基于模糊支持向量机的智能站继电保护设备隐性故障检测方法

朱林

(国网宁夏电力有限公司,宁夏 银川 750000)

继电保护设备的主要作用是在电网运行发生故障的情况下进行保护动作,切断故障部分,保证电网运行[1],如果继电保护设备如果发生故障[2],则无法对电网故障实行切除,电网的运行风险会明显增加。更是无法直接判断隐性故障,也导致隐性故障的查找耗时较多,继电保护设备发生隐性故障后,容易导致保护动作的据动[3]、误动等情况发生,如果无法及时实现故障部分的保护动作,对于电网的运行风险具有直接影响[4]。模糊支持向量机(FSVM)方法是结合模糊理论和支持向量机两种方法形成,具有更好的识别和诊断能力。

文献[5]提出基于组合赋权法与模糊理论的智能变电站继电保护设备状态评估方法,建立包含继电保护设备历史状态信息和实时状态信息的状态评估指标体系,结合改进层次分析法、反熵权法、变异系数法结合的主客观权重法确定各指标组合权重,克服了单一赋权方法的局限性。但该方法对于隐性故障的模糊性考虑不足,导致结果的准确性有待提升;文献[6]提出基于长短期记忆(Long Short-Term Memory, LSTM)网络的继电保护测试故障诊断方法,总结故障断面特征信息和故障类别,建立多故障诊断模型,构建故障诊断流程。但该方法对继电故障复杂性的分析还是略有不足,因此,诊断结果存在一定局限性。

因此,提出了基于模糊支持向量机的智能站继电保护设备隐性故障检测方法,针对隐性故障存在模糊性和复杂性等特点,通过模糊理论和支持向量机的结合,确定模糊隶属度函数,构建多检测分类器,实现智能站继电保护设备隐性故障检测。

1 继电保护设备隐性故障检测

1.1 继电保护设备隐性故障检测框架

对智能站继电保护设备的发生隐性故障时的模糊性和复杂性特点展开深入分析,该类故障的产生与一次设备的运行方式、故障类别、二次设备的保护原理等多方面均存在较为复杂的关联[7],因此,增加了继电保护装置隐性故障的发生概率;并且该类故障还存在显著的模糊性特点,影响了故障的检测结果。本文结合该情况,提出基于FSVM的智能站继电保护设备隐性故障检测方法,方法的整体框架结构,见图1。

方法的整个检测分别为三个部分,分别是继电保护设备运行信号采集和降噪、FSVM模型训练和故障诊断、模型优化。继电保护设备运行信号在采集过程中,由于环境以及设备运行等,会导致采集的继电保护设备运行信号数据中存在一定的噪声干扰,对于故障检测结果的可靠性存在一定影响[8],因此,在实行故障检测前,其去除采集的信号中存在的噪声;将处理后的信号用于故障检测中。通过FSVM的模糊分类规则完成故障诊断,完成继电保护设备故障检测。

图1 继电保护设备隐性故障检测框架

1.2 继电保护设备运行信号降噪

采集的继电保护设备运行信号数据中存在一定噪声,不利于故障检测,因此,本文在检测前采用多小波变换方法处理信号数据中的噪声。该方法能够通过分解和重构的方式[9],在保证原始信号的前提下,消除信号中的噪声。

如果滤波器用Hk和Gk表示,多小波变换分解公式为:

(1)

式中:c和d分别表示尺度系数和小波系数。

依据公式(1)分解后即可将原始信号分解成高频和低频两种子带,并将两者带入公式(2)中,完成两种子带的重构,其公式为:

(2)

通过该方法对继电保护设备运行信号降噪时,可完成一维时序信号的扩增处理,使其形成r×r维矩阵,以此,保证信号经过分解和重构后不损伤原始信号[10],同时保证去噪效果,将降噪后的信号输入FSVM模型中进行故障检测。

1.3 继电保护设备隐性故障检测的FSVM模型

1.3.1 隐性故障类别隶属度函数确定

FSVM模型在进行继电保护设备隐性故障检测时,需先对降噪后的信号样本实行某类别隶属度赋予,隶属度可描述信号样本在训练过程中重要程度[11],在隐性故障检测问题中,隶属度的合理性直接影响故障的检测结果。因此,保证向量机的隶属度。

设由降噪后的继电保护设备信号样本x组成的样本集用S表示,其包含正、负两类样本,其中正类信号样本中包含的样本用{xi|i=1,2,…,p}表示,其数量为p,该类样本的中心用均值x+表示;负类信号样本用{xj|j=1,2,…,q}表示,其数量为q,均值x-则为该类别的中心,且p+q=l,l表示两样本的总数量,x+和x-的计算公式为:

(3)

(4)

x+和x-之间存在一个超球面,能够刚好完成两者信号样本点的覆盖,则两者在该超球面内的半径用r+和r-表示,两者的计算公式为:

(5)

引入控制因子η>0,设定一个极小的正数σ表示孤立点隶属度,则得出隶属度函数,其公式为:

(6)

式中:δ表示极小正数,以此保证si>0;yi表示样本类别标签。

通过上述方法计算得出模糊隶属度后,组成新的继电保护设备信号训练集用(x1,y1,s1),…,(xl,yl,sl)表示,以此完成模型训练。

1.3.2 继电保护设备隐性故障检测分类器构建

将上述小节获取的(x1,y1,s1),…,(xl,yl,sl)输入至训练后的FSVM模型中,计算模型的最优隐性故障分类函数f(Xj),其公式为:

(7)

式中:h表示支持向量机数量;Xj∈Rn表示输入的样本集的特征向量,其中Rn表示实数空间;Xe表示支持向量;ϖ*和b*分别表示系数和常数两种向量;K表示核函数。将Xj带入公式(7)中即可得出继电保护设备信号样本的决策函数值zj=f(Xj),在此基础上计算得出si。

建立FSVM模型的最优分类函数的回归函数,其计算公式为:

(8)

式中:Xk表示任意继电保护设备信号样本特征向量;ξ表示惩罚函数。

将{zj,si}带入支持向量机中实行训练,以此可得出g(Xk)、ϖ、b;g(Xk)的计算结果即为继电保护设备隐性故障的最终隶属度。为可靠完成继电保护设备隐性故障类别检测[12],通过FSVM二类分类器对故障的特征向量实行组合,一个FSVM二类分类器仅负责检测一个类别的继电保护设备隐性故障,如果输出结果为1,表示存在该类别故障;如果输出结果为0,则表示没有故障。

1.4 模型参数优化

FSVM模型完成继电保护设备隐性故障分类检测后,为进一步提升检测结果的可靠程度,对模型中的ξ和g(Xk)实行优化,获取最优的参数结果[13],文中采用布谷鸟算法完成,优化步骤如下所述:

步骤1:对FSVM模型的训练样本集实行预处理,获取模型的学习样本[14]。

步骤2:确定ξ和g(Xk)的取值范围,同时设置布谷鸟算法的步长、迭代次数等参数。

步骤3:形成n个鸟巢位置Bn,且每一个均和一组{ξ,g(Xk)}参数相对应;计算最佳Bn以及与其对应的训练集之间的拟合程度F。

步骤4:保留上一代最优Bn结果,获取新的鸟巢位置,其需依据飞行步长的计算结果对其他鸟巢位置实行更新完成,计算更新后位置与其对应的训练集之间的F。

2 算例分析

为测试本文方法对智能站继电保护设备隐性故障的检测效果,以某智能变电站为实例对象,采集该变电站内30个继电保护设备运行3个月的数据作为测试信号数据。该智能站中共有3个主变压器,分别用1#、2#、3#表示,其电压为22 kV,每个变电站均连接两条母线,各个母线均连接数条支路。

分别对本文算法进行各项测试,包括:信号降噪效果测试,其指标为幅值;布谷鸟算法迭代收敛性能测试,其指标为最佳隶属度;隐性故障检测性能测试,其指标为相对误差值;应用效果测试,以误动率和拒动率作为衡量指标;故障诊断效果测试以及应用性测试,展示本文算法用户端画面。

2.1 信号降噪效果测试

对采集的继电保护设备运行信号数据实行降噪处理,获取本文方法降噪前、后信号的变化结果,见图2。

(b)信号降噪后

分析图2测试结果可知:原始信号中存在显著的噪声干扰,诸多原始信号被噪声覆盖,影响信号的可辨识度;经过本文方法降噪后,噪声被有效去除,还原原始信号,并且信号的完成程度没有发生破坏。因此,本文方法具有良好的降噪效果。

2.2 布谷鸟算法迭代收敛性能测试

测试本文布谷鸟算法在优化过程中的迭代收敛性能,为测试该算法优化性能,不设置迭代停止条件,使其持续迭代,结果如图3所示。

图3 布谷鸟算法迭代收敛性能

由图3可知,当迭代至第48次时,最佳隶属度最优,能够完成迭代,可见所使用布谷鸟算法能够有效达到优化效果。

2.3 隐性故障检测性能测试

获取本文方法在变电站电流突增和电压突降两种运行状态下,对继电保护设备隐性故障检测的相对误差结果,由于篇幅有限,结果仅随机抽取10个继电保护设备的检测结果,见图4。其中,要求检测相对误差结果低于0.2。

图4 隐性故障检测性能测试

分析图4测试结果可知:在电流突增和电压突降两种运行状态下,本文方法对继电保护设备的隐性故障检测相对误差结果均满足应用要求标准,在两种运行状态下的相位误差最大值分别为0.17和0.15。该结果表明,在变电站自身运行存在波动变化时,本文方法依旧能够较好地完成继电保护设备隐性故障检测。

2.4 应用效果测试

为衡量本文方法在继电保护设备故障检测中的应用效果,以误动率和拒动率作为衡量指标(要求标准低于0.3%),获取本文方法应用后两个指标的结果见图5。

图5 误动率和拒动率测试结果

分析图5测试结果可知:采用本文方法完成继电保护设备隐性故障检测后,随着电流的逐渐增加,误动率和拒动率两个指标的结果也随之发生略微的波动变化,但是结果均在要求范围内,其中误动率和拒动率的最大值分别为0.24%和0.27%,因此,本文方法具有良好的应用效果,降低变电站运行过程中的误动率和拒动率,保证运行安全。

2.5 故障诊断效果测试

为直观体现本文方法对继电保护设备隐性故障检测的结果,在3种继电保护设备隐性故障运行工况下,采用本文方法进行故障分类检测,并且获取该隐性故障的结果以及该故障容易引发的连锁结果,见图6、图7和图8。

图6 静态特性隐性故障运行工况

分析图6、图7和图8测试结果可知:在三种继电保护设备隐性故障运行工况下,本文方法均能够可靠完成设备隐性故障的检测,同时完成故障类别分类,确定隐性故障内容,并且,分析该故障可能引发的连锁结果。其中,在静态和动态两种隐性故障运行工况下,其可能引发的连锁结果均是与其存在直接连接相关设备以及线路,会导致其发生误动;但是,在不确定隐性故障运行工况下,所有设备和线路均可能会发生误动。因此,本文方法的故障检测效果良好。

图7 动态特性隐性故障运行工况

图8 不确定隐性故障运行工况

2.6 应用性测试

获取本文方法应用后,各个机电保护设备的健康状态以及可信度情况,以此体现本文方法的应用性,结果见图9。

图9 应用性测试结果

分析图9测试结果可知:本文方法应用后,能够全面查看继电保护设备信息,包含设备台账、设备巡检、设备检验、设备故障等,并且可依据这些信息评价设备的健康状态判断隐性故障的危害程度,同时显示各个设备的可靠程度,为设备管理提供全面依据。

3 结 论

继电保护是保证智能变电站运行安全的基础,所以如果继电保护设备发生一旦发生隐性故障,无法直接判断,会导致保护动作发生误差。因此,本文提出基于模糊支持向量机的智能站继电保护设备隐性故障检测方法,能够极好地去除信号中的噪声,保留原始信号信息,并且应用性能良好,能够检测出不同运行工况下的故障类别,为继电保护设备管理提供数据依据。