發電廠發電機組內部短路運行狀態智能感知方法

摘 要：發電機組內部短路故障嚴重影響電力系統的穩定性，導致感知數據偏差大。因此，本文設計了一種智能感知方法，其核心參數包括線損率和輕載率。該方法利用高精度傳感器實時獲取參數信息，并通過數據分析來評估風險，進而判斷故障發生的可能性及其嚴重程度。試驗結果表明，采用本文所提方法能夠感知到40～50個異常數據，與實際情況高度吻合，有效驗證了該方法在感知發電機組內部短路故障運行狀態方面的準確性和可靠性。

關鍵詞：發電廠；發電機組；內部短路；智能感知

中圖分類號：TM 933" " " " " " " 文獻標志碼：A

在實際運行過程中，發電機組內部如果發生短路故障，將嚴重威脅電力系統的安全穩定運行。因此，智能感知發電機組內部短路運行狀態，及時發現并處理故障，成為了研究的熱點和難點問題。傳統的發電機組內部短路故障檢測方法主要依賴人工巡檢和定期維護，這種方法不僅效率低，而且很難發現隱蔽性故障[1]。隨著人工智能、大數據等技術的快速發展，為發電機組內部短路運行狀態的智能感知提供了新的契機。通過采用這些先進技術，可以實現對發電機組運行狀態的實時監控和數據分析，準確判斷機組是否存在內部短路故障，并及時采取相應措施進行處置。本文旨在研究發電廠發電機組內部短路運行狀態的智能感知方法。

1 確定短路運行狀態參數

為了準確確定發電機組的短路運行狀態參數，本文采用了先進算法，并構建了模型進行綜合分析。在發電機組短路狀態感知的過程中，運用蟻群算法來探尋最優的參數組合，這些參數能夠最精確地反映機組的短路運行狀態。由于發電機組運行狀態較為復雜，單一的數據源不能全面反映機組的實際狀況。因此，本文構建了一個多源工況信息融合模型，該模型能夠整合來自不同傳感器和系統的數據，從而獲取更全面、準確的機組運行狀態信息。如圖1所示，這種多源工況信息融合模型能夠綜合處理各種數據，消除單一數據源可能存在的偏差和干擾，進而提高短路狀態感知的準確性和可靠性。

在發電機組內部短路運行狀態的智能感知過程中，線損率和輕載率是關鍵參數。線損率是電力網在電能傳輸和分配的過程中，各元件（例如線路、變壓器等）所消耗的電能占供電量的比例[2]。當發電機組發生內部短路時，短路電流會產生大量熱量和電磁力，導致線路溫度升高、電阻增大，使線損率上升。因此，通過實時監測并分析線損率的變化情況，可以發現發電機組內部存在的短路故障。線損的計算方法如公式（1）所示。

（1）

式中：LR為線損；ε為衡量實際觀測值與理論值之間差異的標準殘差；P為發電機組產生的有功出力功率；L為發電機組所有相關的電力傳輸線路；i為L中的某一條線路；Δp為在電力傳輸過程中產生的線損功率。

輕載率是發電機組在運行過程中的實際負載與額定負載之比。當發電機組處于輕載狀態時，其運行效率和穩定性會降低，容易發生短路故障。因此，監測并分析輕載率變化可以預測發電機組的短路風險，及時采取預防措施。當負載率低于20%時，說明發電廠發電機組未發生短路；當負載率超過20%時，說明發電機組處于短路狀態。

2 獲取運行狀態感知信息

為了獲取發電廠發電機組內部短路運行狀態的信息，本文采用了自動化和手工2種收集方式。感知信息的類型見表1。在自動化采集方面，本文以分鐘或秒為單位對數據進行實時采集，以縮短消息傳輸時間，保證信息的即時性和準確性。而在手工收集方面，由于人為因素的影響，數據離線時間長達0.5 h，因此嚴重影響了信息的時效性和可靠性[3]。

3 建立運行信息的風險評估

機組采用多個頻道接收運行狀態感知信息，并將這些信息以MMS（制造消息規范）報文的形式反饋給機組控制系統。為了確保機組的穩定、安全運行，本文使用了2路同源的電氣模擬裝置進行對比。機組比較誤差的計算過程如公式（2）所示。

（2）

式中：η為機組比對誤差；V1、V2分別為發電機信道一和信道二承載電壓的關鍵信息；I1、I2分別為發電機信道一和信道二承載的電流的關鍵信息。

當η≤0.1%時，發電機組的健康狀態正常，表明發電機組正按預期穩定運行，無明顯內部問題或故障；當0.1%lt;η≤1.0%時，發電機組可能處于內部短路異常狀態，說明發電機組的某些部件可能存在問題，影響其運行效率和安全性；當ηgt;1%時，說明發電廠發電機組內部存在嚴重的短路異常狀態[4]。

在實際應用中，由于設備本身的設計、制造誤差以及運行環境、操作方式等因素的影響，差動電流ΔI與額定電流IN之間的比值可能會產生一定偏差。這個偏差被稱為差動電流誤差均值μ，如公式（3）所示。

（3）

根據μ的不同范圍評估設備的健康狀態。當μ≤0.02時，設備處于健康狀態，說明其運行狀態良好，沒有明顯的異常或故障。當μ為0.02～0.05時，設備出現異常狀態，說明某些內部參數開始偏離正常范圍。如果μ＞0.05，那么設備處于嚴重異常狀態，說明設備可能存在嚴重的內部故障或安全隱患。在這種情況下，應立即停機，并對機器進行詳細檢查，維修故障，以防止故障進一步惡化，保障設備安全運行。綜上所述，可以結合μ的值對發電廠發電機組內部短路風險進行綜合評估。

4 運行狀態智能感知

對電壓序列基于風險評估進行分解，可以智能地感知并確定電站機組內部的短路故障結果。為了進一步提高感知的準確性，本文對另一個電壓序列進行分解，并融合發電廠發電機組內部短路的運行狀態感知信息。在此過程中，排除不可靠的數據，以保證智能感應結果的精確性。利用電壓序列之間的內在關聯和差異性來判斷數據的可靠性，如公式（4）所示[5]。

（4）

式中：CR為電壓序列；CF（z）為發電廠發電機組內部短路運行狀態感知信息；z為g1、g2數據交集；?為不可靠的數據；CR（g1）為經過嚴格校準的標準電壓數據；CF（g2）為存在誤差、噪聲或異常值的電壓數據。對篩選后的電壓數據進行歸一化處理，將其轉換為一個共同的尺度，使不同電壓值之間可以進行比較。電壓順序如公式（5）所示。

V=[v1，v2，v3，v4]T " " " " " "（5）

式中：V為電壓數據順序集合；v1、v2、v3和v4分別為按順序排列的電壓數據。

基于提取的電壓順序可以進一步實現運行狀態智能感知。這個電壓順序不僅反映了各電壓參數在設備運行過程中的重要性和優先級，還提供了一個清晰、有序的數據分析框架。

經過排序的電壓序列包含設備運行狀態的重要信息。為了進行故障檢測，需要對原始數據進行特征提取，將其轉換為更有用的形式，即提取電壓均值、標準差和波動率等特征。其中，電壓的波動率計算過程如公式（6）所示。

（6）

式中：fV為電壓波動率；σ為電壓標準差；為電壓平均值。

本文利用從電壓序列中提取的多種特征，訓練一個支持向量機（Support Vector Machine，SVM）模型，以識別發電機組的運行狀態。SVM作為一種強大的分類器，能夠學習并區分正常運行狀態與各種故障狀態之間的復雜邊界。筆者向SVM模型提供已標注的數據集，其中包括正常和故障狀態下的特征向量，使模型能夠學習這些狀態之間的差異。在訓練完成后，SVM能夠接收新的電壓數據特征，并將其準確分類為正常狀態或特定類型的故障狀態，為發電機組的狀態監測和故障預警提供支持。基于SVM的識別結果，本文進一步進行故障預測。通過監測電壓序列的變化趨勢和特征參數的演變，可以預測設備發生故障的時間，并提前采取措施進行維護。為此，筆者定義了一個健康指數，該指數結合了多個特征參數和預測模型的輸出，用于量化設備的健康狀態。實時監測電壓序列和特征參數的變化，并根據綜合的健康狀態進行評分，當檢測到異常或潛在故障時立即發出警報。

5 試驗測試

5.1 試驗準備

根據試驗需求安裝所需的儀器設備，將利用電流互感器得到的監測信號經過中間點注入機組，設計一種多頻共模監控的信號注入裝置，如圖2所示。試驗設備的具體參數見表2。

利用公式（1）計算線損率，以監測在電力傳輸過程中的能量損失情況。這個步驟是實時進行的，可以及時發現發電機組內部短路故障。利用公式（2）計算輕載率，評估發電機組的負載狀況，預測短路風險。在風險評估過程中，利用公式（3）計算兩路同源電氣模擬裝置的對比誤差，以此來評估發電機組的健康狀態。利用公式（4）計算差動電流誤差均值，進一步細分設備的健康狀態等級，為決策提供科學依據。在電壓序列分解過程中，利用公式（5）融合來自不同傳感器的電壓數據，剔除不可靠的數據點，保證智能感知結果的準確性。利用公式（6）對電壓數據進行排序，形成有序的電壓序列。在特征提取階段，利用公式（7）計算電壓波動率等關鍵特征參數，為SVM模型的訓練提供輸入數據。基于SVM模型，利用從電壓序列中提取的特征參數進行訓練，對發電機組運行狀態進行智能分類。在故障預測環節，結合健康指數和實時監測數據，綜合評估設備的健康狀態，預測潛在的故障風險。當檢測到異常或潛在故障時，立即觸發警報機制，及時采取應對措施。

5.2 試驗結果

為驗證本文方法的準確性，設定設備在運行過程中可能出現的異常值為40～50，作為試驗的控制基準點。采用文獻[4]和文獻[5]中提到的2種檢測方法與本文方法進行對比試驗。試驗大約進行80次對比，對比不同檢測方法在異常數據方面的表現來評估方法的準確性和可靠性。各種檢測方法對異常數據的感知效果如圖3所示。由圖3可知，使用文獻[4]、文獻[5]方法，異常值數量分別為[60，70]和[55，65]。但是，使用這些方法得到的異常值數量與實際情況之間存在明顯差異，準確性和實用性較低。本文方法在識別異常數據數量方面敏感性較高。試驗結果表明，本文所提方法可以有效地檢測異常數據，并對其進行校正和處理，真實反映發電廠發電機組內部短路運行狀態。

6 結語

本文提出一種發電廠發電機組內部短路運行狀態智能感知方法，能夠實時獲取關鍵參數信息并進行風險評估，來判斷機組是否存在內部短路故障。試驗結果表明，本文所提方法能夠有效感知異常數據，真實反映發電廠發電機組內部短路運行狀態，保障電力系統安全、穩定運行，減少故障損失。

參考文獻

[1]趙海亮.基于GWKNN算法的風力發電機組內部短路故障辨識系統[J].自動化與儀表，2023，38（9）：36-40.

[2]高麗媛，廖勤武，林瑞發，等.基于多源數據融合的有源配電網運行狀態感知研究[J].現代電子技術，2023，46（10）：95-99.

[3]李茂，阮耀萱，樊國金，等.基于全景運行狀態感知技術的電纜終端監控系統分析[J].電子技術，2022，51（12）：318-319.

[4]倪蘇洋，蔣思珺，葛振宇.基于光纜可視化系統的光纜運行狀態感知技術[J].新型工業化，2022，12（12）：55-58.

[5]楊國生，李紅志，郭鵬，等.基于模糊綜合評估的繼電保護裝置運行狀態感知方法[J].電力信息與通信技術，2020，18（4）：74-83.