基于SSA-SVM的繼電保護裝置狀態(tài)評估方法研究

葉遠波，李端超，謝 民，王志華，巴全科

基于SSA-SVM的繼電保護裝置狀態(tài)評估方法研究

葉遠波1，李端超1，謝 民1，王志華2，巴全科2

(1.國網(wǎng)安徽省電力有限公司，安徽 合肥 230022；2.武漢凱默電氣有限公司，湖北 武漢 430223)

運維檢修人員對保護裝置檢修時需制定檢修計劃。為了對保護裝置準確評估和精準檢修，提出了一種基于麻雀搜索算法優(yōu)化SVM的繼電保護裝置狀態(tài)評估方法。根據(jù)建立的繼電保護裝置指標體系對保護裝置健康狀態(tài)進行分類，實現(xiàn)繼電保護裝置的狀態(tài)評估。首先，建立繼電保護裝置狀態(tài)評價指標體系，根據(jù)指標體系采集保護裝置的相關數(shù)據(jù)。其次，建立SSA-SVM繼電保護裝置狀態(tài)評估模型，采用該模型將保護裝置健康狀態(tài)按正常、注意、異常和嚴重進行分類。最后，分別采用SSA-SVM、BA-SVM、GWO-SVM、WOA-SVM算法評估繼電保護裝置的健康狀態(tài)，并比較各算法評估保護裝置健康狀態(tài)的準確性和實時性。仿真結(jié)果表明，SSA-SVM算法評估保護裝置健康狀態(tài)的準確性最高，保護裝置狀態(tài)評估結(jié)果可為運維檢修人員提供檢修依據(jù)。

麻雀搜索算法；狀態(tài)評估；SSA-SVM；繼電保護裝置

0 引言

目前，我國電網(wǎng)規(guī)模逐漸增大，保護設備的數(shù)量急劇增長，結(jié)構日益復雜，居民用電和工業(yè)用電對供電的穩(wěn)定性要求也越來越高，因此，對保護裝置進行狀態(tài)評估和狀態(tài)檢修，確保保護裝置正常運行顯得尤其重要[1-3]。為了確保保護裝置不“帶病”工作，通常會對保護裝置進行定期檢修，但由于運維人員的編制相對固定及運維檢修任務繁重等問題，在檢修過程中會出現(xiàn)漏檢、過檢、盲檢等情況，以及不能準確評估繼電保護裝置的健康狀態(tài)，進而引發(fā)安全隱患[4]。通過對保護裝置在線監(jiān)視獲取保護裝置的運行數(shù)據(jù)，并對保護裝置的健康狀態(tài)進行評估，將評估結(jié)果作為繼電保護裝置檢修的主要依據(jù)[5]。

繼電保護裝置狀態(tài)評估是狀態(tài)檢修的基礎，根據(jù)保護裝置的狀態(tài)評估結(jié)果制定出合理的檢修策略，指導運維檢修人員對保護裝置的運維和檢修工作[6]。目前，已有研究人員將灰色聚類法[7]、模糊綜合評判法[8]、TOPSIS法[9]、D-S證據(jù)理論[10]等方法應用于繼電保護裝置狀態(tài)評估?；疑垲愂菍⒕垲悈?shù)的白化數(shù)按幾個灰類進行分類，并結(jié)合建立的保護裝置狀態(tài)評價模型，計算狀態(tài)評價結(jié)果；層次分析法通過賦予各個指標權重，計算得到設備最后得分，實現(xiàn)對保護裝置狀態(tài)評估；模糊綜合評判法通過模糊數(shù)學確定狀態(tài)指標與保護狀態(tài)的隸屬度關系，并建立保護裝置狀態(tài)評價模型，評估保護裝置的健康狀態(tài)。文獻[12]采用變權理論結(jié)合梯形云模型實現(xiàn)了對保護裝置性能的評價，但沒有對保護裝置狀態(tài)評估的準確率作進一步研究。文獻[13]采用支持向量機對保護裝置進行狀態(tài)評估，但應用范圍僅限于小樣本情況，且狀態(tài)評估的準確性和實時性有待提高。文獻[6]采用基于云模型和融合權重的評估方法實現(xiàn)對繼電保護狀態(tài)評估，并通過實例驗證了保護裝置狀態(tài)評估的可行性，但缺乏狀態(tài)評估方法的比對研究。

針對上述問題，本文提出了一種基于麻雀搜索算法優(yōu)化SVM的繼電保護裝置狀態(tài)評估方法，采用麻雀搜索算法優(yōu)化SVM的相關參數(shù)，使得SVM具備更高的狀態(tài)評估精度，并且能夠有效判斷繼電保護裝置的健康狀態(tài)。根據(jù)繼電保護裝置狀態(tài)評估相關規(guī)范，提出保護裝置狀態(tài)評估指標體系，并將保護裝置的健康狀態(tài)分為正常、注意、異常和嚴重四種狀態(tài)。采用SSA-SVM對保護裝置的健康狀態(tài)進行評估，可將保護裝置的狀態(tài)評估結(jié)果作為檢修人員的檢修依據(jù)，提高檢修效率，實現(xiàn)檢修工作的降本增效。

為了比較SSA-SVM算法對保護裝置狀態(tài)評估的準確性和實時性，本文還分別采用蝙蝠算法(BA)[13-14]、灰狼優(yōu)化算法(GWO)[15-16]、鯨魚優(yōu)化算法(WOA)[17-19]對SVM的相關參數(shù)進行尋優(yōu)，然后建立BA-SVM、GWO-SVM、WOA-SVM模型，選取樣本數(shù)據(jù)對上述模型進行訓練，使其具備最佳的狀態(tài)評估能力，最后通過仿真測試，實現(xiàn)保護裝置狀態(tài)評估，并對仿真測試結(jié)果進行對比分析。

1 保護裝置狀態(tài)評估指標體系

DL/T 623-2010《電力系統(tǒng)繼電保護及安全自動裝置運行評價規(guī)程》[20]規(guī)定了繼電保護運行評價范圍，并對繼電保護正確動作率、故障率、不正確動作原因等作了規(guī)定。繼電保護動作次數(shù)按事件評價，保護裝置的正確動作率可按繼電保護裝置為單位進行評價。GB/T 14285-2006《繼電保護和安全自動裝置技術規(guī)程》[21]對繼電保護裝置電壓紋波系數(shù)、最低電壓、最高電壓等相關指標作了規(guī)定。Q/GDW 1806-2013《繼電保護狀態(tài)檢修導則》[22]將保護裝置的健康狀態(tài)分為正常狀態(tài)、注意狀態(tài)、異常狀態(tài)和嚴重狀態(tài)，并對家族性缺陷、狀態(tài)評價等進行了規(guī)定。

根據(jù)上述規(guī)范，建立如圖1所示的繼電保護裝置狀態(tài)評估指標體系，以該指標體系作為評價保護裝置健康狀況的重要依據(jù)。繼電保護裝置狀態(tài)評估指標體系中檢修指標包括家族缺陷率、絕緣性能和設備故障次數(shù)；運行指標包括工作電壓、CPU 溫度、接收光功率、斷路器誤動次數(shù)、異常告警率和發(fā)送光功率。

圖1 繼電保護裝置狀態(tài)評估指標體系

2 SSA-SVM模型

2.1 SVM算法

支持向量機(SVM)[23-25]是以統(tǒng)計學為基礎，通過訓練有限的樣本數(shù)據(jù)達到分類的目的，此外SVM還可以用于函數(shù)擬合和線性回歸。SVM不僅可以對線性樣本進行分類，還能解決非線性的分類問題，該算法具備學習樣本小、學習能力強和分類準確性高等特點[26]。

最優(yōu)分類面示意圖如圖2所示，將不同樣本類型按超平面區(qū)分開。

圖2 最優(yōu)分類面

在目標函數(shù)中加入松弛項，并用最大間隔分類表示SVM的最佳超平面問題。

在約束條件下通過計算求解表達式(5)的最大值。

式中，為核函數(shù)參數(shù)，需采用智能算法對核函數(shù)參數(shù)進行優(yōu)化。

2.2 SSA算法

麻雀搜索算法(SSA)[28-29]與遺傳算法、蝗蟲算法、布谷鳥算法、蝙蝠算法、蟻群算法、天牛須搜索算法等智能算法類似，能對目標函數(shù)進行高效率尋優(yōu)。薛建凱和沈波于2020年依據(jù)麻雀群體覓食的規(guī)律提出了SSA算法，該算法作為一種最新的群體優(yōu)化算法，可用于對多目標函數(shù)進行優(yōu)化。

通過麻雀掠奪食物和群體逃逸的規(guī)律建立SSA算法模型。麻雀在群體覓食過程中，發(fā)現(xiàn)者尋找食物并為種群提供覓食范圍，后來加入的麻雀會跟著發(fā)現(xiàn)者一起覓食，當覓食過程中遇到危險時，偵察者會發(fā)出危險信號。發(fā)現(xiàn)者和偵察者分別占種群的10%～20%，群體覓食時發(fā)現(xiàn)者和加入者可互相轉(zhuǎn)換，但在種群所占比例保持不變。發(fā)現(xiàn)者通過搜索覓食區(qū)域不斷更新位置，以獲取種群所需要食物；發(fā)現(xiàn)者獲取食物位置后加入者跟進覓食，并獲取更高的適應度；遇到捕食者的威脅時，偵察者會及時提醒種群做出反捕食行為。在SSA算法中，每只麻雀的位置對應一個解。

發(fā)現(xiàn)者位置更新如式(8)所示。

加入者位置更新如式(9)所示。

偵察者位置更新如式(10)所示。

2.3 SSA-SVM模型建立

取來度量保護裝置的健康狀態(tài)(其中，為正常數(shù))。若，保護裝置為嚴重狀態(tài)，其健康程度用“0”表示，須對保護裝置進行檢修；若-1≤d≤0，保護裝置發(fā)生異常，其健康程度用“1”表示，此時須對保護裝置進行檢修；若0＜d≤1，保護裝置為注意狀態(tài)，其健康程度用“2”表示；若d＞1，保護裝置為正常狀態(tài)，其健康程度用“3”表示。保護裝置健康狀態(tài)分類如圖3所示。

繼電保護裝置狀態(tài)評估的準確性受SVM的核函數(shù)參數(shù)和懲罰因子的影響，其中核函數(shù)參數(shù)影響樣本的空間的投射；懲罰因子影響樣本學習的準確性。建立SSA-SVM模型，采用SSA算法對目標函數(shù)高效的尋優(yōu)能力，確定SVM最佳的懲罰因子和核函數(shù)參數(shù)，從而提高SVM對繼電保護裝置狀態(tài)評估的準確性。保護裝置健康狀態(tài)評估結(jié)果以數(shù)字3、2、1和0表示?；赟SA算法優(yōu)化SVM參數(shù)的保護裝置狀態(tài)評估過程如圖4所示。

圖4 SSA算法優(yōu)化SVM的狀態(tài)評估流程圖

3 人工經(jīng)驗訓練SSA-SVM

(1) 樣本訓練

準確評估繼電保護裝置的健康程度，并根據(jù)評估結(jié)果制定檢修決策，為運維檢修人員提供可靠的檢修依據(jù)，確保智能變電站安全、穩(wěn)定運行具有重要的意義。根據(jù)本文建立的保護裝置狀態(tài)評估指標體系，采集工作電壓、CPU 溫度、家族缺陷率、絕緣性能、設備故障次數(shù)、斷路器誤動次數(shù)、異常告警率和接收光功率等作為樣本數(shù)據(jù)。本文選取10 000組不同健康狀態(tài)的樣本對SSA-SVM算法進行訓練，通過訓練使其能夠準確地評估保護裝置的健康狀態(tài)，部分訓練樣本數(shù)據(jù)如表1所示。

表1 部分訓練樣本數(shù)據(jù)

人工經(jīng)驗訓練SSA-SVM的過程如圖5所示。首先將樣本數(shù)據(jù)經(jīng)過數(shù)據(jù)預處理后輸入SSA-SVM模型中；其次利用SSA的尋優(yōu)能力，通過訓練確定最優(yōu)的懲罰因子和核函數(shù)參數(shù)；最后將訓練所得的和設入SVM中，使其具備良好的保護裝置狀態(tài)評估能力。

圖5 人工經(jīng)驗訓練SSA-SVM

(2) 狀態(tài)評估

為了驗證SSA-SVM算法對繼電保護裝置狀態(tài)評估的準確性，本文采用100組測試樣本進行仿真測試。部分測試樣本如表2所示，其中，樣本 1、3 和7是剛投運保護裝置的數(shù)據(jù)，其健康狀態(tài)為正常，即健康程度為3；樣本4和樣本5為故障狀態(tài)下保護裝置的數(shù)據(jù)，其健康狀態(tài)為嚴重，即健康程度為0；樣本 2和6是采集運行狀態(tài)下的保護裝置數(shù)據(jù)，保護裝置健康狀況逐漸趨于劣化，其健康狀態(tài)為注意，即健康程度為2；樣本8采集的異常狀態(tài)的保護裝置數(shù)據(jù)，其健康狀態(tài)異常，即健康程度為1。

基于訓練樣本，采用SSA算法優(yōu)化 SVM 獲得最高交叉驗證正確率為92.36%，對應的最佳核函數(shù)參數(shù)= 0.61245，最佳懲罰因子= 198，將最佳核函數(shù)參數(shù)和最佳懲罰因子設入SVM，利用優(yōu)化后的模型對測試樣本進行評估，保護裝置狀態(tài)評估結(jié)果如表3所示。

由保護裝置評估結(jié)果可知，樣本1、3、7保護裝置的健康狀態(tài)為正常；樣本4和5保護裝置的健康狀態(tài)為嚴重；樣本 2、6保護裝置的健康狀態(tài)為注意；樣本8保護裝置的健康狀態(tài)為異常。本文采用SSA-SVM算法對保護裝置的狀態(tài)評估結(jié)果與測試樣本一致，準確地評估了保護裝置的運行狀態(tài)。

為了進一步驗證SSA-SVM算法評估繼電保護裝置健康狀態(tài)的準確率，將100組測試樣本作為SSA-SVM的輸入向量進行仿真測試，測試結(jié)果如圖6所示。僅有1組實際測試樣本的健康狀態(tài)被評估為注意狀態(tài)，即保護裝置狀態(tài)評估準確率為99%。

表2 部分測試樣本數(shù)據(jù)

圖6 SSA-SVM測試樣本預測

表3 保護裝置狀態(tài)評估結(jié)果

4 智能算法仿真比較

由表4可知，本文提出的 SSA-SVM方法評估準確率高于BA-SVM、GWO-SVM、WOA-SVM和SVM算法，且實時性高于BA、GWO和WOA算法優(yōu)化SVM。通過研究SSA算法、BA算法、GWO算法和WOA算法對目標函數(shù)的尋優(yōu)能力，發(fā)現(xiàn)BA算法的參數(shù)和能改變該算法收斂速度和搜索精度，決定算法的尋優(yōu)能力；GWO算法可自適應調(diào)整收斂因子，且具備信息反饋機制；SSA算法具有極強的局部搜索能力和快速的收斂性；WOA算法的收斂性受參數(shù)的影響，可通過改進收斂因子和引入動態(tài)權重提高該算法的收斂速度。通過比較SVM、SSA-SVM、BA-SVM、GWO-SVM、WOA-SVM算法在繼電保護裝置狀態(tài)評估的效果，本文提出的SSA-SVM算法在保護裝置狀態(tài)評估的準確率和實時性均優(yōu)于其他算法。

表4 智能算法評估比較

5 結(jié)論

本文采用SSA-SVM算法對繼電保護裝置的狀態(tài)進行評估，并比較SSA-SVM算法與BA-SVM、GWO-SVM、WOA-SVM算法對繼電保護裝置的狀態(tài)評估的準確性。首先，利用SSA算法、BA算法、GWO算法和WOA算法的尋優(yōu)能力，分別對SVM的相關參數(shù)進行尋優(yōu)；然后用訓練好的BA-SVM、GWO-SVM、WOA-SVM和SSA-SVM算法對測試樣本的健康狀態(tài)進行評估；最后比較上述四種模型對繼電保護裝置的狀態(tài)評估的準確性。仿真結(jié)果表明，采用SSA-SVM算法對繼電保護裝置的狀態(tài)評估的正確率最高，準確率為99%，驗證了本文所提算法對繼電保護裝置的狀態(tài)評估的有效性，可為變電站保護裝置的運維檢修提供可靠的檢修決策。

[1] 葉遠波, 劉宏君, 黃太貴, 等.變電站繼電保護設備狀態(tài)檢修可靠性分析方法研究[J].電力系統(tǒng)保護與控制, 2021, 49(10): 170-177.

YE Yuanbo, LIU Hongjun, HUANG Taigui, et al.Research on the reliability analysis method of condition-based maintenance of relay protection equipment in substation[J].Power System Protection and Control, 2021, 49(10): 170-177.

[2] 陳海濤, 楊軍, 施迎春, 等.基于云模型與馬爾科夫鏈的繼電保護裝置壽命預測方法[J].電力系統(tǒng)保護與控制, 2019, 47(16): 94-100.

CHEN Haitao, YANG Jun, SHI Yingchun, et al.Life prediction method of relay protection device based on could model and Markov Chain[J].Power System Protection and Control, 2019, 47(16): 94-100.

[3] ZHAN H, WANG C, WANG Y, et al.Relay protection coordination integrated optimal placement and sizing of distributed generation sources in distribution networks[C] // Power & Energy Society General Meeting, July 17-21, 2016, Boston, MA, USA: 55-65.

[4] 李寬宏.變電站二次設備防誤風險管控系統(tǒng)實現(xiàn)方案[J].電力系統(tǒng)自動化, 2020, 44(17): 95-101.

LI Kuanhong.Implementation scheme of risk management and control system for anti-misoperation of secondary devices in substation[J].Automation of Electric Power Systems, 2020, 44(17): 95-101.

[5] 陳海濤, 張學敏, 戴偉康, 等.基于GA優(yōu)化SVM參數(shù)與云模型的繼電保護裝置狀態(tài)評估方法[J].智慧電力, 2020, 48(7): 88-92, 117.

CHEN Haitao, ZHANG Xuemin, DAI Weikang, et al.State assessment method of relay protection device based on GA optimization SVM parameters and cloud model[J].Smart Power, 2020, 48(7): 88- 92, 117.

[6] 王寧霞, 孔祥鵬, 梁建龍, 等.基于正態(tài)云模型和綜合權重的繼電保護狀態(tài)評估[J].青海電力, 2020, 39(3): 1-5, 24.

WANG Ningxia, KONG Xiangpeng, LIANG Jianlong, et al.Evaluation of relay protection status based on normal cloud model and comprehensive weight[J].Qinghai Electric Power, 2020, 39(3): 1-5, 24.

[7] 曾星星.智能變電站二次系統(tǒng)狀態(tài)評價方法研究[D].重慶: 重慶大學, 2015.

ZENG Xingxing.Research on status evaluation method for smart substation secondary system[D].Chongqing: Chongqing University, 2015.

[8] 吳姜, 蔡澤祥, 胡春潮, 等.基于模糊正態(tài)分布隸屬函數(shù)的繼電保護裝置狀態(tài)評價[J].電力系統(tǒng)保護與控制, 2012, 40(5): 48-52.

WU Jiang, CAI Zexiang, HU Chunchao, et al.Status evaluation of protective relays based on the membership function in fuzzy normal distribution[J].Power System Protection and Control, 2012, 40(5): 48-52.

[9] 楊國生, 戴飛揚, 王文煥, 等.基于灰度關聯(lián)法和TOPSIS法的繼電保護狀態(tài)評估綜合算法研究與應用[J].中國電力, 2019, 52(2): 94-103.

YANG Guosheng, DAI Feiyang, WANG Wenhuan, et al.Research and application of comprehensive algorithm of relay protection status assessment based on gray correlation analysis and TOPSIS method[J].Electric Power, 2019, 52(2): 94-103.

[10] 梁志堅, 李佳運, 王建楠.基于集對分析和D-S證據(jù)理論的繼電保護狀態(tài)評估方法[J].廣西電力, 2019, 42(5): 7-12, 27.

LIANG Zhijian, LI Jiayun, WANG Jiannan.A state evaluation method of relay protection device based on set pair analysis and D-S evidence theory[J].Guangxi Electric Power, 2019, 42(5): 7-12, 27.

[11] 葉遠波, 黃太貴, 謝民, 等.基于多模型融合集成學習的智能變電站二次設備狀態(tài)評估[J].電力系統(tǒng)保護與控制, 2021, 49(12): 148-157.

YE Yuanbo, HUANG Taigui, XIE Min, et al.A state assessment method for intelligent substation secondary equipment based on multi-model ensemble learning[J].Power System Protection and Control, 2021, 49(12): 148-157.

[12] 田有文, 唐曉明.基于支持向量機的微機保護裝置狀態(tài)評估的研究[J].電力系統(tǒng)保護與控制, 2009, 37(4): 66-69.

TIAN Youwen, TANG Xiaoming.Study on state evalution for microprocessor protective device based on SVM[J].Power System Protection and Control, 2009, 37(4): 66-69.

[13] 周賢泉, 宋威, 張士昱, 等.一種改進的蝙蝠算法[J].傳感器與微系統(tǒng), 2019, 38(11): 139-143.

ZHOU Xianquan, SONG Wei, ZHANG Shiyu, et al.An improved bats algorithm[J].Transducer and Microsystem Technologies, 2019, 38(11): 139-143.

[14] 戴宏亮, 羅裕達.基于蝙蝠算法優(yōu)化反向傳播神經(jīng)網(wǎng)絡模型的無線網(wǎng)絡流量預測[J].計算機應用, 2021, 41(增刊1): 185-188.

DAI Hongliang, LUO Yuda.Wireless network traffic prediction based on bat algorithm optimized back propagation neural network model[J].Journal of Computer Applications, 2021, 41(S1): 185-188.

[15] 廖志偉, 肖異瑤, 張文錦.基于改進灰狼算法的變電站多階段升壓規(guī)劃優(yōu)化方法[J].智慧電力, 2021, 49(7): 93-101.

LIAO Zhiwei, XIAO Yiyao, ZHANG Wenjin.Optimization method for multi-stage boost planning of substation based on improved GWO[J].Smart Power, 2021, 49(7): 93-101.

[16] 俞沛宙, 王澍, 楊繼輝, 等.基于灰狼優(yōu)化的永磁同步電機自適應反推魯棒控制策略[J].電力系統(tǒng)保護與控制, 2021, 49(2): 39-46.

YU Peizhou, WANG Shu, YANG Jihui, et al.Adaptive backstepping robust control strategy of PMSM based on grey wolf optimization[J].Power System Protection and Control, 2021, 49(2): 39-46.

[17] 徐航, 張達敏, 王依柔, 等.基于自適應決策算子的鯨魚優(yōu)化算法[J].智能計算機與應用, 2020, 10(9): 6-11.

XU Hang, ZHANG Damin, WANG Yirou, et al.Whale optimization algorithm based on adaptive decision operator[J].Intelligent Computer and Applications, 2020, 10(9): 6-11.

[18] MIRJALILI S, LEWIS A.The whale optimization algorithm[J].Advances in Engineering Software, 2016, 95: 51-67.

[19]楊曉雷, 徐建元, 陶歡, 等.基于改進鯨魚算法的儲能系統(tǒng)優(yōu)化配置研究[J].浙江電力, 2021, 40(3): 113-120.

YANG Xiaolei, XU Jianyuan, TAO Huan, et al.Study on optimal allocation of energy storage system based on improved WOA[J].Zhejiang Electric Power, 2021, 40(3): 113-120.

[20] 中國電力科學研究院.電力系統(tǒng)繼電保護及安全自動裝置運行評價規(guī)程: DL/T 623—2010[S].北京: 中國電力出版社, 2011.

[21] 華東電力設計院.繼電保護和安全自動裝置技術規(guī)程: GB/T 14285—2006[S].北京: 中國標準出版社, 2006.

[22] 國家電力調(diào)度控制中心.繼電保護狀態(tài)檢修導則: Q/GDW 1806—2013[S].北京: 中國電力出版社, 2013.

[23] 譚貴生, 石宜金, 劉丹丹.基于混沌粒子群優(yōu)化支持向量機的變壓器故障診斷[J].昆明理工大學學報(自然科學版), 2019, 44(5): 54-61.

TAN Guisheng, SHI Yijin, LIU Dandan.Fault diagnosis of transformers based on support vector machine with improved particle swarm optimization[J].Journal of Kunming University of Science and Technology (Natural Science), 2019, 44(5): 54-61.

[24] HAO P, CHIANG J H, TU Y.Hierarchically SVM classification based on support vector clustering method and its application to document categorization[J].Expert Systems with Applications, 2007, 33(3): 627-635.

[25]耿俊成, 郭志民, 李曉蕾, 等.基于LOF和SVM的配電網(wǎng)線變關系數(shù)據(jù)校驗方法[J].中國測試, 2021, 47(4): 49-54.

GENG Juncheng, GUO Zhimin, LI Xiaolei, et al.Connectivity data verification method of feeder transformers based on LOF and SVM[J].China Measurement & Test, 2021, 47(4): 49-54.

[26] 方濤, 錢曄, 郭燦杰, 等.基于天牛須搜索優(yōu)化支持向量機的變壓器故障診斷研究[J].電力系統(tǒng)保護與控制, 2020, 48(20): 90-96.

FANG Tao, QIAN Ye, GUO Canjie, et al.Research on transformer fault diagnosis based on a beetle antennae search optimized support vector machine[J].Power System Protection and Control, 2020, 48(20): 90-96.

[27] 張鐿議, 焦健, 汪可, 等.基于帝國殖民競爭算法優(yōu)化支持向量機的電力變壓器故障診斷模型[J].電力自動化設備, 2018, 38(1): 99-104.

ZHANG Yiyi, JIAO Jian, WANG Ke, et al.Power transformer fault diagnosis model based on support vector machine optimized by imperialist competitive algorithm[J].Electric Power Automation Equipment, 2018, 38(1): 99-104.

[28] XUE J, SHEN B.A novel swarm intelligence optimization approach: sparrow search algorithm[J].Systems Science & Control Engineering, 2020, 8(1): 22-34.

[29] 石萬宇, 魏軍強, 趙云灝.基于改進麻雀算法-支持向量機的輸電線路故障診斷[J].浙江電力, 2021, 40(11): 38-45.

SHI Wanyu, WEI Junqiang, ZHAO Yunhao.Transmission line fault diagnosis based on support vector machine optimized by improved sparrow search algorithm[J].Zhejiang Electric Power, 2021, 40(11): 38-45.

A state evaluation method for a relay protection device based on SSA-SVM

YE Yuanbo1, LI Duanchao1, XIE Min1, WANG Zhihua2, BA Quanke2

(1.State Grid Anhui Electric Power Co., Ltd., Hefei 230022, China; 2.Wuhan Kemov Electric Co., Ltd., Wuhan 430223, China)

Operation and maintenance personnel formulate a maintenance plan when maintaining a protection device.To accurately evaluate and repair a protection device, a state evaluation method of relay protection device based on the sparrow search algorithm optimized SVM is proposed.Using the established relay protection device index system, the health state of the device is classified to realize its state evaluation.First, this paper establishes the state evaluation index system of relay protection devices, and collects relevant data on the protection device according to that system.Secondly, the SSA-SVM relay protection device state evaluation model is established.This is used to classify the health state of the protection device in terms of normal, attention, abnormality and severity.Finally, SSA-SVM, BA-SVM, GWO-SVM and WOA-SVM algorithms are used to evaluate the health status of relay protection devices, and the accuracy and real-time of each algorithm is compared.The simulation results show that the SSA-SVM algorithm has the highest accuracy in evaluating the health state of the protection device, and the state evaluation results can provide a basis for operation and maintenance personnel.

sparrow search algorithm; condition assessment; SSA-SVM; relay protection device

10.19783/j.cnki.pspc.211301

2021-07-23；

2021-09-25

葉遠波(1973—)，男，碩士，教授級高級工程師，研究方向為電力系統(tǒng)繼電保護；E-mail: 807156806@qq.com

巴全科(1989—)，男，通信作者，碩士，研究方向為電力系統(tǒng)繼電保護。E-mail:baquanke@kemov.com

國家電網(wǎng)公司科技項目資助(5212002000AR)

This work is supported by the Science and Technology Project of State Grid Corporation of China (No.5212002000AR).

(編輯 張愛琴)