基于多源判據的變電站二次設備故障自動化診斷研究

曾喬迪，陳煜敏，蔣文輝，梁書原

（南方電網數字電網科技（廣東）有限公司，廣州 510520）

在電力系統中，二次設備是確保一次設備正常工作和安全穩定運行的重要保證[1]。由于二次設備的種類和數量不斷增加，對繼電保護裝置故障診斷的任務也越來越繁重復雜。傳統的繼電保護故障診斷方法是利用變電站二次設備故障狀態與其對比，進而判斷是否存在故障。隨著二次設備種類和數量的不斷增加，現有方法對其故障診斷時存在不足、診斷效果差。因此，需要對當下變電站二次設備故障診斷方法進行改進和優化。

文獻[2]利用關聯規則挖掘算法計算二次系統故障報警信息，進而與二次回路中的故障裝置進行數據關聯，完成故障診斷，但該方法無法判斷出二次設備故障類型，實際應用效果差；文獻[3]以深度學習的訓練模式為基礎，建立一種循環神經網絡的二次設備故障診斷方法，但該方法沒有考慮數據的特征完整性，使電力數據診斷結果出現誤差，故障診斷效率低、精度差。

根據以上故障診斷方法的缺點，提出一種基于多源判據的變電站二次設備故障自動化診斷方法。建立變電站二次設備體系結構模型，分析產生故障的根本原因；采用支持向量機判別預處理電力數據，并通過主分量分析技術對電力信號數據降維，從而完成變電站二次設備故障的自動化診斷。實驗結果表明，所提方法能夠有效診斷電站二次設備中的多種故障，診斷精度高。

1 變電站體系結構模型構建

在變電站實際應用中，內部網絡屬于核心構成，對變電站的運行有重要作用。變電站網絡一般由一次設備層、二次設備層與中心設備層構成。變電站網絡中，二次設備的應用決定了整個變電站的運行性能。構建的變電站二次設備體系結構如圖1所示。

圖1 變電站二次設備體系結構Fig.1 Architecture of secondary equipment in substation

結合圖1 的變電站二次設備體系結構可以分析出，變電站被劃分成間隔層、站控層[4]和過程層[5]3個部分。過程層結合智能設備完成變電、輸電等最基礎的功能；間隔層通過測控設備與保護設備承擔核心任務；站控層對整個變電站設備進行測量、控制、采集數據等任務，且后續需要進行信息管理、數據保護等工作。各部分之間相互配合，構成了一個有機的整體，以完成變電站內的測量、信息共享和保護功能。

2 變電站二次設備故障診斷

2.1 變電站二次設備數據預處理

為了準確診斷變電站的二次設備故障，需要對二次設備數據分類，為此使用支持向量機方法[6]，對變電站二次設備數據分類，其分類過程：變電站二次設備數據特征向量從原始空間Rm映射到高維空間Rn中，在高維空間[7]中尋找最佳超平面來實現對樣本分類，使得輸入樣本能夠得到理想分類結果。

變電站二次設備數據復雜多樣，故障類型多元化，難以精準分類，因此，需要建立一個多元分類器對變電站故障分析。建立k（k-1）/2 個變電站二次設備數據分類器，使任意一個分類器都可以對變電站樣本數據完成分類，將二元分類器轉換為多元分類器[8]，輸入變電站設備狀態量信號，其計算公式為

2.2 變電站二次設備數據降維

雖然分類后的變電站數據變得清晰，但仍存在大量高維形式狀態量，無法快速準確識別故障，需要對現場電力數據降維處理。在變電站二次設備多元分類器的基礎上，采用主分量分析技術[12]將高維輸入數據轉換到低維空間中，設定有p 個變電站二次設備樣本數據，二次設備樣本所有數據都含有d個變量，建立p×d 的樣本數據矩陣，若原始能量為d維向量，降維后得到p 維變量，主分量分析技術將p維向量重新排列，獲得線性無關的新變量：

新變量簡化轉換的表達式：

當確定了新變量系數矩陣A 后，完成變電站二次設備數據的降維，為后續變電站二次設備的故障診斷提供了有利條件。

2.3 多源征兆的故障自動化診斷

在狀態檢修的電力系統中，變電站二次設備故障診斷需要處理的信息源較多，不同的信息源之間存在著不同程度的關聯關系，從而形成了多源征兆。多源征兆能夠綜合反映出設備運行過程中的主要故障特征，如電流、電壓等。以電流、電壓為征兆建立測量回路的廣義變比，公式如下：

式中：NgI為電流的廣義變比；NgU為電壓的廣義變比；I1為高壓側電流；I2為低壓側電流；U1為高壓側電壓[13]；U2為低壓側電壓。額定變比N 是測量電路一次與二次的比值，當變壓互感器的額定變比為N=220/0.1，可以計算出電流、電壓廣義變比：

式中：NI為測量電路一次與二次的電流比值；NU為測量電路一次與二次的電壓比值。

結合變壓器阻抗實際值[14]，可以更好地分析變電站設備電路的故障情況，變壓器支路阻抗計算公式：

式中：U11為變壓器高壓一次電壓；U12為變壓器低壓一次電壓。利用相應的廣義比獲得一次電壓，變壓器支路阻抗轉換表達式：

式中：U21，U22為保護的二次高壓電壓和低壓電壓。憑借變壓器阻抗，確定阻抗的標幺值表達式：

式中：Se為變壓器阻抗。由于使用的為支路阻抗，依據支路阻抗定義[15]，獲得阻抗判據值的計算公式：

式中：Sg為標幺值。當測量電路工作正常時，標幺值就會在小范圍內變化，變壓器阻抗值P 接近于零，說明此時為正常運行狀態；若標幺值大幅度變化，P值將高于正常值，此時為故障狀態。由此完成變電站二次設備故障自動化診斷。多源征兆的變電站二次設備故障自動化診斷的具體流程如圖2 所示。

圖2 故障自動化診斷的具體流程Fig.2 Specific flow chart of automatic fault diagnosis

3 實驗結果與分析

為了證明基于多源判據的變電站二次設備故障自動化診斷方法的正確性，開展了實驗驗證研究。實驗對象為750 kV 功率變電站采集的斷路器運行狀態監測數據，為了更深入地研究變電站二次設備的故障，將變電站二次設備的故障分為常見的3種類型：氣體泄漏故障、設備絕緣材料腐蝕故障、電弧重燃故障。

選擇馬氏距離計算變電站二次設備故障信號特征向量與參考標準向量之間的差值，以1%作為置信水平標準，極限閾值為50。沒有異常的變電站二次設備信號如圖3 所示，所有正常信號均在極限閾值之下。

圖3 無故障的變電站二次設備診斷Fig.3 Trouble-free diagnosis of substation secondary equipment

通過圖4 的變電站二次設備的3 種故障診斷綜合結果可知，以上變電站二次設備故障診斷結果，所有馬氏距離都高于極限閾值，說明所提方法的故障診斷結果都為變電站二次設備數據，符合預設故障，說明了所提方法可以有效對變電站二次設備狀態以及運行情況進行監測和分析。

圖4 變電站二次設備的3 種故障診斷綜合結果Fig.4 Comprehensive results of three kinds of fault diagnosis for substation secondary equipment

為了進一步驗證所提方法的故障診斷能力，使用UIR（不確定信息比）驗證變電站二次設備的故障診斷準確度。UIR 故障診斷準確度表達式如下：

式中：N 為告警數據次數；N1為不確定的告警數據次數。統計UIR 下的正確數值可以計算出不同方法的故障診斷準確率。通過所提方法與文獻[2]關聯規則挖掘算法、文獻[3]循環神經網絡方法比較，故障診斷準確度的對比結果如圖5 所示。

圖5 三種方法的故障診斷準確率結果Fig.5 Fault diagnosis accuracy results of three methods

從圖5 的實驗結果得出，當數據中沒有不確定告警消息時，所提方法與循環神經網絡方法、關聯規則挖掘算法的故障診斷準確率都為1，當UIR 為2%時，所提方法的故障診斷準確率仍高達98%，其他2 種方法分別為90%與85%，隨著UIR 值不斷增加，其他方法的故障診斷準確率都在大幅度下降，而所提方法的故障診斷準確率仍保持在90%以上。

為了更深程度地驗證所提方法的故障診斷能力，以故障診斷耗時為實驗指標，變電站二次設備故障診斷運行耗時對比結果如圖6 所示。

圖6 變電站二次設備故障自動化診斷耗時對比Fig.6 Comparison of time spent in automatic fault diagnosis of substation secondary equipment

通過圖6 的故障自動化診斷耗時對比結果可知，所提系統可以在最短的時間范圍內完成變電站二次設備故障自動化診斷，自動化診斷效率極高。

4 結語

為了提高變電站二次設備故障診斷效率和診斷精度，本文提出一種基于多源判據的變電站二次設備故障自動化診斷方法，通過支持向量機判別對電力數據預處理，完成二次設備數據分類，并利用主分量分析技術對電力信號數據降維；以阻抗值、電流、電壓為變電站二次設備的多源征兆，進行變壓器阻抗測量，通過廣義變比完成了故障診斷，實驗結果表明了所提方法可以有效診斷電站二次設備中各種故障，且故障診斷準確率高、耗時短，可為變電站運維人員提供有效的數據基礎。