智能变电站二次系统回路安全在线监测技术研究

2021-11-27徐梦洁秦科源王炎军

机械与电子 2021年11期

牛延，徐梦洁，秦科源，王炎军

(1.国网新疆党校(培训中心)，新疆乌鲁木齐 830013；2.国网昌吉供电公司，新疆昌吉 831100；3.北京科东电力控制系统有限责任公司，北京 100096)

0 引言

智能变电站具有占地少和数据共享等优点，人工监测方式是变电站在实际运行中最常用的监测方式，但人工监测方式难以体现智能变电站的智能化优势[1]。定期检修模式通常是根据预先设定好的时间监测系统回路，这种监测模式的可信度高、测试范围广，可以有效地监测到回路中存在的隐患并消除，但该模式没有结合实际运行过程中设备的情况，在这种状态下会出现“过剩维修”的现象[2]。在此背景下，需要对回路安全监测方法进行分析和研究。

杨俊杰等[3]分析变电站系统回路结构的运行特点，在最小二乘法的基础上预测变电站中存在的支路和输入电流，获得变电站的实际工作状态，完成回路安全监测；陈志文等[4]对故障关联的特征变量进行计算，选取回路故障特征指标，分析指标之间存在的相关性，在此基础上计算残差，实现回路安全的监测；董怀普等[5]通过深度优先搜索算法分析变电站设备之间存在的物理拓扑链接关系，结合深度搜索故障推理算法，根据物理拓扑链接关系实现回路的故障定位与诊断。以上3种方法没有消除数据之间的不可公度，在故障识别和故障检测方面的性能较差。

为了解决上述方法中存在的问题，提出智能变电站二次系统回路安全在线监测技术。

1 回路故障检测

用Nk=i1/i2描述回路广义变比。其中，i1为系统电流；i2为CPU电流。

设N为额定变比；nk为广义变比标幺值，其计算公式为

(1)

正常情况下回路极性正确时，回路广义变比Nk为正，即广义变比标幺值nk为正；回路极性在运行过程中接反时，通过回路广义变比的正负情况完成智能变电站二次系统回路的异常监测[6-7]。

(2)

根据式(2)计算结果，建立广义变比构成的集合。

电流互感器在智能变电站二次系统中的角差通常较小[8-9]，且广义变比在不同采样时刻下的差异不大，智能变电站二次系统回路安全在线监测技术通过奇异值分解方法对广义变比对应的平均辨识值ngi进行计算，在式(2)的基础上获得

(3)

用矩阵形式表示式(3)，获得Ang=0，其中矩阵A和矩阵ng的表达式为

(4)

在奇异值理论的基础上划分矩阵A，获得

A=SVD

(5)

S为m×m阶正交矩阵；V=diag(λ1,λ2,…,λn)为对角矩阵；D为n×n阶正交矩阵。

在计算过程中电流测量回路数量n通常情况下少于采样组数m，矩阵A中存在列向量之间的线性关系。当采样组数m较大时，存在rank(A)=n-1，超定齐次方程组在这种情况下只存在一个非零的基础解，引入约束条件‖ng‖=1，此时获得

ATAng=(SVD)T(SVD)ng=DT(VTV)Dng=0

(6)

DT为单位正交矩阵。对式(6)进行简化处理，获得

(VTV)Dng=0

(7)

(8)

回路综合误差绝对值|ε|在智能变电站二次系统正常运行状态下通常小于10%，广义变比在故障情况下的取值范围为g∈(-1.111,-0.909)，设置可靠系数rn=1.1，获得智能变电站二次系统回路故障判断依据png∈(-1.23,-0.83)，实现故障检测[10]，具体流程如图1所示。

图1 故障检测流程

2 故障识别

智能变电站二次系统回路安全在线监测技术结合熵权法和灰色关联分析法实现故障识别。

在指标集中不同指标对应的重要程度可通过权重进行描述，在总体中指标的贡献程度可通过其权重值进行判断[11-12]。

设置综合评价识别矩阵Y=(yij)m×n，其中，n为指标在矩阵中的数量；yij为综合评价识别矩阵；m为评价方案在矩阵中存在的数量；i=1,2,…,m；j=1,2,…,n。

为了消除指标数据之间存在的不可公度，需要通过式(9)对其进行归一化处理。

(9)

Zij为归一化处理后获得的指标。

设β(i)为子母序列的关联度，在上述灰色关联系数计算结果的基础上通过熵权法计算得到

(10)

智能变电站二次系统回路安全在线监测技术结合灰色关联分析法和熵权法对检测到的故障进行识别，具体过程如下所述。

a.建立智能变电站二次系统回路的故障监测向量。

b.通过熵权法[13-14]对指标的客观权重进行计算。

c.根据客观权重结合灰色关联分析法[15]构建灰色关联系数矩阵。

d.通过式(10)获得熵权-灰色关联度。

e.排序上述过程计算得到的灰色关联度，对智能变电站系统中存在的回路故障进行识别。

3 实验与结果

为了验证智能变电站二次系统回路安全在线监测技术的整体有效性，需要对其进行测试。

分别采用智能变电站二次系统回路安全在线监测技术、文献[3]方法和文献[4]方法进行对比测试。

3.1 故障识别正确率

采用上述方法对智能变电站二次系统回路中存在的故障进行识别，对比故障识别准确率，测试结果如图2所示。

图2 故障识别正确率测试结果

分析图2中的数据可知，当迭代次数为20次时，文献[3]方法的故障识别正确率为75%，文献[4]方法的故障识别正确率为69%，本文方法的故障识别正确率为93%；当迭代次数为50次时，文献[3]方法的故障识别正确率为66%，文献[4]方法的故障识别正确率为59%，本文方法的故障识别正确率为96%。总体分析可知，本文方法在多次故障识别测试中的正确率均在90%以上，优于文献[3]方法和文献[4]方法获得的正确率，因为本文方法在故障识别过程中消除了评价指标之间存在的不可公度，提高了故障识别结果的正确率。

3.2 故障监测误判率

采用本文方法、文献[3]方法和文献[4]方法对智能变电站二次系统回路中存在的故障进行监测，测试上述方法的误判率,测试结果如图3所示。

图3 故障监测误判率

根据图3中的数据可知，在多次故障监测测试中，当迭代次数为10次时，文献[3]方法的故障监测误判率为30%，文献[4]方法的故障监测误判率为25.5%，本文方法的故障监测误判率为7%；当迭代次数为30次时，文献[3]方法的故障监测误判率为28%，文献[4]方法的故障监测误判率为34%，本文方法的故障监测误判率为5%。综上可知，本文方法的误判率均在10%以下，与本文方法的测试结果相比，文献[3]方法和文献[4]方法的误判率较高，文献[3]方法最高误判率可达30%,文献[4]方法最高误判率可达40%。