一种配电网线路故障原因分析方法与系统与流程
本发明属于电力系统及其自动化领域，具体涉及一种配电网线路故障原因分析方法与系统。
背景技术：
配电线路(英文:distributioncircuit)是指从降压变电站把电力送到配电变压器或将配电变电站的电力送到用电单位的线路。
配电线路电压为3.6kv～40.5kv，称高压配电线路；配电电压不超过1kv、频率不超过1000hz、直流不超过1500v，称低压配电线路。配电线路的建设要求安全可靠，保持供电连续性，减少线路损失，提高输电效率，保证电能质量良好。
配电网线路故障是影响供电可靠性的最重要因素。配电网发生线路故障后，一方面需要及时准确地判定故障地点，快速进行故障隔离，并恢复故障区域供电，另一方面，需要查找故障原因，从根源上消除电网运行的安全隐患，有效降低故障发生概率，提高供电可靠性，保证用户供电质量。
目前，常用的线路故障原因分析，多依赖人为经验判断。该方式对判断人员的工作经验要求较高，且完全依赖主观判断，缺乏科学定量依据。此外，人为判断影响故障处理的时效性，同时，由于工作人员在短时接收的故障相关信息往往是不全面的，据此进行判断，影响分析结论的准确性。
技术实现要素：
为解决上述人为判断影响故障处理的时效性，同时，由于工作人员在短时接收的故障相关信息往往是不全面的，据此进行判断，影响分析结论的准确性的问题，本发明涉及一种配电网线路故障原因分析方法，所述方法包括：
获取当前线路故障时的数据；
基于获取的当前线路故障时的数据和预先构建的故障原因大类分析模型确定所属故障原因大类；
基于所述故障原因大类和预先构建的故障原因小类分析模型确定线路故障原因。
优选的，所述当前线路故障的类型包括架空线路故障和电缆线路故障。
优选的，所述故障原因大类分析模型的构建：
获取历史故障数据，并将所述历史故障数据设定为训练数据和测试数据；
根据发生故障的配电网线路的类型，将所述训练数据带入神经网络模型进行训练，获得所述历史故障数据中故障状况与故障大类之间的关系；
采用测试数据对故障状况与故障大类之间的关系进行修正。
优选的，所述架空线路故障时的历史状况包括：天气状况、故障状况和相关设备状况，所述故障大类包括：外力原因、用户影响、自然原因、设备原因和运行维护原因；
所述电缆线路故障时的历史状况包括：故障状况、相关设备状况和区域施工建设情况，所述故障大类包括用户影响、外力原因和设备原因。
优选的，所述故障原因小类分析模型的构建包括：
获取历史故障数据，并将所述历史故障数据设定为训练数据和测试数据；
根据发生故障的配电网线路的类型，将所述训练数据带入神经网络模型进行训练，获得所述历史故障数据中故障大类与故障原因之间的关系；
采用测试数据对故障大类与故障原因之间的关系进行修正。
优选的，在架空线路故障下情况下，故障大类为外力原因时，故障原因为异物、树线、交通车辆、鸟害或盗窃；
故障大类为自然原因时，故障原因为雷电、暴雨、大风或地震；
故障大类为设备原因时，故障原因为安装工艺不良、产品质量工艺不良或设备老化；
故障大类为运行维护原因时，故障原因为检修试验、维护不当或责任原因不清。
优选的，在电缆线路故障的情况下，故障大类为用户影响时，故障原因为施工影响或其他外力；
故障大类为设备原因时，故障原因为电缆中间接头故障、电缆终端接头故障或电缆本体故障。
优选的，所述天气状况包括：温度、风力、降雨量、降雪量；
所述故障状况包括：故障类型与故障位置；
所述相关设备状况包括：设备型号、使用年限和维护频率。
一种配电网线路故障原因分析系统，包括：
获取模块：用于获取当前线路故障时的数据；
故障原因大类确定模块：用于基于获取的当前线路故障时的数据和预先构建的故障原因大类分析模型确定所属故障原因大类；
故障原因确定模块：用于基于所属故障原因大类和预先构建的故障原因小类分析模型确定线路故障原因。
优选的，所述故障原因大类确定模块包括：故障原因大类分析模型构建单元；
所述故障原因大类分析模型构建单元用于：获取历史故障数据，并将所述历史故障数据设定为训练数据和测试数据；
根据发生故障的配电网线路的类型，将所述训练数据带入神经网络模型进行训练，获得所述历史故障数据中故障状况与故障大类之间的关系；
采用测试数据对故障状况与故障大类之间的关系进行修正。
优选的，所述故障原因小类确定模块包括：故障原因小类分析模型构建单元；
所述故障原因小类分析模型构建单元用于获取历史故障数据，并将所述历史故障数据设定为训练数据和测试数据；
根据发生故障的配电网线路的类型，将所述训练数据带入神经网络模型进行训练，获得所述历史故障数据中故障大类与故障原因之间的关系；
采用测试数据对故障大类与故障原因之间的关系进行修正。
与最接近的对比文件相比，本申请还具有如下有益效果：
1、本发明为一种配电网络线路故障原因分析方法与系统，获取当前线路故障时的数据，基于获取的当前线路故障时的数据和预先构建的故障原因大类分析模型确定所属故障原因大类，基于所述故障原因大类和预先构建的故障原因小类分析模型确定线路故障原因，解决了人为判断影响故障处理的时效性，同时，由于工作人员在短时接收的故障相关信息往往是不全面的，据此进行判断，影响分析结论的准确性的问题；
2、本发明为一种配电网络线路故障原因分析方法与系统，本发明充分利用配电网多信息源条件，建立配电网线路故障原因分析决策树，据此进行配电网故障原因分析，该决策树以“配电网线路故障告警”为入口，根据不同故障线路类型，基于历史数据，利用机器学习方法，分别构建故障原因大类分析模型，并据此得到相应故障原因大类；
3、本发明为一种配电网络线路故障原因分析方法与系统，针对各个故障原因大类，通过机器学习或规则判断的方法，进一步构建故障原因小类分析模型，实现故障原因的精细分析；
4、本发明为一种配电网络线路故障原因分析方法与系统，通过多层次决策分析，实现了配电网线路故障原因的准确、快速、可靠判定，便于相关人员从根源上消除电网运行的安全隐患，有效降低故障发生概率，提高供电可靠性，保证用户供电质量。
附图说明
图1为本发明的方法流程示意图；
图2为本发明的架空线路第n季度故障原因大类分析模型输入输出关系；
图3为本发明的bp神经网络结构；
图4为本发明的架空线路第n(n＝1,2,3,4)季度外力导致的故障原因小类分析模型输入输出关系；
图5为本发明的电缆线路故障原因大类分析模型输入输出关系；
图6为本发明的配电网线路故障原因分析决策树；
图7为本发明的一种基于决策树与机器学习的配电网线路故障原因分析方法实施例。
具体实施例
当前，随着配电网数字化和自动化水平的不断提高，丰富的信息得以实时或准实时地传送到控制中心，这使得综合利用采集的各类实时信息进行配电网线路故障原因分析成为可能。此外，我国各地电网正着手开始综合数据平台的建设，建成综合数据平台后，系统的wams信息、scada信息、故障录波信息、继电保护信息、95598信息、天气信息、施工建设信息等均可以从数据平台中直接提取，为配电网故障原因分析提供了丰富、全面且时效性极高的宝贵信息。
同时，基于数据的机器学习，为转化人工经验至数学模型，提供了一种有效的技术手段，具体包括神经网络方法、支持向量机方法等。这些方法作为现代人工智能技术中的重要方面，研究从观测数据(样本)出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。通过这些方法，可以有效将传统依赖经验的故障原因分析方法，转化为一种基于机器学习的故障原因分析方法，该方法具有科学依据、且考虑因素更加全面，据此能够得到更为快速、准确、可靠的故障原因分析结论。
此外，配电网中的线路故障原因多种多样，且存在粒度差异，而故障原因分析得越细致，相应的处理措施也就越明确，处理时间也越迅速。例如，作为导致线路故障的主要因素之一，外力原因又可细分为异物、树线、交通车辆、鸟害或盗窃导致的故障。为了得到更故障原因，可采用决策树手段，基于故障诊断结论与内外部环境因素，进行多层次故障原因分析。
综合上述问题与技术现状，梳理配电网中各类线路故障的发生规律与影响因素，充分利用现有多信息源条件，基于决策树与机器学习技术，形成配电网多层次线路故障原因分析方法，实现准确、快速、详尽的故障原因分析。
下面结合具体的实施例，对本发明做进一步的解释与说明：
实施例1
如图1所示的一种配电网络线路故障原因分析方法，步骤如下：
步骤1：获取当前线路故障时的数据
步骤2：基于获取的当前线路故障时的数据和预先构建的故障原因大类分析模型确定所属故障原因大类；
步骤3：基于所述故障原因大类和预先构建的故障原因小类分析模型确定线路故障原因。
下面对上述步骤进行详细解释说明:
对步骤2的解释说明
区分是架空线路故障或电缆故障，若为架空线路故障，则进入架空线路故障原因大类分析模型；若为电缆故障，则进电缆线路故障原因大类分析模型。
区分架空线路故障发生在哪个季度，基于相应季度对应的故障原因大类分析模型，根据故障发生对应的实际状况，确定架空线路故障原因大类。本例故障发生在第一季度，故基于架空线路第一季度故障原因大类分析模型，根据故障发生对应的实际状况，确定架空线路的故障原因大类，为外力原因。
对步骤3的解释说明
区分架空线路故障原因大类，再基于相应故障原因小类分析模型，确定架空线路故障原因小类，进一步基于外力原因小类分析模型，判断架空线路故障原因小类，确定是树线造成的架空线路故障，结束。
4.基于电缆线路故障原因大类分析模型，根据故障发生对应的实际状况，确定电缆线路故障原因大类。
5.区分电缆线路故障原因大类，再基于相应故障原因小类分析模型，确定电缆线路故障原因小类。如，通过电缆线路故障原因大类分析模型，确定电缆线路故障原因大类为外力原因，则进一步基于外力原因小类分析模型，判断电缆线路故障原因小类，确定是施工影响或其他外力造成的电缆线路故障，则结束。
实施例2
针对图7所示实施例，具体阐述本发明所述方法。
本发明首先建立配电网多层次故障原因分析模型库：
由于不同配电线路类型(架空线或电缆)在不同季节下发生故障的影响因素及占比是不同的，而故障原因除外力、用户、自然等大类外，还有异物、树线、交通车辆、鸟害、雷击、大雨、大风等小类。为了实现更准确、更详尽的故障原因分析，需要针对不同配电线路类型，面向不同季节，细化建立不同的故障原因分析模型，并综合形成配电网多层次线路故障原因分析模型库。该模型库的多层次结构如下表所示：
配电网线路故障原因分析模型库多层次结构
以下针对上述模型库中的各个模型，给出相应建模方法：
1.架空线路第一季度故障原因大类分析模型
因输入输出对应关系复杂，故采用机器学习方法，基于历史数据，建立架空线路故障原因大类分析模型。下面以bp神经网络(一种机器学习方法)为例，给出架空线路第一季度故障原因大类分析模型建模方法。
(1)确定模型输入输出
基于架空线路第一季度的故障发生情况及主要影响因素，梳理出该模型的输入输出，输入包括某一故障发生对应的天气状况(温度、风力、降雨量、降雪量)、故障状况(故障类型与故障位置)、相关设备状况(设备型号、使用年限、维护频率)，据此输出该故障对应的发生原因大类，即外力原因、用户影响、自然原因、设备原因或运行维护原因。
(2)整理历史数据
取架空线路第一季度发生故障的历史数据进行整理，获得每次历史故障状况下，对应的天气状况(温度、风力、降雨量、降雪量)、故障状况(故障类型与故障位置)、相关设备状况(设备型号、使用年限、维护频率)，以及该故障的实际故障原因，作为bp神经网络的训练数据。
(3)模型训练与搭建
模型结构确定：所建立的bp神经网络输入层节点个数n(该模型中n为9)，输出层节点数为1，隐层节点数设定为i(
模型训练与搭建：将整理好的历史数据，分成两部分，其中90％作为训练数据，10％作为测试数据。训练数据中的每一个训练样本，包括每次历史故障发生对应的如图2所示天气状况(温度、风力、降雨量、降雪量)、故障状况(故障类型与故障位置)、相关设备状况(设备型号、使用年限、维护频率)以及该历史故障对应的实际故障原因。其中，历史故障发生对应的天气状况(温度、风力、降雨量、降雪量)、故障状况(故障类型与故障位置)、相关设备状况(设备型号、使用年限、维护频率)作为网络训练所需要的输入数据，该历史故障对应的实际故障原因作为网络训练所需要的目标数据。如图3所示的基于bp神经网络理论，通过不断地模型训练与测试，最终完成bp神经网络模型搭建，建立了内外环境与故障原因的关联模型，即架空线路第一季度故障原因大类分析模型。
2.架空线路第一季度外力导致的故障原因小类分析模型
同样以bp神经网络(一种机器学习方法)为例，给出该模型建模方法。
首先，确定模型输入输出。基于架空线路第一季度外力导致的故障的发生情况及主要影响因素，梳理出该模型的输入输出，如图4所示输入包括某一外力故障发生对应的风力、故障类型、故障位置、区域特征、故障时刻及故障月度，据此输出该外力故障对应的发生原因小类，即异物、树线、交通车辆、鸟害或盗窃。
之后，整理历史数据，进行模型训练与搭建，该过程与架空线路第一季度故障原因大类分析模型的建模过程相同，不再赘述。
3.架空线路第一季度自然天气导致的故障原因小类分析模型
该模型输入输出对应关系简单，根据故障发生时候的气候情况，即可判定是雷电、暴雨、大风或地震导致的故障。
4.架空线路第一季度设备导致的故障原因小类分析模型
该模型输入输出对应关系简单，根据故障对应的设备安装、维护及相应批次状态，即可判定是安装工艺不良、产品质量不良或设备老化导致的故障。
5.架空线路第一季度运行维护导致的故障原因小类分析模型
由于运行维护原因涉及到人员职责，所以需要根据故障状况，结合人员职责与运维情况，人为综合判定是检修试验、维护不当或责任原因不明导致的故障。
架空线路其他季度故障原因分析模型建模过程，同第一季度，只是采用的历史数据为对应季度的故障数据。
6.电缆线路故障原因大类分析模型
同样以bp神经网络(一种机器学习方法)为例，给出该模型建模方法。
首先，确定模型输入输出。基于电缆线路的故障发生情况及主要影响因素，梳理出该模型的输入输出，如图5所示输入包括该故障状况(故障类型与故障位置)、相关设备状况(设备型号、使用年限、维护频率)以及区域施工建设情况，据此输出该电缆故障对应的发生原因大类，即用户影响、外力原因或设备原因。
7.电缆线路故障外力原因小类分析模型
电缆线路故障外力原因小类分析模型，因果关系较为简单，可结合施工建设以及其他外力情况，得出相应原因小类的结论。
8.电缆线路故障设备原因小类分析模型
电缆线路故障设备原因小类分析，可根据电缆故障位置，区分电缆中间接头故障、电缆终端头故障或者电缆本体故障。
针对图7所示配电网，假设在第一季度，开关a与开关b所夹架空线路发生短路故障，通过本发明所述方法进行故障原因分析。在发生故障后，通过故障诊断方法，确定故障位置与故障类型，之后，根据实际故障状况，利用上述模型，基于图6所示决策树，分析确定配电网线路故障原因：
1.区分是架空线路故障或电缆故障，若为架空线路故障，则进入步骤2；若为电缆故障，则进入步骤4。本例为架空线路故障，故进入步骤2。
2.区分架空线路故障发生在哪个季度，基于相应季度对应的故障原因大类分析模型，根据故障发生对应的实际状况，确定架空线路故障原因大类。本例故障发生在第一季度，故基于架空线路第一季度故障原因大类分析模型，根据故障发生对应的实际状况，确定架空线路的故障原因大类，为外力原因。
3.区分架空线路故障原因大类，再基于相应故障原因小类分析模型，确定架空线路故障原因小类。本例中进一步基于外力原因小类分析模型，判断架空线路故障原因小类，确定是树线造成的架空线路故障。进入步骤6。
4.基于电缆线路故障原因大类分析模型，根据故障发生对应的实际状况，确定电缆线路故障原因大类。
5.区分电缆线路故障原因大类，再基于相应故障原因小类分析模型，确定电缆线路故障原因小类。如，通过步骤4，确定电缆线路故障原因大类为外力原因，则进一步基于外力原因小类分析模型，判断电缆线路故障原因小类，确定是施工影响或其他外力造成的电缆线路故障。进入步骤6。
6.结束。
实施例3
本发明还涉及一种配电网线路故障原因分析系统，包括：
获取模块：用于获取当前线路故障时的数据；
故障原因大类确定模块：用于基于获取的当前线路故障时的数据和预先构建的故障原因大类分析模型确定所属故障原因大类；
故障原因确定模块：用于基于所属故障原因大类和预先构建的故障原因小类分析模型确定线路故障原因；
所述故障原因大类确定模块包括故障原因大类分析模型构建单元；
所述故障原因大类分析模型构建单元用于基于发生故障的历史数据确定故障原因大类分析模型的输入输出，其中所述历史数据包括训练数据和测试数据；
将所述训练数据带入神经网络模型进行训练；
将所述测试数据带入训练好的神经网络模型中进行测试，当测试结果与实际值不一致时修正所述神经网络模型，得到通过测试的神经网络模型作为故障原因大类分析模型；
所述故障原因确定模块包括故障原因小类分析模型构建单元；
所述故障原因小类分析模型构建单元用于：基于发生故障的历史数据确定故障原因小类分析模型的输入输出，其中所述历史数据包括训练数据和测试数据；
将所述训练数据带入神经网络模型进行训练；
将所述测试数据带入训练好的神经网络模型中进行测试，当测试结果与实际值不一致时修正所述神经网络模型，得到通过测试的神经网络模型作为故障原因小类分析模型。
所述故障原因小类分析模型构建单元包括故障原因确定子单元；
所述故障原因子单元用于由故障原因小类分析模型的输入由所述故障原因大类分析模型的输出确定；
故障原因由故障原因小类分析模型的输出确定；
包括：当故障类型为架空线路故障，且所述故障原因小类分析模型的输入为外力原因时，输出为异物、树线、交通车辆、鸟害或盗窃；
当故障类型为架空线路故障，且所述故障原因小类分析模型的输入为自然原因时，输出为雷电、暴雨、大风或地震；
当故障类型为架空线路故障，且所述故障原因小类分析模型的输入为设备原因时，输出为工艺不良、产品质量老化或设备老化；
当故障类型为电缆线路故障，且故障原因小类分析模型的输入为运行维护原因时，输出为检修试验、维护不当或责任原因不清；
当故障类型为电缆线路故障，且故障原因小类分析模型的输入为用户影响，输出包括施工影响或其他外力；
当故障类型为电缆线路故障，且故障原因小类分析模型的输入为外力原因，输出包括电缆中间接头故障、电缆终端头故障或电缆本体故障。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。
- 还没有人留言评论。精彩留言会获得点赞！