特高压智慧变电站冗余测控装置自动测试方法研究

修艺源,张艺博,杨 乐,张晨曦,金明辉,李小蓓

(国网河南省电力公司直流中心,河南 郑州 450000)

0 引言

变电站是电力公司的重要组成部分之一,主要作用是实现电流电压变换,以达到地区具体供电标准[1-3]。特高压变电站是变电站中的1种,在不断发展中逐渐向着智慧化方向发展。特高压智慧变电站中存在很多间隔层。每个间隔层都需要设置1个实体测控装置,用于测试和监控变电站设备运行状态,以便及时发现异常或者故障[4-5]。然而,随着特高压智慧变电站规模的逐渐扩大,测控装置数量越来越多,产生的测控信息冗余量也越来越多。测控装置数量的增多不仅占用了大量的空间资源,还导致测控装置之间资源竞争激烈,浪费了大量的电力资源[6-7]。面对这种情况,冗余测控装置应运而生,但其发展得并不十分成熟。因此,其在应用到实际环境之前需要进行自动测试,以明确其冗余情况是否满足预期设定[8]。只有达到预期的冗余测控装置才能应用到变电站中。

目前,特高压智慧变电站冗余测控装置可进行自动测试,即通过设备自检以检测自身的性能是否满足要求[9]。关于设备自检,相关的研究有很多。赵长春等[10]设计了1种测控功能判别逻辑图。其配置集群测控装置,采用测控功能虚拟化、定值及软压板状态同步、模型及配置等价实现等关键技术。间隔虚拟测控单元使用跟实体测控装置相同的运行参数、虚端子联系表、联闭锁规则及机构能力发展(institutional capacity development,ICD)模型,测试了不同状态下的冗余切换情况,检测了对时性能、管理性能、整机功耗、遥控性能、遥信性能、频率误差等。但这种方法的测试结果存在一定偏差。齐敏等[11]设计了1种冗余测试方案。该方案首先通过设计机理分析,建立冗余切换测试基础故障模式;然后对故障模式进行模式组合和系统状态变迁分析,完成对冗余切换测试场景、测试环境等整体方案的设计;最后测试故障发生时的冗余功能运行情况。但该方案的拟合优度较低。Nan等[12]提出了继电保护故障信息系统的全链路自动测试技术,阐述了该技术的原理、主要模块和关键技术。继电保护故障信息系统全链路自动测试平台包括主站远程测试模块、分站测试管理模块和自动测试模块这3个部分。但该技术测试的准确性较低。

综上分析可知,以往研究中所用到的测试用例比较欠缺,测试项目的选取并不全面,导致测试结果存在一定的偏差。针对这种情况,本文研究了1种特高压智慧变电站冗余测控装置自动测试方法。该方法首先设置自动测试场景,采用主成分分析法选择测试用例;然后对采集用例数据进行缺失填补以及数据标准化;最后以神经网络算法为基础进行测试。该方法能有效提高变电站冗余测控装置测试的准确性。

1 变电站冗余测控装置测试

变电站冗余测控装置自动测试,即测试其冗余检测性能,以实现装置的自检。自检是变电站冗余测控装置实际应用前的必备环节,用于保证装置在实际应用过程中发挥功能效果。本文研究了1种特高压智慧变电站冗余测控装置自动测试方法。该方法主要分为4个部分,分别为自动测试场景设置、测试用例选择、用例数据处理以及冗余自动测试。

1.1 自动测试场景设置

测试场景设置是自动测试的前提。针对所研究目标,测试场景由同步时钟装置、计算机端、交换机、继电保护测试仪以及冗余测控装置等组成。

自动测试场景如图1所示。在测试场景中,首先运行冗余测控装置;然后采集测试项目对应的数据;最后针对这些数据进行深入分析,得出变电站冗余量。

图1 自动测试场景

1.2 测试用例选择

测试用例即测试项目、测试内容。测试用例的选择关系到测试结果的准确性。针对测试目标,本文采用主成分分析法选取测试用例。基于主成分分析法的测试用例选取流程如图2所示。

图2 基于主成分分析法的测试用例选取流程图

在整个选取过程中,相关系数计算式如下。

(1)

主成分贡献率计算式如下。

(2)

式中:Ri为第i个特征值;n为特征值数量;Bi为第i个主成分的贡献率。

基于上述流程,所选择的测试用例主要有4种类型,即基本性能用例、同期用例、遥信用例和遥控用例。基于上述测试用例,本文在测试场景中采集相应的具体数据,以组成数据集合或样本,用于后续研究。

1.3 用例数据处理

针对上述测试用例选择,本文需要对采集到的用例数据进行处理,包括缺失填补以及数据标准化。通过处理能够使数据更加规范化,以及更加符合自动测试环节的要求。

①缺失填补。测试用例数据在采集过程中难以避免地会出现缺失问题,从而影响数据的完整性。面对这种情况,需要进行缺失数据填补处理。填补处理计算式如下。

(3)

式中:p0为缺失的数据。

所有同类型数据样本均值的平均值用于(包括填补完整的数据样本)替代p0,以实现填补。

②数据标准化。数据标准化即去除量纲,统一数据表示形式。数据标准化的计算式为:

(4)

1.4 冗余自动测试

基于上述处理好的用例数据,本节进行冗余自动测试。测试以神经网络算法为基础进行。本文神经网络算法采用反向传播(back propagation,BP)神经网络模型。BP神经网络的工作原理是通过自身训练学习某种规则,在给定输入值时得到最接近期望输出值的结果。BP 神经网络具有较强的自学习、自适应能力。以上文获得的用例数据为输入,BP 神经网络模型包含输入层、中间隐含层和输出层。

隐含层采用Sigmoid函数获取非线性映射。隐含层节点的选取计算式为:

(5)

式中:n′为隐含层节点数;ni为输入层节点数,因考虑输入为用例数据而取值为4;nj为输出层节点数,因考虑输出为冗余数值而取值为1;α为常数,取值为 1～10。

输出层的输出为冗余指数数值,取值为0～1。因此,输出层也采用 Sigmoid函数。

本文经过BP神经网络运算,获得1个冗余数值,并对比冗余等级标准,判断变电站冗余测控装置性能是否合理。冗余自动测试步骤如下。

(1)设置神经网络算法的相关参数,即N个输入层神经元、a个输出层神经元以及M个隐含层神经元。

(2)通过输入层窗口将测试用例数据输入神经网络模型。

(3)神经网络输入、输出运算关键计算式如下。

输入为:

(6)

式中:M为隐含层神经元数量;N为输入层神经元数量;bq为隐含层输出;Cq为隐含层输入;αi′q、βqw为输入层与隐含层、隐含层与输出层的神经元之间的连接权值;xi′为输入层输入(用例数据);Dw为输出层输入;q、i′、w均为神经元序号。

输出为:

(7)

式中:φq、φw分别为隐含层和输出层的阈值;dw为输出层输出;f为Sigmoid函数。

(4)计算dw与预期结果之间的误差Δdw。

(5)判断Δdw是否小于等于设定的允许误差阈值。若满足条件,则完成训练。否则,结合学习因子,进行误差BP,调整φq、φw、αi′q、βqw。

(6)输入用例数据测试样本到训练好的模型中,得出冗余指数数值Q。针对冗余指数数值,按照以下冗余等级标准,判断变电站冗余测控装置性能是否合理。

①Q∈(90,100]时,冗余非常高,变电站冗余测控装置性能非常不满足需求。

②Q∈(70,90]时,冗余较高,变电站冗余测控装置性能不满足需求。

③Q∈(50,70]时,冗余较低,变电站冗余测控装置性能合格,但仍需要改进。

④Q∈(0,50]时,冗余非常低,变电站冗余测控装置性能优秀。

对于一般变电站而言,只要冗余达到Q∈(50,70],就满足装置实际应用需求。但是本文研究的是特高压智慧变电站,故冗余测控装置的冗余装置达到Q∈(0,50]才允许应用到实际工作环境中。

2 性能验证与分析

2.1 数据来源

为测试所提出的特高压智慧变电站冗余测控装置自动测试方法的性能,本文设置3种电压工况并进行对比,从而验证自动测试方法的准确性。以某一特高压智慧变电站中5个冗余测控装置为例,本文布设测试场景,运行测试用例,采集用例运行下一段时间内的指标变化数据,得到测试样本。与测试样本相对应的训练样本来自电力公司数据库。

2.2 预期冗余设置

针对5个冗余测控装置,其预期冗余指数如表1所示。

表1 预期冗余指数

由表1可知,装置1、3、5的冗余指数数值均低于40,表示变电站冗余测控装置性能优秀。装置4的冗余指数数值的最大值高于60但小于70,表示变电站冗余测控装置性能合格,但仍需要改进。装置2的冗余指数数值的最大值高于80但小于90,表示变电站冗余测控装置的冗余较高,变电站冗余测控装置性能不满足需求。

2.3 神经网络训练

本文通过训练样本对神经网络进行训练。神经网络初始参数设置如表2所示。

表2 神经网络初始参数设置

神经网络训练结果如图3所示。

由图3可知,在设定500次迭代次数内,训练误差达到设定的目标精度。因此,神经网络的性能较好,可用于正式测试。

2.4 冗余自动测试结果

利用本文方法对5个冗余测控装置进行测试,得到的冗余自动测试结果如表3所示。

表3 冗余自动测试结果

对图3和表3中的冗余指数数值变化区间进行比较可知,自动测试后5个冗余测控装置中只有2个装置(装置4和装置2)的冗余性能不符合要求。这与实际情况一致。

2.5 方法性能分析

为进一步测试本文方法的性能,本文设置不同电压工况,选取整机功耗为 55 W、遥信数据响应时间为0.5 s、网络事件顺序记录(sequence of event,SOE)分辨率为 1 ms、输入频率为45 Hz。在相同测试条件下,本文方法与文献[10]提出的智慧变电站集群测控功能冗余切换方法(传统方法)进行冗余对比测试,以得出测试结果。本文计算3种工况的冗余自动测试结果曲线与预期冗余变化曲线之间的拟合优度。拟合优度取值为0～1。越接近1说明测试结果越准确。两种方法的拟合优度对比如表4所示。

表4 两种方法的拟合优度对比

由表4可知,针对3种不同工况,传统方法应用下,测试结果与预期结果的拟合优度均在0.9以下;而本文方法应用下,测试结果与预期结果的拟合优度均在0.9以上。这说明本文方法的实际结果和预期结果较为一致,证明了本文方法的有效性。

2.6 实际验证

装置整体功能测试时间对比如表5所示。

表5 装置整体功能测试时间对比

测试结果表明,本文方法大幅提高了装置的测试效率。自动测试装置在智慧变电站优化提升项目中的试点应用结果表明,装置运行可靠。

为进一步验证特高压智慧变电站冗余测控装置自动测试方法的可行性,本文以装置整体功能测试时间为对比指标,依据特高压智慧变电站冗余测控装置检测方案等对多种配置类型的冗余测控装置整体功能进行人工测试和自动测试比对。其中:单配置测控装置指具有单一测量和控制功能的装置;“0+16+0”配置指服务器的中央处理器(central processing unit,CPU)数量为0、内存容量为16 GB、硬盘容量为0 GB;“16+0+0”配置指服务器的CPU数量为16、内存容量为0 GB、硬盘容量为0 GB;“8+4+4”配置指服务器的CPU为8核、内存为4 GB、硬盘容量为4 TB。

3 结论

为节约特高压智慧变电站资源,冗余测控装置得到开发和应用。但该装置在应用前需要事先进行自动测试,以测试其冗余性能是否达到要求。为此,本文提出1种特高压智慧变电站冗余测控装置自动测试方法。该方法首先采集数据组成样本,然后通过神经网络3层运算得出冗余指数,最后通过验证证明测试效果。与预期情况的对比结果表明,本文方法接近预期。该结果验证了本文方法的准确性。本文方法仍存在缺点,还需要扩大测试样本以验证方法适用性以及优化神经网络算法,从而进一步提高准确性。