基于机器学习的输电线路故障统计与分析.docxVIP

? ? 基于机器学习的输电线路故障统计与分析 ? ? 陈霍兴 张俊 海龙 摘 要：本文对输电线路故障的影响因素进行分析，用相关性系数描述输电故障和气象数据之间关系。通过分析得出了气象数据中的温度、湿度、风速、气压和故障之间的相关性强度。通过对数据特征展开研究，以及对机器学习相关算法模型、关键算法组件的应用及验证，为输电线路故障分析提供有力的技术支撑。 关键词：机器学习 线路故障 分析应用 ：R196 ：A ：1672-3791（2018）12（a）-00-02 Abstract：In this paper， the influencing factors of transmission line faults are analyzed， and the correlation coefficient is used to describe the relationship between transmission faults and meteorological data. The correlation strength between temperature， humidity， wind speed， air pressure and fault is obtained through analysis. Through the research of data characteristics， and the application and verification of the machine learning algorithm model and key algorithm components， it provides a powerful technical support for the transmission line fault analysis. Key words：machine learning； line fault； Analysis and Application 随着电网规模的扩大，输电线路运行安全对电网安全可靠运行的影响更为突出。本文分析了大量的输电故障数据，通过对故障数据的统计发现由外部气象环境造成的故障占了总故障约45%，包括大风、高温、雷电、污秽等故障原因。这几类故障会影响导地线、杆塔、金具、绝缘子等几大类设备，同时，会引起如安全距离不足、劣化自爆、缺损、伞群裂纹或电蚀、松脱位移、锈蚀损伤等类型的缺陷。 通过对输电线路的运行状态进行监测、故障诊断、状态评价，对提高输变电设备的运行可靠性与利用率，实现设备的优化管理具有重要科学意义和应用价值。输电线路状态参数对进行故障分析有较大的影响，如何合理地选择参数，保证线路故障评价的准确性，需要重点研究。 1 故障分析步骤 通过研究应用机器学习技术，挖掘电力数据中潜在的规律和价值，深入探索输电线路故障分析的应用价值，促进电网向数字化、智能化、精益化方向发展。 1.1 业务理解（business understanding） 理解项目的业务目标和应用需求，以及把业务目标转化为相对应的数据挖掘的问题，确定目标、明确分析需求。 1.2 数据探索（data understanding） 完成对源数据的收集，实现多源数据的融合，提取数据的特征，发现质量问题、从数据中发现隐藏的信息或探测臆想的数据子集，并进行数据清洗。 1.3 算法模型（modeling） 建立模型阶段，主要进行算法的选择和参数的调整。有些算法可以解决一类相同的数据挖掘问题，有些算法在数据类型上有特殊的要求，因此需要根据业务目标和数据情况选择合适的算法进行训练。 1.4 模型评估（evaluation） 为了建立一个高质量的模型，需要对训练结果进行评估，检查构造模型的步骤，确保模型可以完成业务目标。对模型进行较为全面的评价，并重审过程。 2 业务理解 2.1 业务调研 输电线路故障分析：故障分析是电网运行中的一项重要工作。影响线路故障的因素较多，不仅受到线路台账、运行参数、厂家等因素影响，同时受到天气状况、季节性、地域等因素的影响，目前针对故障的分析涉及到多个维度、多个层次。 2.2 問题定位 输电线路故障分析：目前线路的故障分析以南网导则为主，重点线路维护为辅开展，以人工方式进行统计和分析，没有输电线路故障的预测性。另外，电网中大量的监测数据未得到有效应用 3 数据探索 为了建立一个高质量的模型，需要充足的数据来支撑建模。本次数据分析涉及到的数据主要包括以下几个方面。 （1）设备台账：设备名称、设备类型、设备经纬度。 （2）故障数据：故障类型、故障紧急程度、故障部位、故障发生日期、故障描述。 （3）巡检数据：巡检异常数、巡检异常率、巡检异常占比。 （4）气象数据：温度、湿度、