基于自適應遺傳算法的智能電網繼電保護故障識別

肖洪光，楊 璐,郭永鑫

(國網吉林省電力有限公司培訓中心，吉林 長春 130000)

0 引言

隨著智能電網的發展，電力系統整體結構趨向復雜化、非線性化，系統故障信息也表現出隨機性、多樣性的特點[1-2]。多源信息融合技術利用時間和空間的信息資源，通過對多個傳感器測量的局部不完整信息加以綜合，消除了多源信息間的沖突和冗余、降低了信息不確定性，為解決智能電網繼電保護領域隱形故障分析難題提供了有效的技術手段[3]。

目前，多源信息融合技術主要有深度學習、人工神經網絡等智能算法[4-5]，以及基于規則推理論、模糊集理論方法等[6]。文獻[7]通過遺傳算法提取電流模型畸變特征信息，以監測電能質量，從而發現極端保護中存在的隱形故障。文獻[8]針對多源異構電網運行參數，采用模糊集理論進行參數間的匹配和加權進行融合，并通過推導融合系數的數學表達式來確定故障真實位置。文獻[9]基于禁忌搜索和模糊控制原理來提高智能電網繼電保護的容錯性能，提升故障判斷的準確性。

由相關研究可以看出，利用多源信息改善繼電保護更多地集中在后備保護，在假定數據采集正確的前提下進行故障的準確、快速判斷。

本文基于遺傳算法，提出一種基于多源信息融合的智能電網繼電保護隱形故障識別算法，實現多源采集數據下的故障定位；利用遺傳算法的交叉、變異計算，提升系統的容錯能力。

1 遺傳算法的智能電網應用

1.1 遺傳動態算法

遺傳算法作為一種正反饋機制算法，通過設置優良的參數組合，有效應對電力線邏輯拓撲通道變化，提高算法的快速性、收斂性[10]。遺傳算法處理流程如圖1所示。

圖1 遺傳算法處理流程

算法采用二進制的編碼方式進行字符串編碼。該編碼為遺傳算法中的初始種群個體。選擇合適的適應度函數評價個體性能優劣，將適應度高的個體復制遺傳到下一代；對獲得的新一代個體進行染色體交叉換位，產生新的群體，實現群體的多樣性，并根據生物學基因突變原理尋找到算法的最優解。

1.2 繼電保護故障識別

智能電網是一個復雜度高、整體性強的電力系統。繼電保護裝置存在潛在風險，通常難以完全實現對繼電保護隱形故障的自動識別。考慮到智能電網信息在采集、判別和傳輸過程中的信息錯誤和缺失，本文提出基于遺傳算法建立多信息融合的適應度模型，利用信息的冗余性和相互邏輯關系建立多源信息融合的適應度函數模型，以實現電網系統故障檢索與識別[11]。基于遺傳算法的智能電網故障識別流程如圖2所示。

圖2 基于遺傳算法的電網故障識別流程

2 遺傳算法的智能電網故障識別

2.1 故障識別基因編碼

故障識別是在輸電系統發生故障時能夠快速識別和切除故障。遺傳算法將待處理問題轉化成一連串數字編碼，采用二進制0-1數字串表征設備的2種運行狀態。其中：0為正常狀態；1為故障狀態。理論上，電網系統各元件均可能發生故障，即系統中的i個元件可組成2i組故障識別編碼。典型電網結構如圖3所示。對于一組包含母線A、B、C、D、E和線路L1、L2、L3、L4電網系統，可形成512組故障識別碼。

圖3 典型電網結構

實際上，系統同時發生故障可能性較低。因此僅需分別對系統單個元件故障編碼，形成P組故障識別碼，就能減小繼電保護系統的計算量。故障識別編碼如表1所示。表1中：序號1的故障識別編碼形式為10000000，表示母線A故障；序號5故障識別碼形式00001000，表示線路L1故障。

表1 故障識別編碼

2.2 適應度函數模型

遺傳操作中，適應度函數直接影響到最終判斷結果，且具有不同容錯能力[11-12]。針對智能電網繼電保護要求在常規主保護失效時能快速切斷故障、在發生非預設運行工況或區外故障時不會有操作的特點，建立智能電網隱形故障的適應度函數。

(1)

式(1)表征了保護動作信息和故障方向信息與設備狀態和故障狀態的期望關系。算法本質是求解極小值問題。為利用遺傳算法的求解，將式(1)轉化為極大值函數：

(2)

式中：V取大于(m+S)的常數。

2.3 期望函數模型

適應度函數中保護策略信息狀態由系統通信實時獲取。保護動作信息的期望狀態由期望函數模型計算得到。缺省信息統一標為狀態0值。因此，適應度函數是否能成功建立與期望函數模型直接相關[13]。本文基于電網系統故障識別編碼表現的故障元件狀態以及系統結構和保護動作邏輯建立期望函數模型，體現保護動作可靠性。具體的表達式為：

(3)

(4)

(5)

(6)

2.4 遺傳交叉和變異

生物遺傳中存在普遍的基因重組現象。遺傳算法通過交叉操作模擬生物遺傳中的基因重組來提升算法的搜索能力[14]。遺傳交叉中，首先在上一代子體中隨機選擇一段交叉區段，然后通過基因交叉消除其中的相同區段，最終形成新的基因。

變異可以對已有基因形式進行重組，從而進一步提升種群搜索能力[15]。首先設定變異概率Pm，然后對編碼后染色體串上的每個基因均形成一個隨機數ri。當ri

(7)

2.5 最優解選取

通過交叉、變異后的個體需進行最優解評估，以保留個體的最優解作為迭代終止條件。當優化結果滿足該終止條件，算法終止。本文確定的終止條件如下：

(8)

為保證算法能夠終止，同時設定迭代最大次數N=105次時，輸出當前個體最優解。

3 算例仿真

為驗證本文模型和算法的智能電網隱形故障定位性能，基于電磁暫態仿真軟件PSCAD/EMTDC，搭建如圖3所示的廣域電網系統模型進行遺傳算法和傳統輔助判斷，從而對智能電網隱形故障識別的仿真分析。模型中包括9個被保護設備(編碼值1為故障設備，編碼值0為正常設備)。仿真輸入包括保護動作信息(輸入編碼第1行1位～16位)、斷路器狀態量(輸入編碼第17行1位～24位)、故障方向信息(輸入第2行)，共32位。設定種群大小為50、初始交叉概率為0.8、變異概率為0.03，以種群最優個體的適應度值達到最大或進化代數(設定N=3 000次)最大為收斂條件，結束運行計算。確定適應度值最高解作為最后判定結果。故障仿真測試結果如表2所示。

表2 故障仿真測試結果

表2中序列2和序列3繼電保護分別存在1位和2位畸變。通過仿真結果可以看出：當采集信息完全正確時，采用2種算法獲得輸出故障結果正確；當采集信息中存在畸變時，基于輔助判據將發生誤判，而采用遺傳算法能得到正確決策解。

仿真結果表明，電網系統故障中包括2組斷路器狀態、2組主保護動作信息、2個方向元件信息，極端情況下可能發生6組信號全錯。而該系統能在最多5個輸出錯誤的情況下保證故障識別的正確性，因此系統的可靠性也得到大幅提高。

圖4為遺傳算法準確率曲線。由圖4可知：當迭代次數在1 500次以下時，算法的準確率在20%以上；隨著算法的繼續迭代，準確率上升，最終當迭代次數在2 500次左右，準確率達到90%以上。初始迭代期間，算法掌握互聯關系較少，導致準確率下降。隨著迭代次數增加，相關參數適應性提高，準確率快速上升。

圖4 遺傳算法準確率曲線

4 結論

智能電網繼電保護融合了電網多源信息來實現隱形故障識別，因此，要求系統具有高容錯性來保證繼電保護的正確動作。本文提出了一種基于自適應遺傳算法的多源信息融合技術，以識別智能電網故障，實現主保護與后備保護協同工作，完成隱形故障的排查和定位。算法的主要特點如下。

①算法可根據電網結構形成故障識別編碼，基于常規主/后備保護動作信息與斷路器位置信息建立適應度函數和狀態期望值，實現多源信息融合，提高采集信息的容錯性能。

②算法可通過遺傳算法的交叉、變異避免陷入局部最優解，由故障前后適應度識別隱形故障，實現高容錯性的估算識別。

自適應遺傳算法能有效克服信息缺失和錯誤對隱形故障識別的影響，提升系統的容錯效率。