基于連接狀態定位的智能變電站二次系統故障定位方法

李 遠，蘇 適，楊家全，王志明，潘振寧

（1.云南電網有限責任公司紅河供電局，云南蒙自 661100；2.云南電網有限責任公司電力科學研究院，云南昆明 650217；3.南方電網數字電網集團有限公司，廣東廣州 510000；4.華南理工大學電力學院，廣東廣州 510640）

0 引言

智能變電站二次系統是監測智能變電站狀態、保障變電站安全穩定運行、調整運行方式的重要部分，可將變電站全站信息統籌規劃實時監測顯示，有利于變電站值守人員對變電站狀態的整體把握。隨著智能變電站的發展以及智能電子設備的投入運行，智能變電站與傳統變電站相比，在結構與設備方面均有較大差異。一方面負荷的快速變化會導致電壓、電流等二次系統參數發生變化，另一方面風電和太陽能發電等可再生能源的波動性較強，也會對電力系統的二次設備產生壓力，這些不確定性因素，使二次設備長時間處于極限值附近運行[1-5]，使得二次系統出現故障的概率增加。因此，為了保證電網的穩定性與安全性，需要進行二次系統的故障搜索定位，在出現故障時可以迅速判斷故障種類與故障設備位置，在進行二次設備檢修時狀態評價結果可提供參考。隨著電氣二次回路模型化、數字化技術的發展，二次系統信號溯源及搜索定位將具有更加可行的技術基礎。

智能變電站二次系統中存在大量智能電子設備，并且同一智能電子設備中一般包含多個邏輯節點，由此帶來的海量數據有利于對狀態的準確掌握與故障準確定位，同時也導致故障搜索定位面對的數據規模更大，搜索定位難度較大[6-7]。

在傳統變電站二次系統故障定位方面，往往采用人工建模、枚舉的方法，工作量龐大且復雜。文獻[8]采用舉證表，依據二次系統通信鏈路交叉的特點窮舉出網絡故障的范圍，雖然操作簡單，但僅適用于二次系統節點數量較少的情況，并且故障診斷范圍和精度有限。文獻[9]通過二次設備與告警信號間的關聯建立故障樹，依據故障特征和關聯告警信號反向推理故障范圍，針對單個故障有較高診斷精度，但無法同時處理多個告警信號。

因此，不少學者將人工智能技術與故障診斷方法相結合，以有效提高故障識別精度，減少故障誤判概率。文獻[10]針對二次系統中保護設備的隱性缺陷，利用保護設備中信號傳遞的邏輯關系構建解析模型，通過粒子群算法優化目標函數實現隱性故障的檢測。文獻[11]利用圖論思想，將配電網中各設備視為邏輯節點，通過建立連接矩陣描述其實際連接關系，在此基礎上分析實際案例中各設備的故障因果關系，得到改進矩陣判據，采用矩陣算法對故障進行快速搜索與定位。文獻[12]利用深度置信網絡對故障狀態特征進行提取，搭建二次回路故障診斷模型，能快速識別并定位故障范圍。

本文提出一種基于連接狀態定位的智能變電站二次系統故障搜索方法，通過將系統的物理和通信連接關系轉化為一個矩陣模型，其中每個節點的狀態信息作為矩陣的元素。利用這一模型，運用矩陣算法來識別系統中的故障節點。隨后，結合模糊徑向基（Radial Basis Function，RBF）神經網絡，該方法可將故障節點與預先定義的故障模式相匹配，從而實現精確的故障定位。這種方法在故障定位方面具有高度的準確性，為智能變電站的維護和運營提供了一種高效且可靠的解決方案。

1 二次系統連接狀態矩陣描述

智能變電站二次系統是物理設備和信息數據的融合系統，設備間不僅具有復雜的實體連接關系，同時也具有復雜的通信網絡關系及數據交互方式。利用連接狀態矩陣可以描述設備間的實體連接關系，同時通過矩陣元素與二次系統設備節點狀態量的映射關系可將運行數據融合進矩陣模型，整體描述二次系統的物理-信息融合模型。

1.1 矩陣元素與二次系統設備節點狀態量的映射關系

連接狀態矩陣將實體設備連接關系與二次系統信息數據融合的基礎是矩陣元素與二次系統設備節點狀態量的映射關系。通過提取變電站配置描述文件（Substation Configuration Description，SCD）信息可得到矩陣元素與二次系統設備節點狀態量的映射關系及二次系統設備節點狀態量的取值[13-15]?；谝恢滦栽韺⒍蜗到y信息數據與矩陣元素進行映射，矩陣元素坐標與信息傳遞的源頭和終點對應，實現二次系統的故障定位及保護動作監測[16]。矩陣元素通過二次系統的相關二次系統設備節點狀態量，描述二次系統設備間的連接狀態及設備情況等數據信息[17-19]。根據SCD 文件描述設備狀態值的種類，確定矩陣元素類別、取值及表示內容如表1所示。

表1 矩陣元素類別、取值及表示內容Table 1 Matrix element categories，values，and representations

SV 值元素取1 表示2 個連接設備中對應連接節點的電壓/電流SV 值能夠從前一設備的i節點傳入后一設備的j節點；取0 表示監測電壓電流值消失。GOOSE 值元素取1 表示2 個連接設備中對應節點存在GOOSE 開關量通信，開關量可以從前一設備的i節點傳入后一設備的j節點；取0 表示2個設備間GOOSE 通信故障。故障元素取1 表示前一設備i節點發出故障信號，后一設備j節點接收到故障信號；取0 表示無故障信號通信傳遞。保護元素取1 表示保護設備中節點i發出保護動作信號傳遞給后一設備的j節點；取0 表示未發出保護動作信號。出口元素取1 表示有跳閘出口、出口壓板等信號從前一設備i節點傳入后一設備j節點；取0表示無跳閘信號傳遞。

1.2 連接狀態矩陣

靜態配置描述文件信息中主要包含了變電站的基礎設置[20-21]。對于智能電子設備，有對自身設備狀態進行監測的各二次系統設備節點狀態量，對與其連接設備進行監測的二次系統設備節點狀態量，以及對通信網絡進行監測的二次系統設備節點狀態量，因此1 個智能電子設備往往需要連接狀態矩陣中的多個元素進行描述，即1 個智能設備中可能存在多個節點。以節點為基礎構建連接狀態矩陣Α，節點數為N，矩陣形式如式（1）：

式中：a1N為節點1 和節點N間的連接情況；1 為節點間數據傳輸正常；0 為節點間數據傳輸異常。

則有：

式中：m為智能變電站二次系統中智能電子設備的數量；nk（k=1,2,…,m）為第k個智能電子設備包含節點數。

矩陣元素的初始取值根據節點描述及其對應配置描述文件確定。

1.3 連接狀態搜索方法

當二次系統狀態變化時，節點連接情況也會發生變化，數學上表現為矩陣元素值發生變化，即連接狀態矩陣由A變為新的矩陣A*。矩陣A*可以反映二次系統的某種故障，通過對矩陣A*進行解析分析，可對智能變電站二次系統故障進行定位，確定故障范圍。

設故障節點數為q（1 ≤q≤limitu），則二次系統故障時有：

式中：aij為q個故障節點對應的矩陣元素；limitu為故障節點的數量上限。

根據相關故障案例及運行經驗一般limitu值不超過3。

得到能夠表明故障狀態的矩陣A*后，利用基于連接狀態推理的搜索方法，對故障位置進行搜索。

2 個節點間信號數據傳輸只經過1 條傳輸線，沒有經過設備中轉，這樣的節點影響為直接連通。例如二次系統保護設備故障，通過相應節點向出口節點發送錯誤跳閘出口信號。則直接連通關系中，相應矩陣元素變化可用式（4）描述：

式中：S為二次系統前一狀態向量；S′為計算狀態改變后的二次系統后一狀態向量。

根據智能變電站配置文件確定二次系統初始狀態向量S0：

式中：si為二次系統狀態向量中i節點的分量。

對初始狀態向量進行多次矩陣乘法運算以表示對二次系統連接狀態的搜索過程。在二次系統信息傳遞過程中，對二次系統變化狀態進行多次搜索，得到節點的終狀態。通過將多次搜索過程后的結果向量相加得到終狀態Se：

式中：S′p為第p次狀態搜索后，二次系統節點狀態向量；sign為符號函數，表示對向量中每一元素進行運算。

通過計算得到終狀態向量Se后，對計算結果進行驗證。通過狀態解析計算將狀態向量轉化為數值結果，狀態解析結果包含了各節點報文數據、接收信息等，將狀態解析結果與實際故障后狀態結果進行比較，可驗證計算狀態搜索結果。驗證正確后，根據終狀態向量Se定位故障節點位置。

狀態解析結果d為：

驗證說明連接狀態搜索矩陣A和故障后的矩陣A*有效后，可進行二次系統的故障定位。設第b個節點在矩陣中元素的行坐標與列坐標分別為xb，yb，則A矩陣與A*矩陣中差異元素集合可表示為：

式中：c為差異元素總個數。

其中，(xb,yb)為第b個差異元素在兩矩陣中位置為xb行yb列，確定x節點與y節點兩者連接線路為故障區域。

綜上，利用輸入的初始狀態向量、連接狀態矩陣A及故障后矩陣A*，可得到二次系統故障后各節點的狀態情況，并利用矩陣元素差異實現故障的搜索與定位。具體步驟如圖1 所示。其中，Sn-1和Sn為n-1 次和n次搜索過程后的結果向量。

圖1 故障的搜索與定位步驟Fig.1 Fault searching and locating steps

2 利用模糊RBF 神經網絡優化的故障定位方法

2.1 模糊RBF神經網絡模型

單純利用連接狀態矩陣對連接狀態進行搜索，計算量較小，但不能綜合利用各節點的狀態信息。本文在連接狀態搜索基礎上，利用模糊RBF 神經網絡對故障定位進行進一步修正，以更好地理解和解釋系統中的故障情況和位置，使故障定位更加準確[22-24]。

RBF 神經網絡是一種前饋型神經網絡，具有全局逼近能力，相比于BP 神經網絡，拓撲結構更加緊湊，網絡參數可進行各自獨立學習，收斂速度更快。將RBF 神經網絡與模糊理論相結合，使單元處理計算簡單，計算速度加快[25-27]。

2.2 輸入樣本編碼

2.1 節中神經網絡的輸入為通過連接狀態搜索得到的可疑故障節點坐標，為了簡化神經網絡計算，將位置坐標進行預處理轉化為二進制編碼數據序列。

以三維連接狀態搜索矩陣A為例，則式（9）中坐標為：

將橫縱坐標轉化為二進制并將故障類型用二進制表示，本文選取3 種故障類型，編碼分別為01，10，11。

將網絡輸入輸出轉化為編碼形式，可簡化神經網絡的計算，并且無需進行歸一化處理。另外，為了統一輸入編碼長度，在A*數量不一致時，在輸入編碼尾端補充0 位，對于三維方陣，其故障節點數最多為2，則輸入序列長度統一為24 位編碼序列。部分樣本案例如表2 所示。

表2 坐標樣本案例Table 2 Case for coordinate samples

2.3 故障搜索定位方法流程

將利用連接狀態矩陣搜索的疑似故障位置結果輸入模糊RBF 神經網絡，以神經網絡輸出端結果作為故障搜索定位的最終結果。故障搜索流程如圖2 所示。

圖2 故障搜索流程Fig.2 Process of fault search method

3 算例分析

以如圖3 所示的500 kV 線路開關誤動案例為例，利用Matlab 編程實現故障搜索定位。其中，0012 為連接開關，0001 和0002 為斷路器。WG-Ⅰ線受外部影響發生電壓電流突變，導致GY 線上斷路器0001 跳閘，造成電網解列與大規模停電故障。檢修時將斷路器0001 再次閉合，對WG-Ⅰ線進行試送電，斷路器0001 再次跳開。GH 站線路保護配置如表3 所示。

圖3 故障案例線路運行方式圖Fig.3 Line operation of fault case

外部影響出現前，WG 線與GY 線均處于正常運行狀態，斷路器0001，0002 及連接開關0012 均處于閉合狀態。

受波動影響首次跳閘時，WG 線線路主保護1、主保護2、備用保護均無GOOSE 報文，故障錄波器未錄下波形。0001，0002 斷路器保護跳閘失靈開入動作。0001，0002 斷路器繼電箱跳閘指示燈1 的A，B 兩相指示燈點亮。由此，判斷跳閘GOOSE 信號來自GY 線線路主保護1 或線路主保護2。

為了查明故障原因，排除暫時性故障影響，在對WG-Ⅰ線主保護1 進行檢查后，退出后備保護功能，再次閉合0001 斷路器對WG-Ⅰ線進行送電，并再次出現跳閘現象。再次跳閘后，同樣無動作GOOSE 信號，故障錄波器無信號波形，0001 斷路器保護動作，0001 斷路器保護跳閘失靈開入動作，GY-Ⅰ線主保護1 出現保護跳閘脈沖信號。0001斷路器保護溝通三跳動作。

3.1 連接狀態搜索矩陣的建立

對案例中各設備信息狀態節點進行編號如表4所示。

表4 設備節點編號Table 4 Device node numbering

第一次跳閘時，根據現場設備實際情況可進行連接狀態矩陣配置，如式（11）所示。

根據第二次送電跳閘過程中對實際設備的分析檢查，建立矩陣A′如式（12）。

另外針對神經網絡通過故障案例及相關設備運行記錄形成訓練集及測試集，相關運行記錄共5 000條。由于多節點同時故障概率較小，本文中僅考慮單節點故障問題，即limitu=1，計算出的故障狀態連接矩陣A*數目最多為2。

3.2 基于模糊RBF神經網絡的參數優化

將5 000 條數據按7：3 的比例形成訓練集與測試集，對模糊RBF 神經網絡進行權重訓練。改變模糊化層節點數量進行多次訓練，設定迭代結束條件為準確率達0.95 或迭代次數至400。不同學習率及節點數量下的準確率結果如表5 所示。由表5可知，在不同試驗條件下，均未達到準確率0.95 的結束條件，當學習率為0.01，模糊化層節點數量為5時準確率最高。

表5 不同學習率及節點數量下的準確率Table 5 Accuracy with different learning rates and thenumber of nodes

另外使用相同的5 000 條數據集，仍按7：3 的比例形成訓練集與測試集，在隱藏層節點數為5時，將模糊RBF 神經網絡與BP 神經網絡、循環神經網絡在不同學習率下的準確率進行了對比，結果如表6 所示。

表6 不同學習率下不同神經網絡模型的準確率比較Table 6 Comparison of accuracy between different neural network models with different learning rates

由表6 可以看出，在0.01 的學習率下，模糊RBF神經網絡的準確率最高，達到了0.91。相比之下，BP 神經網絡和循環神經網絡在相同學習率下的準確率分別為0.84 和0.84。隨著學習率的增加，這些模型的準確率有所變化，但模糊RBF 神經網絡在所有測試的學習率下均保持了最高的準確率。這表明，在這些特定的條件下，模糊RBF 神經網絡在性能上優于BP 神經網絡和循環神經網絡。

3.3 故障搜索定位結果分析

第一次跳閘時，二次系統狀態向量S為：

根據現場跳閘情況及GY-Ⅰ線主保護1 與WG-Ⅰ線備用保護的監測信號，可得到此時的二次系統狀態解析結果為：

根據狀態解析結果d，計算得到最終狀態Se，如式（15）—式（18）所示，與第1 次跳閘時的連接狀態矩陣比較可以發現，異常節點元素為{(})13,10，驗證狀態與解析結果符合，說明故障矩陣A*符合實際故障情況。

式中：S″為計算狀態S′改變后的二次系統后一狀態向量。

將異常節點元素坐標進行編碼轉換輸入神經網絡，輸出結果為二進制10，根據前述的故障類型二進制編碼可知，該異常節點元素可反映故障類型1，表示WG-Ⅰ線后備保護距離模塊故障?，F場檢查發現，故障原因為WG-Ⅰ線后備保護直流電源輸出電壓異常，引起WG-Ⅰ線后備保護輸出異常電平，導致擾動出現時繼電器異常動作。利用故障搜索方法得到的結果與現場檢查結果一致。

第2 次跳閘時，初始狀態向量與第1 次跳閘時相同。根據二次跳閘時的現場情況及保護監測信號，得到此時的狀態解析結果d′如式（19）。

同理可得故障節點的搜索結果為{（13，6），（13，11）}。輸入神經網絡可得到輸出結果為二進制10，異常節點（13，6）表示GY-Ⅰ線主保護1 距離保護故障，異常節點（13，11）表示0001 斷路器繼電箱故障?，F場檢修發現，WG-Ⅰ線主保護1 的供電電源異常，導致WG-Ⅰ線主保護1 輸出異常電平，最后導致0001 斷路器繼電箱輸出錯誤動作信號。故障搜索結果與現場檢查情況一致。

4 結論

本文將二次系統設備拓撲連接關系抽象為矩陣描述，表明了智能變電站二次系統設備間的實際連接關系及通信關系等；以各節點的監測狀態作為矩陣元素，并在此基礎上通過矩陣計算與神經網絡方法實現了二次系統的故障搜索定位，得到以下結論：

1）基于連接矩陣關系及神經網絡的故障搜索定位方法具有一定通用性。連接矩陣是通過二次系統各設備節點間的物理或虛擬連接關系建立的，能夠較好地描述二次系統各設備間的連接狀態并及時反映狀態變化。對連接矩陣進行動態修正，不受設備連接順序、設備數量等影響，具有一定的通用性。

2）基于連接矩陣關系及神經網絡的故障搜索定位方法具有較高的準確性。故障定位搜索方法中針對二次系統分別獨立建立了連接矩陣及狀態解析結果，利用狀態解析結果對矩陣進行校驗，能夠充分利用各節點間的耦合信息，在此基礎上利用徑向基神經網絡得到準確率較高的故障類型結果，具有較高的準確性。