魏 浩，馬 進

（國網四川省電力公司廣元供電公司，四川 廣元 628000）

1 大數據的需求分析

基于“技術與實踐相結合”的原則，通過對線路安全隱患方面所存在的問題進行梳理，明確所要實現的目標，采用數據分析工具對數據進行處理，找出影響線路安全和預警能力的關鍵因素，使用現代算法工具實現輸電線路安全隱患智能預警，對安全隱患預警內容進行分級，采用概率算法，精準度量預警內容的正確性，為工作人員應對故障處理提供了客觀的參考，提升了工作人員應對故障的快速反應能力。對巡檢計劃周期進行優(yōu)化，縮減了技術處理組的工作量和巡檢周期，提高了巡檢計劃制定的效率及動態(tài)及時性，建立起“安全可控，便捷高效”的輸電線路安全隱患排查預警方案。

2 數據收集與處理

通過對安全隱患產生的原因分析，找到3大方面（自然因素[1]、設備因素、人為因素） 的影響。在對設備信息數據和自然因素數據進行采集時，輸電運檢應用了自己已開發(fā)的“亮亮”大數據管理平臺有效、快速采集兩方面的數據；同時，由于該方案可以收集到兩種因素在同一時間內產生的信息，兩種因素的信息具有一一對應的關系。因此，對兩種因素的狀態(tài)關聯(lián)信息采集，能更好地運用大數據對不同種因素的關聯(lián)信息進行分析，發(fā)現其潛在的聯(lián)系，然后抓取已有方案中的相關數據信息。

本文預警方案需要對每條線路進行安全隱患區(qū)段進行預測。因此，需要把該數據采集平臺的數據進一步處理，合理地分類線路區(qū)段。通過對所有巡檢線路長度的統(tǒng)計，考慮了區(qū)段故障定位的精準性，把線路步長定為1 km。所以，在“亮亮”數據采集平臺上以線路步長1 km為區(qū)段進行分類采集。例如，當采集110 kV白輪線時，白輪線長9.687 km，此時數據將分為10組作為輸入數據。圖1為“亮亮”大數據管理平臺關聯(lián)數據采集內容。

3 安全隱患分級

3.1 安全隱患特征

輸電線路安全隱患主要包含雷擊、覆冰、鳥害、山火故障等，針對不同安全隱患類型，模型所采集的特征數據不同。線路安全隱患特征如表1所示。表1中安全隱患特征項都包含在上述3大影響因素中，由于特征項的種類多，并且各監(jiān)測點每天需要存儲并傳輸的實時數據為百萬單位級，每一類特征數據所包含的信息價值單一，難以實現海量數據的價值利用。針對整體數據存在信息單一、實時數據海量及利用率低等問題，需選擇合理的數據學習算法對海量數據進行處理。

表1 線路安全隱患特征表

3.2 隱患分類

由于數據量大且對安全隱患有強相關影響的特征數據難以發(fā)掘，因此利用現代智能算法——誤差逆向傳播神經網絡算法BP（back propagation neural network） 神經網絡算法[2]，對已分類的海量數據進行分析辨識，尋找各類安全隱患特征之間的聯(lián)系，挖掘出導致線路安全隱患的關鍵安全隱患特征，稱其為隱患因子，進而形成隱患因子庫。

基于BP神經網絡的隱患因子形成過程分為3步，如圖2所示。第一步，設計BP神經網絡的模型，按照實際輸入輸出矩陣確定網絡的內部結構；第二步，用盡可能多的歷史數據訓練建立BP神經網絡，增進網絡精準度，使網絡性合格；第三步，用一小部分優(yōu)質數據對訓練結果進行測試，合格后采用產生的隱患因子，將其納入隱患因子庫。

圖2 隱患因子產生過程

通過對模型設計中BP網絡中間層結構、傳遞函數、學習速率和學習算法4個主要問題的考慮，確定了該模型。該模型采用3層BP網絡拓撲結構，結構如圖3所示。

圖3 神經網絡模型結構圖

3類數據作為神經網絡的輸入層，輸入層與輸出層之間的隱層選取了6個神經元節(jié)點，輸出層輸出多個隱患因子，形成隱患因子庫。

表2 部分安全隱患產生時出現的隱患因子

3.3 考慮時序條件的安全隱患分級

當收集的實時數據投入隱患因子挖掘模型后，得到安全隱患相對應的多個隱患因子，對可能存在的安全隱患初步判斷并進行分級，定為擬似安全隱患，并通過對某一安全隱患類型存在的隱患因子多少進行分級，安全隱患發(fā)生的可能性由小到大分為擬似安全隱患一級、擬似安全隱患二級和擬似安全隱患三級。然后把得到的隱患因子傳遞給安全隱患判別庫，作為下文考慮時序現象匹配的輸入特征，從而對可能存在的安全隱患做出合理預測。

由于故障大多數有時間上的周期性，例如鳥害一般發(fā)生在春季和冬季、雷擊故障一般發(fā)生在多雷雨的夏季等，通過結合廣元地區(qū)的地理環(huán)境因素及運檢部門巡檢時產生的大量數據，采用大數據分析方法，得到了標準安全隱患產生的時序特征，如表3所示。

表3 安全隱患時序特征

通過對相關安全隱患發(fā)生時間與表3的標準安全隱患時序特征進行對比，結合實時數據產生的隱患因子，對達到一定相似閾值指標的輸電線路進行安全隱患預警，如圖4所示。

表6 260 MW負荷下不投氨槍NOx質量濃度

4 轉化驗證形成可行方案

4.1 驗證安全隱患排查方案

采取上述方案開發(fā)軟件進行驗證，輸入初始設置值，得到輸電線路安全隱患排查預警方案。

由預警結果與實際數據結果進行對比可知，該方案能有效預測安全隱患，提升了安全隱患排查的效率；同時，由于輸入數據為每1 km一組，因此預測精度能達到1 km范圍。該方案能夠調節(jié)預測精度，這取決于收集的輸入數據范圍。

4.2 優(yōu)化狀態(tài)巡檢計劃流程

優(yōu)化前后狀態(tài)巡檢計劃流程如圖5所示。

圖5 狀態(tài)巡視計劃流程優(yōu)化前后對比圖

采用圖5優(yōu)化方案，分析巡視人員采集線路區(qū)段數據，使其對巡視線路進行智能分區(qū)、確定巡視周期，根據區(qū)域是否存在過安全隱患及安全隱患預警的級別，自動生成巡視周期重點區(qū)域，減輕了綜合技術組人員的工作量，提高了人工動態(tài)巡檢。

5 結論

基于大數據模型的輸電線路隱患預警系統(tǒng)實現了以下功能：一是，依托大數據技術構建了輸電線路安全隱患排查預警方案，融合了現有生產管理、智能巡檢等方案，顯著提高了工作效率和準確性，減少了大量的人工勞動，并可隨時響應安全隱患預警。二是，該方案依托線路數據區(qū)段分類技術，融合現代智能算法，使線路安全隱患定位到1 km的精度，精準定位了線路安全隱患。三是，依托線路安全隱患精準定位功能和考慮時序特征的預警方法，優(yōu)化了目前的巡檢計劃流程，減少了技術綜合組人員的工作量，提高了效率。四是，在實現安全隱患預警的前提下，對線路安全隱患預警等級進行分級預測，有效預警了安全隱患發(fā)生的可能程度及消除安全隱患的難易性，促進了工作人員消除安全隱患的及時性和效率；同時該方案也有效促進了信息數據更新、運檢維修等相關工作的及時性、準確性和工作效率。