制衡的關系，表明基于抽取的線路運行信息構造的面板數據符合要求。

1.4 基于灰色聚類實現跳閘信息快速采集

將面板數據投射為空間四面體網格[11-12]，對其進一步分析可知，提取采樣信息中包含的電壓幅值、有功功率等基礎特征。針對面板數據的高維度性，歸納部分特征組成原始特征集，與跳閘信息的典型特征相匹配，聚類得到所有符合要求的特征信息，并將其對應的信息快速采集出來，再分析不同特征量之間的灰色關聯度，剔除部分關聯度較低的數據，得到跳閘信息采集結果[13-14]。

灰色聚類方法，作為衡量因素間關聯程度的一種方法[15]，可以輔助跳閘信息采集。其中，信息特征量可以定義為如下特征序列：

ψ 1=（I 1（1），I 1（2），I 1（3），…，I 1（n））ψ 2=（I 2（1），I 2（2），I 2（3），…，I 2（n））…ψ r=（I r（1），I r（2），I r（3），…，I r（n）） ?????（5）

式中： I 表示配網線路采集信息的基礎特征； n 表示信息采集點總數量； ψ 表示特征序列； r 表示特征序列總數量。

結合規范性等原則[16]，定義灰色關聯度計算公式為：

ε=0.5× ?min ?u ?min ?k ?I 1（k）-I u（k） +σ max ?u ?max ?k ?I 1（k）-I u（k） ??I 1（k）-I u（k） +σ max ?u ?max ?k ?I 1（k）-I u（k） ????（6）

式中： ε 表示2個隨機選擇的特征序列之間的灰色關聯度； u 表示特征序列； k 表示觀測對象； σ 表示分布系數。

對于任意一個特征序列來說，可以將其長度表示為以下數學公式：

p u=∫n 1（ψ u-I u（1）） ??（7）

式中： p 表示特征量序列的長度。需要注意的是，如果選定的特征序列屬于單調遞增序列，式（7）計算結果將會大于0，而選定的特征序列為單調遞減序列時，可以確定式（7）計算結果會大于0。

倘若選定的2個信息特征序列長度完全一致，可以將二者之間的灰色絕對關聯度表示為：

ε 0u= 1+ p 0 + p u ?1+ p 0 + p u + p u-p 0 ????（8）

根據灰色絕對關聯度計算結果，將抽取的配網線路運行信息特征劃分為多個類別，每個類別之間區別較大，選取與標準跳閘信息表現出的特征最為相近的信息聚類類別，作為跳閘信息快速采集結果。跳閘信息聚類過程中，需要定義式（9）所示的灰色絕對關聯度矩陣。

rr= ??ε 11 ε 12 … ε 1r0 ε 22 … ε 2r… … … …0 … 0 ε rr ?????（9）

式中： E 表示灰色絕對關聯度矩陣。當關聯度計算結果大于預先設定的閾值，表明此2個特征序列同屬一類，同樣這2個特征序列對應的配網線路運行信息也是一類。經過上述處理，將所有抽取的配網線路信息聚為多類。對比標準的跳閘信息特征，篩選出與之相近的一類信息，作為跳閘信息采集結果。

2 仿真實驗

2.1 仿真環境

為了驗證文中研究信息快速采集方法的可行性，文中針對該方法展開仿真實驗。以某條10 kV 配電線路為參考，該配電網共包含48 條分支線路。由于該區域屬于典型的強雷區，近3年內常常出現因雷擊而跳閘的情況，每條配網線路的跳閘率統計結果如圖2所示。

由圖2可知，不同分支的線路跳閘率存在差異，平均跳閘率統計結果為17次/（100 km·a）。

參考10 kV 配電線路的運行模式，并定義跳閘率為17次/（100 km·a），在MATLAB環境下搭建仿真測試環境，該線路的負載工作原理如圖3所示。

考慮到作為參考的配電線路的供電臺區屬于環形迂回結構，本次實驗也按照合理的連接方式，將多個仿真配網線路連接起來，形成仿真組網，作用后續跳閘信息快速采集測試的基礎。

2.2 跳閘信息快速采集結果

定義配網線路的信息采集時間間隔為120 s，停滯時間為100～150 s，單次采樣時長為1 150 s。基于這些信息采集參數，抽取所有線路運行信息。對這些采集信息進行灰色關聯度分析，按照圖4所示的特征提取流程得到信息基本特征量。

基于圖4所示的特征提取流程，對所有采集的配網線路信息進行處理，確定與跳閘信息采集相關的5個基礎特征為相對功角、發電機轉速、機端電壓、機端電流、機械功率與有功功率。其中，選取特征的單位根檢驗結果如表1所示。

表1中，“*[KG-*3]*”代表在0.01以下顯著水平，而括號內的數據代表假設成立的可能性。整體來看，相對功角、發電機轉速2項基礎特征的一階差分值序列表現出平穩特點，而其他特征的水平值就表現出平穩的特點。

基于灰色聚類算法進行跳閘信息采集時，設置因變量為相對功角，其他幾項特征均為自變量，進行線性回歸分析后，可得到：

ξ ot=E（1） ω[TX-1.92mm] ot t +E（2）υ ot+E（3）H ot+E（4）G ot+E（5）R ot+e ot ??（10）

式中： ξ 表示相對功角； ω 、υ、H、G、R 分別表示轉速、機端電壓、機端電流、有功功率和機械功率； e 表示誤差項。

通過上述分析，確定作為自變量的5個基本特征對攻角的影響程度，從而確定其權重因子分別為3.811、-4.324、-1.827、-0.534、0.645。在此基礎上，運用灰色聚類算法進行特征聚類處理，從而將其對應的線路跳閘信息快速整合在一起，完成信息采集處理，最終形成的跳閘信息快速采集結果。

根據圖5可知，采用文中設計的信息采集方法，可以快速采集配網線路跳閘信息，基于此確定每個跳閘事件的產生原因，作為后續跳閘故障處理的基礎。

2.3 采集信息冗余度對比

以體現本文設計采集方法的優越性為目標，實驗選用基于云平臺的信息流采集方法、基于分布式技術的用電信息采集方法作為對照組，分別在上述仿真環境下進行信息采集實驗，對比三種方法的信息采集結果，通過公式（11）計算不同方法采集信息的冗余度。

A=1- θ φ ×100 % ???（11）

式中： A 表示信息冗余度； θ 表示有效信息量； φ 表示采集的跳閘信息總量。經過計算，得到圖5所示的冗余度對比結果。

由圖5可知，在采集信息量不斷增長的情況下，采集結果中包含的冗余信息也越來越多；但本文方法采集信息的冗余度明顯低于其他2種方法。當采集跳閘信息量達到3 000條時所提方法采集配網線路跳閘信息的冗余度為4.52%，相比其他2種方法降低了12.62%、16.46%。綜上所述，應用灰色聚類算法快速采集的配網線路跳閘信息，更加符合要求。

3 結語

配網跳閘信息是線路跳閘故障分析的基礎，本文為了快速獲取有效跳閘信息，提出一種結合灰色聚類算法的信息快速采集方法。從實驗測試結果可以看出，該方法應用后，所采集的信息中包含的冗余信息較少，可以在后續故障分析與處理過程中發揮更好的指導作用。

【參考文獻】

［1］ ?GUO L I，LI R Z，JIANG B.A data-driven long time-series electrical line trip fault prediction method using an Improved stacked-Informer network[J].Sensors （Basel，Switzerland），2021，21（13）：4466.

[2] 鄭國權，唐悅，劉宣.基于光纖技術的電能信息采集系統設計[J].激光雜志，2020，41（5）：173-177.

[3] 錢奇，閆海峰，唐偉寧，等.基于分布式技術的用電信息采集主站系統設計與應用[J].電力系統自動化，2021，45（23）：170-178.

[4] ?劉麗娜，周一飛，王韜，等.基于云平臺的用電計量采集信息流分析系統[J].電子器件，2021，44（4）：953-958.

[5] 杜炤鑫，謝海寧，宋杰，等.基于圖像處理和深度學習的配網跳閘故障識別方法[J].中國科學技術大學學報，2020，50（1）：39-48.

[6] 舒征宇，汪俊，許欣慧，等.基于VMD-DTW聚類的配電網故障選線方法研究[J].三峽大學學報（自然科學版），2021，43（3）：65-71.

[7] 唐波，劉子怡，彭友仙，等.考慮多參數影響的輸電線路繞擊跳閘率求解算法[J].電瓷避雷器，2020（6）：151-158.

[8] ?史澤兵，丁曉兵，余江，等.基于功角聚類分析的配電網選線保護方法[J].電力科學與技術學報，2020，35（3）：29-35.

[9] 劉蓓，尚銀輝，劉絢，等.配電線路跳閘填報文本智能挖掘方法[J].高電壓技術，2021，47（2）：445-454.

[10] 羅寧，陳露東，盧嗣斌，等.基于聚類分析和改進灰色關聯的配電網運行可靠性評價[J].武漢大學學報（工學版），2020，53（7）：636-642.

[11] 陳黎麗，王震，郭云川，等.安全數據采集代理頑健部署策略研究[J].通信學報，2019，40（6）：51-65.

[12] 吳瓊，余文鋮，洪海生，等.基于XGBoost算法的配網臺區低壓跳閘概率預測[J].中國電力，2020，53（4）：105-113.

[13] 徐海波，方勇杰，崔曉丹.適用于穩控裝置的逆變站送出交流線路故障跳閘判據[J].電力系統自動化，2020，44（9）：151-157.

[14] ?WANG Y X，LIU M Q，BAO Z J，et al.Stacked sparse autoencoder with PCA and SVM for data-based line trip fault diagnosis in power systems[J].Neural Computing and Applications，2019，31（10）：6719-6731.

[15] 張凌浩，張明，嵇文路，等.基于灰色關聯理論和BP神經網絡的分布式光伏電站運維數據虛擬采集方法[J].電力建設，2021，42（1）：125-131.

[16] ?劉建明，趙子巖，季翔.物聯網技術在電力輸配電系統中的研究與應用[J].物聯網學報，2018，2（1）：88-102.