繼電保護設備狀態(tài)監(jiān)測及故障診斷方法研究

馮 東, 王利軍, 張治中, 曾凡君, 常曉榮

(北京國電通網絡技術有限公司，北京 100070)

繼電保護設備是電力系統(tǒng)的重要組成部分，其運行狀態(tài)直接影響電力系統(tǒng)的安全性和可靠性，因此對繼電保護設備狀態(tài)進行監(jiān)測和監(jiān)測數(shù)據(jù)采集有助于及時了解繼電保護設備的實時狀態(tài)，為繼電保護設備維護保養(yǎng)與檢修提供參考依據(jù)[1-4]。傳統(tǒng)的繼電保護設備檢修一般按照固定周期進行，無法及時準確地實現(xiàn)繼電保護設備的檢修，甚至出現(xiàn)過檢驗的情況，浪費大量人力、物力和財力。為提高繼電保護設備狀態(tài)監(jiān)測的實時性和故障診斷的準確率，本文結合4G網絡通信技術覆蓋率高、成本低以及無需鋪設線路的優(yōu)點[5-6]，運用4G網絡通信技術實時傳輸采集到的繼電保護設備狀態(tài)監(jiān)測數(shù)據(jù)，建立了基于特征數(shù)據(jù)的涼亭鳥優(yōu)化(satin bowerbird optimizer，SBO)算法-極限學習機(extreme learning machine,ELM)的繼電保護設備狀態(tài)實時監(jiān)測與故障診斷系統(tǒng)。

1 監(jiān)測系統(tǒng)結構

為實現(xiàn)對繼電保護設備的實時狀態(tài)監(jiān)測與故障診斷，建立了基于4G網絡通信技術的繼電保護設備狀態(tài)監(jiān)測與故障診斷系統(tǒng)，系統(tǒng)結構如圖1所示。該監(jiān)測系統(tǒng)采用樹形結構，包括監(jiān)測裝置、通信網絡以及監(jiān)控中心3個部分。

1)繼電保護設備狀態(tài)監(jiān)測裝置分為在線監(jiān)測裝置或便攜式監(jiān)測裝置，監(jiān)測裝置主要用來采集繼電保護設備狀態(tài)數(shù)據(jù)。

圖1 監(jiān)測系統(tǒng)結構圖

2)4G網絡通信負責繼電保護設備狀態(tài)數(shù)據(jù)的傳輸，主要由4G網絡和4G路由器組成。其中，4G網絡利用點對點隧道協(xié)議(point-to-point tunneling protocol, PPTP)和虛擬專用網絡(virtual private NetWork, VPN)建立專用的繼電保護設備狀態(tài)監(jiān)測網絡，該監(jiān)測網絡不僅支持TD-LTE格式，而且支持FDD-LTE格式。用戶端可以通過移動終端或者個人電腦(personal comptuer,PC)端訪問繼電保護設備狀態(tài)監(jiān)測網絡，及時查看繼電保護設備狀態(tài)監(jiān)測數(shù)據(jù)。

3)監(jiān)控中心由服務器組和監(jiān)測客戶端組成。監(jiān)測客戶端采用上位機監(jiān)測形式，能夠及時查看繼電保護設備狀態(tài)監(jiān)測的各種數(shù)據(jù)、圖形以及報表。服務器組有數(shù)據(jù)庫服務器、通信服務器和Web服務器等3種。

系統(tǒng)的硬件結構圖如圖2所示。

圖2 硬件系統(tǒng)結構圖

圖2中，繼電保護設備狀態(tài)監(jiān)測與故障診斷系統(tǒng)由傳感器陣列(采集繼電保護設備不同狀態(tài)數(shù)據(jù))、信號預處理、4G網絡通信模塊、TMS320F2812 DSP核心處理器以及上位機等組成。通過對繼電保護設備狀態(tài)數(shù)據(jù)的采集和預處理，再將其傳輸?shù)絋MS320F2812 DSP核心處理器的ADC轉換接口，實現(xiàn)數(shù)據(jù)轉換和存儲，通過監(jiān)測現(xiàn)場的繼電保護設備狀態(tài)故障顯示器可以進行實時監(jiān)控和SBO-ELM故障診斷。

2 SBO算法

SBO算法[7]是模仿雄性涼亭鳥建造與裝飾涼亭以此來吸引雌性涼亭鳥繁衍后代的仿生算法。該算法將隨機選擇的初始涼亭位置當作所要求解問題的候選解，經過涼亭的概率選擇、精英策略、位置更新以及突變操作等找到最佳涼亭位置，也就是所要求解問題的最優(yōu)解。SBO算法主要步驟如下：

1)種群初始化。隨機產生M個初始種群，種群初始化公式為：

xij=xjmin+rand(0,1)×(xjmax-xjmin)

(1)

式中：xij為初始化種群位置，i=1,2,…,M，j=1,2,…,D，其中D為待優(yōu)化問題的維數(shù)；xjmax和xjmin分別為優(yōu)化問題第j維的上、下限。

2)計算每個個體適應度和被選擇的概率。涼亭搭建好之后，雄性涼亭鳥就會在涼亭內外高聲鳴叫，吸引雌性涼亭鳥，雌性涼亭鳥根據(jù)式(1)概率在涼亭附近搭建鳥巢產蛋。

(2)

式中：Pi為第i只涼亭鳥的選擇概率；fi為第i只涼亭鳥的適應度。

(3)

式中：f(xi)為第i個涼亭位置的適應度函數(shù)。

3)位置更新。雌性涼亭鳥位置更新公式為：

(4)

(5)

式中：a為最大步長。

4)突變操作。為提高SBO算法的搜索性能，將正態(tài)分布應用于當前涼亭鳥位置進行突變操作。

(6)

(7)

式中：z為搜索空間系數(shù)；Umax,Umin分別為搜索空間上限和下限；σ為標準偏差。

3 極限學習機

假設有N個訓練樣本(xi,ti)(i=1, 2, … ,N)，隱含層節(jié)點數(shù)為L，xi和ti分別為輸入變量和目標輸出量，則ELM數(shù)學模型為[8]：

(8)

式中：οi為ELM模型的輸出；βj為隱含層與輸出層之間的連接權值；g(·)為激活函數(shù)；wj為輸入層權值；bj為隱含層閾值。

假設存在βj,wj和bj使得所有樣本(xi,ti)可以零誤差逼近，則有[9]：

(9)

式(9)的矩陣形式為：

Hβ=T

(10)

式中：β=[β1,β2,…,βM]T；T=[t1,t2,…,tN]T；H為隱含層輸出矩陣。

一般地，在實際訓練中ELM模型隱含層的節(jié)點數(shù)小于訓練樣本數(shù)N，且wj和bj在訓練過程中是隨機產生的，則輸出權重β的最小二乘解β*為：

β*=H+T

(11)

式中：H+為矩陣H的Moore-Penrose廣義逆陣。

4 基于SBO-ELM的繼電保護設備狀態(tài)故障診斷

4.1 目標函數(shù)

由于ELM模型訓練過程中隨機產生的輸入層權值和隱含層偏置，導致ELM模型結果穩(wěn)定性較差且精度相對較低，因此運用SBO優(yōu)化ELM模型的輸入層權值和隱含層偏置。選擇錯誤率fit作為SBO-ELM的目標函數(shù)[10]：

(12)

式中：Mr和MT分別為分類正確的樣本數(shù)和總樣本數(shù)。

基于4G和SBO-ELM的繼電保護設備狀態(tài)監(jiān)測與故障診斷流程如下。

1)讀取繼電保護設備狀態(tài)在線監(jiān)測數(shù)據(jù)，劃分訓練集和測試集并歸一化數(shù)據(jù)：

(13)

式中：x′為歸一化之后的數(shù)據(jù)；Low,Up為歸一化之后的最小值和最大值，文中取Low=-1,Up=1；x,xmax和xmin分別為原始數(shù)據(jù)、原始數(shù)據(jù)中的最大值和最小值。

2)設置SBO算法參數(shù)：最大迭代次數(shù)T、種群規(guī)模popsize、選擇概率P、最大步長a以及搜索空間系數(shù)z，隨機初始化涼亭位置。

3)運用訓練集數(shù)據(jù)，根據(jù)式(12)計算每個涼亭個體的目標函數(shù)值并排序，保留當前最優(yōu)涼亭位置為精英個體位置。

4)根據(jù)式(2)和式(3)計算涼亭選擇概率。

5)根據(jù)式(4)更新涼亭位置。

6)計算當前涼亭位置目標函數(shù)值并排序，找到當前涼亭精英位置，并與上一代精英位置進行比較，若優(yōu)于上一代精英位置，則保留當前涼亭鳥位置；反之，保留上一代精英位置。

7)若迭代次數(shù)t>T，輸出最優(yōu)涼亭位置，也就是對應ELM模型的最優(yōu)輸出層權值和隱含層偏置；反之，重復步驟3)～7)。

8)將最優(yōu)輸出層權值和隱含層偏置代入ELM模型，運用測試集數(shù)據(jù)進行繼電保護設備狀態(tài)故障診斷測試。

4.2 特征選擇

本文繼電保護設備狀態(tài)監(jiān)測與故障診斷系統(tǒng)所采集的數(shù)據(jù)通過傳輸協(xié)議TCP/IP進行傳輸[11-12]。選擇通道號、誤碼時長、數(shù)據(jù)包用時長、嚴重誤碼時長、信息缺失時長、誤碼總數(shù)、誤碼率、幀失步時長、告警時長和對端告警時長等10個特征作為繼電保護設備狀態(tài)故障診斷的特征向量。

4.3 結果分析

以信號正常(OK)以及檢測不到HDLC數(shù)據(jù)包(LOP)、信號丟失(LOS)、CRC檢驗錯誤的HDLC數(shù)據(jù)包(ERR)和告警指示信號(AIS)等信號的樣本數(shù)據(jù)為研究對象[13-14]，驗證基于SBO-ELM的繼電保護設備狀態(tài)故障診斷的有效性和可靠性。繼電保護設備在線故障樣本數(shù)據(jù)分布見表1。

表1 樣本數(shù)據(jù)分布

將通道號、誤碼時長、數(shù)據(jù)包用時長、嚴重誤碼時長、信息缺失時長、誤碼總數(shù)、誤碼率、幀失步時長、告警時長和對端告警時長等10個特征作為ELM的輸入向量，故障類型作為ELM的輸出向量，建立ELM模型。不同故障編碼見表2。為驗證SBO-ELM模型的有效性，分別采用SBO-ELM、遺傳算法(genetic algorithm,GA)優(yōu)化極限學習機(GA-ELM)、ELM和前饋神經網絡(back propagation network,BPNN)進行繼電保護設備在線故障監(jiān)測與診斷，結果對比見表3。

表2 故障編碼

表3 故障診斷結果對比 %

由表3可知，與GA-ELM、ELM和BPNN相比，SBO-ELM的故障診斷準確率最高，BPNN的故障診斷準確率最低。從對不同故障診斷準確率的角度來看，基于繼電保護設備狀態(tài)監(jiān)測與SBO-ELM的故障診斷系統(tǒng)的準確率最高，優(yōu)于GA-ELM、ELM以及BPNN，為繼電保護設備狀態(tài)監(jiān)測與故障診斷提供了新的方法。

5 結束語

為了提高繼電保護設備狀態(tài)監(jiān)測與故障診斷的準確率，本文融合4G網絡通信技術，提出一種基于4G網絡通信技術的繼電保護設備狀態(tài)監(jiān)測與SBO-ELM的故障診斷系統(tǒng)。研究結果表明，與GA-ELM、ELM和BPNN相比，本文方法可以有效提高繼電保護設備狀態(tài)故障診斷準確率，為繼電保護設備在線監(jiān)測與檢修提供了科學的方法。本文只研究了5種典型信號的繼電保護設備狀態(tài)監(jiān)測與故障診斷，沒有對其他信號進行研究，后續(xù)將對更多類型信號的繼電保護設備狀態(tài)監(jiān)測與故障診斷方法進行研究，以提高系統(tǒng)的適用性和可靠性。