摘 要：【目的】電力系統(tǒng)運行方式和控制策略的不斷變化，導致繼電保護定值方法也需不斷調整，以確保各種情況下的正確動作。然而，在調整適應的過程中其易受外界因素的干擾，導致定值校驗的精度較低，因此，提出了基于改進機器學習的繼電保護定值智能校驗研究?！痉椒ā渴紫龋瑯嫿ɡ^電保護故障數(shù)據(jù)集，用于訓練和優(yōu)化機器學習模型；其次，利用改進后的機器學習方法建立繼電保護定值智能排序模型，自動對保護定值進行智能排序；最后，通過智能校驗繼電保護定值，實現(xiàn)對電力系統(tǒng)故障的快速響應和準確保護。【結果】實驗結果表明，該校驗方法能夠不受外界環(huán)境干擾，且繼電保護定值校驗精度較高?！窘Y論】采用該校驗方法可以在提高校驗精度的同時，確保電力系統(tǒng)的穩(wěn)定運行。

關鍵詞：改進機器學習；繼電保護定值；智能校驗；電力系統(tǒng)

中圖分類號：TM73 文獻標志碼：A 文章編號：1003-5168（2024）16-0004-04

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.16.001

Research on Intelligent Verification of Relay Protection Setting Based on Improved Machine Learning

QIAN Yiming LIANG Chengming GONG Simin

（State Grid Shanghai Electric Power Company Fengxian Power Supply Company，Shanghai 201499，China）

Abstract： [Purposes] Due to the constantly changing operation mode and control strategy of the power system， relay protection setting methods need to adapt to these changes to ensure correct operation in various situations. However， in the process of adjusting adaptation， it is easily affected by external factors， resulting in low accuracy of fixed value verification.Therefore， the research on intelligent verification of relay protection setting based on improved machine learning is proposed. [Methods] Firstly， a relay protection fault dataset is constructed for training and optimizing machine learning models. Then， an improved machine learning method is used to establish an intelligent sorting model for relay protection settings， which automatically performs intelligent sorting on the protection settings. Finally， by intelligently verifying the relay protection settings， fast response and accurate protection against power system faults can be achieved. [Findings] The experimental results show that the proposed verification method is not affected by external environmental interference， and the accuracy of relay protection setting verification is high. [Conclusions] The use of the designed method ensures stable operation of the power system while improving calibration accuracy.

Keywords： improved machine learning; relay protection setting; intelligent verification; power system

0 引言

隨著電力系統(tǒng)規(guī)模的不斷擴大和復雜性的增加，繼電保護定值校驗的重要性日益凸顯。繼電保護定值是保護設備在電力系統(tǒng)發(fā)生故障時能夠正確動作的關鍵參數(shù)，其準確性和可靠性對電力系統(tǒng)的穩(wěn)定運行至關重要。然而，傳統(tǒng)的繼電保護定值校驗方法往往依賴于人工計算和試驗，不僅效率低下，而且容易受到人為因素的影響，導致校驗結果不夠準確和穩(wěn)定［1］。因此，本研究提出了基于改進機器學習的繼電保護定值智能校驗方法，以提高校驗結果的準確性和效率。

1 構建繼電保護故障數(shù)據(jù)集

從現(xiàn)有的電力系統(tǒng)運行數(shù)據(jù)、故障錄波數(shù)據(jù)、保護動作數(shù)據(jù)等中收集并整理出故障數(shù)據(jù)。在電力系統(tǒng)中，元件故障是一種很普遍的故障，可以劃分為3大類：輸電線路故障、母線故障和電力變壓器故障［2］。電力輸電線路故障類型見表1。

母線故障通常是由于母線接觸不良、短路等原因造成的，會導致整個電力系統(tǒng)的崩潰。電力變壓器故障類型見表2。

在電力系統(tǒng)中，集成式或分布式繼電保護網(wǎng)絡通過電壓、電流及其他關鍵傳感器，實時收集和分析電力系統(tǒng)各個元件的運行數(shù)據(jù)，并將這些數(shù)據(jù)被匯總到專門的錄波裝置中，經(jīng)過初步處理后，再通過子站通信接口高效地傳輸?shù)街髡鞠到y(tǒng)［3］。在主站系統(tǒng)中，通過高級的數(shù)據(jù)采樣和處理技術，建立繼電保護的特征量與期望的數(shù)據(jù)集合。形成過程如圖1所示。

在完成數(shù)據(jù)集的構建后，會獲得一個包含多傳感器信息和故障狀態(tài)的特征矩陣，這個特征矩陣包含n行，每一行代表一條記錄，每一條記錄都包含m個特征值，每一條記錄還對應著k個狀態(tài)標識，數(shù)據(jù)集Y的表示見式（1）。

[Y=XS=x11x12…x1mx21x22…x2m????xn1xn2…xnm Sk1Sk2?Skn] （1）

式中：X為繼電保護故障特征；S為繼電保護故障狀態(tài)。

通過這樣的矩陣表示，可以將復雜的電力系統(tǒng)數(shù)據(jù)轉化為結構化的信息，從而完成繼電保護故障數(shù)據(jù)集的構建。

2 基于改進機器學習建立繼電保護定值智能排序模型

考慮到卷積神經(jīng)網(wǎng)絡在處理空間范圍內輸入數(shù)據(jù)時的出色預測性能，在模型構建中融入這一深度學習工具，進行機器學習的改進。CNN通過卷積層時，模型會自動從輸入數(shù)據(jù)中提取出關鍵特征。池化層可以保留重要的特征信息，降低數(shù)據(jù)的維度，減少計算量［4］。全連接層則可以將前面各層的輸出整合起來，形成最終的預測結果。CNN的基本結構如圖2所示。

卷積層的運算過程見式（2）。

[Xl+1i=fXl?Kl+1i+bl+1iXl+1=Xl+11⊕Xl+12⊕…⊕Xl+1N] （2）

式中：[Xl]為輸入數(shù)據(jù)；[Kl+1i]為卷積核向量的第i個元素；[bl+1i]為偏向性；[?]為卷積算子；[Xl+1i]為輸出的第i個值；l、l+1為卷積碼；[⊕]為數(shù)據(jù)累加；[Xl+1]為卷積后輸出值；f（·）為卷積函數(shù)；N為卷積核總數(shù)［5］。

在式（2）的計算過程中，將各卷積核元素[Kl+1i]按時間次序逐個與本征值[Xl]相關聯(lián)地運算，并引進濾波函數(shù)f（·）來非線性地轉換該特征。同時通過全連接層的方式，將獲得的特征映射[Xl+1i]進行匯總和整合，輸出值為下一層的輸入[Xl+1]。然而，由于卷積計算產(chǎn)生的特征輸出維數(shù)通常較大，為了降低模型的復雜度，提高計算效率，引入池化函數(shù)，對高維特征向量進行最優(yōu)降維處理見式（3）。

[Mlj=γωljgMlj-1+bl+1] （3）

式中：[Mlj]為第l個池化層中的第j個特征量；[γ]（·）為池化層中的活化函數(shù)；[g]（·）為池化層中的特征維度合成抽取函數(shù)；[ωlj]為系數(shù)。

將改進機器學習的算法用于繼電保護定值的智能排序，建立優(yōu)化模型見式（4）。

[Fω， ξl， ξ*l=min12ω2+λl=1Lξl+ξ*ls.t.yl-ωTXl≤ξll=1，2，…， Lyl-ωTXl≤ξ*lξl， ξ*l≥0] （4）

式中：[Xl]為第l層輸入數(shù)據(jù)向量；[yl]為輸出結果；[ω]為支持向量機分類向量；[λ]為卷積和池化層提取特征的系數(shù)；[ξl]、 [ξ*l]為優(yōu)化過程中的松弛量。

訓練和優(yōu)化該基于CNN的繼電保護定值智能排序模型，使其在電力系統(tǒng)出現(xiàn)故障時，保護系統(tǒng)能夠根據(jù)排序結果迅速作出反應，并選擇合適的定值進行保護操作，以最大限度地減少故障對系統(tǒng)的影響。

3 智能校驗繼電保護定值

在電網(wǎng)整定過程中，繼電保護定值若設置不當，可能會導致保護裝置在電網(wǎng)出現(xiàn)故障時無法正確動作，威脅電力系統(tǒng)的穩(wěn)定運行。因此，在上述構建的繼電保護故障數(shù)據(jù)集和建立的繼電保護定值智能排序模型的基礎上，智能校驗繼電保護定值。以變電站為例，該變電站的電力網(wǎng)架構由高壓側A、低壓主側B和1-10線路組成。變電站線路如圖3所示。

由圖3可知，B側在電網(wǎng)中扮演著為上級的第一、二母線提供關鍵保護的角色，配備了專門的保護設施。為了確保這些保護設施在電網(wǎng)出現(xiàn)故障時能夠正確、迅速地動作，利用已經(jīng)構建好的繼電保護故障數(shù)據(jù)集和繼電保護定值智能排序模型，對B側的保護設施進行故障模擬。通過模擬不同類型、不同嚴重程度的故障，觀察保護設施的動作情況，并評估繼電保護定值設置的合理性。如果模擬結果顯示保護設施在某些故障場景下無法正確動作，或者動作時間過長，則需要對定值進行調整和優(yōu)化。繼電保護定值智能校驗流程如圖4所示。

在線校驗請求一經(jīng)發(fā)出，校驗控制中心即刻啟動任務組織流程，并進行計算參數(shù)的初始化?？刂浦行母鶕?jù)預設的規(guī)則和要求，將校驗任務分配給不同的計算節(jié)點，每個計算節(jié)點各自負責一部分計算任務，并通過調用校驗服務來完成具體的校驗計算工作。當所有節(jié)點的計算任務完成后，校驗控制中心收集并歸納這些計算結果，并通過合并處理，形成最終的校驗結果和可能報警的信息。這些結果和信息隨后被發(fā)送至校驗終端，并在報警頁面上顯示出來。至此，完成了繼電保護定值智能校驗的研究。

4 實驗

4.1 實驗準備

為了驗證該方法在繼電保護定值校驗方面的有效性，以某市電力系統(tǒng)為例進行試驗。通過電網(wǎng)局部拓撲結構圖來分析電流、電壓等電氣量的流動情況以及故障發(fā)生時電流、電壓的變化情況，從而確定繼電保護的整定值。電網(wǎng)局部拓撲結構如圖5所示。

由圖5可知，待校核線路設為L1，校核保護為電流保護。實驗環(huán)境模擬一個額定電壓為110 kV、額定電流為500 A的電力系統(tǒng)。為了驗證繼電保護的定值校驗，設定過電流繼電器的動作電流整定值為標稱電流的1.2倍，動作時間整定值為0.5 s。為了準確記錄繼電器的動作情況，設置1 000 Hz的采樣頻率來采集電流和時間的數(shù)據(jù)。實驗環(huán)境參數(shù)設置具體情況見表3。

4.2 實驗結果及分析

為了驗證本研究所提方法的優(yōu)越性，將本研究方法與線性回歸分析方法和基于專家系統(tǒng)方法按照上述實驗準備進行對比實驗，對比這3種方法的定值校驗精度，得到的結果見表4。

由表4可知，本研究方法在繼電保護定值校驗精度上相較于線性回歸分析方法和基于專家系統(tǒng)方法具有顯著優(yōu)勢。在5種不同的故障類型中，本研究方法的定值校驗精度普遍高于其他2種方法，平均調整精度達到了約98.6 %，遠高于線性回歸分析方法的86.3 %和基于專家系統(tǒng)方法的91.4 %。這一結果表明，本研究方法在處理復雜的繼電保護問題時，能夠更加準確地計算和調整保護定值。具體來說，在斷線故障、三相短路和兩相短路等故障類型中，本研究方法的調整精度均超過了98 %，表現(xiàn)出極高的準確性和可靠性。即使在單相接地短路和兩相接地短路等較為復雜的故障類型中，本研究方法也能保持較高的調整精度，顯示出強大的適應性和魯棒性。

5 結語

本研究成功地將經(jīng)過優(yōu)化和改進的機器學習算法應用于繼電保護定值校驗中，顯著提高了繼電保護校驗的準確性和效率。然而，在研究中也發(fā)現(xiàn)了一些不足之處。因此，在未來將繼續(xù)深入研究以下幾個方面：第一，探索更加先進的機器學習算法，以提高模型的泛化能力和處理復雜場景的能力。第二，研究更加有效的數(shù)據(jù)預處理技術，以進一步提高數(shù)據(jù)的質量和可用性。第三，加強與電力系統(tǒng)的合作，將研究成果應用于實際工程中，以驗證其有效性和實用性，為電力系統(tǒng)的智能化發(fā)展貢獻更多力量。

參考文獻：

［1］龍瑞華，蘇禹寧，柯其志，等.含分布式電源配電網(wǎng)繼電保護定值核校方法［J］.電氣開關，2023，61（6）：60-63.

［2］韓學軍.基于深度學習和改進潮流介數(shù)的繼電保護定值智能校驗方法［J］.電子器件，2023，46（5）：1442-1448.

［3］龍瑞華，張希，吳重沛，等.基于大數(shù)據(jù)分析的配網(wǎng)繼電保護定值校核方法［J］.電氣開關，2023，61（5）：53-56.

［4］王懷璧.基于數(shù)據(jù)融合的配電網(wǎng)繼電保護定值校核方法［J］.機械工程與自動化，2023（5）：184-185，188.

［5］凌文明.基于大數(shù)據(jù)的新能源電站繼電保護定值校核方法［J］.自動化應用，2023，64（9）：218-220.