基于模糊支持向量機的智能站繼電保護設備隱性故障檢測方法

朱林

(國網寧夏電力有限公司,寧夏 銀川 750000)

繼電保護設備的主要作用是在電網運行發生故障的情況下進行保護動作,切斷故障部分,保證電網運行[1],如果繼電保護設備如果發生故障[2],則無法對電網故障實行切除,電網的運行風險會明顯增加。更是無法直接判斷隱性故障,也導致隱性故障的查找耗時較多,繼電保護設備發生隱性故障后,容易導致保護動作的據動[3]、誤動等情況發生,如果無法及時實現故障部分的保護動作,對于電網的運行風險具有直接影響[4]。模糊支持向量機(FSVM)方法是結合模糊理論和支持向量機兩種方法形成,具有更好的識別和診斷能力。

文獻[5]提出基于組合賦權法與模糊理論的智能變電站繼電保護設備狀態評估方法,建立包含繼電保護設備歷史狀態信息和實時狀態信息的狀態評估指標體系,結合改進層次分析法、反熵權法、變異系數法結合的主客觀權重法確定各指標組合權重,克服了單一賦權方法的局限性。但該方法對于隱性故障的模糊性考慮不足,導致結果的準確性有待提升;文獻[6]提出基于長短期記憶(Long Short-Term Memory, LSTM)網絡的繼電保護測試故障診斷方法,總結故障斷面特征信息和故障類別,建立多故障診斷模型,構建故障診斷流程。但該方法對繼電故障復雜性的分析還是略有不足,因此,診斷結果存在一定局限性。

因此,提出了基于模糊支持向量機的智能站繼電保護設備隱性故障檢測方法,針對隱性故障存在模糊性和復雜性等特點,通過模糊理論和支持向量機的結合,確定模糊隸屬度函數,構建多檢測分類器,實現智能站繼電保護設備隱性故障檢測。

1 繼電保護設備隱性故障檢測

1.1 繼電保護設備隱性故障檢測框架

對智能站繼電保護設備的發生隱性故障時的模糊性和復雜性特點展開深入分析,該類故障的產生與一次設備的運行方式、故障類別、二次設備的保護原理等多方面均存在較為復雜的關聯[7],因此,增加了繼電保護裝置隱性故障的發生概率;并且該類故障還存在顯著的模糊性特點,影響了故障的檢測結果。本文結合該情況,提出基于FSVM的智能站繼電保護設備隱性故障檢測方法,方法的整體框架結構,見圖1。

方法的整個檢測分別為三個部分,分別是繼電保護設備運行信號采集和降噪、FSVM模型訓練和故障診斷、模型優化。繼電保護設備運行信號在采集過程中,由于環境以及設備運行等,會導致采集的繼電保護設備運行信號數據中存在一定的噪聲干擾,對于故障檢測結果的可靠性存在一定影響[8],因此,在實行故障檢測前,其去除采集的信號中存在的噪聲;將處理后的信號用于故障檢測中。通過FSVM的模糊分類規則完成故障診斷,完成繼電保護設備故障檢測。

圖1 繼電保護設備隱性故障檢測框架

1.2 繼電保護設備運行信號降噪

采集的繼電保護設備運行信號數據中存在一定噪聲,不利于故障檢測,因此,本文在檢測前采用多小波變換方法處理信號數據中的噪聲。該方法能夠通過分解和重構的方式[9],在保證原始信號的前提下,消除信號中的噪聲。

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分別表示尺度系數和小波系數。

依據公式(1)分解后即可將原始信號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,其公式為:

(2)

通過該方法對繼電保護設備運行信號降噪時,可完成一維時序信號的擴增處理,使其形成r×r維矩陣,以此,保證信號經過分解和重構后不損傷原始信號[10],同時保證去噪效果,將降噪后的信號輸入FSVM模型中進行故障檢測。

1.3 繼電保護設備隱性故障檢測的FSVM模型

1.3.1 隱性故障類別隸屬度函數確定

FSVM模型在進行繼電保護設備隱性故障檢測時,需先對降噪后的信號樣本實行某類別隸屬度賦予,隸屬度可描述信號樣本在訓練過程中重要程度[11],在隱性故障檢測問題中,隸屬度的合理性直接影響故障的檢測結果。因此,保證向量機的隸屬度。

設由降噪后的繼電保護設備信號樣本x組成的樣本集用S表示,其包含正、負兩類樣本,其中正類信號樣本中包含的樣本用{xi|i=1,2,…,p}表示,其數量為p,該類樣本的中心用均值x+表示;負類信號樣本用{xj|j=1,2,…,q}表示,其數量為q,均值x-則為該類別的中心,且p+q=l,l表示兩樣本的總數量,x+和x-的計算公式為:

(3)

(4)

x+和x-之間存在一個超球面,能夠剛好完成兩者信號樣本點的覆蓋,則兩者在該超球面內的半徑用r+和r-表示,兩者的計算公式為:

(5)

引入控制因子η>0,設定一個極小的正數σ表示孤立點隸屬度,則得出隸屬度函數,其公式為:

(6)

式中:δ表示極小正數,以此保證si>0;yi表示樣本類別標簽。

通過上述方法計算得出模糊隸屬度后,組成新的繼電保護設備信號訓練集用(x1,y1,s1),…,(xl,yl,sl)表示,以此完成模型訓練。

1.3.2 繼電保護設備隱性故障檢測分類器構建

將上述小節獲取的(x1,y1,s1),…,(xl,yl,sl)輸入至訓練后的FSVM模型中,計算模型的最優隱性故障分類函數f(Xj),其公式為:

(7)

式中:h表示支持向量機數量;Xj∈Rn表示輸入的樣本集的特征向量,其中Rn表示實數空間;Xe表示支持向量;?*和b*分別表示系數和常數兩種向量;K表示核函數。將Xj帶入公式(7)中即可得出繼電保護設備信號樣本的決策函數值zj=f(Xj),在此基礎上計算得出si。

建立FSVM模型的最優分類函數的回歸函數,其計算公式為:

(8)

式中:Xk表示任意繼電保護設備信號樣本特征向量;ξ表示懲罰函數。

將{zj,si}帶入支持向量機中實行訓練,以此可得出g(Xk)、?、b;g(Xk)的計算結果即為繼電保護設備隱性故障的最終隸屬度。為可靠完成繼電保護設備隱性故障類別檢測[12],通過FSVM二類分類器對故障的特征向量實行組合,一個FSVM二類分類器僅負責檢測一個類別的繼電保護設備隱性故障,如果輸出結果為1,表示存在該類別故障;如果輸出結果為0,則表示沒有故障。

1.4 模型參數優化

FSVM模型完成繼電保護設備隱性故障分類檢測后,為進一步提升檢測結果的可靠程度,對模型中的ξ和g(Xk)實行優化,獲取最優的參數結果[13],文中采用布谷鳥算法完成,優化步驟如下所述:

步驟1:對FSVM模型的訓練樣本集實行預處理,獲取模型的學習樣本[14]。

步驟2:確定ξ和g(Xk)的取值范圍,同時設置布谷鳥算法的步長、迭代次數等參數。

步驟3:形成n個鳥巢位置Bn,且每一個均和一組{ξ,g(Xk)}參數相對應;計算最佳Bn以及與其對應的訓練集之間的擬合程度F。

步驟4:保留上一代最優Bn結果,獲取新的鳥巢位置,其需依據飛行步長的計算結果對其他鳥巢位置實行更新完成,計算更新后位置與其對應的訓練集之間的F。

2 算例分析

為測試本文方法對智能站繼電保護設備隱性故障的檢測效果,以某智能變電站為實例對象,采集該變電站內30個繼電保護設備運行3個月的數據作為測試信號數據。該智能站中共有3個主變壓器,分別用1#、2#、3#表示,其電壓為22 kV,每個變電站均連接兩條母線,各個母線均連接數條支路。

分別對本文算法進行各項測試,包括:信號降噪效果測試,其指標為幅值;布谷鳥算法迭代收斂性能測試,其指標為最佳隸屬度;隱性故障檢測性能測試,其指標為相對誤差值;應用效果測試,以誤動率和拒動率作為衡量指標;故障診斷效果測試以及應用性測試,展示本文算法用戶端畫面。

2.1 信號降噪效果測試

對采集的繼電保護設備運行信號數據實行降噪處理,獲取本文方法降噪前、后信號的變化結果,見圖2。

(b)信號降噪后

分析圖2測試結果可知:原始信號中存在顯著的噪聲干擾,諸多原始信號被噪聲覆蓋,影響信號的可辨識度;經過本文方法降噪后,噪聲被有效去除,還原原始信號,并且信號的完成程度沒有發生破壞。因此,本文方法具有良好的降噪效果。

2.2 布谷鳥算法迭代收斂性能測試

測試本文布谷鳥算法在優化過程中的迭代收斂性能,為測試該算法優化性能,不設置迭代停止條件,使其持續迭代,結果如圖3所示。

圖3 布谷鳥算法迭代收斂性能

由圖3可知,當迭代至第48次時,最佳隸屬度最優,能夠完成迭代,可見所使用布谷鳥算法能夠有效達到優化效果。

2.3 隱性故障檢測性能測試

獲取本文方法在變電站電流突增和電壓突降兩種運行狀態下,對繼電保護設備隱性故障檢測的相對誤差結果,由于篇幅有限,結果僅隨機抽取10個繼電保護設備的檢測結果,見圖4。其中,要求檢測相對誤差結果低于0.2。

圖4 隱性故障檢測性能測試

分析圖4測試結果可知:在電流突增和電壓突降兩種運行狀態下,本文方法對繼電保護設備的隱性故障檢測相對誤差結果均滿足應用要求標準,在兩種運行狀態下的相位誤差最大值分別為0.17和0.15。該結果表明,在變電站自身運行存在波動變化時,本文方法依舊能夠較好地完成繼電保護設備隱性故障檢測。

2.4 應用效果測試

為衡量本文方法在繼電保護設備故障檢測中的應用效果,以誤動率和拒動率作為衡量指標(要求標準低于0.3%),獲取本文方法應用后兩個指標的結果見圖5。

圖5 誤動率和拒動率測試結果

分析圖5測試結果可知:采用本文方法完成繼電保護設備隱性故障檢測后,隨著電流的逐漸增加,誤動率和拒動率兩個指標的結果也隨之發生略微的波動變化,但是結果均在要求范圍內,其中誤動率和拒動率的最大值分別為0.24%和0.27%,因此,本文方法具有良好的應用效果,降低變電站運行過程中的誤動率和拒動率,保證運行安全。

2.5 故障診斷效果測試

為直觀體現本文方法對繼電保護設備隱性故障檢測的結果,在3種繼電保護設備隱性故障運行工況下,采用本文方法進行故障分類檢測,并且獲取該隱性故障的結果以及該故障容易引發的連鎖結果,見圖6、圖7和圖8。

圖6 靜態特性隱性故障運行工況

分析圖6、圖7和圖8測試結果可知:在三種繼電保護設備隱性故障運行工況下,本文方法均能夠可靠完成設備隱性故障的檢測,同時完成故障類別分類,確定隱性故障內容,并且,分析該故障可能引發的連鎖結果。其中,在靜態和動態兩種隱性故障運行工況下,其可能引發的連鎖結果均是與其存在直接連接相關設備以及線路,會導致其發生誤動;但是,在不確定隱性故障運行工況下,所有設備和線路均可能會發生誤動。因此,本文方法的故障檢測效果良好。

圖7 動態特性隱性故障運行工況

圖8 不確定隱性故障運行工況

2.6 應用性測試

獲取本文方法應用后,各個機電保護設備的健康狀態以及可信度情況,以此體現本文方法的應用性,結果見圖9。

圖9 應用性測試結果

分析圖9測試結果可知:本文方法應用后,能夠全面查看繼電保護設備信息,包含設備臺賬、設備巡檢、設備檢驗、設備故障等,并且可依據這些信息評價設備的健康狀態判斷隱性故障的危害程度,同時顯示各個設備的可靠程度,為設備管理提供全面依據。

3 結 論

繼電保護是保證智能變電站運行安全的基礎,所以如果繼電保護設備發生一旦發生隱性故障,無法直接判斷,會導致保護動作發生誤差。因此,本文提出基于模糊支持向量機的智能站繼電保護設備隱性故障檢測方法,能夠極好地去除信號中的噪聲,保留原始信號信息,并且應用性能良好,能夠檢測出不同運行工況下的故障類別,為繼電保護設備管理提供數據依據。