智能變電站二次系統(tǒng)故障的自動診斷技術(shù)研究

王 銘 葛長城

（山東工業(yè)技師學(xué)院）

0 引言

現(xiàn)階段，智能變電站的廣泛應(yīng)用為電力行業(yè)的發(fā)展提供了重要資源［1-4］。但是在應(yīng)用過程中不免會因各種因素出現(xiàn)二次系統(tǒng)異常、故障等突發(fā)狀況，加之當(dāng)前對智能變電站信號的采集以及分析還存在極大上升空間，所以極易導(dǎo)致二次系統(tǒng)故障無法被快速精準(zhǔn)的定位以及查明原因，進(jìn)而導(dǎo)致整個電力系統(tǒng)的運行受到影響，基于此，亟需一種高效的智能變電站二次系統(tǒng)故障診斷技術(shù)發(fā)揮作用［5-8］。

1 智能變電站二次系統(tǒng)故障診斷模型

智能變電站二次系統(tǒng)支持站內(nèi)的監(jiān)控保護(hù)和測量等工作，其形成主要由智能化電子設(shè)備以及通信網(wǎng)絡(luò)組建。故障診斷技術(shù)會依照每個故障信息建立邏輯聯(lián)系，再借助智能算法的推導(dǎo)性能，明確診斷目標(biāo)的實際運行情況。遵循該思路，便可以制定并得出智能變電站二次系統(tǒng)的故障診斷模型，詳見圖1所示。

圖1 智能變電站二次系統(tǒng)故障診斷模型

根據(jù)圖1所示，該模型中滿足故障診斷需求的特征信息主要從靜態(tài)配置信息以及“綜自系統(tǒng)”告警信息、在線監(jiān)測中產(chǎn)生的數(shù)據(jù)信息，且設(shè)備診斷、報文診斷、配置診斷以及綜合診斷獨自成立了分布式架構(gòu)。

由圖1所示的故障診斷模型中各個診斷板塊具備的性能有以下幾點。

（1）智能設(shè)備診斷。依照全部裝置的自動檢測警告信息和監(jiān)控信息診斷智能變電站二次系統(tǒng)的運作實況，其在運作過程中是否存在故障異常情況。裝置故障主要可分為程序故障、硬件故障、ISG故障、開關(guān)機(jī)械故障等。

（2）報文診斷。依照網(wǎng)絡(luò)報文監(jiān)視告警系統(tǒng)，對智能變電站二次系統(tǒng)發(fā)生出現(xiàn)故障期間的通信網(wǎng)絡(luò)非正常告警信息予以診斷，精準(zhǔn)定位非正常位置和網(wǎng)絡(luò)裝置。通信網(wǎng)絡(luò)故障主要可分為通信鏈路中斷、交換機(jī)故障、報文故障等。

（3）配置診斷。依照全部IED裝置的配置參數(shù)，將智能變電站配置文件的SCD數(shù)據(jù)信息為基準(zhǔn)，對全部IED裝置予以配置參數(shù)診斷，明確其全部裝置是否處于穩(wěn)定運行狀態(tài)。

（4）綜合診斷。模型中全部診斷模塊得出的檢測評估結(jié)果最后會通過綜合診斷模塊予以全面具體的推理分析，以此獲取到最終且極具全面性的檢測結(jié)果。評估類目主要包含開關(guān)／保護(hù)異常動作對應(yīng)的智能變電站二次系統(tǒng)故障原因。

2 智能變電站二次系統(tǒng)故障診斷技術(shù)應(yīng)用的SVM 算法分析

SVM算法是以統(tǒng)計學(xué)理論為基礎(chǔ)形成的新型機(jī)器學(xué)習(xí)法，其具備的性能優(yōu)勢可以有效完善小樣本、非線性以及局部極小等問題，是神經(jīng)網(wǎng)絡(luò)研究之后機(jī)器學(xué)界的又一大研究熱點。SVM算法支持?jǐn)?shù)據(jù)分類，其遵循的原則為：先把特征向量由原始空間Rm借助函數(shù)φ（·）映射至高維空間Rn，接著于該高維空間內(nèi)計算分析出分割訓(xùn)練樣本中最佳超平面，以此讓樣本集內(nèi)的點距離最佳超平面盡可能遠(yuǎn)。

SVM屬于二分類器，從智能變電站二次系統(tǒng)角度分析，該系統(tǒng)極具復(fù)雜性，且故障種類也較為繁多，所以便應(yīng)用以此創(chuàng)設(shè)出具有多元化特性的分類器，進(jìn)而為智能變電站二次系統(tǒng)的故障診斷分析提供支撐。其創(chuàng)設(shè)邏輯是：建設(shè)個分類器用于完善獨立的k分類困難，且全部的分類器均支持對兩類樣本予以分類處理。假設(shè)兩個訓(xùn)練樣本分別屬于第m類和第n類異常狀態(tài)，以表示，那么二元分類器便能夠轉(zhuǎn)換成以下幾個多元分類器。詳細(xì)見式（1） ～式（3）。

式中，wmn＝代表的是分割m類以及n類非正常狀態(tài)范疇的超平面線性權(quán)重向量；C不可小于0，屬正則化常數(shù)，主要用途是管控對錯分樣本的懲罰輕重；代表的是松弛變量數(shù)值。φ（xi）＝［φ（xi1），φ（xi2），…φ（xiN）］T，其中，xiN代表的是xi的第N個分量，是指把輸入樣本由原始樣本空間映射至N維空間內(nèi)的非線性映射；bmn代表的是分割m類以及n類的非正常狀態(tài)范疇的超平面閾值。核函數(shù)K（xi，xj）＝φ（xi）·φ（xj），該核函數(shù)屬于RBF范疇（即徑向基函數(shù)），如下式。

式中，γ值不可小于0，且為參數(shù)。SVM算法具備的性能在γ以及C的干擾下，為有效強(qiáng)化其自身具備的算法性能，會借助PSO來達(dá)到確定以上兩個參數(shù)最佳數(shù)值的目的。PSO和其他確定最佳的方法具有一定的相同點，即以迭代思想為基礎(chǔ)的優(yōu)化理念。在確定最佳階段，被優(yōu)化的函數(shù)數(shù)值會直接影響每個粒子的適應(yīng)程度，其全部粒子截止至今已經(jīng)確定的最佳數(shù)值和總體粒子群共享的確定結(jié)果均含于該粒子內(nèi)，且直接決定著粒子的移動速度以及方向。將該尋優(yōu)方法和遺傳算法進(jìn)行比較，PSO不會借助較差以及變異計算的力量，且擁有更快的收斂速度以及更佳的魯棒性。

3 基于SVM 的智能變電站二次系統(tǒng)故障診斷技術(shù)實際應(yīng)用

上文闡述的以SVM算法為核心的職能變電站二次系統(tǒng)故障診斷技術(shù)，其構(gòu)成分兩個部分：訓(xùn)練模型以及故障診斷。詳細(xì)結(jié)構(gòu)如圖2所示。訓(xùn)練模型部分是指將以往的運行數(shù)據(jù)信息和與其相對應(yīng)的專家診斷結(jié)果作為訓(xùn)練樣本集，同時應(yīng)用SVM算法編制創(chuàng)建智能變電站二次系統(tǒng)故障診斷模型。故障診斷部分是指對故障診斷的性能水平予以仔細(xì)評估，借助的故障數(shù)據(jù)信息予以診斷測試。

圖2 智能變電站二次系統(tǒng)故障診斷步驟示意圖

3.1 訓(xùn)練模型

將處理完成的訓(xùn)練樣本集數(shù)據(jù)信息應(yīng)用至SVM智能變電站二次系統(tǒng)故障檢測模型予以訓(xùn)練，同時借助PSO算法對SVM模型予以最佳參數(shù)的確定，再于成功獲取到非動態(tài)的故障數(shù)據(jù)信息后對SVM模型予以處理。

3.2 故障診斷

將智能變電站二次系統(tǒng)故障現(xiàn)場獲取到的信號在完成數(shù)據(jù)預(yù)處理之后予以測試集數(shù)據(jù)的構(gòu)建，之后借助訓(xùn)練完成的SVM故障診斷模型對測試集數(shù)據(jù)予以故障判定。

4 SVM 模型的診斷結(jié)果分析

以某220kV的智能變電站為例予以分析。對電力系統(tǒng)中變壓器保護(hù)以及線路保護(hù)的二次系統(tǒng)保護(hù)情況予以故障診斷，以此證明上文闡述的SVM故障診斷模型極具準(zhǔn)確性及可靠性。在該舉例分析的智能變電站中，其保護(hù)措施都應(yīng)用了雙重化配置。通過將智能變電站長久以來獲取累積的運行數(shù)據(jù)構(gòu)建成專家數(shù)據(jù)庫，之后再將數(shù)據(jù)庫用于SVM 模型訓(xùn)練的訓(xùn)練集，再將實際測試獲得的數(shù)據(jù)信息應(yīng)用至模型正確性的測試之中。

4.1 智能變電站二次系統(tǒng)線路保護(hù)故障診斷結(jié)果分析

該智能變電站二次系統(tǒng)的線路保護(hù)故障主要被劃分成1／2號保護(hù)設(shè)備以及測控組網(wǎng)鏈接等。輸入信號主要包含合并單元以及線路保護(hù)接收智能終端G00SE斷鏈。應(yīng)用PSO算法至SVM模型中，其精準(zhǔn)確定最佳的γ值是1.9298，以及確定的最佳C值是0.01，其在優(yōu)化完成之后的故障信息處理模型對訓(xùn)練樣本的十折交叉證明其準(zhǔn)確率其實滿足100%。

借助訓(xùn)練完成的PSO-SVM模型對多個試驗樣本予以故障診斷，同時將專業(yè)檢修人員的判定結(jié)果作為故障確定標(biāo)準(zhǔn)，其故障診斷結(jié)果顯示該診斷模型具有高達(dá)97%的準(zhǔn)確率。若是在無PSO的尋優(yōu)法輔助，該模型的準(zhǔn)確率是94%，因此證明PSO在SVM模型的優(yōu)化中切實發(fā)揮了重要作用。

4.2 智能變電站二次系統(tǒng)變壓器保護(hù)故障診斷結(jié)果分析

智能變電器二次系統(tǒng)的變壓器保護(hù)故障主要有合并單元以及智能終端等故障類型。輸入單元主要包含合并單元SVM整體警告以及GOOSE整體警告等。應(yīng)用PSO算法至SVM模型中，其精準(zhǔn)確定最佳的γ值是1.4497，確定的最佳C值是0.01，其在優(yōu)化完成之后的故障信息處理模型對訓(xùn)練樣本的十折交叉驗證證明其準(zhǔn)確率切實滿足100%。

將PSO-SVM模型應(yīng)用至智能變電站二次系統(tǒng)變壓器保護(hù)故障，其檢測的結(jié)果具備極高的診斷正確率，為98.1%，由此證明該模型在智能變電站二次系統(tǒng)的故障診斷中極具正確性、可靠性以及適用性。

5 結(jié)束語

本研究根據(jù)現(xiàn)階段的智能變電站二次系統(tǒng)故障檢測存在的不足予以優(yōu)化研究，詳細(xì)分析闡述基于SVM的智能變電站二次系統(tǒng)故障檢測技術(shù)，創(chuàng)建了故障診斷數(shù)據(jù)集，以及診斷模型。其結(jié)論包含以下幾點內(nèi)容。

（1）本文借助較為典型實際案例予以分析，同時對智能變電站二次系統(tǒng)全部故障對應(yīng)的狀態(tài)予以構(gòu)建數(shù)據(jù)集，通過分析診斷結(jié)果得知，該數(shù)據(jù)集具備較佳的訓(xùn)練屬性。

（2）本文還以SVM算法具備的高效的小樣本回歸性能，創(chuàng)建了符合智能變電站二次系統(tǒng)故障診斷需求的診斷模型。同時應(yīng)用PSO算法對SVM數(shù)據(jù)信息予以最佳數(shù)值的確定（即尋優(yōu)），有效防止了SVM數(shù)據(jù)信息的選定出現(xiàn)偏差等情況，對SVM故障診斷模型原本具備的優(yōu)勢性能予以進(jìn)一步完善。

（3）經(jīng)過分析診斷結(jié)果可知，本研究闡述的診斷模型對智能變電站二次系統(tǒng)的線路保護(hù)以及變壓器保護(hù)的故障診斷均呈現(xiàn)出了顯著的準(zhǔn)確性，由此證明該診斷技術(shù)極具應(yīng)用價值。