基于發電廠繼電保護定值整定優化配置研究

摘 要：當前發電廠繼電保護定值整定依賴過往的經驗和歷史數據，通過類比和估算來確定保護定值，但可能因經驗不足或數據不全而導致優化后的整定值依舊偏高。因此，本文基于機器學習的發電廠繼電保護定值整定優化配置方法。該方法首先利用機器學習技術處理和分析繼電保護定值整定的歷史數據。其次，根據處理后的數據，建立一個繼電保護適應度函數，該函數能夠評估不同保護定值在特定系統狀態下的適應性和性能。最后，制定一系列約束條件，動態調整保護定值，以確保在保持系統穩定性和可靠性的同時，優化保護性能。試驗結果表明，基于機器學習的發電廠繼電保護定值整定優化配置方法在調整阻抗定值方面取得了顯著成效，具有較高的應用價值和推廣前景。

關鍵詞：機器學習；發電廠繼電保護；繼電保護定值整定；定值整定優化配置；優化配置

中圖分類號：TM 77 " 文獻標志碼：A

繼電保護定值作為繼電保護裝置的關鍵參數，其設置直接決定了保護動作的準確性和可靠性。然而，傳統的定值整定方法往往依賴經驗公式和人工判斷，誤動或拒動的問題時有發生。因此，學者研究多種方法，基于加速遺傳算法的電力系統繼電保護定值優化方法建立繼電保護定值全局優化模型，利用遺傳算法的并行搜索能力和全局優化特性，解決傳統方法在選擇性、靈敏性方面的不足[1]。但優化結果可能受到初始種群和算法參數的影響。而基于改進海鷗算法的新能源接入配電網繼電保護定值優化方法構建以靈敏度最優、整定時間最短為目標的定值優化模型。對海鷗優化算法進行改進，使其更適用于解決復雜配電網中的定值優化問題[2]。由于新能源接入帶來的電網潮流分布變化，定值優化模型需要更精細地考慮新能源電源的特性及其對電網的影響，否則某些情況下無法獲得最優的阻抗定值。本文研究基于機器學習的發電廠繼電保護定值整定優化配置，實現對系統運行狀態的實時監測與預測，進而動態調整保護定值，以滿足不同運行工況下的保護需求。

1 繼電保護原理

繼電保護系統作為發電廠的重要保護部件，具有保護系統安全、穩定運行的作用。通過實時監測電壓、電流等電氣參數，并根據設定的保護邏輯進行判斷，當系統故障或異常運行時，繼電保護系統采集的電氣參數會發生突變，如果超過設定的閾值，繼電保護裝置就發出保護動作信號，切除故障線路及設備，從而保障電力系統安全運行。繼電保護裝置結構如圖1所示。

繼電保護動作過程需要系統具有較強的魯棒性，同時還需要對電力系統發生的故障進行準確判斷并快速響應，為了保證繼電保護裝置的性能及其動作的可靠性，需要對繼電保護系統的保護定值進行整定和優化，及時判斷故障并對其進行處理，避免出現繼電保護系統因整定值不準確而導致系統無法正常運行的后果。

2 利用機器學習處理繼電保護定值整定數據

引入先進的機器學習技術，能夠顯著增強對繼電保護定值整定過程中累積的海量數據進行高效處理與分析的能力。通過精心設計的機器學習算法對復雜且多樣化的數據進行深度挖掘，不僅能夠自動學習并精準提取隱藏在數據背后的關鍵信息、潛在規律及有價值的模式，還能有效識別數據中的異常與趨勢，為后續的定值整定工作提供堅實、科學的決策支持，進而優化電力系統的運行效率與穩定性，保障電網安全、可靠地運行。

利用電力系統中的實時監測系統，直接獲取電力系統的實時運行數據。這些數據包括電流、電壓、功率等電氣量以及保護裝置的狀態信息等。及時記錄和整理采集的數據，形成規范的數據庫[3]。

在進行實際的數據采集過程中，由于多個因素的波動，數據往往受到不同程度的影響，直接處理這些數據很可能引入誤差。為了更準確地進行數據分析與分類，本文利用機器學習處理繼電保護定值整定數據。

為了提高數據處理的精度與效率，選擇機器算法中的BP（反向傳播）神經網絡。BP（反向傳播）神經模型通過全面錄入分類好的繼電保護數據，并精心匹配網絡框架，實現網絡信息數據與實際操作數據的深度融合[4]。定義網絡的結構，包括輸入層、隱藏層、輸出層的神經元數量化，BP網絡結構簡圖如圖2所示。

在復雜的數據整合與分析流程中，選取那些與當前任務目標高度相關且至關重要的位置信息，這一篩選過程旨在確保機器學習模型能夠精準地捕捉數據集中潛藏的關鍵特征，從而顯著增強模型在分類任務中的準確性與穩定性，使其在面對多變的數據環境時仍能保持優異的性能。隨后，經過上述一系列嚴謹的數據預處理步驟后，嚴格遵循既定的數據檢驗標準，對初步匯集并優化后的數據進行高效而安全的數據傳輸。在此過程中，不僅確保了數據的完整性與一致性，還靈活匹配了多樣化的傳輸信息，通過創新的信息模式轉換技術，進一步簡化了數據獲取的流程，優化了數據傳輸的效率與質量，為后續的數據分析與決策支持奠定了堅實的基礎。

接下來，選擇機器學習領域中強大的支持向量機作為核心算法進行實際應用。支持向量機以其卓越的能力著稱，專注于精確識別并高效地區分2個截然不同的數據集。通過構建一個最優化的分離超平面，在復雜多變的特征空間內，以極高的精度劃定分別屬于2個不同類別的元素區域邊界。尤其是在電力系統中至關重要的繼電保護領域，這一先進技術的應用顯得尤為關鍵，能夠有效地區分并界定那些應當觸發保護動作與那些應當保持靜默的非觸發保護裝置區域，從而顯著提高電力系統的安全性、穩定性和運行效率[5]。

設特征空間為X，它是一個n維的實數空間Rn。設xi∈X是采集的數據點，i是數據點的索引。在特征空間X中，分離超平面如公式（1）所示。

w?x+b=0 （1）

式中：w為超平面的法向量，w∈Rn；b為截距，b∈R。

基于分離超平面，定義一個分類函數f（x），用于判斷數據點x屬于哪個類別，函數如公式（2）所示。

f（x）=sign（w?x+b） （2）

其中，sign（?）是符號函數，如公式（3）所示。

（3）

數據映射到特征空間，針對每個數據點xi，它已經被轉換（或映射）到了特征空間X中的某個點。給定一個分離超平面w?x+b=0，針對任意數據點x，通過計算公式（2）來判斷其類別。如果f（x）=1，那么x屬于正類；如果f（x）=-1，那么x屬于負類。使用處理好的訓練數據集對支持向量機模型進行訓練，通過求解最優化問題找到最佳的分離超平面，提取對繼電保護定值整定有影響的特征，這些特征包括電氣量的實時值（例如電流、電壓、功率）、保護裝置的歷史動作記錄、故障類型、天氣條件等外部因素。通過特征選擇，去除不相關或冗余的特征，提高模型的訓練效率和性能。

3 建立繼電保護適應度函數

經過機器學習算法深度處理與優化的數據結果，能夠提供一個堅實的基礎，進而構建精確高且適應性強的繼電保護適應度函數。這一函數不僅廣泛涵蓋了電力設備的詳盡物理特性，例如絕緣強度、溫升限制等，還深入考慮了電網的復雜運行方式，包括不同負荷狀況下的潮流分布、故障模式及其傳播特性。同時，融合了保護裝置內部精細的動作邏輯，例如時間延遲、電流電壓判據等，確保了在各種工況下保護動作的合理性與可靠性。通過建立這一全面而精細的適應度函數，能夠實現對繼電保護定值整定過程的精細化模擬，模擬結果不僅貼近實際運行場景，還能有效預測在不同電網狀態下保護裝置的行為表現。這一過程不僅提高了定值整定的科學性與準確性，還顯著增強了電網面對突發事件時的自我保護與恢復能力，為電力系統的安全穩定運行提供了強有力的技術支撐。

繼電保護定值優化是需要將其精煉地轉化為一個集多目標、多變量及嚴格約束于一體的優化任務，建立適應度函數，融合保護靈敏度與定值整定時間的考量，如公式（4）所示。

（4）

式中：T（x）為整定時間函數；S（x）為靈敏度函數；α和β為權重系數；λi為第i個約束的違反懲罰系數。

該適應度函數通過內置的智能權重調整機制，自動加重時間懲罰，迫使適應度值下降，從而有效剔除不合格的方案。

4 制定約束條件動態調整保護定值

為了實現繼電保護定值的精準且靈活的動態調整，基于先進的計算分析方法，結合實時構建的繼電保護適應度函數，該函數綜合考慮了電網的復雜結構、負荷變化、故障模式等多種因素，以確保調整策略的科學性與合理性。緊密集成電網運行狀態的實時監測系統，該系統能夠即時捕捉并處理電網中電壓、電流、頻率等關鍵參數的細微變化，為調整過程提供詳盡且準確的數據支持。基于上述數據與信息，制定嚴格的約束條件和智能的調整策略。通過這種高度智能化的調整方式，能夠確保繼電保護定值始終保持在最佳的工作狀態，既不會因過于靈敏而在正常工況下發生誤動作，影響電網的正常運行；也不會因反應遲鈍而在故障發生時未能及時動作，導致電網保護失效。

假設存在線性模型來根據系統狀態S調整保護定值，其中S是一個包括多個系統參數的向量，并且有一個權重向量W和一個偏移量b，動態調整如公式（5）所示。

（5）

式中：W?S為系統狀態S與權重向量W的點積，用于計算基于當前系統狀態的初步保護定值，通過max和min函數確保這個值不會超出Imin和Imax的范圍。

調整策略后對時間整定系數Tset進行約束。時間整定系數Tset作為調節繼電器響應特性的核心變量，其優化調整必須嚴格遵循預設的邊界值，即上下限范圍。因此，當制定定值優化策略時，需要對時間整定系數進行配置，以尋求最佳平衡點，如公式（6）所示。

Tsetminlt;Tsetlt;Tsetmax （6）

綜上所述，通過制定詳細的約束條件和采用基于系統狀態的動態調整策略，實現繼電保護定值的智能化和實時優化。

5 試驗

5.1 試驗準備

某大型火力發電廠，總裝機容量為2400MW，由4臺600MW的發電機組組成。該發電廠采用330kV和110kV兩級電壓等級接入電網，并通過多條輸電線路與區域電網相連，總長約200km。由于發電廠規模龐大、接線復雜且電網運行方式多變，其繼電保護定值整定面臨許多挑戰。為確保發電廠及電網的安全穩定運行，需要對繼電保護定值進行優化配置。發電廠具體參數見表1。

在試驗評估中，阻抗定值作為核心指標，能夠直觀地反映不同整定方法的效果差異。通過對比優化前后的阻抗定值，可以評估整定優化是否達到了預期目標，即是否使阻抗定值更接近理想值或更適應當前的電網運行狀況。根據對比分析的結果，評估整定優化是否達到了預期目標。如果優化后的阻抗定值更接近理想值或比優化前更小，就說明整定優化是有效的。

接下來，結合發電廠的具體參數和運行數據，對繼電保護定值進行優化配置試驗。通過對比分析優化前后的數據，驗證本文提出的基于機器學習方法的優化策略在提高發電廠繼電保護性能方面的有效性和優越性。

5.2 試驗結果與分析

基于試驗數據，對整定優化結果進行詳細的對比與分析，將本文方法與基于加速遺傳算法的電力系統繼電保護定值優化方法和基于改進海鷗算法的新能源接入配電網繼電保護定值優化方法進行對比，以驗證本文方法的有效性和優越性，整定優化結果見表2。

通過對比發電廠繼電保護定值整定優化結果可知，本文提出的優化配置方法展現出了顯著的優勢。由表2可知，在所有保護編號下，本文方法優化后的阻抗定值均比優化前有顯著改進，且明顯優于另外2種方法。特別是與基于加速遺傳算法的電力系統繼電保護定值優化方法相比，本文方法在保持相近優化效果的同時，在多個保護編號下實現了更精確的阻抗定值調整；而基于改進海鷗算法的新能源接入配電網繼電保護定值優化方法則幾乎未對阻抗定值產生實質性影響。這些結果表明，本文方法在提高保護裝置性能、確保阻抗定值準確性方面效果顯著，具有更高的實用性和應用價值。因此，可以認為本文提出的基于特定算法的發電廠繼電保護定值整定優化配置方法在發電廠保護系統優化中具有廣闊的推廣前景。

6 結語

針對本文關于基于機器學習的發電廠繼電保護定值整定優化配置的研究可以發現，這一創新方法在實踐中具有顯著的效果。通過引入機器學習技術，能夠更精準地預測電力系統運行狀態，并據此動態調整繼電保護定值，有效降低誤動和拒動的風險，提高發電廠的安全運行水平。然而，當前的研究仍存在一些不足之處。例如，不同發電廠之間的系統特性存在差異，如何構建具有廣泛適用性的機器學習模型也是未來需要解決的重要問題。期待隨著技術不斷進步和深入應用，基于機器學習的發電廠繼電保護定值整定優化配置方法能夠不斷完善和成熟，以更好地滿足電力系統對數據質量和實時性的要求。

參考文獻

[1]韓曉光，郭安琪.基于加速遺傳算法的電力系統繼電保護定值優化方法[J].電氣時代，2024（6）：66-69.

[2]徐宇，楊鵬杰，李磊.基于改進海鷗算法的新能源接入配電網繼電保護定值優化方法[J].電工技術，2023（21）：36-41.

[3]于洋，張駿，王磊，等.基于改進遺傳算法的多源數據繼電保護定值優化策略[J].電子設計工程，2024，32（6）：81-85.

[4]錢牧涵.基于機器學習的電網繼電保護及自動化算法分析[J].電氣傳動自動化，2024，46（1）：35-38，31.

[5]張娣.基于支持向量機的電力系統繼電保護方法研究[J].中國新技術新產品，2023（21）：65-67.