基于改进机器学习的继电保护定值智能校验研究

摘 要：【目的】电力系统运行方式和控制策略的不断变化，导致继电保护定值方法也需不断调整，以确保各种情况下的正确动作。然而，在调整适应的过程中其易受外界因素的干扰，导致定值校验的精度较低，因此，提出了基于改进机器学习的继电保护定值智能校验研究。【方法】首先，构建继电保护故障数据集，用于训练和优化机器学习模型；其次，利用改进后的机器学习方法建立继电保护定值智能排序模型，自动对保护定值进行智能排序；最后，通过智能校验继电保护定值，实现对电力系统故障的快速响应和准确保护。【结果】实验结果表明，该校验方法能够不受外界环境干扰，且继电保护定值校验精度较高。【结论】采用该校验方法可以在提高校验精度的同时，确保电力系统的稳定运行。

关键词：改进机器学习；继电保护定值；智能校验；电力系统

中图分类号：TM73 文献标志码：A 文章编号：1003-5168（2024）16-0004-04

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.16.001

Research on Intelligent Verification of Relay Protection Setting Based on Improved Machine Learning

QIAN Yiming LIANG Chengming GONG Simin

（State Grid Shanghai Electric Power Company Fengxian Power Supply Company，Shanghai 201499，China）

Abstract： [Purposes] Due to the constantly changing operation mode and control strategy of the power system， relay protection setting methods need to adapt to these changes to ensure correct operation in various situations. However， in the process of adjusting adaptation， it is easily affected by external factors， resulting in low accuracy of fixed value verification.Therefore， the research on intelligent verification of relay protection setting based on improved machine learning is proposed. [Methods] Firstly， a relay protection fault dataset is constructed for training and optimizing machine learning models. Then， an improved machine learning method is used to establish an intelligent sorting model for relay protection settings， which automatically performs intelligent sorting on the protection settings. Finally， by intelligently verifying the relay protection settings， fast response and accurate protection against power system faults can be achieved. [Findings] The experimental results show that the proposed verification method is not affected by external environmental interference， and the accuracy of relay protection setting verification is high. [Conclusions] The use of the designed method ensures stable operation of the power system while improving calibration accuracy.

Keywords： improved machine learning; relay protection setting; intelligent verification; power system

0 引言

随着电力系统规模的不断扩大和复杂性的增加，继电保护定值校验的重要性日益凸显。继电保护定值是保护设备在电力系统发生故障时能够正确动作的关键参数，其准确性和可靠性对电力系统的稳定运行至关重要。然而，传统的继电保护定值校验方法往往依赖于人工计算和试验，不仅效率低下，而且容易受到人为因素的影响，导致校验结果不够准确和稳定［1］。因此，本研究提出了基于改进机器学习的继电保护定值智能校验方法，以提高校验结果的准确性和效率。

1 构建继电保护故障数据集

从现有的电力系统运行数据、故障录波数据、保护动作数据等中收集并整理出故障数据。在电力系统中，元件故障是一种很普遍的故障，可以划分为3大类：输电线路故障、母线故障和电力变压器故障［2］。电力输电线路故障类型见表1。

母线故障通常是由于母线接触不良、短路等原因造成的，会导致整个电力系统的崩溃。电力变压器故障类型见表2。

在电力系统中，集成式或分布式继电保护网络通过电压、电流及其他关键传感器，实时收集和分析电力系统各个元件的运行数据，并将这些数据被汇总到专门的录波装置中，经过初步处理后，再通过子站通信接口高效地传输到主站系统［3］。在主站系统中，通过高级的数据采样和处理技术，建立继电保护的特征量与期望的数据集合。形成过程如图1所示。

在完成数据集的构建后，会获得一个包含多传感器信息和故障状态的特征矩阵，这个特征矩阵包含n行，每一行代表一条记录，每一条记录都包含m个特征值，每一条记录还对应着k个状态标识，数据集Y的表示见式（1）。

[Y=XS=x11x12…x1mx21x22…x2m⋮⋮⋱⋮xn1xn2…xnm Sk1Sk2⋮Skn] （1）

式中：X为继电保护故障特征；S为继电保护故障状态。

通过这样的矩阵表示，可以将复杂的电力系统数据转化为结构化的信息，从而完成继电保护故障数据集的构建。

2 基于改进机器学习建立继电保护定值智能排序模型

考虑到卷积神经网络在处理空间范围内输入数据时的出色预测性能，在模型构建中融入这一深度学习工具，进行机器学习的改进。CNN通过卷积层时，模型会自动从输入数据中提取出关键特征。池化层可以保留重要的特征信息，降低数据的维度，减少计算量［4］。全连接层则可以将前面各层的输出整合起来，形成最终的预测结果。CNN的基本结构如图2所示。

卷积层的运算过程见式（2）。

[Xl+1i=fXl⊗Kl+1i+bl+1iXl+1=Xl+11⊕Xl+12⊕…⊕Xl+1N] （2）

式中：[Xl]为输入数据；[Kl+1i]为卷积核向量的第i个元素；[bl+1i]为偏向性；[⊗]为卷积算子；[Xl+1i]为输出的第i个值；l、l+1为卷积码；[⊕]为数据累加；[Xl+1]为卷积后输出值；f（·）为卷积函数；N为卷积核总数［5］。

在式（2）的计算过程中，将各卷积核元素[Kl+1i]按时间次序逐个与本征值[Xl]相关联地运算，并引进滤波函数f（·）来非线性地转换该特征。同时通过全连接层的方式，将获得的特征映射[Xl+1i]进行汇总和整合，输出值为下一层的输入[Xl+1]。然而，由于卷积计算产生的特征输出维数通常较大，为了降低模型的复杂度，提高计算效率，引入池化函数，对高维特征向量进行最优降维处理见式（3）。

[Mlj=γωljgMlj-1+bl+1] （3）

式中：[Mlj]为第l个池化层中的第j个特征量；[γ]（·）为池化层中的活化函数；[g]（·）为池化层中的特征维度合成抽取函数；[ωlj]为系数。

将改进机器学习的算法用于继电保护定值的智能排序，建立优化模型见式（4）。

[Fω， ξl， ξ*l=min12ω2+λl=1Lξl+ξ*ls.t.yl-ωTXl≤ξll=1，2，…， Lyl-ωTXl≤ξ*lξl， ξ*l≥0] （4）

式中：[Xl]为第l层输入数据向量；[yl]为输出结果；[ω]为支持向量机分类向量；[λ]为卷积和池化层提取特征的系数；[ξl]、 [ξ*l]为优化过程中的松弛量。

训练和优化该基于CNN的继电保护定值智能排序模型，使其在电力系统出现故障时，保护系统能够根据排序结果迅速作出反应，并选择合适的定值进行保护操作，以最大限度地减少故障对系统的影响。

3 智能校验继电保护定值

在电网整定过程中，继电保护定值若设置不当，可能会导致保护装置在电网出现故障时无法正确动作，威胁电力系统的稳定运行。因此，在上述构建的继电保护故障数据集和建立的继电保护定值智能排序模型的基础上，智能校验继电保护定值。以变电站为例，该变电站的电力网架构由高压侧A、低压主侧B和1-10线路组成。变电站线路如图3所示。

由图3可知，B侧在电网中扮演着为上级的第一、二母线提供关键保护的角色，配备了专门的保护设施。为了确保这些保护设施在电网出现故障时能够正确、迅速地动作，利用已经构建好的继电保护故障数据集和继电保护定值智能排序模型，对B侧的保护设施进行故障模拟。通过模拟不同类型、不同严重程度的故障，观察保护设施的动作情况，并评估继电保护定值设置的合理性。如果模拟结果显示保护设施在某些故障场景下无法正确动作，或者动作时间过长，则需要对定值进行调整和优化。继电保护定值智能校验流程如图4所示。

在线校验请求一经发出，校验控制中心即刻启动任务组织流程，并进行计算参数的初始化。控制中心根据预设的规则和要求，将校验任务分配给不同的计算节点，每个计算节点各自负责一部分计算任务，并通过调用校验服务来完成具体的校验计算工作。当所有节点的计算任务完成后，校验控制中心收集并归纳这些计算结果，并通过合并处理，形成最终的校验结果和可能报警的信息。这些结果和信息随后被发送至校验终端，并在报警页面上显示出来。至此，完成了继电保护定值智能校验的研究。

4 实验

4.1 实验准备

为了验证该方法在继电保护定值校验方面的有效性，以某市电力系统为例进行试验。通过电网局部拓扑结构图来分析电流、电压等电气量的流动情况以及故障发生时电流、电压的变化情况，从而确定继电保护的整定值。电网局部拓扑结构如图5所示。

由图5可知，待校核线路设为L1，校核保护为电流保护。实验环境模拟一个额定电压为110 kV、额定电流为500 A的电力系统。为了验证继电保护的定值校验，设定过电流继电器的动作电流整定值为标称电流的1.2倍，动作时间整定值为0.5 s。为了准确记录继电器的动作情况，设置1 000 Hz的采样频率来采集电流和时间的数据。实验环境参数设置具体情况见表3。

4.2 实验结果及分析

为了验证本研究所提方法的优越性，将本研究方法与线性回归分析方法和基于专家系统方法按照上述实验准备进行对比实验，对比这3种方法的定值校验精度，得到的结果见表4。

由表4可知，本研究方法在继电保护定值校验精度上相较于线性回归分析方法和基于专家系统方法具有显著优势。在5种不同的故障类型中，本研究方法的定值校验精度普遍高于其他2种方法，平均调整精度达到了约98.6 %，远高于线性回归分析方法的86.3 %和基于专家系统方法的91.4 %。这一结果表明，本研究方法在处理复杂的继电保护问题时，能够更加准确地计算和调整保护定值。具体来说，在断线故障、三相短路和两相短路等故障类型中，本研究方法的调整精度均超过了98 %，表现出极高的准确性和可靠性。即使在单相接地短路和两相接地短路等较为复杂的故障类型中，本研究方法也能保持较高的调整精度，显示出强大的适应性和鲁棒性。

5 结语

本研究成功地将经过优化和改进的机器学习算法应用于继电保护定值校验中，显著提高了继电保护校验的准确性和效率。然而，在研究中也发现了一些不足之处。因此，在未来将继续深入研究以下几个方面：第一，探索更加先进的机器学习算法，以提高模型的泛化能力和处理复杂场景的能力。第二，研究更加有效的数据预处理技术，以进一步提高数据的质量和可用性。第三，加强与电力系统的合作，将研究成果应用于实际工程中，以验证其有效性和实用性，为电力系统的智能化发展贡献更多力量。

参考文献：

［1］龙瑞华，苏禹宁，柯其志，等.含分布式电源配电网继电保护定值核校方法［J］.电气开关，2023，61（6）：60-63.

［2］韩学军.基于深度学习和改进潮流介数的继电保护定值智能校验方法［J］.电子器件，2023，46（5）：1442-1448.

［3］龙瑞华，张希，吴重沛，等.基于大数据分析的配网继电保护定值校核方法［J］.电气开关，2023，61（5）：53-56.

［4］王怀璧.基于数据融合的配电网继电保护定值校核方法［J］.机械工程与自动化，2023（5）：184-185，188.

［5］凌文明.基于大数据的新能源电站继电保护定值校核方法［J］.自动化应用，2023，64（9）：218-220.