供配电系统继电保护整定数据异常识别方法

王 亮

（国网宁夏超高压公司，宁夏 银川 750004）

0 引 言

继电保护装置是供配电系统中的重要组成部分，能对供配电系统运行故障或者异常进行周期性检测。当检测到系统运行状态异常或者发生故障时，继电保护装置会发出报警信号，并对异常或者故障位置进行定位。然而，运行过程中可能出现电压、频率、功角以及电流等参量的突然变动，这些异常波动会影响整定数据的准确性，从而导致保护装置的异常动作。若对整定数据的异常识别不及时，且未对其进行校准，可能导致继电保护功能不能有效发挥。基于以上问题，文章提出一种供配电系统继电保护整定数据异常识别方法。

1 整定数据采集与预处理

本次采用无线传感技术进行整定数据采集，并选用IHFA-FAF78型无线传感器作为整定信号采集器，以满足数据异常识别的需求。采用串并联的方式将无线传感器接入供配电系统继电保护总线上，根据实际环境设置无线传感器的脉冲信号发射频率、扫描周期以及扫描范围[1]。同时利用无线蓝牙将传感器采集到的继电保护整定信号发送到计算机上，在计算机上对原始整定数据集进行预处理[2]。为保证识别数据集的完整性，采用均值插补方法补偿原始整定数据中的缺失数据，用公式表示为

式中：Y为插补处理后的继电保护整定数据；αi为是否回答的描述符号，其值为1时表示“否”，为0时表示“是”；yi为供配电系统中第i个采样点继电保护整定数据的平均值；n为供配电系统中第i个采样点采集到的整定数据总数[3]。

原始数据集中可能存在异常值，因此需要采用箱线图方法进行处理[4]。随机选取一组插补处理后的整定数据，对该组数据进行升序排列，在选择排序后的数据中，可以通过计算得到中位数、第一四分位数和第三四分位数。其中，第一四分位数表示位于1/4位置的数，第三四分位数表示位于3/4位置的数。根据选择的3个数值，确定异常值内限与外限，用公式表示为

式中：Q为整定数据集的界限；A为整定数据集中的异常值内限；EY3为整定数据序列的第三四分位数；RY为整定数据序列的中位数；B为整定数据集中的异常值外限；EY1为整定数据序列的第一四分位数[5]。在内限与外限范围内的数值为正常值，超出内限与外限范围的数值为异常值。

2 整定数据异常特征提取

考虑继电保护整定数据具有非线性特征，可以使用线性判别分析模型将预处理后的整定数据集映射到可分离性最佳的鉴别矢量子空间中，以提取数据的异常特征。其中，整定数据映射过程可以描述为对整定数据点进行变换，得到新的数据，其中变换基为映射向量。该映射过程可以表示为

式中：C为经过变换基映射得到的新数据；W为变换基；XQ为经过预处理后的整定数据点。整定数据映射后的均值为

式中：k为整定数据映射后的均值；K为待识别样本的特征维度；P为待识别样本；s为整定数据均值。待识别样本中心点的映射即为映射后的中心点。因此，在可分离性最佳的鉴别矢量子空间中，当映射后的待识别样本中心点距离最远时，可以获得整定数据的最佳映射。为了保证提取整定数据异常特征的精度，应以映射方差最小为预期目标，并将其作为目标优化函数，用公式表示为

式中：T为目标优化函数；v为映射后的方差。整定数据异常特征解为

式中：μ为继电保护整定数据异常特征；κ为待识别样本在可分离性最佳的鉴别矢量子空间中的特征向量；η为待识别样本在可分离性最佳的鉴别矢量子空间中的最佳映射方向。

3 整定数据异常识别

在上述基础上，根据提取的整定数据特征识别到异常整定数据。在可分离性最佳的鉴别矢量子空间中，整定数据点可以分为噪声点、边界点以及核心点3类。可以通过局部数据密度来判断数据点是否异常，其中触及距离可以反映数据点的局部密度。随机选择2个相邻的数据点g1、g2，计算这2个数据点的触及距离，具体公式为

式中：H(g1,g2)为数据点g1、g2的可触及距离；O为核心点在鉴别矢量子空间的坐标；h(g1,g2)为数据点g1、g2的欧式距离。根据数据点的可触及距离计算出这2个数据点的可触及密度，具体公式为

式中：L为数据点g1、g2的可触及密度；I(g1,g2)为数据点g1、g2的邻近点集合；Card[I(g1,g2)]为满足数据点g1、g2的近邻域内所有整定数据点的基数[5]。整定数据点异常判据的计算公式为

式中：δ为整定数据的异常判定值；LO为鉴别矢量子空间核心点的整定数据密度。根据δ值判断继电保护整定数据是否异常。如果δ值接近1，且不大于1，则表示整定数据点在鉴别矢量子空间中所在区域密度与核心区域密度基本相似，该整定数据为正常数据；如果δ值大于1，则表示整定数据点在鉴别矢量子空间中所在区域密度与核心区域密度存在较大的差异，该整定数据为异常数据。

4 实验论证

4.1 实验准备与设计

以某供配电系统为实验对象，该供配电系统由3座主变电站和2个副变电站组成，电压等级为220 kV，共包含5个供电分区。利用本文设计方法对该供配电系统的继电保护整定数据异常进行识别，并采用基于BP神经网络的识别方法和基于数据挖掘的识别方法进行对比，以下分别用现行方法X与现行方法Y表示。计算整定数据异常评分，具体识别结果如表1所示。

表1 继电保护整定数据异常识别结果

4.2 实验结果与讨论

实验以错识率作为继电保护整定数据异常识别精度的评价指标，错识率越高，则表示识别精度越低。

实验以整定数据样本数量为变量，计算不同样本数量下3种方法的错识率，具体结果如表2所示。

表2 3种方法错识率对比 单位：%

从表2可以看出，设计方法的错识率相对较低。虽然3种方法的错识率均随着识别样本数量的增加而增加，但是相比之下，设计方法的错识率增长比例较小。当识别样本达到10 000个时，设计方法的错识率仅为0.89%，可以将其控制在1%以内，比现行方法X低将近11%，比现行方法Y低将近13%。为了进一步验证设计方法的识别精度，对3种方法的漏识率进行对比，结果如图1所示。

图1 3种方法的漏识率对比

由图1可知，设计方法的漏识率相对比较低，范围为0.24%～0.85%，可将其控制在1%以内。而现行方法X的漏识率范围为8.38%～9.76%，最大漏识率是设计方法的10.25倍；现行方法Y的漏识率范围为8.47%～9.46%，最大漏识率是设计方法的10.03倍。本次实验证明了设计方法具有明显的优势，更适用于供配电系统继电保护整定数据的异常识别。

5 结 论

整定数据异常识别是供配电系统继电保护装置性能检验的重要环节，也是继电保护可靠、稳定运行的重要保障。文章提出一个新的识别思路，有效提高了整定数据异常识别的精度，实现了对现有整定数据异常识别理论的补充与完善，以及对现行方法的优化与创新。此次研究为供配电系统继电保护整定数据异常识别提供了参考依据，有助于提高继电保护整定数据识别工作的自动化与智能化水平，具有较高的研究价值。