基于大數據分析的配電網故障檢測和診斷技術研究

王 鍵

（重慶文理學院，重慶 402160）

0 引 言

隨著智能電網的發展，基于大數據分析和配電自動化控制技術的配電網絡應運而生。配電網故障的處理方式主要包括故障檢測、故障定位、故障區域隔離以及非故障區域恢復供電等。在配電網的故障防范與故障處理過程中，需要科學、充分地利用大數據分析技術減少配電網故障，提升配電網供電質量。為提升配電網故障處理能力，保障配電服務質量，文章從配電網自動化系統結構、配電網大數據特點、配電網異常問題等角度出發，結合工作經驗，梳理基于大數據技術的配電網故障監測與診斷技術、配電網狀態檢測與故障處理流程、故障定位隔離與非故障區域恢復方法，以探討基于大數據分析的配電網故障監測和故障診斷分析策略。

1 配電網自動化系統

配電網自動化管理模式下，利用現代電子、通信、計算機及網絡技術等，集成配電網結構信息、用戶信息、設備信息、地理信息、實時運行信息以及離線信息等，自動化監測、保護、控制及管理配電網運行狀態。配電網自動化系統集成配電數據采集與監視控制系統（Supervisory Control And Data Acquisition，SCADA），具有饋線自動化、電網分析、與相關應用系統進行互聯等功能。

2 配電網大數據特點

2.1 數據來源

智能電網依托傳感器技術、通信技術、物聯網技術及大數據技術等，能夠實時并準確地獲取電網設備的運行狀態信息，全面且真實地記錄電力生產運行過程及其細節。同時，智能電網會根據上層應用系統對多元狀態信息的需求，實現對電網信息的多元采集和捕獲。配電網大數據主要來源于電網業務數據和電網系統運行環境相關的氣象、地理、環境等數據。其中，電網業務數據主要來源于3 個方向，即電網運行和設備監測或檢測數據、電力企業營銷數據、電力企業管理數據。根據數據的內在結構形式，可以將這些數據細分為結構化數據、半結構化數據和非結構化數據，不同的數據需要不同的存儲與處理方式。

2.2 數據特點

配電網大數據基于區域用戶數量，擁有數十萬乃至百萬、千萬的數據采集點，需要監測的設備數量巨大。同時，為滿足上層系統應用需求、全面且真實地記錄生產運行細節，對設備信號采集頻率提出較高要求，且需要全生命周期和實時狀態的信息采集。此外，配電網大數據具有規模大、類型多、價值密度低以及變化快等特點，具有較強的多源異構性。

3 配電網主要異常問題

配電系統是一個高度復雜的動態系統。從故障類型角度來看，配電網故障主要分為電網故障和設備故障。電網故障常由非全相運行、絕緣子閃絡放電、倒桿以及自然災害等線路與環境問題引起；而設備故障可能來源于變壓器、柱上開關、跌落式熔斷器、環網柜高壓計量箱、避雷器、電纜終端以及電源等諸多設備，故障原因包括電路老化、設備老化、設備安裝不當以及人為主觀破壞，還包括自然災害、車禍等意外事件。配電網智能終端故障主要表現為用電量指數加權移動平均（Exponentially Weighted Moving Average，EWMA）預測值高于上界或低于下界、用電量呈下降趨勢、用電量呈上升趨勢、電流互感器回路異常以及線損率呈上升趨勢等。

配電網作為電力系統輸配電的末端環節，與客戶關系密切，其故障監測和診斷效率直接關系著配電服務質量。從故障發生的過程來看，配電網供電服務需要具備基于異常數據變化預測故障的能力，以便及時發現并規避故障。同時，可以通過異常數據分析，快速定位并隔離故障問題，確保能夠及時恢復非故障區域供電。從供電服務角度來看，針對短期客戶業務活動帶來的用電異常和長期隨意用電等問題，需要根據客戶用電需求變化，及時調整用電供給量，確保供電質量；針對長期人為和非人為的電路、電表故障問題，需及時安排檢修并對違規違法操作進行處理[1]。

4 基于大數據技術的配電網故障檢測與診斷技術

4.1 大數據分析技術

從技術層面來看，數據分析技術主要包括數據對比分析和結構分析[2]。其中，對比分析是分析采集到的電量、電壓、電流以及溫度等信息，基于時序、空間等特性，通過縱向對比、橫向對比、基準對比、實際與計劃對比、同比以及環比分析等方法，判斷故障問題，以獲得趨勢性預測信息。而結構分析則從宏觀角度出發，基于分析目的和基礎數據，通過多元線性回歸擬合、時間序列分析、人工神經網絡分析以及模糊綜合分析等方法，建構多要素、多時空、多過程等多維度動態數據大模型，并通過多維度的截面數據反應系統的分類結構占比。

4.2 基于大數據分析的配電網狀態監測與故障處理流程

配電自動化系統中故障隔離與非故障區域恢復供電的實現方式主要有智能分布式、主站集中控制型、運行監測型、電壓-時間就地型以及故障指示器型等[3-4]。基于大數據的配電網狀態監測與故障處理流程如圖1 所示。

圖1 基于大數據的狀態監測與故障處理流程

在配電網正常運行時，業務數據和電網運行環境數據會從數據采集端經通信網絡傳輸至配電網數字化分析與管理相關系統。這些數據經預處理后，進入數據分析大模型系統，以完成數據融合、分析、計算等操作，最終的分析結果將以可視化的形式展現在相關系統的終端。對于監測分析中發現的異常數據，系統會對其進行進一步的故障定位與隔離，并作出相應的調控決策，以盡量減小故障問題對配電網絡正常運行的影響。

4.3 基于大數據分析的故障定位隔離與非故障區域恢復

配電網故障處理一般包括故障定位隔離與非故障區域恢復處理2 個方面。

在故障定位隔離方面，傳統的定位隔離主要采用基于用戶投訴、線路故障指示器、重合器、饋線終端單元（Feeder Terminal Unit，FTU）以及配電主站的集中式故障定位隔離等方法。而基于大數據分析技術，配電網故障定位隔離主要采用主站集中式故障定位算法，包括基于圖論的矩陣算法、過熱弧搜尋法，還包括基于人工智能的人工神經網絡、專家系統、模糊理論以及遺傳算法等。

在非故障區域恢復方面，傳統的非故障區域恢復主要采用基于客戶投訴與配網SCADA的人工處理、基于自動重合的就地故障恢復模式、基于FTU 的主站集中式恢復模式等。其中，基于大數據分析技術的非故障區域恢復算法通常從網損最小、平衡負荷、提高可靠性等角度出發構建目標函數模型，并選用基于啟發式算法（基于調度知識的啟發式規則、基于一階負荷矩的啟發式規則等）或人工智能類（專家系統、遺傳算法、模糊理論等）故障恢復算法，將約束條件帶入算法，進行恢復方案的計算與決策[5]。

以矩陣算法的故障定位分析為例，矩陣算法從配電網拓撲結構出發，基于FTU 實時上傳的異常監測信息、警告信息等，建立能夠反映故障區段的故障診斷矩陣與評價函數。簡單的故障矩陣模型無法表示電流方向、反應配電網的運行方式等特點，可能存在誤判故障位置等問題，因此需要基于配電網實際情況創新優化矩陣算法。例如，從時空耦合、分層結構、綜合特征以及綜合學習粒子群優化算法（Comprehensive Learning Particle Swarm Optimization，CBPSO）協同等方向進行故障定位優化，降低故障位置誤判的發生概率。

4.4 基于大數據分析的配電網故障檢測和故障診斷分析策略

配電網故障定位和非故障區域恢復要素數理模型的構建主要基于實際配電網的拓撲結構、數據采集能力、信息要素建構能力以及分析目標期望等因素。為更好地搭建該模型，需要結合配電網實際情況，充分學習專家的經驗和知識，選用最新的數據分析與挖掘技術，并結合配電網特點和故障診斷的質效要求，科學建構和運用數理模型。通過創新優化故障診斷模式，可以提高配電網實際運行中的故障診斷效能。同時，基于風險防范、事前預防等理念，積極探索基于異常數據監測與檢測技術，及早預測故障風險，并利用自動化控制系統或人工干預處理等方式，降低配電網故障的發生概率，不斷提升輸配電質效和供電服務質量。

5 結 論

隨著智能電網的迅速發展，如何深挖配電網大數據價值并進行科學分析變得尤為重要。配電網大數據在配電網異常監測、故障檢測、故障處理等方面發揮著重要作用。在配電網故障處理中，通過應用故障監測、識別和定位理論，能夠顯著提升配電網的故障處理效率，有效縮短停電時間，提高供電系統的可靠性。這些理論的應用對于確保配電網的穩定運行和提供優質供電服務具有重要意義。