基于分級故障檢測技術的供電安全智慧監管平臺應用

李 明

(廣東電網有限責任公司 中山供電局,廣東 中山 528400)

供電安全智慧監管平臺故障檢測是實現智能電網自愈能力的重要應用,可以通過判斷監管平臺中心接收到的故障信息來查找故障原因和故障組件,幫助操作員及時分析和處理故障并快速恢復供電[1]。近年來,已有許多學者提出利用保護繼電器和斷路器的開關信息進行供電安全智慧監管平臺故障檢測的方法,如基于專家系統、人工神經網絡、貝葉斯網絡、Petri網和分析模型等方法[2-4]。上述方法通過不同的切換信息技術提高故障檢測的準確性,但仍然無法有效同時檢測一個或多個故障。因此,僅僅利用切換信息進行故障檢測無法有效保證供電安全智慧監管平臺安全運行。

為了有效提高故障檢測的準確性,提出將分級故障檢測模型應用于配電網故障檢測,并采用基于Petri網的方法判斷故障數據信息[6]。將分級故障檢測與改進的證據理論相結合,并采用故障模式匹配算法對故障進行判別,進一步提高檢測精度[7]。應用希爾伯特-黃變換與分級故障檢測模型相結合提取故障數據信息,并對故障進行分析和提煉[8]。但當供電安全智慧監管平臺發生故障時,監管平臺會受到故障的影響并產生大量的波形數據,包括與故障直接關系的供電站電網數據。如果同時使用這些供電站的數據,勢必會影響故障檢測的效率,降低檢測方法的實用性[9]。

因此,本文提出分級故障檢測模型,將分級故障檢測模型與多目標分析模型相結合,考慮不同層的開關和電壓和電流信息的使用。當供電安全智慧監管平臺故障檢測系統捕捉到報警信號時,觸發模式。分級故障檢測可分為兩級檢測模式。

1 分級故障檢測模型

分級故障檢測模式對電壓及電流等控制開關和故障信息進行診斷,可以不增加故障檢測問題的復雜性的同時,增加檢測效率[12]。一方面,在第一級檢測模式中提出了多目標分析模型,并將故障檢測表述為一個多目標優化問題,不需要考慮權重的人工設置;另一方面,故障信息只應用于多個解中的組件,并求解決多目標問題,可以進一步降低故障數據的大小,提高供電安全智慧監管平臺故障檢測效率。

1.1 多目標分析模型

目標函數由每個單目標函數的加權和建立,將多目標優化問題轉化為單目標優化故障問題。然后采用加權和多目標優化方法解決供電安全智慧監管平臺故障問題[13]。然而,多目標優化技術在故障檢測方面存在缺點,權重通常需要通過試錯實驗來人為地設置。當被測試的系統被改變時,通常需要通過實驗來重新設置。因此加權和技術在一定程度上降低了對故障檢測的適用性。因此,本文在多目標優化技術的基礎上,提出多目標函數,即:

(1)

E1(H)反映供電安全智慧監管平臺故障的失敗和錯誤操作,表示電壓峰值與電壓控制的實際狀態與預期狀態之間的差異[14]。E2(H)反映安全智慧監管平臺缺失警報和假警報,表示觀測到的電壓峰值與電壓控制與實際狀態之間的差異。其中,

(2)

(3)

NSGA-II是解決多目標優化問題中最有效的搜索方法之一[15]。它可以快速搜索多個目標,計算速度高,收斂性好。因此,本文應用NSGA-II來解決供電安全智慧監管平臺故障中多目標問題[16]。NSGA-II以遺傳算法(GA)為核心,以快速非主導排序和擁擠距離,以更好地解決多目標優化問題。

1.2 帕累托最優解估計

與單目標優化不同,在NSGA-II優化的情況下,可能存在多個滿足優化要求的最優解[17-18]。傳統的基于主觀偏好的最優解選擇策略具有明顯的局限性。因此,有必要采用適當的方法來解決多目標局限性。由于模糊隸屬關系能夠反映帕累托最優解的滿足程度,因此,利用模糊隸屬關系來選擇最大程度滿足多目標函數的最佳無偏最優解。同時采用帕累托法解決E(H)問題,避免加權和優化技術的缺點。帕累托最優解定義如下:

對于一個可行解X*,當且僅當X*滿足以下關系:

(4)

式中:X*為帕累托最優解之一,即帕累托最優集。第k個帕累托最優解的第i個目標函數對應的模糊隸屬度可以由式(5)表示:

(5)

為進一步提高帕累托最優解的質量,通過模糊隸屬度的平均值來量化帕累托最優解的質量。計算每個帕累托最優解模糊隸屬度的平均值,并作為一個無偏最優解指標:

(6)

式中:μk表示第k個帕累托最優解模糊隸屬度的平均值。根據模糊隸屬度的平均值,對帕累托最優解進行排序。將平均值最大的解作為最佳無偏最優解,即分級故障檢測結果。

2 供電安全智慧監管平臺故障檢測應用

2.1 分級故障檢測性能

對供電安全智慧監管平臺故障進行綜合調查,從智慧監管平臺中獲取半年運行數據,采集19種常見的故障類型,如表1所示。供電安全智慧監管平臺運行數據的采樣時間間隔為5 min。且供電終端故障率超過20%。

表1 供電安全智慧監管平臺終端故障類型

利用所采集到的19種故障類型測試數據集用于驗證分級故障檢測模型的有效性,驗證結果如圖1所示。

(a)19種故障檢測F1分數

由于實際智慧監管平臺系統的運行數據是動態和瞬態的,且在故障檢測過程中,難免會對某些樣本的故障做出錯誤的故障標記。而將分級故障檢測模型應用在供電安全智慧監管平臺中,故障檢測結果的模型精確度分數和精確度都很高(平均值均大于95%),表明所提出的方法在大規模檢測應用中具有足夠的精確性。因此,利用提出分級故障檢測模成功檢測并隔離了19個終端故障。

故障檢測結果的準確性取決于故障癥狀的復雜程度和不同故障特征提取方法的特點。故障癥狀越復雜,F1分數越低,故障檢測的檢測精度也越低。對于故障癥狀簡單的故障,如故障 6、8、10和11,故障檢測的F1分數和檢測精度均為100%。同時出現的多個故障癥狀比單個故障癥狀復雜。而分級故障模型可以將不同類型故障分兩級進行檢測。因此,同時出現多個故障(故障14～19)的F1分數和檢測精度低于13個單一故障(故障1～13),且多個故障檢測模型的檢測方法的F1分數和檢測精度最低值為95%,檢測效果仍滿足實際應用。

2.2 仿真模擬應用

為進一步檢驗分級故障檢測模型的實際應用效果,在供電安全智慧監管平臺上進行仿真模擬測試。設定供電線路發生雙線對地短路故障,即相位A(正弦波)和相位B(方波)接地,具體如圖2所示。

(a)電壓

由圖2(a)、(b)可知,在10.0 s和11.01 s時,相位B和相位C(參考脈沖)相電壓均超限,但相位C電流在閾值限值內。分級故障模型首先采用第1級檢測模式,應用切換信息對所提出的多目標故障進行分析。嘗試在11.01 s重新閉合故障支路,并關閉相位A和相位B繼電器(圖(c)),但由于故障仍然存在,重新閉合失敗,因此分級故障模型采用第2級檢測模式,在11.02 s打開了全相位繼電器。在11.02 s(即繼電器重新合閘時間),雙線對地短路故障消除,識別及處理故障時間僅在0.01 s內完成。

3 結語

所提出的基于分級故障檢測能夠準確檢測供電安全智慧監管平臺單個故障和多個故障。利用F1分數及檢測精度對14種供電電網故障工況進行檢測,檢測結果均大于95%,且單一故障( 故障6、8、10和11)的F1分數和檢測精度為100%,驗證了所提出的分級故障檢測模型方法的有效性。當智慧監管平臺發現雙線對地短路故障時,分級故障檢測可以在0.01 s內識別及處理故障。因此將分級故障模型應用在供電安全智慧監管平臺中,可進一步實現對故障精準檢測與識別。