國(guó)核電力規(guī)劃設(shè)計(jì)研究院有限公司 趙思敏

1 引言

在電力系統(tǒng)中，變電站是連接電網(wǎng)與用戶的重要紐帶，繼電保護(hù)裝置作為保護(hù)電力設(shè)備和保障系統(tǒng)安全的關(guān)鍵組成部分，其性能和可靠性直接影響電力系統(tǒng)的穩(wěn)定運(yùn)行。然而，隨著電力系統(tǒng)規(guī)模的不斷擴(kuò)大和復(fù)雜化，繼電保護(hù)裝置的狀態(tài)評(píng)估和故障檢測(cè)面臨著許多挑戰(zhàn)。

2 變電站繼電保護(hù)系統(tǒng)的基本原理與功能

變電站繼電保護(hù)系統(tǒng)主要通過(guò)監(jiān)測(cè)電力設(shè)備和電網(wǎng)運(yùn)行狀態(tài)，及時(shí)識(shí)別故障和異常情況，并采取相應(yīng)的保護(hù)措施，以避免故障擴(kuò)大和保護(hù)設(shè)備的安全。其基本原理包括接收電力系統(tǒng)的信號(hào)信息，進(jìn)行數(shù)據(jù)處理和判斷，然后執(zhí)行保護(hù)動(dòng)作，從而實(shí)現(xiàn)對(duì)電力設(shè)備的保護(hù)。其功能包括對(duì)電流、電壓、頻率等參數(shù)進(jìn)行監(jiān)測(cè)和測(cè)量，檢測(cè)設(shè)備的故障和異常狀態(tài)，對(duì)電力系統(tǒng)進(jìn)行自動(dòng)控制和調(diào)節(jié)。

3 繼電保護(hù)裝置狀態(tài)評(píng)估技術(shù)

3.1 傳統(tǒng)狀態(tài)評(píng)估方法及其局限性

傳統(tǒng)繼電保護(hù)裝置狀態(tài)評(píng)估方法通常采用閾值判斷和規(guī)則定義來(lái)評(píng)估設(shè)備的運(yùn)行狀態(tài)。這些方法基于特定的規(guī)則和經(jīng)驗(yàn)知識(shí)，通過(guò)設(shè)定預(yù)定的閾值來(lái)判斷設(shè)備是否處于正常工作狀態(tài)或存在異常。然而，傳統(tǒng)方法存在一些局限性。由于電力系統(tǒng)的復(fù)雜性和多變性，傳統(tǒng)方法難以考慮所有可能的故障和異常情況，導(dǎo)致評(píng)估結(jié)果不夠準(zhǔn)確。且傳統(tǒng)方法通常需要大量的手工制定規(guī)則和設(shè)置參數(shù)，對(duì)專業(yè)知識(shí)和經(jīng)驗(yàn)要求較高，且耗時(shí)較長(zhǎng)。隨著電力系統(tǒng)規(guī)模和復(fù)雜度的增加，這種方法的可行性和有效性受到限制。

3.2 基于機(jī)器學(xué)習(xí)的狀態(tài)評(píng)估技術(shù)

3.2.1 特征提取與選擇

電力系統(tǒng)繼電保護(hù)裝置數(shù)據(jù)詳見(jiàn)表1。

在進(jìn)行3特征提取與選擇時(shí)，首先從電力系統(tǒng)繼電保護(hù)裝置數(shù)據(jù)中選取需要的特征。這些特征包括電流、電壓、頻率和設(shè)備溫度。需要對(duì)這些特征進(jìn)行處理，以便能夠提取有用的信息并用于后續(xù)的狀態(tài)評(píng)估和故障檢測(cè)。

對(duì)于電流、電壓和頻率這三個(gè)參數(shù)，可以利用時(shí)間序列分析的方法提取一些統(tǒng)計(jì)特征，例如平均值、標(biāo)準(zhǔn)差、最大值和最小值等，詳見(jiàn)表2。這些特征有助于捕捉電力系統(tǒng)中這些參數(shù)的變化趨勢(shì)和波動(dòng)情況。此外，還可以使用滑動(dòng)窗口的技術(shù)計(jì)算特定時(shí)間段內(nèi)的滯后值，這樣可以更好地了解這些參數(shù)之間的相互關(guān)系和周期性變化。

表2 提取到的特征

而對(duì)于設(shè)備溫度，由于其通常變化較為緩慢，可以采用簡(jiǎn)單的方法，例如計(jì)算采樣時(shí)間段內(nèi)的平均溫度作為特征。這樣的處理便于查看設(shè)備溫度的整體趨勢(shì)，尤其是在長(zhǎng)時(shí)間運(yùn)行中的變化情況。

在特征選擇方面，需要考慮各個(gè)特征對(duì)于狀態(tài)評(píng)估和故障檢測(cè)的貢獻(xiàn)?？梢酝ㄟ^(guò)相關(guān)性分析、信息增益等方法來(lái)評(píng)估特征與設(shè)備狀態(tài)之間的關(guān)聯(lián)程度[1]。例如，電流和電壓在正常情況下通常會(huì)維持在一定范圍內(nèi)，而頻率和設(shè)備溫度可能存在較大的波動(dòng)，特征選擇過(guò)程中需要權(quán)衡不同特征的重要性。

3.2.2 支持向量機(jī)在狀態(tài)評(píng)估中的應(yīng)用

支持向量機(jī)（SVM）是一種監(jiān)督學(xué)習(xí)算法，廣泛應(yīng)用于模式識(shí)別、分類和回歸等領(lǐng)域。在繼電保護(hù)裝置狀態(tài)評(píng)估中，支持向量機(jī)可以用于分類任務(wù)，通過(guò)訓(xùn)練數(shù)據(jù)建立一個(gè)分類模型，以判斷設(shè)備狀態(tài)是否正?；虍惓！?/p>

在表1的數(shù)據(jù)中，有電流、電壓、頻率和設(shè)備溫度這四個(gè)特征參數(shù)，以及設(shè)備狀態(tài)作為類別標(biāo)簽。因此，可以將設(shè)備狀態(tài)（正?；虍惓＃┳鳛橛?xùn)練目標(biāo)，利用已有的數(shù)據(jù)對(duì)支持向量機(jī)進(jìn)行訓(xùn)練。

具體應(yīng)用步驟包括：一是數(shù)據(jù)準(zhǔn)備。將表1中的數(shù)據(jù)拆分為訓(xùn)練集和測(cè)試集。訓(xùn)練集用于構(gòu)建支持向量機(jī)模型，而測(cè)試集用于評(píng)估模型的性能；二是特征向量構(gòu)建。將電流、電壓、頻率和設(shè)備溫度作為特征參數(shù)，構(gòu)建一個(gè)特征向量。例如，對(duì)于第一天的數(shù)據(jù)，特征向量為[50, 220, 50.05, 30]，而對(duì)于第二天的數(shù)據(jù)，特征向量為[52, 280, 59.03,35]，依此類推；三是特征標(biāo)簽設(shè)置。將設(shè)備狀態(tài)（正?；虍惓＃┳鳛轭悇e標(biāo)簽，對(duì)應(yīng)于每個(gè)特征向量；四是模型訓(xùn)練。使用訓(xùn)練集對(duì)支持向量機(jī)進(jìn)行訓(xùn)練，使其學(xué)習(xí)特征向量和標(biāo)簽之間的關(guān)系，從而建立一個(gè)分類模型；五是模型評(píng)估。使用測(cè)試集評(píng)估模型的性能，計(jì)算模型的準(zhǔn)確率、精確率、召回率等指標(biāo)，以判斷模型在狀態(tài)評(píng)估中的表現(xiàn)。

3.2.3 深度學(xué)習(xí)算法在狀態(tài)評(píng)估中的研究對(duì)于繼電保護(hù)裝置狀態(tài)評(píng)估，深度學(xué)習(xí)算法的應(yīng)用可以分為以下幾個(gè)步驟。

首先，需要將表1中的原始數(shù)據(jù)進(jìn)行預(yù)處理，包括數(shù)據(jù)歸一化、缺失值填充等操作，確保數(shù)據(jù)在合適的范圍內(nèi)，并且沒(méi)有缺失。與傳統(tǒng)機(jī)器學(xué)習(xí)不同，深度學(xué)習(xí)算法可以直接使用原始數(shù)據(jù)進(jìn)行特征提取，無(wú)須手動(dòng)設(shè)計(jì)特征。例如，對(duì)于時(shí)間序列數(shù)據(jù)，可以使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）或循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）來(lái)提取時(shí)序特征。然后，根據(jù)數(shù)據(jù)的復(fù)雜性和任務(wù)的需求，設(shè)計(jì)合適的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)。對(duì)于狀態(tài)評(píng)估，可以采用一種或多種深度學(xué)習(xí)模型，例如多層感知器（MLP）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）等[2]。接著，使用已經(jīng)預(yù)處理的數(shù)據(jù)對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過(guò)反向傳播算法調(diào)整網(wǎng)絡(luò)參數(shù)，使得網(wǎng)絡(luò)能夠準(zhǔn)確地學(xué)習(xí)輸入數(shù)據(jù)的特征和對(duì)應(yīng)的狀態(tài)標(biāo)簽。最后，使用獨(dú)立的測(cè)試集對(duì)訓(xùn)練好的深度學(xué)習(xí)模型進(jìn)行評(píng)估，計(jì)算模型的準(zhǔn)確率、精確率、召回率等指標(biāo)，以評(píng)估模型在狀態(tài)評(píng)估中的性能。

4 繼電保護(hù)裝置故障檢測(cè)技術(shù)

4.1 傳統(tǒng)故障檢測(cè)方法及其限制

傳統(tǒng)繼電保護(hù)裝置故障檢測(cè)方法依賴于規(guī)則和經(jīng)驗(yàn)，通過(guò)設(shè)定閾值或規(guī)則來(lái)判斷電力系統(tǒng)是否發(fā)生故障。然而，這種方法在復(fù)雜故障情況下無(wú)法適應(yīng)，需要不斷調(diào)整規(guī)則。對(duì)于未知故障，傳統(tǒng)方法難以識(shí)別并缺乏自適應(yīng)能力。此外，傳統(tǒng)方法難以提供足夠的細(xì)節(jié)信息，難以準(zhǔn)確定位和判斷故障的具體位置和原因，給故障排除帶來(lái)困難。隨著電力系統(tǒng)規(guī)模和復(fù)雜性增加，需要更先進(jìn)的技術(shù)手段提高故障檢測(cè)準(zhǔn)確性和可靠性，如信號(hào)處理、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等新技術(shù)。

4.2 基于信號(hào)處理的故障檢測(cè)技術(shù)

4.2.1 小波變換在故障檢測(cè)中的應(yīng)用

小波變換在故障檢測(cè)中的應(yīng)用，是基于小波變換的特性，對(duì)電力系統(tǒng)信號(hào)進(jìn)行時(shí)頻分析，從而實(shí)現(xiàn)故障檢測(cè)。小波變換可以將信號(hào)分解成不同頻率和幅度的小波系數(shù)，這些小波系數(shù)可以用于表示信號(hào)的局部特征。通過(guò)對(duì)信號(hào)進(jìn)行小波變換，可以提取出信號(hào)的時(shí)頻信息，包括瞬時(shí)頻率和能量分布等。通過(guò)分析這些時(shí)頻信息，可以檢測(cè)出信號(hào)中的異常情況，如頻率突變、能量泄漏等，從而判斷是否存在故障。小波變換在故障檢測(cè)中的應(yīng)用步驟如圖1所示。

圖1 小波變換在故障檢測(cè)中的應(yīng)用步驟

小波變換在故障檢測(cè)中的應(yīng)用流程包括信號(hào)采集、小波變換、特征提取、故障判斷、故障診斷和結(jié)果展示與報(bào)警等步驟。首先，通過(guò)傳感器或測(cè)量?jī)x器采集電力系統(tǒng)的時(shí)域信號(hào)。然后，應(yīng)用小波變換將時(shí)域信號(hào)轉(zhuǎn)換到頻域，以捕捉頻率特征。隨后，從頻域的小波系數(shù)中提取特征，如能量、頻率等。通過(guò)設(shè)定閾值或規(guī)則，判斷信號(hào)中是否存在異常頻率，即可能出現(xiàn)故障。一旦檢測(cè)到異常，需要進(jìn)行故障診斷，確定故障類型和位置。最后，將檢測(cè)和診斷結(jié)果展示，并及時(shí)報(bào)警，以便運(yùn)維人員采取及時(shí)的處理措施，確保電力系統(tǒng)的穩(wěn)定和安全運(yùn)行[3]。

小波變換在故障檢測(cè)中的應(yīng)用流程可以幫助運(yùn)維人員及時(shí)發(fā)現(xiàn)電力系統(tǒng)的異常情況，快速診斷故障，并采取有效措施進(jìn)行處理，從而確保電力系統(tǒng)的穩(wěn)定和安全運(yùn)行。

4.2.2 頻譜分析與譜凈法在故障檢測(cè)中的研究

頻譜分析與譜凈法在故障檢測(cè)中的研究，是一種基于頻域分析的故障檢測(cè)方法。頻譜分析是將時(shí)域信號(hào)轉(zhuǎn)換為頻域信號(hào)的過(guò)程，通過(guò)傅里葉變換或其他頻域變換方法，將信號(hào)分解成不同頻率成分的譜。譜凈法是一種常用的頻譜分析技術(shù)，用于去除信號(hào)中的噪聲，以便更準(zhǔn)確地分析信號(hào)的頻譜特征。在應(yīng)用頻譜分析與譜凈法進(jìn)行故障檢測(cè)時(shí)，首先需要采集電力系統(tǒng)的信號(hào)數(shù)據(jù)，如電流或電壓信號(hào)。然后，對(duì)信號(hào)進(jìn)行頻譜分析，通過(guò)快速傅里葉變換（FFT）或其他頻譜分析方法，將信號(hào)轉(zhuǎn)換到頻域，得到頻率成分的譜圖。接下來(lái)，利用譜凈法，對(duì)譜圖進(jìn)行處理，去除背景噪聲和干擾，從而增強(qiáng)故障信號(hào)的幅值，突出故障頻率成分。最后，根據(jù)經(jīng)過(guò)譜凈法處理后的譜圖，結(jié)合閾值或規(guī)則，對(duì)故障信號(hào)進(jìn)行檢測(cè)和判別，確定是否存在故障。頻譜分析與譜凈法在故障檢測(cè)中具有較高的靈敏度和準(zhǔn)確性，能夠有效地檢測(cè)出低幅值的故障信號(hào)，并對(duì)故障進(jìn)行精確定位。

4.2.3 基于時(shí)頻分析的故障檢測(cè)方法

基于時(shí)頻分析的故障檢測(cè)方法是一種針對(duì)非平穩(wěn)信號(hào)的故障檢測(cè)技術(shù)。該方法通過(guò)對(duì)信號(hào)進(jìn)行時(shí)域和頻域的聯(lián)合分析，能夠更有效地捕捉信號(hào)的瞬態(tài)變化和頻率特征，從而實(shí)現(xiàn)對(duì)故障的準(zhǔn)確檢測(cè)和診斷。應(yīng)用時(shí)頻分析方法進(jìn)行故障檢測(cè)的流程如下：首先，采集電力系統(tǒng)的非平穩(wěn)信號(hào)數(shù)據(jù)。然后，采用時(shí)頻分析技術(shù)，如短時(shí)傅里葉變換（STFT）、連續(xù)小波變換（CWT）或時(shí)頻譜圖（TFR）等方法，將信號(hào)在時(shí)域和頻域上進(jìn)行聯(lián)合分析，得到時(shí)頻圖譜或時(shí)頻特征。接著，通過(guò)設(shè)置故障檢測(cè)的閾值或規(guī)則，對(duì)時(shí)頻圖譜進(jìn)行分析，判斷是否存在異常頻率和時(shí)域突變，從而識(shí)別故障信號(hào)[4]?；跁r(shí)頻分析的故障檢測(cè)方法具有高分辨率和高靈敏度的優(yōu)勢(shì)，能夠?qū)收闲盘?hào)進(jìn)行精確的定位和診斷，且對(duì)于復(fù)雜的非平穩(wěn)信號(hào)具有較好的適應(yīng)性。

5 結(jié)語(yǔ)

通過(guò)研究繼電保護(hù)裝置的狀態(tài)評(píng)估與故障檢測(cè)技術(shù)，本文對(duì)提升電力系統(tǒng)的安全性和穩(wěn)定性起到了積極作用。然而，隨著電力系統(tǒng)的發(fā)展，還需進(jìn)一步深入研究和優(yōu)化這些技術(shù)，以應(yīng)對(duì)更加復(fù)雜多變的故障情況。同時(shí)，結(jié)合人工智能、數(shù)據(jù)挖掘等領(lǐng)域的新技術(shù)，為繼電保護(hù)裝置的狀態(tài)評(píng)估與故障檢測(cè)提供更先進(jìn)、有效的解決方案，為電力系統(tǒng)的安全穩(wěn)定運(yùn)行作出更大的貢獻(xiàn)。