基于BP 神经网络的继电保护设备状态评价方法研究

潘俊文 冯 波 牛山草 李 刚 曾 峰 李 伟

（1.国网湖北省电力有限公司随州供电公司 2.北京四方继保工程技术有限公司）

0 引言

继电保护设备在电力系统中扮演着重要角色，其能否正常运行将直接影响电力系统的安全稳定运行。近年来，随着我国经济发展速度不断加快，工业生产、生活用电的需求不断增加，电力系统中对继电保护设备的要求也越来越高[1]。为保证继电保护设备正常运行，需对继电保护设备进行定期检查和维护，这不仅浪费了大量的人力、物力、财力，还会降低继电保护设备的工作效率[2]。为此，本文结合当前继电保护设备状态评价的常用方法，提出了一种基于可靠性的继电保护设备状态评价方法，并对影响其评价效果的因素进行分析，从而为继电保护设备状态评价提供参考和借鉴，进而确保电力系统能够稳定运行。

1 继电保护设备状态评价的基本内容

继电保护设备状态评价是对继电保护设备运行状态的一个综合评估，它涉及继电保护设备的运行状况、检修记录和故障记录等[3]。在进行继电保护设备状态评价时，应结合继电保护设备的实际运行情况，对其运行过程中的一些异常情况进行分析，从而对继电保护设备进行科学合理的评价[4]。目前，继电保护设备状态评价主要包括以下几个方面：①继电保护设备状态参数的获取；②继电保护设备状态参数的计算；③继电保护设备状态参数的分析；④继电保护设备状态评价模型构建；⑤继电保护设备状态评价结果。其中，继电保护设备状态参数的获取是评价过程中必不可少的一个环节，它直接影响着评价结果是否准确。

2 影响状态评价效果的因素分析

2.1 继电保护设备信息采集的准确性

为保证继电保护设备状态评价的准确性，应对信息采集工作进行有效控制，主要包括以下几个方面：首先，在对信息进行采集时，应选择合适的采集设备和采集方法；其次，在对信息进行传输时，应采用可靠、安全、高效的传输方式；最后，在对信息进行存储时，应确保存储设备能够稳定工作。

2.2 继电保护设备信息处理效率

为提高继电保护设备状态评价工作效率，应提高对继电保护设备信息处理效率的重视程度。具体来说，主要包括以下几个方面：首先，在对继电保护设备信息进行处理时，应注重提高信息处理效率；其次，在对继电保护设备信息进行处理时，应充分利用计算机技术和通信技术；最后，在对继电保护设备信息进行处理时，应注重提高继电保护设备信息的可靠性。

3 基于BP 神经网络的继电保护状态评价

3.1 评价过程

采用BP 神经网络对运行设备评价，采用的模型依赖于训练的数据集。模型训练数据来自调度系统数据中的继电保护设备运行信息[5]。BP 神经网络对运行中的继电保护状态评价过程如图1 所示。具体评价过程如下：

1）收集并整理继电保护的历史数据。装置的历史数据多，首先按装置类型分类，提取指定装置类型的数据，例如CSC-103 装置。装置分类后，根据装置ID，将数据分成每个子类数据，按时间顺序排列，并剔除一些无效的数据。

2）数据分类。将指定类型装置的数据分类，分为告警和故障两个等级；对导致保护功能失效的故障进行赋值，同时统计在这类故障发生之前发生过的其他告警类型和次数，构建历史故障信息的原因矩阵。

3）确定神经网络的结构和参数，训练并进行验证。将归一化后的原因矩阵和结果向量分别作为输入和输出值导入BP 神经网络进行训练，设定容许误差为5%～10%。训练收敛并验证集通过。

4）采用训练的模型对在运继电保护设备状态进行评价。

3.2 BP 神经网络训练方法

采用BP 神经网络对继电保护设备状态进行评价，首先需要在输入层导入设备的告警数据。在电网中，不同设备使用的数量和告警量不同，导致输入层神经元个数和样本数量不同[6]。假设某种继电保护装置的样本中，原因矩阵如下所示：

式中，n为故障发生的次数；N为故障可能发生的故障总数；i为故障警告类型；I为故障警告类型总数。

BP 神经网络在训练开始前，需要确定几个超参数，包括神经网络的层数，某层神经元的个数以及该层的激活函数[7-8]。在本方案中，采用单隐含层神经网络；隐含层神经元个数为M，；激活函数f(x)采用S 形函数，表达式如下式所示：

式中，f(x)的数值属于[0，1]范围内；A、B为常量。

将继电保护的原因矩阵输入，得到隐含层数据如下所示：

将隐含层数据传输到输出层，结果如下所示：

式中，Sn为中间变量；ωjn为传递参数；cn为偏移量。

梯度计算为：

式中，f'函数为函数f的导数；en为梯度值。

通过动量因子加速梯度过缓区域的收敛速度，同时对收敛区域起到了稳定效应。

4 实例分析

本文选取某电网中使用数量相对比较多的线路保护为例，采用改进的BP 网络进行学习识别，对保护设备状态进行评价。选取的线路保护包括北京四方公司CSC-103 数字式线路电流纵差保护装置和南瑞继保公司的RCS-902 超高压线路成套保护装置。

4.1 CSC-103 保护装置数据分析

安徽电网220kV 及以上电压等级的线路保护装置中，在运的CSC-103 线路保护装置322 台。装置产生的异常或告警数据类型包括开出异常、内存告警以及FLASH 自检出错等20 类数据。

4.1.1 数据的选择与整理

整理近几年来CSC-103 保护装置产生的告警数据和故障数据，形成如下表所示的数据表。在表中，X1～X20 为选择的告警类型，数字表示曾出现该告警信息的次数。每一行数据表示一台CSC-103 装置出现故障前曾经出现过的告警故障类型和次数。若某行的数据全为0，表示装置出现故障前，未发生过任何告警迹象，则剔除掉该条数据。

4.1.2 在运设备评价

采用BP 神经网络对CSC-103 的数据进行训练，并利用模型结果对在运的CSC-103 设备进行评价。评价结果如图2 所示。

表 保护装置CSC—103 数据

图2 保护装置CSC—103 评价情况

图中，横坐标为装置发生严重故障的概率（%），纵坐标为对应装置的台数（台）。在运的322 台CSC-103 装置中，289 台装置运行正常（对应出现严重故障的概率为0），15 台装置疑似可能会发生故障（对应出现严重故障的概率为97%～99%）。

4.2 RCS-902 保护装置数据分析

电网220kV 及以上电压等级的线路保护装置中，在运的RCS-902 线路保护装置286 台。装置产生的异常或告警数据类型包括开出异常、内存告警以及采样异常等22 类数据。采用BP 神经网络对历史数据进行训练，得到评价模型。利用模型结果对RCS-902 进行评价，评价结果如图3 所示。在运的286 台RCS-902 线路保护装置中，279 台装置运行正常（对应出现严重故障的概率为0），7 台装置疑似将会发生故障（对应出现严重故障的概率为94%～99%）。

图3 保护装置RCS—902 评价情况

5 结束语

本文基于调度数据中继电保护设备的告警和故障事件，采用BP 神经网络探索继电保护设备状态评估方法，并讨论了该方法中参数的选择问题。经过实际电网数据检验，本文提出的算法能较好地快速收敛，形成模型。基于模型数据推理形成的结论基本符合近年来装置缺陷统计的概率。