★ 江门明浩实业集团有限公司 林敬国

关键词：配电自动化；线路异常；研判方法；数据降噪；特征提取；故障区分

配网的安全稳定运行高度依赖配电自动化系统。线路异常事件频发会影响供电可靠性，快速准确的异常研判是配网运维的核心任务。目前配网多源电气量数据易受干扰，传统研判方法识别准确率低、响应速度慢，且难以实现异常与故障的准确区分，无法适配配网繁复运行场景的实际需求^[1]。

针对传统方法的不足，本文提出了一种配电自动化系统线路异常事件的自动研判方法。该方法首先对多源电气量数据实行自适应降噪与特征提取，然后依靠特征融合实现权重动态分配以及异常故障准确区分，有效解决了传统方法的弊端，增强了异常研判的准确性和研判能力，为配网运维提供了可靠支撑。

1   配网线路异常多源数据预处理

1.1   多源电气量数据降噪处理

在多源电气量数据降噪处理方面，采集的多源电气量数据包含线路电流、电压、功率等，其噪声主要来源于互感器误差、通信传输干扰及环境电磁干扰，需使用针对性的降噪方法剔除噪声，保留有效数据信息，如图1所示。

图1 多源电气量数据降噪处理示意图

为实现阈值的自适应调整，构建自适应阈值计算模型，具体如公式（1）所示。

式中， λ代表自适应小波阈值， σ代表噪声标准差，代表采集到的电气量数据长度。通过该公式，可根据数据本身的噪声情况动态调整阈值，避免了固定阈值对不同噪声强度数据的适配性不足问题，在确保降噪效果的同时，保留了数据中的异常特征。

在降噪过程中，首先对原始电气量数据进行小波分解，得到不同尺度下的小波系数；然后通过上述阈值公式计算各尺度对应的自适应阈值，对小波系数进行阈值处理，剔除噪声对应的小波系数；最后对处理后的小波系数进行逆变换，得到降噪后的电气量数据^[2]。为验证降噪效果，引入降噪后数据的信噪比作为评价指标，其计算公式如式（2）所示。

式中，SNR代表信噪比， X_i代表原始电气量数据，代表降噪后的电气量数据。信噪比数值越大，说明降噪效果越好，噪声剔除越彻底。通过该指标可量化降噪效果，确保预处理后的数据满足后续异常特征提取和研判的需求。

1.2   异常特征自适应提取方法

对降噪后的电气量数据进行特征初步提取，选取能反映线路运行状态的特征参数，包括电流有效值、电压畸变率、功率因数等，通过特征显著性分析筛选出与异常相关性较强的特征， 构建初始特征集^[3,4]。为实现特征的自适应筛选，引入特征贡献度计算模型，量化各特征对异常识别的贡献程度，具体如公式（3）所示。

式中，W_j代表第j个特征的贡献度，S_j代表第j个特征的方差，M代表初始特征集中的特征数量， k代表求和变量，取值范围为1至M，S_k代表第k个特征的方差。通过设定贡献度阈值，可筛选出贡献度高于阈值的特征，构成最终的异常特征集，实现特征的自适应提取。

针对不同异常类型特征差异较大的问题，引入自适应特征映射方法，消除不同特征的量纲影响。该方法并非将特征映射到高维空间或改变原有特征维度，而是通过量纲统一增强不同异常特征之间的区分度，从而提升后续研判的准确性，特征映射如公式（4）所示。

式中， y_j代表映射后的特征值，  x_j代表原始特征值，μ_j代表第j个特征的均值，σj代表第j个特征的标准差。通过该公式对特征进行标准化处理，可消除不同特征量纲的影响，同时可实现特征的自适应映射，使不同类型异常的特征在高维空间中形成明显聚类，便于后续异常研判。该方法无需人工干预，可根据数据本身的特征自动完成特征提取和优化，适配不同类型的配网线路异常，提升了特征提取的效率和准确性。

2   基于特征融合的异常自动研判方法

2.1   多特征权重动态分配研判

权重动态分配以特征贡献度为基础，结合线路实时运行状态，构建权重动态更新模型，确保权重分配与异常类型、运行工况相匹配，如图2所示。

图2 多特征权重动态分配示意图

基于前期特征贡献度计算结果，确定各特征的初始权重，再根据线路实时运行数据，计算特征的实时贡献度，实现初始权重的动态调整。权重动态更新如公式（5）所示。          

基于动态分配的特征权重，构建异常研判模型，通过加权求和计算异常研判指标，判断线路是否存在异常及异常严重程度。异常研判指标计算如公式（6）所示。         

式中，F代表异常研判指标， K代表最终特征集中的特征数量。设定研判阈值，当研判指标F大于阈值时，判定线路存在异常，且F值越大， 异常越严重； 当 F值小于等于阈值时，判定线路运行正常。该方法通过动态权重分配，能够充分发挥各特征的作用，解决了固定权重研判精度不足的问题，提升了异常研判的针对性和准确性，适配配网实际运行的复杂性需求。

2.2   故障与异常精准区分研判

本文分析了配网线路异常与故障的核心差异：异常主要表现为电气量参数偏离正常范围但未造成线路停运；故障则表现为电气量急剧变化且导致线路停运。基于二者的差异，选取能反映停运风险的特征参数补充到特征集中，构建故障与异常区分特征集，如图3所示。

图3 配网线路故障与异常区分示意图

为实现精准区分，本文构建了判别函数，通过判别函数计算判别值，根据判别值的大小区分异常与故障。判别函数如公式（7）所示。

式中，D代表判别值， L代表区分特征集中的特征数量，Z_j代表区分特征的特征值， θ代表判别阈值。判别阈值通过大量配网线路异常和故障样本训练确定，确保区分的精准性。当判别值D大于0时，判定为故障；当判别值D小于等于0时，判定为异常，实现二者的初步区分。

为提高区分的准确性，本文引入修正系数修正判别值。需注意的是，若初始判别值≤0（判定为异常），且动态修正系数Km>0，修正后判别值仍可能≤0（如D=-2， Km=1 .2， 修正后D'=-2 .4）， 此时动态修正无效。因此，动态修正系数Km需结合初始判别值的大小、线路实时运行工况动态调整，而非采用单一固定系数，以此减少工况变化造成的区分误差。修正后的判别值计算见公式（8）所示。

式中， D'代表修正后的判别值， α代表动态修正系数。结合配网实际运行工况， Km取值范围建议设定为0.6~1.5，具体需根据初始判别值、线路负载率、环境温度等实时工况参数协同调整： 当初始判别值接近0 （处于异常与故障的临界状态，如 ∈[-0 .5,0]）时，可将Km取值调整为1.2~1.5， 适当增大Km以强化区分效果；当初始判别值显著小于0（明确为异常，如 <-0.5）时，可将Km取值调整为0.6~0.9，适当减小Km避免无效修正，确保判别结果的适应性。通过修正后的判别值完成故障与异常的区分，可以有效增加区分准确性，减少误判、漏判的情况。该方法紧密结合配网实际运维需求，可实现异常与故障的准确区分，为线路运维提供了清晰的处置方向。

3   实验验证

3.1   异常事件识别准确率测试

本文选取某地区10kV配网线路实际运行数据作为实验对象。其包含接地异常、断线异常等典型场景数据共800组，其中异常数据450组、正常数据350组。

实验分别采用本文所提方法、传统小波阈值+固定权重研判方法、单一特征研判方法对数据进行5组独立测试。每组测试随机抽取160组数据，统一设定研判阈值，记录三种方法在各组中的识别准确率，对比分析各方法的识别性能，实验结果如图4所示。

图4 三种方法异常事件识别准确率对比

由图4可知，在5组独立测试中，三种方法的识别准确率存在显著差异。本文所提方法的识别准确率稳定在98.3%～98.7%，平均值为98.5%，波动极小，稳定性极佳；传统小波阈值+固定权重研判方法准确率在89.1%～81.5%，平均值为84.9%；单一特征研判方法准确率在76.1%～77.1%，平均值为76.5%。本文所提方法较传统方法准确率提升13.6个百分点，较单一特征方法提升22个百分点，表明该方法在异常识别精度与运行稳定性上具备明显的优越性，可有效适配配网实际运行的复杂场景，完全满足异常研判的实际需求。

3.2   异常研判平均响应时间

本次实验依托某地区10kV配网自动化系统实际运行平台开展，分别采集该平台未应用本文所提方法前的历史运行数据，以及应用本文所提方法后的实时运行数据作为测试样本，共选取1000组异常事件数据，涵盖各类典型线路异常场景。

实验过程中，分别记录应用本文所提方法前、后的异常研判响应时间，每组测试重复20次，计算每组平均响应时间，对比两种场景下的研判效率，实验结果如图5所示。

图5 异常研判响应时间走势

由图5可知，应用本文所提方法后，异常研判平均响应时间仅为42.7ms，相较于应用所提方法前的平均响应时间186.3ms，所提方法将研判响应时间缩短了143.6ms，缩短幅度达77.1%。应用所提方法前，传统研判模式流程繁琐且耗时较长，无法快速响应线路异常；应用所提方法后，通过自适应预处理和动态研判模型， 大幅简化了研判流程， 实现了异常事件的快速识别和研判。测试结果表明， 该方法大幅提升了响应效率，为配网线路运维提供了技术支撑， 具有优异的实用性和实时性，满足配电自动化系统快速研判的实际需求。

4   结论

本文围绕配电自动化系统线路异常研判需求，构建了一套完整的自动研判方法。该方法通过多源数据自适应预处理、特征融合动态研判及异常故障精准区分，有效解决了传统方法识别不准、响应滞后的痛点。实验结果表明，该方法可显著提升异常识别精度和研判效率， 能够适配配网复杂的运行场景， 具备较强的工程实用性。后续将结合配网智能化发展趋势，优化特征提取算法，拓展多场景适配能力，进一步提升该方法的鲁棒性，为配网精益化运维提供更高效的技术支撑。

作者简介：

林敬国（1989-），男，广东江门人，工程师，本科，现就职于江门明浩实业集团有限公司，研究方向为电力电气。

参考文献：

[1] 高富, 侯慧, 魏瑞增, 等. 台风灾害下基于非平衡样本数据的配电网杆塔受损预测[J]. 电力系统自动化, 2025, 49 (23) : 89 - 98.

[2] 杨晓东, 刘蕊宁, 吴红斌, 等. 含高比例新能源柔性配电系统的事件驱动型差异化调控方法[J]. 电力系统自动化, 2025, 49 (06) : 66 - 77.

[3] 王毅钊, 王晓卫, 魏向向, 等. 基于电弧畸变特性的配电网弧光高阻故障检测方法[J]. 电网与清洁能源, 2025, 41 (12) : 94 - 101.

[4] 王冲, 石大夯, 万灿, 等. 基于多智能体深度强化学习的随机事件驱动故障恢复策略[J]. 电力自动化设备, 2025, 45 (03) : 186 - 193.

[5] 蔡胜, 徐振钦, 谢云云, 等. 计及冷负荷启动时变特性的弹性配电网供电恢复[J]. 电工技术学报, 2025, 40 (1) : 139 - 151.

摘自《自动化博览》2026年9月刊