刘春香 陶莹
(国网安徽省电力有限公司芜湖市湾沚区供电公司)
随着国家大力推进智能变电站建设,智能变电站在电力系统中占据着越来越重要的地位[1-2]。网络设备作为智能变电站的重要组成部分,在智能变电站的运行中发挥了重要的作用[3-4]。智能变电站通信网络结构复杂,组成网络设备种类较多,容易出现问题,影响智能变电站的运行稳定性和可靠性[5]。因此对网络设备的故障进行快速诊断和故障定位意义重大。本文深入研究了基于高阶累积量特征匹配的故障诊断和定位方法,以实现对网络设备故障的快速诊断和定位[6-7]。
智能变电站是采用先进的传感器、信息、通信、控制、智能等技术,以一次侧设备参量数字化、标准化、规范化信息平台为基础,实现变电站实时全景监测、自动运行控制、站外系统协同控制等功能,以达到提高运行可靠性、优化资产利用率、减少人工干预、支撑电网安全运行,可再生能源并网利用等目标的变电站[8]。其核心内涵为可靠、经济、兼容、自主、互动、协同,并具有设备智能化、信息交换标准化、系统高度集成化、运行控制自动化、保护控制协同化、分析决策在线化等技术特点[9-10]。
智能变电站中的网络设备应当配置光电式传感器,数据传输介质是光纤,设备本身应当具备智能化功能。但是在实际中,智能变电站还是采用传统的传感器,具体原因是光电式传感器技术不成熟、运用可靠性不高。智能变电站可以划分为五个部分,其中应当包含过程层和网络设备,这就能够改变常规变电站数据共享的问题[11]。
针对传统变电站设备各自运行,缺乏数据交互的特点,导致整个变电站的系统缺乏标准性、系统性,不同的设备只根据企业自身情况制定通信协议,设备之间完全不存在互操作性[12]。传统变电站和智能变电站在继电保护方面也存在较大的差异,智能变电站中,继电保护装置普遍采用接插件的形式,性能优异,能够很好地实现数据交互,提高了数据传输的可靠性和稳定性。进行系统归纳,自身要体现在如下几个方面。
1)一次设备智能化:主要设备采用标准通信接口,将状态检测、测控保护、通信技术集于一体,能够满足电网电力流、信息流、业务流的一体化需求。
2)设备检修状态化:一次设备通过先进的状态监测技术、可靠的评价手段、先进的预测方法判断其运行状态,并且在运行状态异常时进行故障分析,对故障的部位、严重的程度和发展趋势能做出判断、预警,并根据分析诊断结果在设备性能下降到一定界限或故障发生之前进行维修。
3)传统变电站功能由设备和回路共同确定:设备具备特定功能,且定义了外部的输入输出接口,在变电站建设时通过电缆回路实现了变电站需要的各种功能,此后变电站生命周期内重要工作就围绕着这些设备和回路而展开;在智能变电站内,设备不再出现常规功能装置重复的输入输出接口,而是通过网络直接相连来实现数据共享、资源共享。
智能变电站网络设备故障诊断原理:
1)基于智能变电站电路拓扑结构和功能层拓扑结构,确定网络设备故障定位的链路路径;
2)基于智能变电站的实时监控系统,完成变电站的实时监控功能;
3)基于对智能变电站数据质量的要求提升,对智能变电站实时监控系统提出新的要求;
4)在智能变电站实时监控系统的主导下,配合多种网络技术,实现网络设备故障的快速诊断和定位。
一个数据源可以通过多条路径连接至交换机,数据源之间又是相互独立的[13]。在智能变电站网络设备故障诊断和定位中,GOOSE通信传输可靠性高,整数倍的允许传输时间作为GOOSE通信中断的诊断依据[14]。
对智能变电站网络设备的故障诊断和定位,是基于对网络设备的故障数据分析和故障特征提取实现的,必须要结合无线传感器进行数据采集。网络设备附近布置了许多传感器节点,用于采集网络设备的故障数据,全部的传感器节点自主构成传感器网络,其网络功能的实现主要表现在三方面,即:传感器节点自身、不同传感器节点对应的协议栈、传感器节点汇聚。三方面因素协同配合,实现无线传感器对网络设备故障数据的采集。
基于信号处理的方法对网络设备的故障信号进行辨识,提取出能够反映网络设备的故障数据;采集网络设备的物理信息,再基于频谱分析法对提取到的特征数据进行故障状态识别,实现对故障特征数据的有效提取,将故障特征数据输入到专家系统中进行智能诊断和定位。具体的故障诊断定位流程如图1所示。
图1 网络设备故障诊断定位流程
将采集到的网络设备故障数据进行时域到频域的变换:
得到智能变电站网络设备故障数据中的有效信息,再经过滤波算法进行特征提取,得到智能变电站网络设备故障数据的输出模型为:
式中,u=1,2,…,m;s=1,2,…,m。
对变电站网络设备的物理信息进行有效采集,进行数据分析和特征数据提取,作为网络设备故障诊断和定位的原始基础数据。基于最小均方误差准则进行滤波处理。
假设初始化数据的中心向量为:
式中,u=1,2,…,n;v=1,2,…,s。
由此提取出智能变电站网络设备的故障频谱,对于无线传感器节点,则可以得到智能变电站网络设备在故障情况下的综合信息,其中在时域内智能变电站网络设备的故障特征序列采样点的数量为n,基于小波变换方法对智能变电站网络设备的故障数据进行时域分解,经计算故障特征数据的对应函数,得到能够反映出故障特征差异分布的协方差矩阵,最后得到智能变电站网络设备的故障融合信息。
基于无线传感器对网络设备的故障数据进行采集并进行故障数据融合的前提下,进行故障特征数据的提取,并进行统计分析提取出能够反映故障基本类型的特征变量,并得出与统计特征变量ω相关联的特征函数,剔除其中的干扰噪声信号,得到Js与Ψ(δ)的s阶累积特征数据为:
假设智能变电站的网络设备故障特征时间序列为零均值的s阶高斯稳定过渡过程,在其中加入干扰变量进行测试,提取出故障频谱特征数据的分布情况,将智能变电站网络设备故障数据s阶累积量定义为Jsω(π1,π2,…,πs-1),定义智能变电站网络设备故障数据的随机过程的s阶累积量。
在计算出智能变电站故障频谱特征数据的分布情况的前提下进行故障定位,计算得到变电站网络设备的故障特征高阶累积量特征数据,再基于高阶反演特征量进行数据的分解,高阶反演特征量为:
由此便可以得到能够输出智能变电站网络设备故障信号分析模型,再基于高阶累积量特征匹配方法进行故障特征数据处理,得到最终的故障定位结果为:
基于Matlab仿真环境下进行仿真研究,首先采用无线传感器对智能变电站网络设备在故障状态下的数据进行采集,仿真模型中的参数设定为:故障定位的门限参数设定为0.2,自关联系数设定为5,嵌入式维数设定为0.8,频谱的增益参数为0.02,滤波器的参数设定为0.3,数据的采样频率设定为15kHz,故障数据的采集长度为1024,根据设定好的仿真环境参数,采集得到智能变电站网络设备故障数据原始值。对智能变电站网络设备故障数据原始值进行处理深度处理,提取出能够反映出智能变电站网络设备故障状态的频谱特征,再基于高阶累积量特征匹配方法进行故障特征数据处理,得到最终的故障定位结果如图2所示。
图2 故障定位结果
分析图2的故障定位结果可知,采用本文所提出的基于高阶累积量特征匹配的故障定位方法,能够实现快速准确定位,采用本文所提出故障诊断定位方法和传统故障诊断定位方法对比结果如下表所示。
表 本文方法与传统方法对比分析结果
为了实现对智能变电站网络设备故障的准确诊断与定位,提高故障诊断效率,本文提出了一种基于高阶累积量特征匹配策略的故障诊断定位方法。通过无线传感器采集对智能变电站网络设备的故障信号进行有效采集。通过科学的方法实现智能变电站网络设备故障数据从时域到频域的变换,再基于高阶累积量特征匹配方法进行故障特征数据处理,最终实现故障的准确诊断与定位。经过仿真实例验证,本文所提出的方法能很好地对智能变电站网络设备故障进行诊断与定位,具有很强的应用价值,适宜进行大规模的推广应用。