基于光纖傳感的變電站繼電保護(hù)裝置運(yùn)行狀態(tài)智能監(jiān)測研究

摘要：傳統(tǒng)的變電站繼電保護(hù)裝置監(jiān)測方法主要依賴定期的人工巡檢和離線測試，導(dǎo)致監(jiān)測結(jié)果誤差較大?；诖?，提出基于光纖傳感的變電站繼電保護(hù)裝置運(yùn)行狀態(tài)智能監(jiān)測。通過光纖振動傳感器采集振動數(shù)據(jù)，經(jīng)過去噪與異常值剔除等預(yù)處理后，輸入人工神經(jīng)網(wǎng)絡(luò)中進(jìn)行識別，并輸出對應(yīng)的識別結(jié)果，完成變電站繼電保護(hù)裝置運(yùn)行狀態(tài)智能監(jiān)測。實(shí)驗(yàn)結(jié)果表明，設(shè)計方法下，變電站繼電保護(hù)裝置運(yùn)行狀態(tài)智能監(jiān)測結(jié)果的正確率高達(dá)97.5%，精度較高。

關(guān)鍵詞：光纖傳感 變電站 繼電保護(hù)裝置 運(yùn)行狀態(tài) 智能監(jiān)測

中圖分類號：TM77[wl1] 文獻(xiàn)標(biāo)識碼：A

Research on Intelligent Operation State Monitoring of the Substation Relay Protection Device Based on Optical Fiber Sensing

WEI Xiaodong ZHAO Xiangdong LI Chen ZHANG Guozheng

State Grid Ningxia Ultra High Voltage Company Secondary Maintenance Center， Yinchuan， Ningxia Hui Autonomous Region， 750001 China

Abstract： The traditional monitoring methods for substation relay protection devices mainly rely on regular manual inspections and offline testing， resulting in significant errors in monitoring results. Based on this， an intelligent monitoring of the operation state of substation relay protection devices based on fiber optic sensing is proposed. The vibration data is collected through fiber optic vibration sensors， preprocess it through denoising and outlier removal， it is input into an artificial neural network for recognition and output of corresponding recognition results to achieve intelligent monitoring of the operation state of the substation relay protection device. The experimental results show that the accuracy of intelligent monitoring of the operation state of substation relay protection devices under the design method is as high as 97.5%， with high precision.

Key Words： Optical fiber sensing; Substation; Relay protection device; Operation state; Intelligent monitoring

在變電站內(nèi)部設(shè)備發(fā)生故障時，繼電保護(hù)裝置能夠迅速、準(zhǔn)確地切除故障部分，防止故障進(jìn)一步擴(kuò)大。因此，對變電站繼電保護(hù)裝置的運(yùn)行狀態(tài)進(jìn)行實(shí)時監(jiān)測對提升整個電力系統(tǒng)的安全性和可靠性具有重要意義。葉遠(yuǎn)波等人[1]提出采用麻雀搜索算法（Sparrow Search Algorithm，SSA）優(yōu)化支持向量機(jī)（Support Vector Machine，SVM），實(shí)現(xiàn)保護(hù)裝置狀態(tài)的準(zhǔn)確監(jiān)測，但這種算法復(fù)雜度較高，需要耗費(fèi)大量時間，難以保障監(jiān)測效率。李鐵成等人[2]提出先獲取繼電保護(hù)裝置失效率函數(shù)，再將其應(yīng)用于動態(tài)優(yōu)化馬爾可夫鏈中，以此推演出繼電保護(hù)裝置未來運(yùn)行狀態(tài)，但這種方法泛化能力受到限制，不適合大規(guī)模應(yīng)用。聞宇等人[3]提出先通過獨(dú)立成分分析?（Independent Component Analysis，ICA）進(jìn)行繼電保護(hù)監(jiān)測數(shù)據(jù)的降噪，再將其輸入模糊神經(jīng)網(wǎng)絡(luò)（Fuzzy Neural Network，F(xiàn)NN）模型中，得到保護(hù)運(yùn)行狀態(tài)的檢測結(jié)果，實(shí)現(xiàn)繼電保護(hù)保護(hù)設(shè)備運(yùn)行監(jiān)測，但FNN模型通常具有高度的非線性和復(fù)雜性，在實(shí)際應(yīng)用中誤差較大。盡管現(xiàn)有研究在一定程度上提高了繼電保護(hù)裝置的運(yùn)行監(jiān)測水平，但仍存在一些明顯的局限之處；同時，電力發(fā)展和智能電網(wǎng)的推進(jìn)提高了對繼電保護(hù)裝置狀態(tài)監(jiān)測的要求。在此背景下，本文提出一種基于光纖傳感的變電站繼電保護(hù)裝置運(yùn)行狀態(tài)智能監(jiān)測方法，為我國智能電網(wǎng)的建設(shè)和發(fā)展提供理論基礎(chǔ)。

1光纖振動傳感器采集繼電保護(hù)裝置振動數(shù)據(jù)

傳統(tǒng)檢測方法在復(fù)雜環(huán)境下難以保障精度，因此，本文引入光纖振動傳感器進(jìn)行變電站繼電保護(hù)裝置運(yùn)行狀態(tài)的監(jiān)測[4]。光纖振動傳感器靈敏度高，內(nèi)部嵌有光柵能夠反射特定波長光。振動信號會改變光柵的周期性結(jié)構(gòu)，產(chǎn)生布拉格波長偏移效應(yīng)[5]。通過監(jiān)測此現(xiàn)象反射光波長變化，可以獲得振動參數(shù)。因此，本文將將光纖振動傳感器部署在裝置的關(guān)鍵部位，并以放大自發(fā)輻射（Amplified Spontaneous Emission，ASE）光源作為光源，提供持續(xù)的光信號輸入。此時，光信號經(jīng)環(huán)形器導(dǎo)向光纖振動傳感器，光纖光柵反射特定波長信號回環(huán)形器，至解調(diào)設(shè)備處理。當(dāng)解調(diào)設(shè)備接收到反射的光信號后，進(jìn)行快速傅里葉（Fast Fourier Transform，F(xiàn)FT）變換[6]，得到頻域波形圖，并可以獲得信號在頻域上的振幅和頻率，進(jìn)一步計算出振動的基本參數(shù)，具體表達(dá)式如下式所示。

式（1）中：[wl2] 、、分別表示變電站繼電保護(hù)裝置振動信號的加速度、速度、峰-峰位移值；表示振動信號在頻域上的振幅；表示光纖振動傳感器的加速度系數(shù)。

綜上所述，本文通過部署光纖振動傳感器，成功采集了關(guān)鍵特征參數(shù)的變電站繼電保護(hù)裝置振動信號，為后續(xù)運(yùn)行狀態(tài)的識別提供數(shù)據(jù)基礎(chǔ)。

2預(yù)處理變電站繼電保護(hù)裝置振動數(shù)據(jù)

由于變電站繼電保護(hù)裝置運(yùn)行現(xiàn)場環(huán)境復(fù)雜，直接使用原始振動數(shù)據(jù)會影響后續(xù)監(jiān)測結(jié)果的準(zhǔn)確性，所以，本文需要對原始的振動數(shù)據(jù)進(jìn)行預(yù)處理。首先，引入小波變換進(jìn)行去噪處理[7]。通過小波變換將變電站繼電保護(hù)裝置的振動信號分解為多個尺度上的小波系數(shù)，完成原始信號的小波分解后，設(shè)定一個合適的閾值。閾值處理后，對剩余小波系數(shù)進(jìn)行逆小波變換。其次，針對那些異常值，采用拉依達(dá)準(zhǔn)則進(jìn)行異常值剔除[8]。在進(jìn)行異常值剔除時，需要先計算出變電站繼電保護(hù)裝置振動信號的均值與標(biāo)準(zhǔn)差：

式（2）、式（3）中，、分別表示變電站繼電保護(hù)裝置振動信號的均值和標(biāo)準(zhǔn)差；表示第個繼電保護(hù)裝置振動信號；表示繼電保護(hù)裝置振動信號總數(shù)。

根據(jù)拉依達(dá)準(zhǔn)則，保留范圍內(nèi)的繼電保護(hù)裝置振動數(shù)據(jù)，剔除不在范圍內(nèi)的振動數(shù)據(jù)。經(jīng)過小波變換去噪與基于拉依達(dá)準(zhǔn)則的異常值剔處理后，本文可以得到更高質(zhì)量的變電站繼電保護(hù)裝置振動信號。

3識別振動數(shù)據(jù)監(jiān)測電保護(hù)裝置運(yùn)行狀態(tài)

預(yù)處理后的變電站繼電保護(hù)振動信號含豐富狀態(tài)信息。為監(jiān)測不同運(yùn)行狀態(tài)，構(gòu)建人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）模型，分類識別振動數(shù)據(jù)[9]。首先，根據(jù)輸入的變電站繼電保護(hù)裝置振動數(shù)據(jù)的特征數(shù)目與輸出的運(yùn)行狀態(tài)數(shù)目，確定ANN模型輸入層節(jié)點(diǎn)數(shù)和輸出層節(jié)點(diǎn)數(shù)，并根據(jù)經(jīng)驗(yàn)公式確定隱藏層節(jié)點(diǎn)數(shù)。其次，進(jìn)行隱藏層激活函數(shù)的選擇。本文選擇了sigmoid函數(shù)作為激活函數(shù)[10]，具體表達(dá)式如下式所示：

式（4）中，表示sigmoid函數(shù)，其中為輸入。

因此，在本文構(gòu)建的ANN模型中，每個隱藏層神經(jīng)元均采用了上式所示的激活函數(shù)。完成ANN模型的構(gòu)建后，接收預(yù)處理振動數(shù)據(jù)，此時，輸入層神經(jīng)元接收振動數(shù)據(jù)的加速度、速度等特征，通過隱藏層映射至運(yùn)行狀態(tài)，輸出層識別結(jié)果，實(shí)現(xiàn)智能監(jiān)測。

4仿真實(shí)驗(yàn)

4.1實(shí)驗(yàn)設(shè)置

設(shè)計完光纖傳感的變電站繼電保護(hù)監(jiān)測方法后，為驗(yàn)證其性能，將其設(shè)置為實(shí)驗(yàn)組，并將基于SSA-SVM的變電站繼電保護(hù)裝置運(yùn)行狀態(tài)智能監(jiān)測方法、基于ICA-FNN的變電站繼電保護(hù)裝置運(yùn)行狀態(tài)智能監(jiān)測方法分別設(shè)置為對照一組和對照二組，展開仿真對比實(shí)驗(yàn)。

根據(jù)實(shí)驗(yàn)需求搭建本次實(shí)驗(yàn)的仿真環(huán)境。實(shí)驗(yàn)環(huán)境的參數(shù)配置如下：硬件環(huán)境采用Dell PowerEdge R740服務(wù)器，配備Intel Xeon Gold 6248 CPU（20核40線程，2.5GHz）、512GB DDR4 ECC REG內(nèi)存民2TB SAS熱插拔硬盤（RAID 5配置）；軟件環(huán)境則包括Windows Server 2019 Datacenter Edition操作系統(tǒng)、MATLAB/Simulink R2023b仿真軟件、MySQL 8.0數(shù)據(jù)庫與Python 3.9編程語言。在實(shí)驗(yàn)過程中，本文收集某變電站繼電保護(hù)裝置在4種不同運(yùn)行狀態(tài)下的振動信號樣本作為實(shí)驗(yàn)樣本數(shù)據(jù)，每種狀態(tài)下，收集了10個樣本，共計40個樣本。對收集到的變電站繼電保護(hù)裝置在4種不同運(yùn)行狀態(tài)下的振動信號進(jìn)行一系列預(yù)處理后，分別對實(shí)驗(yàn)組方法、對照組一方法和對照組二方法進(jìn)行驗(yàn)證，記錄監(jiān)測結(jié)果。

4.2結(jié)果分析

在所有前期實(shí)驗(yàn)準(zhǔn)備工作完成的基礎(chǔ)上，統(tǒng)計并記錄實(shí)驗(yàn)組方法、對照組一方法和對照組二方法下各實(shí)驗(yàn)樣本的檢測結(jié)果（如圖1所示）。

從圖1中可以看出，實(shí)驗(yàn)組方法在4種狀態(tài)下的監(jiān)測誤差均低于對照組，平均正確率達(dá)97.5%。這歸因于光纖傳感器的高精度和靈敏度，能夠?qū)崟r監(jiān)測并準(zhǔn)確捕捉振動信號變化，實(shí)現(xiàn)精確監(jiān)測。因此，基于光纖傳感的智能監(jiān)測方法有效且正確，實(shí)際監(jiān)測中精度更高。

5結(jié)語

本研究成功實(shí)現(xiàn)了基于光纖傳感的變電站繼電保護(hù)裝置運(yùn)行狀態(tài)智能監(jiān)測方法。通過光纖傳感技術(shù)采集裝置運(yùn)行時的微小振動信號，結(jié)合人工智能算法對監(jiān)測數(shù)據(jù)進(jìn)行智能分析與識別，完成了對繼電保護(hù)裝置運(yùn)行狀態(tài)的實(shí)時監(jiān)測。仿真實(shí)驗(yàn)結(jié)果表明，該方法能夠準(zhǔn)確識別繼電保護(hù)裝置的不同運(yùn)行狀態(tài)，具有較高的實(shí)用性和可靠性。展望未來，本研究將進(jìn)一步優(yōu)化監(jiān)測方法的算法和模型，提高監(jiān)測的準(zhǔn)確性和魯棒性。同時，將探索更多傳感器和數(shù)據(jù)融合技術(shù)在智能監(jiān)測中的應(yīng)用，以實(shí)現(xiàn)對變電站繼電保護(hù)裝置運(yùn)行狀態(tài)的更全面、更深入的識別。

參考文獻(xiàn)

[1]葉遠(yuǎn)波，李端超，謝民，等.基于SSA-SVM的繼電保護(hù)裝置狀態(tài)評估方法研究[J].電力系統(tǒng)保護(hù)與控制，2022，50（8）：171-178.

[2]李鐵成，劉清泉，任江波，等.基于動態(tài)優(yōu)化馬爾可夫鏈的線路繼電保護(hù)裝置狀態(tài)預(yù)測方法[J].電力系統(tǒng)保護(hù)與控制，2022，50（13）：97-106.

[3]聞宇，陳艷霞，李菁，等.一種基于ICA-FNN的多模型高壓網(wǎng)絡(luò)保護(hù)設(shè)備異常狀態(tài)風(fēng)險預(yù)警方法[J].電力科學(xué)與技術(shù)學(xué)報，2024，39（4）：78-83，101.

[4]徐征宇，李鵬，張書琦，等.基于分布式光纖傳感的變壓器繞組變形定位技術(shù)[J].電網(wǎng)技術(shù)，2022，46（8）：3224-3230.

[5]童鏜力，高妍，王鵬飛，等.基于分布式光纖傳感技術(shù)結(jié)合維納濾波的架空線路舞動監(jiān)測方法[J].電網(wǎng)與清潔能源，2022，38（9）：17-24.

[6]包恬，李楚瑞，邱旭，等.基于分布式光纖振動傳感技術(shù)的地下管廊入侵監(jiān)測系統(tǒng)[J].傳感技術(shù)學(xué)報，2023，36（12）：1974-1980.

[7]鄭興鵬，邢磊，張漢羽，等.基于分布式光纖聲傳感火車噪聲屬性的車型識別及運(yùn)行規(guī)律[J].地球物理學(xué)報，2024，67（7）：2850-2862.

[8]黨竑，馬彬，高超，等.基于卡爾曼預(yù)測的光頻域反射分布式光纖傳感性能提升方法[J].光學(xué)學(xué)報，2024，44（1）：315-323.

[9]張均偉，藍(lán)波，黃嘉庚，等.基于分布式光纖傳感的光纜防外破監(jiān)測研究[J].光通信研究，2022（5）：53-57.

[10]李天梁，郭金秀，吳冬健，等.基于光纖傳感的極端環(huán)境下裝備制造與運(yùn)行狀態(tài)監(jiān)測技術(shù)現(xiàn)狀與發(fā)展[J].機(jī)械工程學(xué)報，2022，58（8）：27-53.