湯 波，鄭宇鵬，余光正，周健科，王 震，楊 秀

電氣-環(huán)境耦合作用下的引流線可靠性評估方法

湯 波1，鄭宇鵬1，余光正1，周健科2，王 震2，楊 秀1

(1.上海電力大學(xué)電氣工程學(xué)院，上海 200090；2.國網(wǎng)浙江省電力有限公司舟山供電公司，浙江 舟山 316000)

自然災(zāi)害下電力設(shè)備故障成為用戶停電和災(zāi)后搶修的主要因素，電力設(shè)備的健康程度和抗災(zāi)能力與其長期運行環(huán)境密切相關(guān)，評估其健康水平對提升設(shè)備可靠性具有重要意義。以自然災(zāi)害特征最為明顯的海島配電網(wǎng)和故障頻率最高的引流線為對象，根據(jù)其在多因素、強相關(guān)性環(huán)境特征影響下的運行狀況，提出一種基于雙重優(yōu)化改進(jìn)集成神經(jīng)網(wǎng)絡(luò)的引流線可靠性評估方法。首先，通過最大信息系數(shù)篩選配電線路故障特征，形成歷史故障數(shù)據(jù)集。其次，為提取海島微氣象環(huán)境下的引流線故障規(guī)律，結(jié)合主成分分析和Kmeans對引流線進(jìn)行故障區(qū)域劃分。在此基礎(chǔ)上，構(gòu)建電氣-環(huán)境耦合的集成神經(jīng)網(wǎng)絡(luò)預(yù)測模型，關(guān)聯(lián)海島氣象特征和引流線故障特征進(jìn)行壽命預(yù)測。并通過Attention機制和雙重優(yōu)化體系進(jìn)行改進(jìn)，突出海島典型氣象因素影響、提升預(yù)測準(zhǔn)確性。最后，基于浙江舟山實際數(shù)據(jù)進(jìn)行算例驗證。結(jié)果表明：所提方法能夠有效評估海島配電網(wǎng)引流線的壽命狀況，對提高配電網(wǎng)設(shè)備可靠性具有重要實用價值。

配電網(wǎng)；電力設(shè)備；電氣-環(huán)境耦合；改進(jìn)集成神經(jīng)網(wǎng)絡(luò)；可靠性評估

0 引言

隨著國家海洋戰(zhàn)略的不斷推進(jìn)實施，海洋開發(fā)不斷加快，海島和沿海電網(wǎng)規(guī)模逐步擴大[1-3]。因臺風(fēng)及常年季風(fēng)氣候、重鹽霧、大濕度等環(huán)境因素和海島交通不便導(dǎo)致運維困難，海島配電網(wǎng)較內(nèi)陸電網(wǎng)故障頻發(fā)。據(jù)統(tǒng)計，舟山配電網(wǎng)2016—2019年共發(fā)生約300起配電設(shè)備故障，而因引流線故障導(dǎo)致配電網(wǎng)停電占故障總數(shù)的70%以上，其老化程度、故障頻率遠(yuǎn)超配電網(wǎng)其他設(shè)備。引流線故障直接導(dǎo)致海島配電線路停電，嚴(yán)重影響海島用戶用電和海上清潔能源的送出，特別在臺風(fēng)等極端事件下保障電網(wǎng)安全對經(jīng)濟社會穩(wěn)定至關(guān)重要。為此，研究電力設(shè)備可靠性與環(huán)境因素的關(guān)系成為建設(shè)彈性電力系統(tǒng)、建設(shè)“不怕臺風(fēng)和鹽霧的電網(wǎng)”的重要內(nèi)容[4-5]。

配電設(shè)備的可靠性與使用壽命和長期運行環(huán)境有著密切關(guān)系[6-7]。國際大電網(wǎng)會議(GIGRE)相關(guān)工作組報告[8]指出：惡劣天氣事件導(dǎo)致的桿塔故障和電氣失效是影響架空線路安全運行的最主要原因。文獻(xiàn)[9]通過構(gòu)建計及多因素誤差修正的線路失效模型，以模型驅(qū)動預(yù)測線路失效狀況，但該方法對環(huán)境因素的分析存在一定的局限性，且模型驅(qū)動在應(yīng)對海島環(huán)境因素時，預(yù)測精度較低。文獻(xiàn)[10]通過對氣象環(huán)境因素做加權(quán)關(guān)聯(lián)規(guī)則化處理來實現(xiàn)故障預(yù)測。然而在海島環(huán)境中，當(dāng)考慮因素增多、影響程度變強時，該預(yù)測模型會變得復(fù)雜，預(yù)測精度下降。目前鮮有文獻(xiàn)對海島強環(huán)境因素影響下的配電設(shè)備可靠性進(jìn)行系統(tǒng)研究，上述研究還停留在傳統(tǒng)數(shù)學(xué)模型求解階段，普遍存在計算精度不高的問題。

隨著人工智能算法及大數(shù)據(jù)技術(shù)的廣泛應(yīng)用，以深度學(xué)習(xí)為主的人工智能神經(jīng)網(wǎng)絡(luò)方法在設(shè)備故障監(jiān)測等方面取得了一定的成果。其中以卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)和長短期神經(jīng)網(wǎng)絡(luò)(Long Short-Term Memory, LSTM)為代表的深度學(xué)習(xí)算法，能夠?qū)崿F(xiàn)自主提取電力設(shè)備特征因素并有效監(jiān)測其運行狀態(tài)，用于設(shè)備的早期故障預(yù)警和診斷[11-13]。然而，大多研究未考慮自然環(huán)境因素對電力設(shè)備運行的影響，僅從已有的設(shè)備故障數(shù)據(jù)集出發(fā)，在一定程度上具有較大的局限性。

綜上所述，現(xiàn)有文獻(xiàn)缺乏對海島強環(huán)境影響因素下的電力設(shè)備故障進(jìn)行研究，并且存在故障模型精度較低、考慮環(huán)境因素沒有針對性等問題。對此，文中以配電網(wǎng)故障頻率最高的引流線為對象，從探究海島微氣象環(huán)境下的故障規(guī)律、構(gòu)建電氣-環(huán)境耦合的神經(jīng)網(wǎng)絡(luò)預(yù)測模型、改進(jìn)模型以提高評估精度三個方面出發(fā)，進(jìn)行海島環(huán)境因素下的引流線壽命評估，以提高電力設(shè)備的運行可靠性，為建設(shè)彈性電網(wǎng)、提高電力設(shè)備堅固耐用水平以及提升電網(wǎng)災(zāi)害防護(hù)能力提供了依據(jù)。

1 海島配電線路引流線故障分析

相比內(nèi)陸地區(qū)，在海島強災(zāi)害性環(huán)境因素的影響下(如：強風(fēng)速、重鹽霧、大濕度、高低溫等)，配電線路引流線的運行狀況嚴(yán)峻，其運行壽命縮短、老化衰退加快，表現(xiàn)為：引流線老化速度加快，致使升溫運行頻繁，進(jìn)而冒火燒毀；在強腐蝕的直接影響下，其機械性能下降嚴(yán)重，在強風(fēng)環(huán)境中易發(fā)生斷線故障。根據(jù)舟山實例統(tǒng)計可知：配電線路引流線的運行壽命大多維持在2～4年，嚴(yán)重的僅為1年左右，因引流線壽命極大衰減導(dǎo)致引流線設(shè)備運行可靠性較差，嚴(yán)重影響配電網(wǎng)安全運行。

在海島引流線運行過程中，隨著老化程度的加深，其壽命百分比逐漸降至0%。因海島典型環(huán)境中的影響因素較多、相關(guān)性較強，傳統(tǒng)的威布爾概率函數(shù)[14]難以有效擬合壽命。而在引流線運行過程中，引流線故障特征指標(biāo)最大溫升值是描述其性能老化趨勢和壽命的直觀物理量[15]，當(dāng)其值達(dá)到一定的限值時，引流線壽命終止。

在采集、統(tǒng)計大量的海島配電網(wǎng)引流線運行數(shù)據(jù)的基礎(chǔ)上，文中依照GB/T10125-2012[16]、GB/T2423.10-2008[17]等標(biāo)準(zhǔn)對引流線進(jìn)行了海島環(huán)境的模擬試驗，部分?jǐn)?shù)據(jù)如表1所示。

表1 部分試驗數(shù)據(jù)

試驗結(jié)果表明：引流線的耐腐蝕性能直接影響設(shè)備壽命，其力學(xué)性能是在腐蝕升溫運行造成機械性能下降后的附加影響。進(jìn)一步驗證了引流線故障特征指標(biāo)最大溫升值能夠直觀反映引流線的壽命變化，并通過壽命(可靠性指標(biāo))間接體現(xiàn)海島環(huán)境下引流線的運行可靠性變化。故障特征指標(biāo)、可靠性指標(biāo)和引流線可靠性的關(guān)系如圖1所示。

文中通過構(gòu)建神經(jīng)網(wǎng)絡(luò)模型耦合引流線故障特征和海島強環(huán)境特征，分三步對海島配電網(wǎng)引流線最大溫升值(壽命)進(jìn)行預(yù)測，進(jìn)而間接評估引流線的運行可靠性：1) 聚類劃分海島微氣象環(huán)境下的引流線故障區(qū)域；2) 構(gòu)建改進(jìn)集成神經(jīng)網(wǎng)絡(luò)模型，以引流線故障特征指標(biāo)、環(huán)境特征為輸入，進(jìn)行引流線壽命評估；3) 通過模型、結(jié)果雙重優(yōu)化，以提高評估準(zhǔn)確性。引流線壽命評估進(jìn)程如圖2所示。

圖1 最大溫升值-壽命-可靠性關(guān)系圖

圖2 引流線壽命評估進(jìn)程

2 海島微氣象環(huán)境下的故障規(guī)律提取

在強風(fēng)速、重鹽霧等海島典型氣象環(huán)境因素的影響下，島內(nèi)陸地、礁岸等存在微氣象環(huán)境差異，導(dǎo)致海島配電線路故障呈現(xiàn)出較大的地理差異。圖3為某海島配電線路2016—2019年的引流線故障分布。

由圖3可知，海島各區(qū)域的引流線故障次數(shù)各不相同，若將其按照同一故障程度進(jìn)行壽命預(yù)測評估，所得結(jié)果不具備代表性，難以合理反映引流線的真實運行狀況。若對故障引流線逐個進(jìn)行研究，則計算量龐大。對此，文中對海島微氣象環(huán)境下的故障規(guī)律進(jìn)行提取，通過聚類合理劃分故障區(qū)域，再針對分區(qū)中的典型故障引流線進(jìn)行研究，提升壽命預(yù)測評估的泛化能力。

圖3 海島引流線故障分布

2.1 故障特征篩選

海島環(huán)境下的配電線路故障特征較多，如：故障頻率、影響用戶數(shù)、失電負(fù)荷、故障持續(xù)時間等，且各特征因素之間具有一定的聯(lián)系。若依靠傳統(tǒng)的人為篩選，所得的故障特征因素缺乏客觀依據(jù)，并且耗時費力，難以挖掘各個故障特征因素之間的相關(guān)性。對此，文中使用最大信息系數(shù)(Maximal Information Coefficient, MIC)算法[18]對故障特征因素進(jìn)行篩選。

針對特征變量之間的關(guān)系，MIC算法通過求取不同尺度下的互信息最大值來衡量特征之間的相關(guān)性大小，互信息值計算公式為

通過計算各故障特征之間的互信息值，篩選互信息值排序較高的故障特征構(gòu)成高相關(guān)性、高質(zhì)量的歷史故障數(shù)據(jù)集，為聚類劃分提供基礎(chǔ)。

2.2 基于PCA-Kmeans的故障區(qū)域劃分

在篩選構(gòu)成海島歷史故障數(shù)據(jù)集的基礎(chǔ)上，考慮到所得故障特征因素種類較多，并且構(gòu)成的高維數(shù)矩陣會導(dǎo)致計算時間增加，不利于聚類劃分，因此構(gòu)建PCA-Kmeans降維聚類模型。通過主成分分析(Principal Component Analysis, PCA)算法[19]對高維故障特征矩陣進(jìn)行降維處理，再通過Kmeans進(jìn)行聚類處理，進(jìn)而劃分得到海島微氣象環(huán)境下引流線故障分區(qū)。PCA計算步驟如下：

2) 對高維數(shù)據(jù)矩陣{}進(jìn)行中心化處理。

選取累計方差貢獻(xiàn)率(75%～95%)維度作為參考降維維度。

3 計及電氣-環(huán)境耦合的設(shè)備壽命預(yù)測模型

在海島配電網(wǎng)引流線運行過程中，海島惡劣的環(huán)境特征因素(重鹽霧、強風(fēng)速、大濕度等)會嚴(yán)重影響引流線設(shè)備的材料性質(zhì)(外層絕緣老化，抗腐蝕性能嚴(yán)重下降)，致使其老化加劇，進(jìn)一步導(dǎo)致電氣特征(電流通過時引流線溫升)發(fā)生較大變化，引流線呈現(xiàn)升溫運行狀態(tài)。在環(huán)境特征因素和電氣特征共同的持續(xù)影響下，引流線的運行溫度逐漸上升，壽命逐漸衰減，可靠性下降，當(dāng)最大溫升超過引流線承受能力時，則發(fā)生冒火燒毀。

圖4 故障規(guī)律提取流程圖

3.1 CNN-DBiLSTM集成神經(jīng)網(wǎng)絡(luò)模型

圖5 深度雙向LSTM結(jié)構(gòu)

最終通過全連接層輸出為

3.2 基于Attention的海島典型環(huán)境特征賦權(quán)

海島相較于內(nèi)陸地區(qū)，強風(fēng)速、重鹽霧、大濕度三類典型環(huán)境特性對引流線的影響程度較大，導(dǎo)致導(dǎo)流線老化加劇。若各海島強環(huán)境因素不進(jìn)行區(qū)分，會造成預(yù)測精度較低。因此，文中針對海島環(huán)境下特有的3類典型強環(huán)境影響因素對CNN-DBiLSTM進(jìn)行改進(jìn)。通過引入Attention機制，賦予典型環(huán)境特征更大的權(quán)值，進(jìn)一步提高海島典型環(huán)境下引流線壽命預(yù)測的準(zhǔn)確性。

圖6 Attention機制結(jié)構(gòu)圖

綜上，將海島環(huán)境特征以及引流線的故障特征作為輸入，通過CNN-Attention-DBiLSTM集成模型進(jìn)行特征提取、預(yù)測，并通過賦予海島3種典型環(huán)境因素更高的權(quán)值，保證壽命預(yù)測的準(zhǔn)確性。

4 預(yù)測模型雙重優(yōu)化

4.1 模型調(diào)參優(yōu)化

CNN-DBiLSTM集成神經(jīng)網(wǎng)絡(luò)引入Attention機制后，提升模型預(yù)測性能的同時也帶來超參數(shù)增多，調(diào)參困難問題。模型的不同超參數(shù)(如：步長、學(xué)習(xí)率、隱層權(quán)重、偏置系數(shù)等)的不同取值組合會對最終的評估效果產(chǎn)生極大的影響。而傳統(tǒng)超參數(shù)調(diào)整方法主要有網(wǎng)格搜索算法、隨機搜索算法等，通過配置超參數(shù)選擇空間，以隨機取點的方式進(jìn)行每種可能超參數(shù)組合調(diào)整。然而其每一次對超參的新猜測都獨立于之前的訓(xùn)練，且高維數(shù)據(jù)的輸入會增加搜索時間復(fù)雜度，降低準(zhǔn)確度。

貝葉斯超參數(shù)優(yōu)化是一種為序列模式的模型提供求解全局最優(yōu)化的方法[21]，能夠自動搜尋模型超參數(shù)全局最優(yōu)解。選擇一組新的超參數(shù)，該目標(biāo)函數(shù)的提升為

式中：*是當(dāng)前所有(風(fēng)險函數(shù))的一個分割點；為超參數(shù)。

通過貝葉斯超參數(shù)優(yōu)化，自主提升模型的運行性能，進(jìn)一步提升改進(jìn)集成神經(jīng)網(wǎng)絡(luò)模型在海島強環(huán)境影響因素下的預(yù)測性能。

4.2 預(yù)測結(jié)果修正優(yōu)化

隨著預(yù)測時間尺度的增大，即使通過超參數(shù)調(diào)優(yōu)保證預(yù)測模型的運行性能最優(yōu)，預(yù)測模型在面對長時間尺度時，預(yù)測結(jié)果仍會出現(xiàn)較大程度的波動和偏差。為了有效解決誤差波動問題，以及改善傳統(tǒng)的人工智能算法(支持向量機、決策樹等)在面對海島復(fù)雜多維度、強相關(guān)性數(shù)據(jù)下預(yù)測修正效果較差的問題，文中提出使用XGBoost模型以預(yù)測修正的方式對結(jié)果進(jìn)行優(yōu)化。

XGBoost是一種以集成學(xué)習(xí)為主體思想的統(tǒng)計學(xué)習(xí)方法，能進(jìn)行多線程并行計算[22]。通過樹集成方式，將(樹的總數(shù)為)棵樹中的每棵樹對樣本的預(yù)測值之和作為樣本進(jìn)行預(yù)測。

通過XGBoost模型對歷史故障數(shù)據(jù)集進(jìn)行預(yù)測處理后，將所得結(jié)果對引流線的預(yù)測壽命結(jié)果進(jìn)行修正優(yōu)化，如式(16)所示。

5 算例分析

文中結(jié)合舟山配電網(wǎng)2016—2019年的70處故障配電線路引流線設(shè)備實際運行數(shù)據(jù)(包含配電線路故障特征數(shù)據(jù)、氣象環(huán)境特征數(shù)據(jù)及設(shè)備故障特征數(shù)據(jù))進(jìn)行壽命預(yù)測評估方法驗證。配電線路故障特征、設(shè)備故障特征引流線溫升值通過采集獲得，環(huán)境特征數(shù)據(jù)通過采集并結(jié)合數(shù)值天氣預(yù)報整理獲得。具體的數(shù)據(jù)特征如表2所示。

表2 采集的數(shù)據(jù)特征

其中，配電線路故障特征反映海島微氣象環(huán)境影響下不同分區(qū)內(nèi)配電線路引流線故障的概率大小，用以聚類劃分引流線故障分區(qū)，提取海島引流線故障規(guī)律。環(huán)境特征為海島環(huán)境下影響引流線運行狀況的環(huán)境因素，引流線故障特征則是直接反映引流線壽命狀況變化的物理量；在聚類劃分故障分區(qū)的基礎(chǔ)上，通過耦合該環(huán)境特征與故障特征數(shù)據(jù)用以實現(xiàn)海島環(huán)境下引流線的壽命預(yù)測評估。

5.1 數(shù)據(jù)預(yù)處理

故障頻率能較好地體現(xiàn)在海島微氣象環(huán)境影響下不同故障分區(qū)內(nèi)引流線故障的概率大小。因此，以故障頻率為主故障特征，通過MIC算法計算與其他故障特征的互信息值，用于比較篩選高相關(guān)性因素構(gòu)成歷史故障數(shù)據(jù)集。

如圖7所示，互信息值越高，特征之間的關(guān)聯(lián)性越強。為保證良好的聚類效益并減少計算復(fù)雜度，現(xiàn)取與故障頻率互信息值最大的4個特征(檢修頻率、故障持續(xù)時間、影響用戶數(shù)、失電負(fù)荷)構(gòu)成歷史故障數(shù)據(jù)集。

圖7 各特征之間的互信息值

5.2 實驗結(jié)果分析

5.2.1故障分區(qū)聚類結(jié)果

基于歷史故障數(shù)據(jù)集，構(gòu)建輸入矩陣并輸入至PCA-Kmeans模型中，設(shè)置主成分個數(shù)為2，聚類分區(qū)數(shù)為4，計算得累計方差貢獻(xiàn)率為79.23%，符合75%～95%要求。部分故障分區(qū)結(jié)果如表3所示。

表3 部分故障分區(qū)聚類結(jié)果

在聚類所得各分區(qū)內(nèi)的引流線故障受海島微氣象環(huán)境的影響程度相近，各分區(qū)內(nèi)引流線的壽命狀況、運行可靠性具有相似性。數(shù)值空間聚類效果如圖8所示。

5.2.2模型預(yù)測結(jié)果驗證

1) 預(yù)測結(jié)果比較

現(xiàn)取4類分區(qū)中的故障分區(qū)1為驗證案例，以該分區(qū)內(nèi)的故障引流線為驗證對象，將采集、測量所得的海島歷史環(huán)境特征數(shù)據(jù)和引流線最大溫升值構(gòu)建矩陣輸入至構(gòu)建的評估模型中，設(shè)定訓(xùn)練率為0.85，劃分為訓(xùn)練集和驗證集。并以引流線溫升歷史最大數(shù)值的90%為壽命限值，預(yù)測輸出所有樣本的驗證集(0.25)約180天的剩余壽命預(yù)測值，并對分區(qū)內(nèi)所有引流線樣本的預(yù)測值取平均。

圖8 故障分區(qū)聚類圖

為驗證雙重優(yōu)化改進(jìn)集成神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度，將其分別與CNN-Attention-BiLSTM[23]、CNN-BiLSTM[24]、BiLSTM[25]、CNN-LSTM[26]模型的預(yù)測結(jié)果進(jìn)行比較，結(jié)果如圖9所示。

圖9 引流線最大溫升值預(yù)測結(jié)果

如圖9所示，長時序下的引流線溫升總體呈持續(xù)上升狀態(tài)，但在短時序下的溫升波動較大，引流線整體所承受“退火”效應(yīng)影響程度較大，并且雙重優(yōu)化CNN-Attention-DBiLSTM的預(yù)測效果最好，其次為未優(yōu)化的CNN-Attention-BiLSTM。說明通過貝葉斯調(diào)參、XGBoost修正構(gòu)成的雙重優(yōu)化體系能夠在海島長時序預(yù)測中發(fā)揮較好的效果。此外，Attention機制通過賦權(quán)3類典型環(huán)境，也較好地提升了預(yù)測效益。隨著時序增長，其他預(yù)測模型的預(yù)測結(jié)果都呈現(xiàn)較大的波動與偏差，而文中構(gòu)建的模型能夠有效提升長時序下最大溫升預(yù)測的準(zhǔn)確性。隨著故障指標(biāo)數(shù)值的上升，其壽命逐漸下降，當(dāng)最大溫升數(shù)值達(dá)到限值時(取該區(qū)域引流線歷史最大溫升數(shù)值的90%)，即可判斷引流線壽命終止。

2) 預(yù)測誤差比較

以MAPE值(%)、MAE值和RMSE值作為預(yù)測誤差評估指標(biāo)，不同模型在海島環(huán)境下對引流線的最大溫升預(yù)測誤差如表4所示。

由表4可得，雙重優(yōu)化CNN-Attention-DBiLSTM預(yù)測模型的預(yù)測性能綜合表現(xiàn)最好。相較未雙重優(yōu)化，引流線的MAPE值(%)、MAE值、RMSE值分別下降了1.049 64、0.009 79、0.010 43。并且在Attention機制的作用下，引流線的MAPE值(%)、MAE值、RMSE值分別下降了0.593 07、0.005 46、0.006 88。所以Attention機制和雙重優(yōu)化體系能夠較好地提高模型的預(yù)測精度。

表4 預(yù)測誤差指標(biāo)對比

文中所構(gòu)建的雙重優(yōu)化改進(jìn)集成神經(jīng)網(wǎng)絡(luò)模型在雙重優(yōu)化前后的訓(xùn)練時損失值，以及引入Attention機制、構(gòu)建雙重優(yōu)化體系前后的預(yù)測誤差對比如圖10所示。

圖10 模型在改進(jìn)、優(yōu)化前后的訓(xùn)練損失及誤差比較圖

由圖10(a)可得，模型訓(xùn)練產(chǎn)生的損失誤差值由原先的高數(shù)值、劇烈波動變?yōu)榈蛿?shù)值、平緩下降，說明較優(yōu)的超參數(shù)組合能夠?qū)︻A(yù)測模型的性能產(chǎn)生較大的影響，進(jìn)一步提升模型的預(yù)測性能。由10(b)可得，通過雙重優(yōu)化模型性能和預(yù)測結(jié)果，以及Attention機制對海島3類典型環(huán)境因素進(jìn)行加權(quán)賦值后的預(yù)測誤差極大減少，尤其隨著預(yù)測時序的增長，改進(jìn)優(yōu)化后的預(yù)測精度更高。

5.2.3各故障分區(qū)引流線壽命預(yù)測結(jié)果

在求得的故障分區(qū)聚類結(jié)果基礎(chǔ)上，通過雙重優(yōu)化CNN-Attention-DBiLSTM預(yù)測模型對故障分區(qū)1～4內(nèi)的所有引流線進(jìn)行壽命預(yù)測并取平均值，壽命預(yù)測結(jié)果如表5所示，進(jìn)而可根據(jù)壽命預(yù)測結(jié)果對各區(qū)域內(nèi)引流線運行可靠性進(jìn)行評估。

由表5可得：1) 在海島微氣象環(huán)境的影響下，各故障分區(qū)內(nèi)引流線平均壽命各不相同，故障分區(qū)1和故障分區(qū)2引流線平均壽命相差高達(dá)近6年；因此通過對引流線進(jìn)行故障聚類劃分，差異性針對劃分區(qū)域內(nèi)的引流線進(jìn)行壽命預(yù)測，可較好地反映海島微氣象環(huán)境下引流線運行實際，針對性地提升預(yù)測的準(zhǔn)確性。2) 各分區(qū)內(nèi)引流線壽命終止時平均最大溫升越高，其平均壽命越短，進(jìn)一步驗證了引流線的故障特征指標(biāo)最大溫升值能夠有效直觀反映壽命情況。3) 依據(jù)各故障分區(qū)引流線平均壽命預(yù)測結(jié)果，故障分區(qū)1中引流線的平均壽命最短、運行可靠性最差，說明海島惡劣環(huán)境因素對該分區(qū)引流線的影響程度較深，為了保障引流線運行可靠性，需要重視該區(qū)域引流線設(shè)備選型和運維更替工作。

表5 各故障分區(qū)引流線壽命預(yù)測結(jié)果

6 結(jié)論

為保證災(zāi)害性環(huán)境因素影響下的配電網(wǎng)安全，減少停電事故的發(fā)生并提升配電設(shè)備的可靠性，文中以自然災(zāi)害特征明顯的海島配電網(wǎng)和故障頻率最高的引流線為對象，通過耦合引流線的電氣和環(huán)境特征，構(gòu)建基于雙重優(yōu)化CNN-Attention-DBiLSTM集成模型，提出了衡量引流線可靠性的壽命評估方法。從海島微氣象環(huán)境下各區(qū)域引流線故障程度存在的差異出發(fā)，通過數(shù)據(jù)篩選和聚類劃分故障分區(qū)，提取引流線的故障規(guī)律；在此基礎(chǔ)上，通過所構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型關(guān)聯(lián)耦合海島環(huán)境特征與引流線的故障特征，并對典型環(huán)境特征進(jìn)行賦權(quán)，以故障特征指標(biāo)最大溫升值計算可靠性指標(biāo)壽命，實現(xiàn)對引流線可靠性的評估。最后通過驗證比較表明本文所提方法對引流線的壽命預(yù)測精度更高，為海島配電網(wǎng)引流線的健康管理、運維檢修提供技術(shù)支撐，提高了引流線運行可靠性。

下一步將對其他典型電力設(shè)備特征指標(biāo)的提取、災(zāi)害下的故障特性進(jìn)行進(jìn)一步的研究，提升配電網(wǎng)運行的安全性、可靠性。

[1] O'DONNELL J, O'DONNELL J E D. Coastal vulnerability in Long Island Sound: the spatial structure of extreme sea level statistics[C] // 2012 Oceans, October 14-19, 2012, Hampton Roads, VA, USA: 1-4.

[2] 李凱文, 黃帥. 單樁式海洋風(fēng)電裝置風(fēng)振數(shù)值分析和現(xiàn)場監(jiān)測研究[J]. 電力工程技術(shù), 2021, 40(3): 166-171, 199.

LI Kaiwen, HUANG Shuai. Site monitoring and numerical simulation on the vibration of the marine wind power installation founded on monopiles[J].Electric Power Engineering Technology, 2021, 40(3): 166-171, 199.

[3] 季宇, 牛耕, 曲雪原, 等. 計及多能互補的海島群微網(wǎng)系統(tǒng)規(guī)劃評價方法[J]. 智慧電力, 2021, 49(6): 24-31.

JI Yu, NIU Geng, QU Xueyuan, et al. Planning evaluation method of islands microgrid system considering multi-energy complementary[J]. Smart Power, 2021, 49(6): 24-31.

[4] 李更豐, 邱愛慈, 黃格超, 等. 電力系統(tǒng)應(yīng)對極端事件的新挑戰(zhàn)與未來研究展望[J]. 智慧電力, 2019, 47(8): 1-11.

LI Gengfeng, QIU Aici, HUANG Gechao, et al. New challenges and future research prospects in power system against extreme events[J]. Smart Power, 2019, 47(8): 1-11.

[5] 陳皓勇. "雙碳"目標(biāo)下的電能價值分析與市場機制設(shè)計[J]. 發(fā)電技術(shù), 2021, 42(2): 141-150.

CHEN Haoyong. Electricity value analysis and market mechanism design under carbon-neutral goal[J]. Power Generation Technology, 2021, 42(2): 141-150.

[6] 袁漢杰, 李更豐, 龍濤, 等. 計及狀態(tài)估計與可觀性的電力系統(tǒng)可靠性評估[J]. 電網(wǎng)技術(shù), 2019, 43(12): 4274-4283.

YUAN Hanjie, LI Gengfeng, LONG Tao, et al. Power system reliability assessment considering state estimation and observability[J]. Power System Technology, 2019, 43(12): 4274-4283.

[7] 黃鳴宇, 祁升龍, 蘆翔, 等. 面向配網(wǎng)保護(hù)的集分聯(lián)合饋線自動化控制方法[J]. 河南師范大學(xué)學(xué)報(自然科學(xué)版), 2020, 48(5): 49-54.

HUANG Mingyu, QI Shenglong, LU Xiang, et al. Combined centralized and distributed control method for distribution network protection[J]. Journal of Henan Normal University (Natural Science Edition), 2020, 48(5): 49-54.

[8] CIGREWG.SCB2.54. Guidelines for the management of risk associated with severe climatic events and climate change on overhead lines[R]. Paris, France: CIGRE, 2014.

[9] 侯慧, 耿浩, 黃勇, 等. 基于多因素修正的臺風(fēng)災(zāi)害下輸電線路失效預(yù)測方法[J]. 電力系統(tǒng)自動化, 2019, 43(23): 193-201, 233.

HOU Hui, GENG Hao, HUANG Yong, et al. Multi-factor correction based failure prediction method of transmission line with typhoon disaster[J]. Automation of Electric Power Systems, 2019, 43(23): 193-201, 233.

[10] SUN C, WANG X, ZHENG Y. Data-driven approach for spatiotemporal distribution prediction of fault events in power transmission systems[J]. International Journal of Electrical Power and Energy Systems, 2019, 113: 726-738.

[11] 吉鋅格, 李慧, 劉思嘉, 等. 基于MIE-LSTM的短期光伏功率預(yù)測[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(7): 50-57.

JI Xinge, LI Hui, LIU Sijia, et al. Short-term photovoltaic power forecasting based on MIE-LSTM[J]. Power System Protection and Control, 2020, 48(7): 50-57.

[12] 劉建軍, 鄧潔清, 郭世雄, 等. 基于知識學(xué)習(xí)的儲能電站健康監(jiān)測與預(yù)警[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(4): 64-71.

LIU Jianjun, DENG Jieqing, GUO Shixiong, et al. Health monitoring and early warning of energy storage plant based on knowledge learning[J]. Power System Protection and Control, 2021, 49(4): 64-71.

[13] 楊志淳, 靖曉平, 樂健, 等. 基于MI-PSO-BP算法的配電設(shè)備狀態(tài)實時評估方法[J]. 電力自動化設(shè)備, 2019, 39(12): 108-113.

YANG Zhichun, JING Xiaoping, LE Jian, et al. Real-time condition assessment method based on MI-PSO-BP algorithm for distribution equipment[J]. Electric Power Automation Equipment, 2019, 39(12): 108-113.

[14] HATHOUT I, CALLERY K, TRAC J, et al. Impact of thermal stresses on the end of life of overhead transmission conductors[C] // 2018 IEEE Power & Energy Society General Meeting (PESGM), August 5-10, 2018, Portland, OR, USA: 1-5.

[15] 張睿祺, 董曉明, 王孟夏, 等. 計及線路電熱耦合的新能源接入通道全壽命經(jīng)濟性評估[J]. 電力系統(tǒng)自動化, 2020, 44(3): 83-88.

ZHANG Ruiqi, DONG Xiaoming, WANG Mengxia, et al. Life-cycle economic evaluation of renewable energy access considering line electro-thermal coupling[J]. Automation of Electric Power Systems, 2020, 44(3): 83-88.

[16] 全國金屬與非金屬覆蓋層標(biāo)準(zhǔn)化技術(shù)委員會. 人造氣氛腐蝕試驗鹽霧試驗: GB/T 10125—2012[S]. 北京:中國標(biāo)準(zhǔn)出版社, 2012.

[17] 中國電工電子產(chǎn)品環(huán)境條件與環(huán)境試驗標(biāo)準(zhǔn)化技術(shù)委員會. 電工電子產(chǎn)品環(huán)境試驗第2部分: 試驗方法試驗FC: 振動(正弦): GB/T 2423.10—2019[S]. 北京: 中國標(biāo)準(zhǔn)出版社, 2019.

[18] LEI Y, ZHANG X, HAN L, et al. MIC-THPCM: MIC-based heterogeneous parallel optimization for axial compressor rotor[C] // 2019 IEEE International Conference on Parallel & Distributed Processing with Applications, Big Data & Cloud Computing, Sustainable Computing & Communications, Social Computing & Networking (ISPA/BDCloud/SocialCom/SustainCom), December 16-18, 2019, Xiamen, China: 646-653.

[19] 謝國民, 倪樂水. 基于IABC優(yōu)化SVM的變壓器故障診斷[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(15): 156-163.

XIE Guomin, NI Leshui. Transformer fault diagnosis based on IABC optimized SVM[J]. Power System Protection and Control, 2020, 48(15): 156-163.

[20] SUN Qiming, SHI Libao, NI Yixin, et al. An enhanced cascading failure model integrating data mining technique[J]. Protection and Control of Modern Power Systems, 2017, 2(1): 19-28.

[21] MOLINA R, KATSAGGELOS A K, MATEOS J. Bayesian and regularization methods for hyperparameter estimation in image restoration[J]. IEEE Transactions on Image Processing, 1999, 8(2): 231-246.

[22] ZHANG S, ZHANG D, QIAO J, et al. Preventive control for power system transient security based on XGBoost and DCOPF with consideration of model interpretability[J]. CSEE Journal of Power and Energy Systems, 2021, 7(2): 279-294.

[23] 馮斌, 張又文, 唐昕, 等. 基于BiLSTM-Attention神經(jīng)網(wǎng)絡(luò)的電力設(shè)備缺陷文本挖掘[J]. 中國電機工程學(xué)報, 2020, 40(增刊1): 1-10.

FENG Bin, ZHANG Youwen, TANG Xin, et al. Power equipment defect text mining based on BiLSTM-Attention neural network[J]. Proceedings of the CSEE, 2020, 40(S1): 1-10.

[24] JIAO L, WU H, WANG H, et al. Text recovery via deep CNN-BiLSTM recognition and Bayesian inference[J]. IEEE Access, 2018, 6: 76416-76428.

[25] 謝小瑜, 周俊煌, 張勇軍, 等. 基于W-BiLSTM的可再生能源超短期發(fā)電功率預(yù)測方法[J]. 電力系統(tǒng)自動化, 2021, 45(8): 175-184.

XIE Xiaoyu, ZHOU Junhuang, ZHANG Yongjun, et al. W-BiLSTM based ultra-short-term generation power prediction method of renewable energy[J]. Automation of Electric Power Systems, 2021, 45(8): 175-184.

[26] 曹宇鵬, 羅林, 王喬, 等. 基于卷積深度網(wǎng)絡(luò)的高壓真空斷路器機械故障診斷方法[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(3): 39-47.

CAO Yupeng, LUO Lin, WANG Qiao, et al. Fault diagnosis of high-voltage vacuum circuit breaker with aconvolutional deep network[J]. Power System Protection and Control, 2021, 49(3): 39-47.

Reliability assessment method of drainage lines under electrical environmental coupling

TANG Bo1, ZHENG Yupeng1, YU Guangzheng1, ZHOU Jianke2, WANG Zhen2, YANG Xiu1

(1. College of Electrical Power, Shanghai University of Electric Power, Shanghai 200090, China;2. Zhoushan Power Supply Company, State Grid Zhejiang Electric Power Co., Ltd., Zhoushan 316000, China)

Power equipment failures have become the main reasonss for user power outages and emergency repairs when there are natural disasters. The health and resilience of power equipment are closely related to their long-term operating environment. Assessing their health level is of great significance in improving equipment reliability. This paper takes the island distribution network with the most obvious natural disaster characteristics and the drainage line with the highest fault frequency as the object. Given its operating conditions under the influence of multiple factors and strong correlation environmental characteristics, we propose a method for assessing the reliability of drainage lines based on an improved integrated neural network with double optimization. First, the maximal information coefficient (MIC) algorithm is used to filter the fault characteristics to form an historical fault data set. Secondly, to extract the fault rules of drainage lines in the island micro-weather environment, principal component analysis (PCA) combined with K-means is used to divide the fault area. Then an electrical-environmental coupling integrated neural network prediction model is constructed for life prediction by correlating island weather characteristics and drainage line fault characteristics, and is improved by an attention mechanism and dual optimization system to highlight the impact of typical island weather factors and improve prediction accuracy. Finally, based on the actual data of Zhoushan, Zhejiang Province, a calculation example is given. The results show that the proposed method can effectively assess the life of the drainage line of an island distribution network, and has important practical value for improving the reliability of distribution network equipment.

distribution network; power equipment; electrical-environmental coupling; improved integrated neural network; reliability assessment

10.19783/j.cnki.pspc.211045

上海市科委創(chuàng)新行動計劃資助(8DZ1203200)；國網(wǎng)浙江省電力有限公司科技項目資助(5211ZS190071)

This work is supported by the Innovation Action Plan of Science and Technology Commission of Shanghai Municipality (No. 8DZ1203200).

2021-08-07；

2021-11-10

湯 波(1984—)，男，博士，高級工程師，研究方向為配電網(wǎng)規(guī)劃、綜合能源系統(tǒng)規(guī)劃、電力系統(tǒng)數(shù)據(jù)分析等；E-mail: tangbo@shiep.edu.cn

鄭宇鵬(1997—)，男，碩士研究生，研究方向為電力系統(tǒng)可靠性分析；E-mail: 19103099@mail.shiep.edu.cn

余光正(1987—)，男，通信作者，博士，講師，研究方向為計及可再生能源接入的電力系統(tǒng)穩(wěn)定分析、基于數(shù)據(jù)驅(qū)動的分布式電源發(fā)電與用戶行為研究等。E-mail: powerygz@ shiep.edu.cn

(編輯 葛艷娜)