基于GRNN的臺風(fēng)災(zāi)害桿塔故障預(yù)警

引言

臺風(fēng)災(zāi)害是引發(fā)輸電線路故障的重要原因之一,東南沿海地區(qū)歷史線路故障統(tǒng)計(jì)數(shù)據(jù)顯示,臺風(fēng)災(zāi)害導(dǎo)致的線路跳閘故障已占到跳閘總數(shù)的20%以上。臺風(fēng)的強(qiáng)風(fēng)暴雨往往會(huì)導(dǎo)致一處或多處的斷線、倒塔故障,引發(fā)地區(qū)性的電力癱瘓:如2016年的"莫蘭蒂"臺風(fēng),歷史性地造成7基500kV桿塔和15基220kV桿塔損壞:再如2019年的"利奇馬"臺風(fēng),臺風(fēng)災(zāi)害的波及范圍達(dá)到近25萬km2,造成大批變電站、輸電線路斷電停運(yùn),影響了數(shù)省生產(chǎn)活動(dòng)的正常進(jìn)行。因此,建立科學(xué)的防風(fēng)抗災(zāi)機(jī)制,在臺風(fēng)來臨時(shí)為調(diào)度工作提供科學(xué)合理的技術(shù)信息支持,有著極其重要的意義。

近年來,沿海地區(qū)各省市電力公司逐漸開始對輸配電線路臺風(fēng)預(yù)警方法展開研究?，F(xiàn)有的方法有通過臺風(fēng)預(yù)測路徑和風(fēng)圈范圍對風(fēng)圈范圍內(nèi)的輸電線路做出預(yù)警:也有一些研究是針對線路桿塔的抗風(fēng)設(shè)計(jì)參數(shù),綜合地形進(jìn)行考慮。文獻(xiàn)提出了一種基于數(shù)據(jù)挖掘的方法來對熱帶氣旋的生成進(jìn)行預(yù)測:文獻(xiàn)則提出使用幾何糾正和殘差修正結(jié)合的方式來提高定位精度:文獻(xiàn)提出通過建設(shè)臺風(fēng)實(shí)時(shí)跟蹤監(jiān)測預(yù)警平臺,對臺風(fēng)活動(dòng)進(jìn)行實(shí)時(shí)監(jiān)測,為電網(wǎng)防災(zāi)預(yù)警提供實(shí)時(shí)信息依據(jù):文獻(xiàn)提出構(gòu)建電網(wǎng)信息和地理環(huán)境信息一體化平臺,依據(jù)臺風(fēng)實(shí)況的預(yù)報(bào)信息,結(jié)合區(qū)域情況,給出預(yù)警:文獻(xiàn)提出建立融合電網(wǎng)設(shè)備信息和自然環(huán)境信息的一體化、可視化預(yù)警平臺,對氣象災(zāi)害預(yù)警實(shí)現(xiàn)自動(dòng)處理。就文獻(xiàn)來看,對于臺風(fēng)災(zāi)情,其僅僅針對臺風(fēng)自身的狀態(tài)給出預(yù)報(bào)信息,或是部分結(jié)合電網(wǎng)信息、輸電線路實(shí)況進(jìn)行預(yù)判。這些工作方法需要工作人員依靠經(jīng)驗(yàn)來分析臺風(fēng)預(yù)報(bào)信息并作出判斷,帶有一定的個(gè)人主觀性,科學(xué)依據(jù)不足。

現(xiàn)代社會(huì),人們已經(jīng)克服了對臺風(fēng)等自然災(zāi)害進(jìn)行監(jiān)測的難題,但當(dāng)下對臺風(fēng)致災(zāi)預(yù)警所用到的數(shù)據(jù)更多是實(shí)時(shí)觀測的數(shù)據(jù),相關(guān)的歷史數(shù)據(jù)往往被忽略。在進(jìn)行臺風(fēng)致災(zāi)預(yù)警時(shí),更多的是直觀的因果關(guān)聯(lián),并未能研究數(shù)據(jù)潛在的相關(guān)性。VGRR具有很好的非線性映射能力和學(xué)習(xí)速度,可以用于發(fā)掘臺風(fēng)災(zāi)害與故障之間的相關(guān)性,從而實(shí)現(xiàn)對桿塔故障進(jìn)行預(yù)測的目的?；诖?本文提出了基于VGRR的臺風(fēng)災(zāi)害桿塔故障預(yù)測模型,采集臺風(fēng)災(zāi)害時(shí)與桿塔相關(guān)的風(fēng)速、風(fēng)向、降雨量等信息,進(jìn)行處理得到數(shù)據(jù)集,再對數(shù)據(jù)集進(jìn)行重采樣處理,形成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測試樣本,通過對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練、測試以驗(yàn)證其準(zhǔn)確率。

1臺風(fēng)災(zāi)害桿塔故障預(yù)測模型

1.1數(shù)據(jù)采集

本文應(yīng)用到的數(shù)據(jù)包括:福建省建立的臺風(fēng)監(jiān)視系統(tǒng)收錄的實(shí)際監(jiān)測信息,福建某市市內(nèi)氣象站的經(jīng)緯度信息和近三年內(nèi)強(qiáng)臺風(fēng)期間的風(fēng)速、風(fēng)向、降雨量等氣象信息:電網(wǎng)相關(guān)信息有從電網(wǎng)公司獲取的該市的配電網(wǎng)輸電桿塔的經(jīng)緯度信息,以及該市在強(qiáng)臺風(fēng)期間發(fā)生的桿塔故障統(tǒng)計(jì)數(shù)據(jù)。

臺風(fēng)災(zāi)害下的跳閘故障大多數(shù)是風(fēng)偏跳閘故障,絕緣子串風(fēng)偏角過大時(shí)會(huì)引發(fā)桿塔跳閘故障,造成停電事故。桿塔是否發(fā)生風(fēng)偏跳閘與桿塔所承受的臺風(fēng)風(fēng)速大小、線路走向和風(fēng)向間的夾角有很大關(guān)系:另外,臺風(fēng)災(zāi)害往往伴隨著暴雨的影響。綜上,將臺風(fēng)災(zāi)害時(shí)間劃分為離散時(shí)間段,每段步長為1h,統(tǒng)計(jì)每個(gè)步長的臺風(fēng)信息向量X=[x1,x2,x3,x4,x5]。其中,x1為降雨量:x2為目標(biāo)桿塔承受的極大風(fēng)速:x3為極大風(fēng)速對應(yīng)的風(fēng)向與線路走向夾角極大值:x4為目標(biāo)桿塔5min的平均風(fēng)速值,即1h時(shí)間段內(nèi)5min平均風(fēng)速的平均值:x5為風(fēng)向與線路5min平均夾角,即1h時(shí)間段內(nèi)5min平均夾角的平均值。

鑒于桿塔所在位置與氣象站實(shí)際位置存在偏差,實(shí)際精準(zhǔn)氣象信息難以捕捉,本文通過選取距離桿塔最近的三個(gè)氣象站的數(shù)據(jù)進(jìn)行加權(quán)計(jì)算獲得實(shí)用數(shù)據(jù)。距離較遠(yuǎn)的氣象站測量數(shù)據(jù)與桿塔處氣象參數(shù)的誤差會(huì)較大,計(jì)算時(shí)其相應(yīng)的權(quán)重也較低。

根據(jù)距離平方反比衰減規(guī)律,不同氣象站數(shù)據(jù)權(quán)重的計(jì)算方法為:

式中:di(i=1,2,3)表示氣象站i與該桿塔的距離,可以通過實(shí)地情況獲得。

桿塔處風(fēng)速類數(shù)據(jù),0(即目標(biāo)桿塔承受的極大風(fēng)速、目標(biāo)桿塔5min的平均風(fēng)速值)的計(jì)算方法為:

式中:,i表示氣象站i的風(fēng)速類數(shù)據(jù)。

桿塔處風(fēng)向類數(shù)據(jù)a0(即極大風(fēng)速對應(yīng)的風(fēng)向與線路走向夾角極大值、風(fēng)向與線路5min平均夾角)的計(jì)算方法為:

式中:ai表示氣象站i的風(fēng)向類數(shù)據(jù):aline表示該桿塔所在線路走向與地球正北方向的夾角,可以通過該桿塔與相鄰?fù)€路桿塔經(jīng)緯度信息求出。

通過計(jì)算可得到每個(gè)桿塔處的氣象輸入數(shù)據(jù),將其與桿塔故障的歷史數(shù)據(jù)匹配,形成單個(gè)樣本。

1.2樣本集生成

在臺風(fēng)期間,通常大部分桿塔都沒有發(fā)生故障,因此非故障樣本的數(shù)量會(huì)遠(yuǎn)多于故障樣本數(shù)量,這樣會(huì)產(chǎn)生不平衡的數(shù)據(jù)集。如果直接將不平衡的數(shù)據(jù)集代入神經(jīng)網(wǎng)絡(luò)的輸入,將會(huì)使預(yù)測的結(jié)果偏向多數(shù)樣本即非故障結(jié)果,故采取了重采樣的方法以平衡數(shù)據(jù)集:對故障樣本采用過采樣方法中經(jīng)典的合成少數(shù)類過采樣算法(sMoTE)增加樣本數(shù)目:對非故障樣本采用隨機(jī)欠采樣刪除冗雜樣本,再通過單邊選擇算法(oss)對樣本進(jìn)行消噪處理。

sMoTE算法是用以解決數(shù)據(jù)的非平衡問題的一種過采樣算法,該算法的基本思想是通過對少數(shù)樣本的分析,模擬生成新的樣本并帶回?cái)?shù)據(jù)集中,實(shí)現(xiàn)對少數(shù)類樣本的擴(kuò)大采樣,以此來平衡原數(shù)據(jù)集內(nèi)不同類數(shù)據(jù)的數(shù)量。它能顯著改善隨機(jī)過采樣方法中出現(xiàn)的分類過擬合現(xiàn)象,而且不會(huì)損失有價(jià)值的信息。

單邊選擇算法(oss)是一種具有代表性的欠取樣算法,該算法通過計(jì)算比較樣本間的"距離",將多數(shù)類樣本劃分為"噪聲樣本""邊界樣本"和"安全樣本",以減少多數(shù)類樣本、均衡數(shù)據(jù)為目的,對"噪聲樣本""邊界樣本"合理去除,對"安全樣本"適當(dāng)精簡。oss具有一定的選擇性,在處理過程中主要?jiǎng)h去的是噪聲樣本及邊界樣本,而有用的樣本則盡可能地保留下來。

通過基于sMoTE的故障樣本采樣和基于oss的非故障樣本采樣,使正常樣本和故障樣本數(shù)量相當(dāng),提升了數(shù)據(jù)集的均衡程度。

1.3廣義回歸神經(jīng)網(wǎng)絡(luò)模型

GRNN由輸入層、模式層、求和層和輸出層組成。如圖1所示,對應(yīng)的網(wǎng)絡(luò)輸入X=[x1,x2,…,xn]T,其輸出y=[y1,y2,…,yk]T。

輸入層共有n個(gè)神經(jīng)元,對應(yīng)測試樣本數(shù)據(jù)向量,即X=[x1,x2,…,xn]T的維數(shù),輸入層將變量直接送入模式層。

模式層神經(jīng)元個(gè)數(shù)相當(dāng)于訓(xùn)練樣本的數(shù)量,該層計(jì)算測試樣本與訓(xùn)練樣本中每一個(gè)樣本的高斯函數(shù)取值,其神經(jīng)元傳遞函數(shù)為:

g為平滑因子,該值對神經(jīng)網(wǎng)絡(luò)的性能影響很大,需要優(yōu)化取值。如果g過大,預(yù)測輸出將會(huì)近似訓(xùn)練樣本輸出的平均值:如果g過小,將使輸出結(jié)果靠向擁有最近協(xié)變量的訓(xùn)練樣本。因此,確定一個(gè)合適的g,能夠讓所有訓(xùn)練樣本的因變量均被考慮在內(nèi)。

求和層中的節(jié)點(diǎn)個(gè)數(shù)等于輸出樣本的維度加1,即I＋1,本層輸出分為兩部分,使用兩種類型神經(jīng)元進(jìn)行求和。第一部分為第一個(gè)節(jié)點(diǎn),該節(jié)點(diǎn)輸出為模式層神經(jīng)元輸出的算術(shù)求和,其輸出為:

第二部分為其余I個(gè)節(jié)點(diǎn),其輸出為模式層神經(jīng)元輸出的加權(quán)和,其輸出為:

其中,加權(quán)系數(shù)yij為第i個(gè)模式層節(jié)點(diǎn)對應(yīng)的訓(xùn)練樣本的輸出的第j個(gè)元素。

輸出層中的神經(jīng)元數(shù)目等于訓(xùn)練樣本中輸出向量的維數(shù)I,每個(gè)神經(jīng)元的輸出等于各神經(jīng)元對應(yīng)求和層的輸出與求和層第一個(gè)節(jié)點(diǎn)相除,即:

1.4平滑因子計(jì)算

本文采用平均絕對誤差(MeanAbsoluteDeviation)遴選合適的平滑因子a值。

平滑因子a具體的選取步驟如下:

(1)令平滑因子a的取值范圍(0,0.2],選一個(gè)初始的平滑因子參數(shù),本文從0.2開始:

(2)初始化皿AE0為較大數(shù)值(如50):

(3)將訓(xùn)練樣本及初始平滑因子ai代入訓(xùn)練GRNN網(wǎng)絡(luò),在得到測試結(jié)果后計(jì)算出相應(yīng)皿AEi:

(4)比較皿AEi與皿AE0,保留誤差較小的a作為新的平滑因子:

(5)以0.01為步長,將所有的平滑因子值代入,重復(fù)步驟(3)~(4):

(6)得到皿AE最小的取值,作為最終實(shí)際應(yīng)用在網(wǎng)絡(luò)中的平滑因子a。

1.5基于GRNN的臺風(fēng)災(zāi)害桿塔故障預(yù)測

臺風(fēng)災(zāi)害下桿塔跳閘故障預(yù)警的方法如圖2所示,具體內(nèi)容分為兩個(gè)部分,一是根據(jù)歷史數(shù)據(jù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,二是根據(jù)實(shí)時(shí)數(shù)據(jù)實(shí)現(xiàn)桿塔跳閘故障預(yù)測。

關(guān)于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練部分,首先根據(jù)氣象臺收錄的臺風(fēng)歷史數(shù)據(jù)、電網(wǎng)系統(tǒng)中的桿塔經(jīng)緯度數(shù)據(jù),將臺風(fēng)災(zāi)害期間的天氣信息與桿塔進(jìn)行關(guān)聯(lián),再結(jié)合使用1.1節(jié)中所列方式,形成神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù):將歷史桿塔故障信息作為相應(yīng)的輸出數(shù)據(jù),生成神經(jīng)網(wǎng)絡(luò)的一個(gè)樣本。將多組樣本形成集合,對樣本集合進(jìn)行重采樣,得到平衡樣本集。將平衡樣本集作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù),用以訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

基于實(shí)時(shí)數(shù)據(jù)的桿塔預(yù)測是將實(shí)時(shí)采集的氣象數(shù)據(jù)及位置信息輸入訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò),得到神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果,預(yù)測桿塔是否會(huì)發(fā)生故障。

2臺風(fēng)災(zāi)害桿塔故障預(yù)測算例分析

2.1模擬場景

確定模型建立的流程后,借助Mat1ab軟件來實(shí)現(xiàn)建模。本次預(yù)測所用的訓(xùn)練數(shù)據(jù)及預(yù)測數(shù)據(jù)包括福建省2016年"蘇迪羅""尼伯特""莫蘭蒂""鲇魚"臺風(fēng)期間的數(shù)據(jù)以及相應(yīng)的氣象站、桿塔信息。通過1.1、1.2介紹的方式對數(shù)據(jù)進(jìn)行處理后,得到訓(xùn)練用樣本共計(jì)586組,預(yù)測用樣本共計(jì)140組。用586組訓(xùn)練樣本對網(wǎng)絡(luò)進(jìn)行訓(xùn)練后,再投入預(yù)測樣本進(jìn)行預(yù)測。

2.2故障預(yù)測結(jié)果

2.2.1預(yù)測結(jié)果

對140組預(yù)測結(jié)果統(tǒng)計(jì)得:在實(shí)際故障樣本中,第8、9、17、21、52組的絕對誤差達(dá)到了0.5及以上,共計(jì)5組;第5組的絕對誤差在0.1~0.2,共計(jì)1組;其余組的絕對誤差在0.1以內(nèi)。以上共計(jì)5組偏差較大,占比3.57%。

2.2.2評價(jià)指標(biāo)

輸出結(jié)果的分布圖如圖3所示。

輸出分布圖反映了預(yù)測結(jié)果與實(shí)際情況的偏差。理想的輸出結(jié)果應(yīng)當(dāng)呈現(xiàn)近"Z"形,圖中預(yù)測結(jié)果存在很多毛刺,實(shí)際上僅有少數(shù)幾組樣本輸出錯(cuò)誤,其他輸出值均接近實(shí)際值。

由于桿塔是否跳閘屬于"非白即黑"的情形,所以選擇指標(biāo)為二分類的評價(jià)指標(biāo)。將桿塔跳閘故障視為正類,設(shè)定輸出為"1";桿塔正常運(yùn)行視為負(fù)類,設(shè)定輸出為"0"。這樣,對輸出的判定即為一個(gè)分類的過程,以0.5為閾值,對預(yù)測結(jié)果作評估。由2.2.1的結(jié)論可得,在預(yù)測樣本集中,有第8、9、17、21、52組的預(yù)測結(jié)果與實(shí)際情況相反。綜上,140組預(yù)測樣本輸出有135組預(yù)測值逼近實(shí)際值,總的正確率在96.43%。其中,70組故障樣本中出現(xiàn)了5組錯(cuò)誤結(jié)果,占比7.14%:而70組正常樣本中0組預(yù)測失誤,占比0%。

采用命中率(RTP)、假警率(RFP)和準(zhǔn)確率(RACC)作初步評估:

式中:TP表示桿塔跳閘故障得到正確預(yù)測:TN表示桿塔正常運(yùn)行得到正確預(yù)測:FN表示桿塔跳閘故障被錯(cuò)誤預(yù)測:FP表示桿塔正常運(yùn)行被錯(cuò)誤預(yù)測。

以0.5為閾值分類,所得結(jié)果如表1所示。

預(yù)測的命中率達(dá)到92.8%,準(zhǔn)確率達(dá)到了96.43%。

通過2.2.2中絕對誤差分析得,這些樣本無法通過調(diào)整二分類的分類閾值來達(dá)到避免錯(cuò)誤的目的。圖3中存在故障類樣本的拒動(dòng),主要原因?yàn)楣收蠘颖緮?shù)據(jù)較為接近非故障樣本數(shù)據(jù)而導(dǎo)致誤判、拒動(dòng)?？偟膩碚f,絕大多數(shù)的樣本都能實(shí)現(xiàn)正確的預(yù)測分類,GRNN基本能實(shí)現(xiàn)對跳閘故障的預(yù)警。

3結(jié)論及展望

針對現(xiàn)有的臺風(fēng)災(zāi)害下桿塔故障預(yù)測方法難以進(jìn)一步提高預(yù)測準(zhǔn)確性的問題,文中采用歷史臺風(fēng)信息、桿塔信息以及故障信息,提出了基于廣義回歸神經(jīng)網(wǎng)絡(luò)的桿塔故障預(yù)警方法?；趯?shí)際桿塔故障數(shù)據(jù)的預(yù)測結(jié)果表明,文中方法具有96.43%的預(yù)報(bào)正確率,準(zhǔn)確率較高,可以為線路臺風(fēng)防御提供決策依據(jù)。但文中選用的數(shù)據(jù)較為片面,缺少桿塔自身影響參數(shù),訓(xùn)練數(shù)據(jù)總體偏少,對故障預(yù)報(bào)的效果有一定影響,在未來的研究中,需要進(jìn)一步考慮其他影響因素,采用合適的優(yōu)化處理,使用更多的訓(xùn)練數(shù)據(jù)和新的數(shù)據(jù)挖掘方法,以提高臺風(fēng)災(zāi)害下桿塔故障預(yù)測的準(zhǔn)確性。