赵 斌，李西明，杨一帆，张雨薇

(国网沈阳供电公司，辽宁 沈阳 110003)

从第3次修订的《中华人民共和国电力法》[1]及国务院第708号令[2]的内容，可以看出国家对电网的安全生产愈加重视，而保障安全生产的首要前提，就是保障配电网的供电可靠性。随着全球气候变暖、PM2.5等破坏大气的因子无法得到及时的控制，导致异常天气发生的概率逐年增加。这无疑对配电网的稳定可靠运行带来挑战。目前，现有配电网应对恶劣天气的措施，只能采用灾后及时修复的方式，而这种灾后修复的方式，不仅进度缓慢、收效甚微，还严重影响城区的供电恢复。为提升配电网的供电可靠性，提高配电网抵御恶劣天气的主动防灾能力，本文结合主动防御和负荷转供技术，实现配电网在面临极端天气的情况下实现主动防灾功能，保障电网安全稳定运行。

1 极端天气下风险预测现状

近年来，极端天气出现的频率日益增加，台风、雷暴、冰雪等极端天气，对配电网杆塔、配电箱、输电线路等影响极大，严重情况会造成大面积停电，在过多的系统出力及大面积停电的双重因素下，电网的安全稳定运行势必会受到影响，造成系统振荡，甚至会导致系统崩溃。所以对极端天气的影响范围进行可靠预测，对系统负荷预测，提前做好系统出力评估，可以从根本上预防系统振荡，防止事故范围扩大，并能有效有针对性地对受灾区域的配电网进行灾前防护。本文将对几种常见的极端天气对配电网的影响进行风险分析及预测，并根据影响范围进行配电网的主动防御。

1.1 台风天气

近年来，从台风“安比”、“玲玲”到“利奇马”，辽宁地区受台风侵袭的次数日益增多。据统计，辽宁地区的台风79%出现在每年7月下旬到8月下旬，这一时间段大多处于用电高峰时段，台风所带来的过大风速，会极大地破坏配电网的线路杆塔及变压器的正常运行，进而造成用户大面积的停电。

为了提高对台风天气预测的精确性，国内外专家学者开展了一系列的台风预测方法的研究。侯慧等提出了一种基于气象信息、地理位置以及电网因素，对预测区域划分成1 km×1 km的网格对历史数据进行收集；并通过随机森林的算法进行停电预测[3]；最后利用ArcGIS对评估结果进行可视化处理。汤奕等基于双时间尺度的方式，对台风路径进行预测，并建立了台风路径下杆塔累积损伤模型[4]。王永明等对配电网线路的风荷载能力进行了研究，建立了一种基于台风天气下线路杆塔故障的分析模型[5]。

1.2 雷暴天气

雷暴是一种伴有闪电和雷声的天气现象，也是导致电网停电事故多发的主要因素之一[6]。雷电对电力系统的影响可主要划分为直击、绕击、反击、感应、侵入5种情况。雷击所引起的过电压，会严重破坏配网线路的绝缘层，导致系统接地，线路跳闸，造成线路停电。

为了提高对雷暴天气预测的精确性，国内外专家学者开展了一系列的雷暴预测方法的研究。徐全军等提出了一种基于决策树的学习算法，以气象数据作为训练样本，对雷暴事件的漏报率和误报率进行模型研究[7]。陈勇伟等采用了神经网络模型，更好地解决了雷暴天气预测中出现的非线性问题[8]。谢志敏等以数据采集、预处理以及特征工程为基础，建立了一种HY_FMV模型来对雷暴天气进行精准预测[9]。

1.3 冰雪天气

辽宁因其特有的地理位置，一直是降雪频发地区。而冰雪天气所带来的冰冻、覆冰等附加影响，会严重损坏输电线路及绝缘材料，这无疑给电网系统安全稳定运行带来了极大的阻碍。

目前，国内外的专家学者们对电网应对冰灾的研究也越发重视。赵阳等对冰雪天气下，电力系统所面临的一切问题进行了分析，总结了一些除冰和融冰的技术手段，并提出冰灾天气下电网的改造方案[10]。杨铭等对几种电网应对冰灾的技术进行比对分析，并根据决策模型和基本算法提出一种智能决策方法[11]。李建更等提出了一种应用层次分析法来计算影响输电线路覆冰的风险因子，并通过在线实时预测与趋势预测相结合的方式进行冰灾预警建模[12]。

2 极端天气预测建模

根据对3种不同极端天气的分析及参考国内外专家学者的研究技术，本文采用了随机森林的算法，对极端天气的影响区域进行预测。这一算法具有较好的包容性，可很好兼容几种不同天气条件下预测的准确性。

随机森林(Random Forest)算法，最早由Leo Breiman和Adele Cutler提出，该算法是基于树分类器，并通过设置节点规模、分离点变量数、树分类器个数来不断对模型进行训练的一种集成算法，非常适合不均衡的中小样本数据。

2.1 算法分析

本文主要选择气象因素(包括风速、温度、湿度)、地理位置(经度、纬度、配电网分布)及用电量这3个因素作为基本样本参数。RF算法需要搜集大量的历史数据，来训练算法的精准性。将收集的样本数据进行整理，并将其划分为训练集(70%)和测试集(30%)，并通过遗漏率BR和准确率PR作为模型的精确性的评估标准。其中，遗漏率BR代表未被识别出停电区域的概率，准确率PR代表停电预测的准确度，具体表达式如下：

(1)

(2)

式中：NT为真实停电、预测也停电的样本数；NF为真实停电、预测未停电的样本数；MF为真实未停电、预测停电的样本数。

对于实际的停电预测模型训练中，在NF的准确度和MF的准确度之间，NF的准确度更加受到重视，为此在提升遗漏率和准确率的过程中，随机森林法所训练的模型更加重视对遗漏率的降低，尽量避免停电区域的遗留。

为了更好地优化模型，本文对随机森林算法进行了类权重(class weight)设置，通过对小类赋予大的权重，对大类赋予相对小的权重，能更加优化不均衡数据所产生的影响[12]。

(3)

(4)

式中：N为未分离的节点；Np为相邻已分离的节点；ni为节点内各类样本的数量；Wi为c类样本的类权重；Δi值越大分离程度越好。

2.2 数据分析

可通过气象单位来收集样本数据，并对不同天气情况进行类权重分析。

2.2.1 台风

选择辽宁某地区配电网受到台风“安比”和“玲玲”影响情况作为训练样本，并以台风“利奇马”作为预测验证。

由表1可知，综合考虑遗漏率、准确率及Δi值，重点关注遗漏率及Δi值[13]，当类权重为10时，对台风天气的预测更精确。

表1 台风天气类权重值

2.2.2 雷暴

选择辽宁某地区配电网2017年7月及2018年7月所遭受雷暴天气的影响作为训练样本[14]，并以2019年7月雷暴天气作为预测验证[15]。

由表2可知，综合考虑遗漏率、准确率及Δi值，重点关注遗漏率及Δi值，当类权重为1时，对雷暴天气的预测更精确，同时根据预测结果可以看出，雷暴天气的随机性导致误差系数较大[16]。

表2 雷暴天气类权重值

2.2.3 雪灾

选择辽宁某地区配电网2007年雪灾及2012年大雪作为试验样本[17]，并用2017年暴雪作为预测验证[18]。

由表3可知，综合考虑遗漏率、准确率及Δi值，重点关注遗漏率及Δi值，当类权重为100时，对雪灾天气的预测更精确[19]。

表3 雪灾天气类权重值

3 配电网的主动防灾技术实施

通过对极端天气的预测，可以提前对将要来临的极端天气做好应对措施。针对辽宁电网现有情况，对于配电网的主动防灾技术的实施，需要调度、配电、二次、运行等单位相互协调配合。其中，调度单位主要负责对受灾区域进行实时监控，及时切断故障线路，防止扩大事故范围；配电单位主要负责，对预测的受灾区域进行配电网加固，如给杆塔增加拉线，及时清除输电线路的覆冰，对绝缘材料进行定期排查，提升该区域抵御灾情的能力，其次，对灾后现场进行及时有针对性的灾后修复工作，加快受灾区域的供电恢复；二次及运行单位主要保障66 kV及以上输电线路的可靠运行。具体实施流程如图1所示。

4 结论

配电网不仅关乎到企业的生产，更关乎到千家万户的生活用电，保障配电网的安全稳定运行，才能保障社会长治久安。而当极端天气来临时，如何做到使配电网破坏最小化是应关注的问题。本文对配电网主动防灾技术的研究主要归纳如下。

a.分析几种辽宁地区较具有针对性的极端天气，并总结了一些国内外专家学者对天气预测的研究方法及措施。

b.利用随机深林算法，通过大量的历史数据来训练算法模型精准程度。

c.针对辽宁电网的组织结构，合理规划配电网主动防灾技术实施所需要协作的相关单位，保障主动防灾技术的有效实施。