含分布式电源的变电站运行设备异常状态监控方法

余青亲，杨正泰

（1.国网湖北省电力有限公司黄冈供电公司变电运检分公司，湖北 黄冈 438000；2.国网湖北省电力有限公司黄冈供电公司，湖北 黄冈 438000）

0 引 言

分布式电源的接入对变电站设备的运行有一定的冲击作用。随着可再生能源的发展，大量电力用户接入变电站，使得变电站电力流与信息流发生了极大变化。为保证变电站能够稳定运行，持续发挥其应有的作用与功能，需要采取有效的手段监控变电站运行设备的异常状态。实际工作中，我国仍然普遍采用传统方法监控变电站运行设备异常状态，不能保证监控精度与速率。传统方法不仅出现的错误监控次数较多，而且变电站设备回归稳态所需的时间较长，已经无法满足实际需求。基于该背景，提出含分布式电源的变电站运行设备异常状态监控方法。

1 变电站运行设备状态量获取

当变电站运行设备出现异常状态时，设备的故障电流变大且电流方向发生改变，故障电压会出现异常波动，导致变电站设备温度持续上升。因此，选择温度、电压、电流作为变电站运行设备异常监控的主要状态量[1]。采用IHFA-FA548 温度传感器作为变电站运行设备温度量采集器，采用IHFA-WT8845 电流传感器作为变电站运行设备电流量采集器，采用OUITA-TG4A84 电压传感器作为变电站运行设备电压量采集器。采用串并联的方式将温度传感器安装在变电站总线，将温度传感器安装在变电站运行设备的两侧，将电流传感器与电压传感器安装在分布式电源接入节点[2,3]。根据实际情况，设定3 种传感器的采样频率、周期以及范围等参数。考虑无线传感器采集的数据是模拟量数据，无法被计算机识别和接收，利用IKHFA-A4FG7 转换器将采集的状态数据转换为数字量，并通过局域网传输到计算机，用于后续处理与分析。

2 状态量降维处理

监控变电站运行设备异常状态的过程中，设备状态量的数量会对监控结果产生显著影响。采集的状态量过多，会增加后续设备异常状态监测的复杂度，并且在数据采集过程中必然存在一些重复或者无效的数据，因此利用主成分分析算法降维处理采集的状态量数据，提取对变电站运行设备异常状态监控有价值的数据信息[4]。假设采集的变电站运行设备状态量是一个矩阵，表达式为

式中：K为变电站运行设备状态量采集矩阵；N为设备状态特征变量；M为设备状态观测值[5]。

利用主成分分析算法将该矩阵降维为低维矩阵。由于采集的状态量中温度、电流、电压的单位和数量级存在差异，因此需利用标准化公式处理每个状态量，即

式中：xi*为标准化后设备的第i个状态量；xi为矩阵中设备的第i个状态量；E为设备状态量标准差；var(xi)为设备状态量均值。

利用协方差矩阵表征设备各个状态量的协方差，以反映状态量所包含的信息量大小，计算公式为

式中：C为设备状态量协方差；U为协方差矩阵。

根据协方差计算各个状态量的主成分贡献率，以反映采集的状态量信息特征的突出程度，计算公式为

式中：V为变电站状态量主成分贡献率；Hj为状态量中第j个主成分的特征值。

主成分贡献率越大，表示状态特征越明显，对于设备异常状态监控的价值越大。通常情况下，计算的主成分贡献率大于85%，就可以满足设备异常状态监控计算需求。因此，自动删除主成分贡献率低于85%的状态量数据，以实现对原始数据的降维处理。

3 设备异常状态监测与控制

基于式（1）～式（4），利用深度神经网络综合分析状态量信息，提取设备异常状态特征。深度神经网络由输入层、隐含层以及输出层3 部分组成。根据实际情况设定网络参数，包括3 个功能层中神经元的数量和隐含层数量。将降维处理后的设备状态量输入深度神经网络的输入层，在输入层描述设备状态特征，公式为

式中：p为变电站运行设备状态特征梯度；F为特征矩阵；x为在特征空间中状态量水平方向特征；y为特征空间中状态量垂直方向特征。

将输入层的输出量输入深度神经网络的隐含层，在隐含层内利用逻辑回归函数和线性整流函数训练数据信息，提取变电站运行设备异常特征值，计算公式为

式中：ε为变电站运行设备异常状态特征值；χ为逻辑回归函数；f为线性整流函数；α为随机变量。

将提取的设备异常特征值输入输出层，在输出层内设定一个阈值。若特征值超出阈值范围，则表示当前设备状态异常，需要采取有效的手段控制变电站中运行设备的异常状态；若特征值在阈值范围内，则表示当前设备状态正常，无须采取任何控制手段，保持当前运行状态即可。当监测结果为设备状态异常时，利用控制器立即跳开主变两侧的断路器和内桥断路器，并且启动分布式电源合闸动作，跳开分布式电源的断路器，切断分布式电源流出的故障电流，从而瞬时切除异常运行的设备。异常状态设备维修完成后，断路器重合，设备重新投入运行，从而完成整个含分布式电源的变电站运行设备异常状态监控过程。

4 实验论证

4.1 实验准备与设计

设计一组对比实验检验设计方法的实际应用效果。以某变电站为实验对象，该变电站含分布式电源，电源类型为基于逆变器的分布式电源，包含15台设备。利用设计方法监控该变电站运行设备的异常状态。为使实验数据与实验结果具有一定的说明性与可靠性，选择基于粒子群优化算法的监控方法和基于深度神经网络的监控方法作为比较对象，以下分别用传统方法1 和传统方法2 表示。根据该变电站实际情况，实验准备了温度传感器、电流传感器、电压传感器各15台，共采集1 000 份设备状态数据样本。按照流程降维处理数据，提取设备异常状态特征，识别并控制设备异常状态，从而验证具体的监控效果。

4.2 实验结果与讨论

实验以错误监控次数作为3 种方法监控精度的评价指标。错误监控次数指实际为正常状态但样本监测为异常状态的样本数量与实际为异常状态但样本监测为正常状态的样本数量的总和。实验以变电站运行设备状态数据的样本数量为变量，分别记录3 种方法的错误监控次数，具体如表1 所示。

表1 3 种方法错误监控次数对比

从表1 中的数据可以看出，3 种方法在监控精度方面表现出明显的差异性。设计方法的错误监控次数占总监控次数的比例仅为0.6%，说明设计方法基本可以实现对变电站运行设备异常状态的全面监控。2种传统方法的错误监控次数相对较多，传统方法1 的错误监控次数占总监控次数的比例为11.4%，传统方法2 的错误监控次数占总监控次数的比例为10.2%，远远高于设计方法，证明在监控精度方面设计方法优于2 种传统方法。为进一步验证设计方法的适用性，将变电站运行设备回归稳态所需时间作为3 种方法监控效果的评价指标。设备回归稳态所需时间越短，则表示变电站运行设备异常状态监控越及时，监控效果越好。实验随机选取变电站中的10 个运行设备，测定变电站运行设备异常开始时间和通过监控使其恢复到稳态的时间，将2 个时间点作差求出设备回归稳态时间。使用电子表格记录实验数据，具体如表2 所示。

从表2 中的数据可以看出，3 种方法在设备回归稳态所需时间方面表现出明显的差异性。在设计方法应用下，变电站运行设备回归稳态的时间最快为0.05 s，最慢为0.56 s，可以控制在1 s 以内，说明设计方法可以实现对含分布式电源的变电站运行设备异常状态的实时监控。传统方法1 应用下设备回归稳态的时间范围为6.24 ～8.23 s，比设计方法约慢了8 s；传统方法2 应用下设备回归稳态的时间范围为6.14 ～9.05 s，比设计方法约慢了9 s。因此，实验结果表明，无论是在监测精度方面还是在监控速率方面，设计方法均表现出明显的优势，比2 种传统方法更适用于含分布式电源的变电站运行设备异常状态监控。

5 结 论

设备异常状态监控是含分布式电源变电站安全和可靠运行的重要保证手段，针对传统方法存在的不足与缺陷，结合含分布式电源的变电站运行特点提出一个新的监控思路，能够有效减少变电站运行设备异常状态错误监控次数，缩短运行设备回归稳态所需的时间。