基于发电厂继电保护定值整定优化配置研究

摘 要：当前发电厂继电保护定值整定依赖过往的经验和历史数据，通过类比和估算来确定保护定值，但可能因经验不足或数据不全而导致优化后的整定值依旧偏高。因此，本文基于机器学习的发电厂继电保护定值整定优化配置方法。该方法首先利用机器学习技术处理和分析继电保护定值整定的历史数据。其次，根据处理后的数据，建立一个继电保护适应度函数，该函数能够评估不同保护定值在特定系统状态下的适应性和性能。最后，制定一系列约束条件，动态调整保护定值，以确保在保持系统稳定性和可靠性的同时，优化保护性能。试验结果表明，基于机器学习的发电厂继电保护定值整定优化配置方法在调整阻抗定值方面取得了显著成效，具有较高的应用价值和推广前景。

关键词：机器学习；发电厂继电保护；继电保护定值整定；定值整定优化配置；优化配置

中图分类号：TM 77 " 文献标志码：A

继电保护定值作为继电保护装置的关键参数，其设置直接决定了保护动作的准确性和可靠性。然而，传统的定值整定方法往往依赖经验公式和人工判断，误动或拒动的问题时有发生。因此，学者研究多种方法，基于加速遗传算法的电力系统继电保护定值优化方法建立继电保护定值全局优化模型，利用遗传算法的并行搜索能力和全局优化特性，解决传统方法在选择性、灵敏性方面的不足[1]。但优化结果可能受到初始种群和算法参数的影响。而基于改进海鸥算法的新能源接入配电网继电保护定值优化方法构建以灵敏度最优、整定时间最短为目标的定值优化模型。对海鸥优化算法进行改进，使其更适用于解决复杂配电网中的定值优化问题[2]。由于新能源接入带来的电网潮流分布变化，定值优化模型需要更精细地考虑新能源电源的特性及其对电网的影响，否则某些情况下无法获得最优的阻抗定值。本文研究基于机器学习的发电厂继电保护定值整定优化配置，实现对系统运行状态的实时监测与预测，进而动态调整保护定值，以满足不同运行工况下的保护需求。

1 继电保护原理

继电保护系统作为发电厂的重要保护部件，具有保护系统安全、稳定运行的作用。通过实时监测电压、电流等电气参数，并根据设定的保护逻辑进行判断，当系统故障或异常运行时，继电保护系统采集的电气参数会发生突变，如果超过设定的阈值，继电保护装置就发出保护动作信号，切除故障线路及设备，从而保障电力系统安全运行。继电保护装置结构如图1所示。

继电保护动作过程需要系统具有较强的鲁棒性，同时还需要对电力系统发生的故障进行准确判断并快速响应，为了保证继电保护装置的性能及其动作的可靠性，需要对继电保护系统的保护定值进行整定和优化，及时判断故障并对其进行处理，避免出现继电保护系统因整定值不准确而导致系统无法正常运行的后果。

2 利用机器学习处理继电保护定值整定数据

引入先进的机器学习技术，能够显著增强对继电保护定值整定过程中累积的海量数据进行高效处理与分析的能力。通过精心设计的机器学习算法对复杂且多样化的数据进行深度挖掘，不仅能够自动学习并精准提取隐藏在数据背后的关键信息、潜在规律及有价值的模式，还能有效识别数据中的异常与趋势，为后续的定值整定工作提供坚实、科学的决策支持，进而优化电力系统的运行效率与稳定性，保障电网安全、可靠地运行。

利用电力系统中的实时监测系统，直接获取电力系统的实时运行数据。这些数据包括电流、电压、功率等电气量以及保护装置的状态信息等。及时记录和整理采集的数据，形成规范的数据库[3]。

在进行实际的数据采集过程中，由于多个因素的波动，数据往往受到不同程度的影响，直接处理这些数据很可能引入误差。为了更准确地进行数据分析与分类，本文利用机器学习处理继电保护定值整定数据。

为了提高数据处理的精度与效率，选择机器算法中的BP（反向传播）神经网络。BP（反向传播）神经模型通过全面录入分类好的继电保护数据，并精心匹配网络框架，实现网络信息数据与实际操作数据的深度融合[4]。定义网络的结构，包括输入层、隐藏层、输出层的神经元数量化，BP网络结构简图如图2所示。

在复杂的数据整合与分析流程中，选取那些与当前任务目标高度相关且至关重要的位置信息，这一筛选过程旨在确保机器学习模型能够精准地捕捉数据集中潜藏的关键特征，从而显著增强模型在分类任务中的准确性与稳定性，使其在面对多变的数据环境时仍能保持优异的性能。随后，经过上述一系列严谨的数据预处理步骤后，严格遵循既定的数据检验标准，对初步汇集并优化后的数据进行高效而安全的数据传输。在此过程中，不仅确保了数据的完整性与一致性，还灵活匹配了多样化的传输信息，通过创新的信息模式转换技术，进一步简化了数据获取的流程，优化了数据传输的效率与质量，为后续的数据分析与决策支持奠定了坚实的基础。

接下来，选择机器学习领域中强大的支持向量机作为核心算法进行实际应用。支持向量机以其卓越的能力著称，专注于精确识别并高效地区分2个截然不同的数据集。通过构建一个最优化的分离超平面，在复杂多变的特征空间内，以极高的精度划定分别属于2个不同类别的元素区域边界。尤其是在电力系统中至关重要的继电保护领域，这一先进技术的应用显得尤为关键，能够有效地区分并界定那些应当触发保护动作与那些应当保持静默的非触发保护装置区域，从而显著提高电力系统的安全性、稳定性和运行效率[5]。

设特征空间为X，它是一个n维的实数空间Rn。设xi∈X是采集的数据点，i是数据点的索引。在特征空间X中，分离超平面如公式（1）所示。

w∙x+b=0 （1）

式中：w为超平面的法向量，w∈Rn；b为截距，b∈R。

基于分离超平面，定义一个分类函数f（x），用于判断数据点x属于哪个类别，函数如公式（2）所示。

f（x）=sign（w∙x+b） （2）

其中，sign（∙）是符号函数，如公式（3）所示。

（3）

数据映射到特征空间，针对每个数据点xi，它已经被转换（或映射）到了特征空间X中的某个点。给定一个分离超平面w∙x+b=0，针对任意数据点x，通过计算公式（2）来判断其类别。如果f（x）=1，那么x属于正类；如果f（x）=-1，那么x属于负类。使用处理好的训练数据集对支持向量机模型进行训练，通过求解最优化问题找到最佳的分离超平面，提取对继电保护定值整定有影响的特征，这些特征包括电气量的实时值（例如电流、电压、功率）、保护装置的历史动作记录、故障类型、天气条件等外部因素。通过特征选择，去除不相关或冗余的特征，提高模型的训练效率和性能。

3 建立继电保护适应度函数

经过机器学习算法深度处理与优化的数据结果，能够提供一个坚实的基础，进而构建精确高且适应性强的继电保护适应度函数。这一函数不仅广泛涵盖了电力设备的详尽物理特性，例如绝缘强度、温升限制等，还深入考虑了电网的复杂运行方式，包括不同负荷状况下的潮流分布、故障模式及其传播特性。同时，融合了保护装置内部精细的动作逻辑，例如时间延迟、电流电压判据等，确保了在各种工况下保护动作的合理性与可靠性。通过建立这一全面而精细的适应度函数，能够实现对继电保护定值整定过程的精细化模拟，模拟结果不仅贴近实际运行场景，还能有效预测在不同电网状态下保护装置的行为表现。这一过程不仅提高了定值整定的科学性与准确性，还显著增强了电网面对突发事件时的自我保护与恢复能力，为电力系统的安全稳定运行提供了强有力的技术支撑。

继电保护定值优化是需要将其精炼地转化为一个集多目标、多变量及严格约束于一体的优化任务，建立适应度函数，融合保护灵敏度与定值整定时间的考量，如公式（4）所示。

（4）

式中：T（x）为整定时间函数；S（x）为灵敏度函数；α和β为权重系数；λi为第i个约束的违反惩罚系数。

该适应度函数通过内置的智能权重调整机制，自动加重时间惩罚，迫使适应度值下降，从而有效剔除不合格的方案。

4 制定约束条件动态调整保护定值

为了实现继电保护定值的精准且灵活的动态调整，基于先进的计算分析方法，结合实时构建的继电保护适应度函数，该函数综合考虑了电网的复杂结构、负荷变化、故障模式等多种因素，以确保调整策略的科学性与合理性。紧密集成电网运行状态的实时监测系统，该系统能够即时捕捉并处理电网中电压、电流、频率等关键参数的细微变化，为调整过程提供详尽且准确的数据支持。基于上述数据与信息，制定严格的约束条件和智能的调整策略。通过这种高度智能化的调整方式，能够确保继电保护定值始终保持在最佳的工作状态，既不会因过于灵敏而在正常工况下发生误动作，影响电网的正常运行；也不会因反应迟钝而在故障发生时未能及时动作，导致电网保护失效。

假设存在线性模型来根据系统状态S调整保护定值，其中S是一个包括多个系统参数的向量，并且有一个权重向量W和一个偏移量b，动态调整如公式（5）所示。

（5）

式中：W∙S为系统状态S与权重向量W的点积，用于计算基于当前系统状态的初步保护定值，通过max和min函数确保这个值不会超出Imin和Imax的范围。

调整策略后对时间整定系数Tset进行约束。时间整定系数Tset作为调节继电器响应特性的核心变量，其优化调整必须严格遵循预设的边界值，即上下限范围。因此，当制定定值优化策略时，需要对时间整定系数进行配置，以寻求最佳平衡点，如公式（6）所示。

Tsetminlt;Tsetlt;Tsetmax （6）

综上所述，通过制定详细的约束条件和采用基于系统状态的动态调整策略，实现继电保护定值的智能化和实时优化。

5 试验

5.1 试验准备

某大型火力发电厂，总装机容量为2400MW，由4台600MW的发电机组组成。该发电厂采用330kV和110kV两级电压等级接入电网，并通过多条输电线路与区域电网相连，总长约200km。由于发电厂规模庞大、接线复杂且电网运行方式多变，其继电保护定值整定面临许多挑战。为确保发电厂及电网的安全稳定运行，需要对继电保护定值进行优化配置。发电厂具体参数见表1。

在试验评估中，阻抗定值作为核心指标，能够直观地反映不同整定方法的效果差异。通过对比优化前后的阻抗定值，可以评估整定优化是否达到了预期目标，即是否使阻抗定值更接近理想值或更适应当前的电网运行状况。根据对比分析的结果，评估整定优化是否达到了预期目标。如果优化后的阻抗定值更接近理想值或比优化前更小，就说明整定优化是有效的。

接下来，结合发电厂的具体参数和运行数据，对继电保护定值进行优化配置试验。通过对比分析优化前后的数据，验证本文提出的基于机器学习方法的优化策略在提高发电厂继电保护性能方面的有效性和优越性。

5.2 试验结果与分析

基于试验数据，对整定优化结果进行详细的对比与分析，将本文方法与基于加速遗传算法的电力系统继电保护定值优化方法和基于改进海鸥算法的新能源接入配电网继电保护定值优化方法进行对比，以验证本文方法的有效性和优越性，整定优化结果见表2。

通过对比发电厂继电保护定值整定优化结果可知，本文提出的优化配置方法展现出了显著的优势。由表2可知，在所有保护编号下，本文方法优化后的阻抗定值均比优化前有显著改进，且明显优于另外2种方法。特别是与基于加速遗传算法的电力系统继电保护定值优化方法相比，本文方法在保持相近优化效果的同时，在多个保护编号下实现了更精确的阻抗定值调整；而基于改进海鸥算法的新能源接入配电网继电保护定值优化方法则几乎未对阻抗定值产生实质性影响。这些结果表明，本文方法在提高保护装置性能、确保阻抗定值准确性方面效果显著，具有更高的实用性和应用价值。因此，可以认为本文提出的基于特定算法的发电厂继电保护定值整定优化配置方法在发电厂保护系统优化中具有广阔的推广前景。

6 结语

针对本文关于基于机器学习的发电厂继电保护定值整定优化配置的研究可以发现，这一创新方法在实践中具有显著的效果。通过引入机器学习技术，能够更精准地预测电力系统运行状态，并据此动态调整继电保护定值，有效降低误动和拒动的风险，提高发电厂的安全运行水平。然而，当前的研究仍存在一些不足之处。例如，不同发电厂之间的系统特性存在差异，如何构建具有广泛适用性的机器学习模型也是未来需要解决的重要问题。期待随着技术不断进步和深入应用，基于机器学习的发电厂继电保护定值整定优化配置方法能够不断完善和成熟，以更好地满足电力系统对数据质量和实时性的要求。

参考文献

[1]韩晓光，郭安琪.基于加速遗传算法的电力系统继电保护定值优化方法[J].电气时代，2024（6）：66-69.

[2]徐宇，杨鹏杰，李磊.基于改进海鸥算法的新能源接入配电网继电保护定值优化方法[J].电工技术，2023（21）：36-41.

[3]于洋，张骏，王磊，等.基于改进遗传算法的多源数据继电保护定值优化策略[J].电子设计工程，2024，32（6）：81-85.

[4]钱牧涵.基于机器学习的电网继电保护及自动化算法分析[J].电气传动自动化，2024，46（1）：35-38，31.

[5]张娣.基于支持向量机的电力系统继电保护方法研究[J].中国新技术新产品，2023（21）：65-67.