數字化變電站繼電保護裝置故障智能檢測識別方法研究

于 洋，王同文，汪 偉，楊瑞金

（1.國網安徽省電力有限公司電力調度控制中心，安徽合肥 230022；2.國網安徽省電力有限公司超高壓分公司，安徽 合肥 230009）

近年來隨著電力企業數字化轉型的推進，電力 系統發、輸、變、配等環節均經歷著巨大變革。傳統變電站中的信息系統相互隔絕，缺乏關聯。而隨著數字化變電站的建設，站內一次、二次設備的參量與模型均朝著數字化及標準化的方向轉變[1-8]。當前，我國的繼電保護、電力自動化設備廠家已迭代了成熟的產品，但各個系統間缺乏有效、歸一化的數據接口及檢測識別算法。

針對上述分析，文中對變電站內繼電保護裝置的故障智能檢測識別技術進行了研究。由于保護裝置的保護動作實施應精準正確，因此必須要確保從“互感器-光纖-交換機-保護裝置”的所有環節中進行正確的信息采集與傳輸，這就要求算法能夠識別因數據采集、傳輸而造成的異常數據。同時在數字化場景下，保護裝置的動作實施應滿足智能化，即根據采集的線路信息，智能地判斷線路的故障類型并實施保護動作。該文詳細闡述了一種基于灰色關聯分析(Grey Relation Analysis，GRA)的堆棧自動編碼器(Stacked Autoencoder，SAE)網絡設計方案，其可實現繼電保護裝置數據的特征提取。此外，還面向實際的電力運行網絡進行了線路仿真與數據采集，進而驗證了該算法在場景中的可用性。

1 理論基礎

1.1 堆棧自動編碼器

自動編碼器(Autoencoder，AE)是一種常見的三層結構網絡模型[9-12]，其結構如圖1 所示。該網絡主要包含編碼器及解碼器兩個部分。

圖1 三層結構網絡模型結構

相較于普通的三層神經網絡，AE 的輸入層和輸出層節點數量一致。其中，編碼器將輸入特征映射至低維，而解碼器則實現低維特征的重構。該結構可充分提取數據中的隱含特征，其數學模型如下：

記樣本數據集X={pi|1≤i≤S}，且其樣本總數為S。在編碼器中，設H為隱藏層的輸出集，則有：

式中，W為輸入層到隱藏層的連接權重，b為兩層間的截距，sf為編碼器的激活函數。解碼器是編碼器的逆運算，在解碼器中存在：

自動編碼器的誤差函數是輸入輸出向量間的重構誤差，其表達式為：

該網絡可采用梯度下降法(Gradient Descent，GD)進行參數的調整，即：

其中，l是網絡的學習率。將多個自動編碼器疊加，即可獲得堆棧自動編碼器(SAE)[13-14]。相較于AE，SAE 具有更強的泛化性能，其基本結構如圖2 所示。在SAE 中，使用采集的繼電保護裝置電流、電壓等樣本信息訓練第一個AE，然后將樣本映射至隱含層的輸出h(1)i中：

圖2 SAE結構

與單一的AE 相似，在SAE 的第一個AE 中，解碼器的輸出為：

1.2 基于灰色關聯度分析的SAE

在SAE 算法中，AE 的輸入節點與輸出節點數量相等，而隱藏層的數量及結構則需人工依據經驗確定，由此便造成了SAE 泛化性能的不穩定。為此，文中引入了一種基于灰色關聯度分析(GRA)[15-16]的SAE隱藏層結構自適應算法。

關聯度能度量不同因素間的關聯性，記長度為p的序列Yi，該序列的q+1 個特征行為可以記為：

以Y0為參考序列，可得到：

式中，ξ是一個(0,1)之間的常數。ξ越大，特征間的差異便越明顯且越容易被辨識，反之亦然。基于灰色關聯度分析的SAE 隱藏層結構自適應算法流程如圖3 所示。

圖3 算法流程

從圖3 中可以看出，在該文繼電保護裝置故障智能檢測算法中：首先，使用GRA 算法優化SAE 的結構；然后，基于SAE 進行保護裝置采集數據的特征提取；再將最終的數據輸入支持向量機以獲得識別結果。

2 方法實現

2.1 仿真數據集設計

為了評估算法性能，需要先構建算法仿真的數據集。在變電站運行中，數據失幀、異常值等均會產生與真實故障相似的虛假特征，進而影響變電站二次設備的保護動作。故該次對站用保護三相電流電壓的綜合信息進行采集，進而訓練上文中的算法模型。訓練完成后，該模型可以區分電流電壓中的真實、虛假故障特征。此外，文中還基于PSCAD(Power Systems Computer Aided Design)仿真程序中的Multrium 組件進行數據集的構建。

此次以單電源、單回路輸電線向負載供電的模型為建模對象，該線路的相關參數如表1 所示。

表1 線路參數值

在數據采集時，共設計了11 個故障類型，具體如表2 所示。

表2 故障編號釋義

在進行數據采集時，通過調整系統參數獲得更多的采樣值。具體參數及其調整范圍如表3 所示。

在表3 的參數變化下，將線路系統按照表2 所示的11 種故障類型，分別以250 μs 為步長進行采樣，共獲得有故障的樣本101 200 個。此外，向系統引入92 000 個無故障樣本，并將每個樣本都依據表4 中的異常類型生成相對應的數據。最終，構成的數據集共包含653 200 個樣本。

2.2 仿真實驗

在進行算法仿真時，采用表5 所示的軟硬件環境。模型仿真的相關參數如表6 所示。

表6 模型仿真參數

為了評估算法模型的性能，此次將SVM、AESVM 與SAE-SVM 算法作為對比，以評估該文算法的性能。首先，評估模型在全量樣本中對于表4 內錯誤樣本的識別精度。具體結果如表7 所示。

表7 算法對錯誤樣本的識別精度

由表7 可知，引入自動編碼器后SVM 算法的計算精度提升了3.69%，證明AE 算法在特征提取時具備有效性。再對比GRA-SAE-SVM(n=2)與SAESVM(n=2)的計算結果可看出，引入灰色關聯度分析后識別精度提升了4%。由此表明，灰度關聯算法能有效確認最優的隱藏層結構。而對比GRA-SAESVM 在不同層數AE 的計算精度能看出，當AE 層數為4 時，算法的錯誤樣本識別精度可達到最優值；當n=5 時，識別精度較n=4 略有下降，說明此時網絡結構過于復雜，且出現了過擬合。剔除錯誤樣本后的故障識別精度如表8 所示。

表8 剔除錯誤樣本后的故障識別精度

比較表8 中不同算法的識別精度可知，文中AE、SAE、GRA 等算法對于SVM 分類器的精度均有顯著提升。其中，AE 算法引入后AE-SVM 算法較SVM 算法可以提升4.63%。GRA 算法引入后GRA-SAESVM(n=2)較SAE-SVM(n=2)可以提升10.27%。當n=5 時，GRA-SAE-SVM 可以取得97.79%的識別精度。

通過將表7-8 算法的應用場景進行比較可知，表7 的異常數據識別中共有6 個類別，而表8 則有11個類別，故后者的任務相對復雜。從表中的計算結果可以看出，GRA 算法對于復雜場景的提升為10.27%，對簡單場景的提升為4%。由此證明了，該算法在復雜場景下更具優勢。此外，在復雜場景下可通過引入更多層的AE 來提升SAE 算法的計算精度，使模型避免產生過擬合。

3 結束語

該文對繼電保護裝置中的相關故障檢測方法進行了研究，設計了基于灰色關聯分析的深度堆棧編碼器網絡。該網絡既能剔除保護裝置數據傳輸過程中的異常樣本，又可根據線路電壓、電流信息識別線路的異常狀態。未來，隨著數字化變電站地進一步建設，該文算法還將有更為廣闊的應用前景。