朱林

(國(guó)網(wǎng)寧夏電力有限公司,寧夏 銀川 750000)

繼電保護(hù)設(shè)備的主要作用是在電網(wǎng)運(yùn)行發(fā)生故障的情況下進(jìn)行保護(hù)動(dòng)作,切斷故障部分,保證電網(wǎng)運(yùn)行[1],如果繼電保護(hù)設(shè)備如果發(fā)生故障[2],則無(wú)法對(duì)電網(wǎng)故障實(shí)行切除,電網(wǎng)的運(yùn)行風(fēng)險(xiǎn)會(huì)明顯增加。更是無(wú)法直接判斷隱性故障,也導(dǎo)致隱性故障的查找耗時(shí)較多,繼電保護(hù)設(shè)備發(fā)生隱性故障后,容易導(dǎo)致保護(hù)動(dòng)作的據(jù)動(dòng)[3]、誤動(dòng)等情況發(fā)生,如果無(wú)法及時(shí)實(shí)現(xiàn)故障部分的保護(hù)動(dòng)作,對(duì)于電網(wǎng)的運(yùn)行風(fēng)險(xiǎn)具有直接影響[4]。模糊支持向量機(jī)(FSVM)方法是結(jié)合模糊理論和支持向量機(jī)兩種方法形成,具有更好的識(shí)別和診斷能力。

文獻(xiàn)[5]提出基于組合賦權(quán)法與模糊理論的智能變電站繼電保護(hù)設(shè)備狀態(tài)評(píng)估方法,建立包含繼電保護(hù)設(shè)備歷史狀態(tài)信息和實(shí)時(shí)狀態(tài)信息的狀態(tài)評(píng)估指標(biāo)體系,結(jié)合改進(jìn)層次分析法、反熵權(quán)法、變異系數(shù)法結(jié)合的主客觀權(quán)重法確定各指標(biāo)組合權(quán)重,克服了單一賦權(quán)方法的局限性。但該方法對(duì)于隱性故障的模糊性考慮不足,導(dǎo)致結(jié)果的準(zhǔn)確性有待提升;文獻(xiàn)[6]提出基于長(zhǎng)短期記憶(Long Short-Term Memory, LSTM)網(wǎng)絡(luò)的繼電保護(hù)測(cè)試故障診斷方法,總結(jié)故障斷面特征信息和故障類(lèi)別,建立多故障診斷模型,構(gòu)建故障診斷流程。但該方法對(duì)繼電故障復(fù)雜性的分析還是略有不足,因此,診斷結(jié)果存在一定局限性。

因此,提出了基于模糊支持向量機(jī)的智能站繼電保護(hù)設(shè)備隱性故障檢測(cè)方法,針對(duì)隱性故障存在模糊性和復(fù)雜性等特點(diǎn),通過(guò)模糊理論和支持向量機(jī)的結(jié)合,確定模糊隸屬度函數(shù),構(gòu)建多檢測(cè)分類(lèi)器,實(shí)現(xiàn)智能站繼電保護(hù)設(shè)備隱性故障檢測(cè)。

1 繼電保護(hù)設(shè)備隱性故障檢測(cè)

1.1 繼電保護(hù)設(shè)備隱性故障檢測(cè)框架

對(duì)智能站繼電保護(hù)設(shè)備的發(fā)生隱性故障時(shí)的模糊性和復(fù)雜性特點(diǎn)展開(kāi)深入分析,該類(lèi)故障的產(chǎn)生與一次設(shè)備的運(yùn)行方式、故障類(lèi)別、二次設(shè)備的保護(hù)原理等多方面均存在較為復(fù)雜的關(guān)聯(lián)[7],因此,增加了繼電保護(hù)裝置隱性故障的發(fā)生概率;并且該類(lèi)故障還存在顯著的模糊性特點(diǎn),影響了故障的檢測(cè)結(jié)果。本文結(jié)合該情況,提出基于FSVM的智能站繼電保護(hù)設(shè)備隱性故障檢測(cè)方法,方法的整體框架結(jié)構(gòu),見(jiàn)圖1。

方法的整個(gè)檢測(cè)分別為三個(gè)部分,分別是繼電保護(hù)設(shè)備運(yùn)行信號(hào)采集和降噪、FSVM模型訓(xùn)練和故障診斷、模型優(yōu)化。繼電保護(hù)設(shè)備運(yùn)行信號(hào)在采集過(guò)程中,由于環(huán)境以及設(shè)備運(yùn)行等,會(huì)導(dǎo)致采集的繼電保護(hù)設(shè)備運(yùn)行信號(hào)數(shù)據(jù)中存在一定的噪聲干擾,對(duì)于故障檢測(cè)結(jié)果的可靠性存在一定影響[8],因此,在實(shí)行故障檢測(cè)前,其去除采集的信號(hào)中存在的噪聲;將處理后的信號(hào)用于故障檢測(cè)中。通過(guò)FSVM的模糊分類(lèi)規(guī)則完成故障診斷,完成繼電保護(hù)設(shè)備故障檢測(cè)。

圖1 繼電保護(hù)設(shè)備隱性故障檢測(cè)框架

1.2 繼電保護(hù)設(shè)備運(yùn)行信號(hào)降噪

采集的繼電保護(hù)設(shè)備運(yùn)行信號(hào)數(shù)據(jù)中存在一定噪聲,不利于故障檢測(cè),因此,本文在檢測(cè)前采用多小波變換方法處理信號(hào)數(shù)據(jù)中的噪聲。該方法能夠通過(guò)分解和重構(gòu)的方式[9],在保證原始信號(hào)的前提下,消除信號(hào)中的噪聲。

如果濾波器用Hk和Gk表示,多小波變換分解公式為:

(1)

式中:c和d分別表示尺度系數(shù)和小波系數(shù)。

依據(jù)公式(1)分解后即可將原始信號(hào)分解成高頻和低頻兩種子帶,并將兩者帶入公式(2)中,完成兩種子帶的重構(gòu),其公式為:

(2)

通過(guò)該方法對(duì)繼電保護(hù)設(shè)備運(yùn)行信號(hào)降噪時(shí),可完成一維時(shí)序信號(hào)的擴(kuò)增處理,使其形成r×r維矩陣,以此,保證信號(hào)經(jīng)過(guò)分解和重構(gòu)后不損傷原始信號(hào)[10],同時(shí)保證去噪效果,將降噪后的信號(hào)輸入FSVM模型中進(jìn)行故障檢測(cè)。

1.3 繼電保護(hù)設(shè)備隱性故障檢測(cè)的FSVM模型

1.3.1 隱性故障類(lèi)別隸屬度函數(shù)確定

FSVM模型在進(jìn)行繼電保護(hù)設(shè)備隱性故障檢測(cè)時(shí),需先對(duì)降噪后的信號(hào)樣本實(shí)行某類(lèi)別隸屬度賦予,隸屬度可描述信號(hào)樣本在訓(xùn)練過(guò)程中重要程度[11],在隱性故障檢測(cè)問(wèn)題中,隸屬度的合理性直接影響故障的檢測(cè)結(jié)果。因此,保證向量機(jī)的隸屬度。

設(shè)由降噪后的繼電保護(hù)設(shè)備信號(hào)樣本x組成的樣本集用S表示,其包含正、負(fù)兩類(lèi)樣本,其中正類(lèi)信號(hào)樣本中包含的樣本用{xi|i=1,2,…,p}表示,其數(shù)量為p,該類(lèi)樣本的中心用均值x+表示;負(fù)類(lèi)信號(hào)樣本用{xj|j=1,2,…,q}表示,其數(shù)量為q,均值x-則為該類(lèi)別的中心,且p+q=l,l表示兩樣本的總數(shù)量,x+和x-的計(jì)算公式為:

(3)

(4)

x+和x-之間存在一個(gè)超球面,能夠剛好完成兩者信號(hào)樣本點(diǎn)的覆蓋,則兩者在該超球面內(nèi)的半徑用r+和r-表示,兩者的計(jì)算公式為:

(5)

引入控制因子η>0,設(shè)定一個(gè)極小的正數(shù)σ表示孤立點(diǎn)隸屬度,則得出隸屬度函數(shù),其公式為:

(6)

式中:δ表示極小正數(shù),以此保證si>0;yi表示樣本類(lèi)別標(biāo)簽。

通過(guò)上述方法計(jì)算得出模糊隸屬度后,組成新的繼電保護(hù)設(shè)備信號(hào)訓(xùn)練集用(x1,y1,s1),…,(xl,yl,sl)表示,以此完成模型訓(xùn)練。

1.3.2 繼電保護(hù)設(shè)備隱性故障檢測(cè)分類(lèi)器構(gòu)建

將上述小節(jié)獲取的(x1,y1,s1),…,(xl,yl,sl)輸入至訓(xùn)練后的FSVM模型中,計(jì)算模型的最優(yōu)隱性故障分類(lèi)函數(shù)f(Xj),其公式為:

(7)

式中:h表示支持向量機(jī)數(shù)量;Xj∈Rn表示輸入的樣本集的特征向量,其中Rn表示實(shí)數(shù)空間;Xe表示支持向量;?*和b*分別表示系數(shù)和常數(shù)兩種向量;K表示核函數(shù)。將Xj帶入公式(7)中即可得出繼電保護(hù)設(shè)備信號(hào)樣本的決策函數(shù)值z(mì)j=f(Xj),在此基礎(chǔ)上計(jì)算得出si。

建立FSVM模型的最優(yōu)分類(lèi)函數(shù)的回歸函數(shù),其計(jì)算公式為:

(8)

式中:Xk表示任意繼電保護(hù)設(shè)備信號(hào)樣本特征向量;ξ表示懲罰函數(shù)。

將{zj,si}帶入支持向量機(jī)中實(shí)行訓(xùn)練,以此可得出g(Xk)、?、b;g(Xk)的計(jì)算結(jié)果即為繼電保護(hù)設(shè)備隱性故障的最終隸屬度。為可靠完成繼電保護(hù)設(shè)備隱性故障類(lèi)別檢測(cè)[12],通過(guò)FSVM二類(lèi)分類(lèi)器對(duì)故障的特征向量實(shí)行組合,一個(gè)FSVM二類(lèi)分類(lèi)器僅負(fù)責(zé)檢測(cè)一個(gè)類(lèi)別的繼電保護(hù)設(shè)備隱性故障,如果輸出結(jié)果為1,表示存在該類(lèi)別故障;如果輸出結(jié)果為0,則表示沒(méi)有故障。

1.4 模型參數(shù)優(yōu)化

FSVM模型完成繼電保護(hù)設(shè)備隱性故障分類(lèi)檢測(cè)后,為進(jìn)一步提升檢測(cè)結(jié)果的可靠程度,對(duì)模型中的ξ和g(Xk)實(shí)行優(yōu)化,獲取最優(yōu)的參數(shù)結(jié)果[13],文中采用布谷鳥(niǎo)算法完成,優(yōu)化步驟如下所述:

步驟1:對(duì)FSVM模型的訓(xùn)練樣本集實(shí)行預(yù)處理,獲取模型的學(xué)習(xí)樣本[14]。

步驟2:確定ξ和g(Xk)的取值范圍,同時(shí)設(shè)置布谷鳥(niǎo)算法的步長(zhǎng)、迭代次數(shù)等參數(shù)。

步驟3:形成n個(gè)鳥(niǎo)巢位置Bn,且每一個(gè)均和一組{ξ,g(Xk)}參數(shù)相對(duì)應(yīng);計(jì)算最佳Bn以及與其對(duì)應(yīng)的訓(xùn)練集之間的擬合程度F。

步驟4:保留上一代最優(yōu)Bn結(jié)果,獲取新的鳥(niǎo)巢位置,其需依據(jù)飛行步長(zhǎng)的計(jì)算結(jié)果對(duì)其他鳥(niǎo)巢位置實(shí)行更新完成,計(jì)算更新后位置與其對(duì)應(yīng)的訓(xùn)練集之間的F。

2 算例分析

為測(cè)試本文方法對(duì)智能站繼電保護(hù)設(shè)備隱性故障的檢測(cè)效果,以某智能變電站為實(shí)例對(duì)象,采集該變電站內(nèi)30個(gè)繼電保護(hù)設(shè)備運(yùn)行3個(gè)月的數(shù)據(jù)作為測(cè)試信號(hào)數(shù)據(jù)。該智能站中共有3個(gè)主變壓器,分別用1#、2#、3#表示,其電壓為22 kV,每個(gè)變電站均連接兩條母線(xiàn),各個(gè)母線(xiàn)均連接數(shù)條支路。

分別對(duì)本文算法進(jìn)行各項(xiàng)測(cè)試,包括:信號(hào)降噪效果測(cè)試,其指標(biāo)為幅值;布谷鳥(niǎo)算法迭代收斂性能測(cè)試,其指標(biāo)為最佳隸屬度;隱性故障檢測(cè)性能測(cè)試,其指標(biāo)為相對(duì)誤差值;應(yīng)用效果測(cè)試,以誤動(dòng)率和拒動(dòng)率作為衡量指標(biāo);故障診斷效果測(cè)試以及應(yīng)用性測(cè)試,展示本文算法用戶(hù)端畫(huà)面。

2.1 信號(hào)降噪效果測(cè)試

對(duì)采集的繼電保護(hù)設(shè)備運(yùn)行信號(hào)數(shù)據(jù)實(shí)行降噪處理,獲取本文方法降噪前、后信號(hào)的變化結(jié)果,見(jiàn)圖2。

(b)信號(hào)降噪后

分析圖2測(cè)試結(jié)果可知:原始信號(hào)中存在顯著的噪聲干擾,諸多原始信號(hào)被噪聲覆蓋,影響信號(hào)的可辨識(shí)度;經(jīng)過(guò)本文方法降噪后,噪聲被有效去除,還原原始信號(hào),并且信號(hào)的完成程度沒(méi)有發(fā)生破壞。因此,本文方法具有良好的降噪效果。

2.2 布谷鳥(niǎo)算法迭代收斂性能測(cè)試

測(cè)試本文布谷鳥(niǎo)算法在優(yōu)化過(guò)程中的迭代收斂性能,為測(cè)試該算法優(yōu)化性能,不設(shè)置迭代停止條件,使其持續(xù)迭代,結(jié)果如圖3所示。

圖3 布谷鳥(niǎo)算法迭代收斂性能

由圖3可知,當(dāng)?shù)恋?8次時(shí),最佳隸屬度最優(yōu),能夠完成迭代,可見(jiàn)所使用布谷鳥(niǎo)算法能夠有效達(dá)到優(yōu)化效果。

2.3 隱性故障檢測(cè)性能測(cè)試

獲取本文方法在變電站電流突增和電壓突降兩種運(yùn)行狀態(tài)下,對(duì)繼電保護(hù)設(shè)備隱性故障檢測(cè)的相對(duì)誤差結(jié)果,由于篇幅有限,結(jié)果僅隨機(jī)抽取10個(gè)繼電保護(hù)設(shè)備的檢測(cè)結(jié)果,見(jiàn)圖4。其中,要求檢測(cè)相對(duì)誤差結(jié)果低于0.2。

圖4 隱性故障檢測(cè)性能測(cè)試

分析圖4測(cè)試結(jié)果可知:在電流突增和電壓突降兩種運(yùn)行狀態(tài)下,本文方法對(duì)繼電保護(hù)設(shè)備的隱性故障檢測(cè)相對(duì)誤差結(jié)果均滿(mǎn)足應(yīng)用要求標(biāo)準(zhǔn),在兩種運(yùn)行狀態(tài)下的相位誤差最大值分別為0.17和0.15。該結(jié)果表明,在變電站自身運(yùn)行存在波動(dòng)變化時(shí),本文方法依舊能夠較好地完成繼電保護(hù)設(shè)備隱性故障檢測(cè)。

2.4 應(yīng)用效果測(cè)試

為衡量本文方法在繼電保護(hù)設(shè)備故障檢測(cè)中的應(yīng)用效果,以誤動(dòng)率和拒動(dòng)率作為衡量指標(biāo)(要求標(biāo)準(zhǔn)低于0.3%),獲取本文方法應(yīng)用后兩個(gè)指標(biāo)的結(jié)果見(jiàn)圖5。

圖5 誤動(dòng)率和拒動(dòng)率測(cè)試結(jié)果

分析圖5測(cè)試結(jié)果可知:采用本文方法完成繼電保護(hù)設(shè)備隱性故障檢測(cè)后,隨著電流的逐漸增加,誤動(dòng)率和拒動(dòng)率兩個(gè)指標(biāo)的結(jié)果也隨之發(fā)生略微的波動(dòng)變化,但是結(jié)果均在要求范圍內(nèi),其中誤動(dòng)率和拒動(dòng)率的最大值分別為0.24%和0.27%,因此,本文方法具有良好的應(yīng)用效果,降低變電站運(yùn)行過(guò)程中的誤動(dòng)率和拒動(dòng)率,保證運(yùn)行安全。

2.5 故障診斷效果測(cè)試

為直觀體現(xiàn)本文方法對(duì)繼電保護(hù)設(shè)備隱性故障檢測(cè)的結(jié)果,在3種繼電保護(hù)設(shè)備隱性故障運(yùn)行工況下,采用本文方法進(jìn)行故障分類(lèi)檢測(cè),并且獲取該隱性故障的結(jié)果以及該故障容易引發(fā)的連鎖結(jié)果,見(jiàn)圖6、圖7和圖8。

圖6 靜態(tài)特性隱性故障運(yùn)行工況

分析圖6、圖7和圖8測(cè)試結(jié)果可知:在三種繼電保護(hù)設(shè)備隱性故障運(yùn)行工況下,本文方法均能夠可靠完成設(shè)備隱性故障的檢測(cè),同時(shí)完成故障類(lèi)別分類(lèi),確定隱性故障內(nèi)容,并且,分析該故障可能引發(fā)的連鎖結(jié)果。其中,在靜態(tài)和動(dòng)態(tài)兩種隱性故障運(yùn)行工況下,其可能引發(fā)的連鎖結(jié)果均是與其存在直接連接相關(guān)設(shè)備以及線(xiàn)路,會(huì)導(dǎo)致其發(fā)生誤動(dòng);但是,在不確定隱性故障運(yùn)行工況下,所有設(shè)備和線(xiàn)路均可能會(huì)發(fā)生誤動(dòng)。因此,本文方法的故障檢測(cè)效果良好。

圖7 動(dòng)態(tài)特性隱性故障運(yùn)行工況

圖8 不確定隱性故障運(yùn)行工況

2.6 應(yīng)用性測(cè)試

獲取本文方法應(yīng)用后,各個(gè)機(jī)電保護(hù)設(shè)備的健康狀態(tài)以及可信度情況,以此體現(xiàn)本文方法的應(yīng)用性,結(jié)果見(jiàn)圖9。

圖9 應(yīng)用性測(cè)試結(jié)果

分析圖9測(cè)試結(jié)果可知:本文方法應(yīng)用后,能夠全面查看繼電保護(hù)設(shè)備信息,包含設(shè)備臺(tái)賬、設(shè)備巡檢、設(shè)備檢驗(yàn)、設(shè)備故障等,并且可依據(jù)這些信息評(píng)價(jià)設(shè)備的健康狀態(tài)判斷隱性故障的危害程度,同時(shí)顯示各個(gè)設(shè)備的可靠程度,為設(shè)備管理提供全面依據(jù)。

3 結(jié) 論

繼電保護(hù)是保證智能變電站運(yùn)行安全的基礎(chǔ),所以如果繼電保護(hù)設(shè)備發(fā)生一旦發(fā)生隱性故障,無(wú)法直接判斷,會(huì)導(dǎo)致保護(hù)動(dòng)作發(fā)生誤差。因此,本文提出基于模糊支持向量機(jī)的智能站繼電保護(hù)設(shè)備隱性故障檢測(cè)方法,能夠極好地去除信號(hào)中的噪聲,保留原始信號(hào)信息,并且應(yīng)用性能良好,能夠檢測(cè)出不同運(yùn)行工況下的故障類(lèi)別,為繼電保護(hù)設(shè)備管理提供數(shù)據(jù)依據(jù)。