风电无人值守变电所主变过负荷运行状态监测研究
2021-11-29郭东明
郭东明
(神华包头煤化工有限责任公司 生产运营部,内蒙古 包头 014000)
随着风力发电技术的飞速提升,各种大规模的风电机组逐步朝着复杂化与智能化方向发展[1],所以精准监测风电无人值守变电所设备主变的运行状态就显得格外重要,同时这也是确保电力系统长期稳定发展的重要基础。最近几年,国内外相关专家也针对主变负荷运行状态监测方面的内容展开研究,例如高筱婷等[2]利用实验平台快速采集电力系统的历史运行数据,得到不同的状态参量,采用小波变换和主成分分析对信息进行融合,完成参数优选,同时将获取的融合信息输入到马尔可夫模型,有效实现风电机组运行状态监测。周志强等[3]以配电自动化终端的基本功能为基础,采用配电断路器中配置传感器和智能终端通道有效实现配电断路器远程在线监测。虽然上述方法能全面增强设备检修的时效性,但是由于没有对主变过负荷进行特征量提取,造成监测结果误差较大,低运行能耗偏高。
为此,提出一种风电无人值守变电所主变过负荷运行状态监测方法。仿真实验结果表明,所提方法不仅能够减少低运行能耗,还能够获取理想的监测结果。
1 监测系统设计
由于当前监测方法不能实现主变过负荷特征量的精准提取,导致监测结果不理想以及低运行能耗偏高,为此设计一种风电无人值守变电所主变过负荷运行状态监测系统,该系统的总体架构如图1所示。
(1)电能计量模块。电能计量模块采用ATT7022B电能计量专用芯片以及电流型电压互感器采集电压信号,UA需先经过电阻R1变成2 mA电流信号,经过2 mA/2 mA电压互感器T1、电阻R2变成ATT7022B量程范围内的电压信号,电路中电阻R3、R4和电容C1、C2会对转换后的电压信号进行滤波,以此提升信号完整度以及降低信号中噪声,在此基础上利用ATT7022B完成各种电参数计算,以此实现电能计量,电能计量模块电路如图2所示。
图2 电能计量模块电路
(2)数据处理模块。利用电能计量电路采集风电无人值守变电所的电能数据后,需要对采集完整的风电无人值守变电所主变过负荷数据。在进行数据采集与传输过程中,单片机会根据风电无人值守变电所主变不同的接入方式以及设备,根据串口编号和监测硬件对应的数据整理规则对串口数据进行读取、整理和发送,并将所有数据封装在不同函数中,以此实现风电无人值守变电所主变过负荷数据处理。其中,数据采集流程如图3所示。
图3 数据采集流程
数据传输流程如图4所示。
图4 数据传输流程
(3)监控终端模块。监控终端模块接口主要包括RS-485和RS-232总线接口2部分,RS-485总线接口是监控终端设置与水质传感器之间的连接端口,主要通过微处理器8051数据接收;RS-232接口是微处理器8051与监控中心端口相连,主要用于数据传送。RS-485总线的转换电路如图5所示,RS-232接口的主要任务是下载编译好的程序RS-232转换电路如图6所示。
图5 RS-485转换电路
图6 RS-232转换电路
2 系统软件设计
在风电无人值守变电所主变过负荷运行状态监测系统硬件设计的基础上进行系统软件设计,具体实现过程如图7所示。
分析图7可知,本文主要通过阻性、容性以及感性对风电无人值守变电所负荷进行分类,在此基础上通过Matlab小波分析对主变过负荷进行精准定位,以此提取负荷状态特征量。采用综合模糊评判对不同负荷特征量进行综合考量,设定不同参数的权重比获取量化的变电所主变过负荷运行状态监测结果。以此完成系统软件设计。
图7 系统软件实现流程
2.1 基于小波变换的主变过负荷特征量提取
风电无人值守变电所主变设备在噪声以及电磁干扰环境下,故障信号特征信息掺杂在大量的干扰信号中。消除和抑制外部干扰,提取信号中的特征向量是当前研究的重要基础[4-5]。
特征量提取是在电力系统状态信号中提取与故障设备相关的特征信号,有效降低各种不确定因素对运行状态监测所产生的负面影响。而从数据角度而言,需要将电力系统中的初始运行数据转换为和统计方面不存在任何关联的数据集。由于大部分初始测量空间的维数偏高,需要对位数进行压缩处理,进而简化整个特征量提取过程。由于各个信号之间存在较强的关联性,尤其各个邻近数据之间[6]。假设数据之间的相关性达到最高,则相关系数就会开始呈下降趋势。为了更好地实现主变过负荷特征量提取,引入小波变换,利用小波中的奇异点对负荷进行定位,还需要根据阻性、容性以及感性对变电所负荷进行划分,以此获取最终的特征量提取结果。
特征向量的选取和提取就是将信息从维数较高的空间转换到维数较低的空间,最终达到压缩维数的目的,具体过程如图8所示。
图8 空间变换过程
一般情况下,空间变换过程能够划分为以下几个步骤:①特征形成。获取被识别对象的基本测量数据的过程即特征形成。②特征提取。根据变换或者映射的方式,将高维的测量空间模式向量采用一种全新的形式进行描述,则能够得到最具有代表性的特征,其中新特征大部分均为线性组合。③特征选择。在测量空间中选取一些能够真实反映主要特征的特征向量[7-8],在保留这些特征的基础上对特征空间进行降维处理,以此可以提升特征量提取速度。
当负荷投入运行之后,电流的瞬时值一般能够表示为:
i(t)=Im(sinωt+φ) +I′et/τ
(1)
式中,Im为强制分量;I′为自由分量;τ为特征值,主要是描述暂态电流的衰减速度。其中,自由变量I′的提取结果能够表示为:
i′(t)=I′et/τ
(2)
式(2)能够全面描述电量的自由分量,如果t=τ,则存在:
i(τ)=I′e-1
(3)
当自由分量衰降低到设定的区间内所经历的时间为τ,可以根据i′(τ)的瞬时值获取值。
通过高速多功能数据采集卡能够实时采集相关的负荷数据,以此为基础采用小波变换提取电流突变过程中的特征向量,使其能够精准描述暂态发生的时间以及电流变化情况。它能够将信号均匀划分到不同的尺度上,并获取各个频带的信息[9]。各个尺度分别对应不同的信息,且不会受到频带的影响。
针对小波变换在工程信号处理中的不同应用,将信号划分为2种类型:①波形相似的度量;②周期中相同频成分的反映。相关理论分析是数学随机论上一个重要的分支,同时也是一种经典的信号处理方法。通过相关函数能够精准描述相同信号当前值和过去值两者之间的关联;针对同一组波形而言,可以采用2个信号的乘积积分作为相关性度量。在实际应用的过程中,不同信号之间会产生时差,对各个信号在传输过程中的关联性进行分析,得到以下的互相关函数:
(4)
根据上述计算结果,对于可以表示具有密切关联性的相关系数的具体描述:
(5)
式中,Covxy(τ)为相应互协方差函数,具体表达式为:
(6)
互协方差函数以及互相关函数之间的关系[10]能够描述为:
Covxy(τ)=Rxy(τ)-mxmy
(7)
式中,mx和my分别为随机信号和的平均幅值。假设x(t)和y(t)不是相同的信号,它们的相关函数也被称为互相关函数;假设x(t)和y(t)是相同的信号,则存在x(t)=y(t),则它们的相关函数被称为自相关函数,即:
(8)
其中,互相关函数性质能够表示为:①Rxy(τ) 是一个实质函数,当其值为正数时,说明随机过程呈现正相关;当其值为负数时,则呈现相关。②Rxy(τ)满足以下条件:
Rxy(-τ) =Rxy(τ)
(9)
在连续情况下的互相关函数,即离散互相关函数可以表示为:
(10)
式中,N为最大离散系数,m为最小离散系数,x(i)、y(i+m)分别为不同的离散信号。
小波变换的主要优势是能够精准确定函数奇异点和奇异性指数[11-12]。因此利用该方法进行主变过负荷特征量提取,其具体流程如图9所示。
图9 基于小波变换的主变过负荷特征量提取流程
分析主变过负荷特征量提取流程为:利用传感器采集暂态电流信号,在此基础上利用小波变换方法对所采集到的信号进行处理,主要通过设置小波基与分解尺度对信号进行分解处理,并得到每一个尺度上的小波变换模极大值。在此过程中,需要根据采样频率提取负荷投切时刻的信号特征数组与相关系数,获取最为相似的样本,还需要在确保相似度足够大的条件下,最终提取主变过负荷特征量。
2.2 主变过负荷运行状态监测
将风电无人值守变电所主变过负荷运行状态监测作为总目标,从多个不同的角度出发对其进行全面的监测。设定在某运行状态下,系统共计有B条母线投运,其中对应的母线电压越限率能够表示为:
(11)
式中,LB为电压越限母线数量。
以下通过综合模糊评判对不同风电无人值守变电所主变过负荷特征进行综合考量,具体的操作过程如下:①确定监测模型的目标层、准则层以及指标层,以此构建与问题相对应的递阶层次结构模型[13],分别计算不同的参数,同时对其进行标准化处理。②对相同层次的各个参数进行两两对比,组建直觉判断矩阵。③对步骤②建立的矩阵进行一致性检验,假设满足一致性,至步骤⑤;反之则返回至步骤④。④对非一致性矩阵进行修正。⑤计算不同参数与上层准则的相对权重。⑥计算不同参数对系统总目标的组合权重[14-15]。⑦完成直觉判断矩阵状态实时监测。
为了获取理想的监测结果,需要进一步对直觉判断矩阵进行一致性检验,具体的计算式如下:
(12)
当j>i+1时,则有:
(13)
(14)
式中,μit、μtj分别为不同的行向量参数,vit、vtj分别为不同的列向量参数。
(15)
式中,d为一致性系数。
针对满足一致性的直觉判断矩阵,能够获取相同层次各项指标之间的权重向量,即:
(16)
式中,μij、vij分别为不同层次评价指标的权重。
为了提升监测方法的有效性,全面分析风电无人值守变电所主变过负荷运行状态,针对不同参数的设定不同参数的权重比,获取量化的监测结果:
(17)
式中,πf、μf分别为风电无人值守变电所主变过负荷正常运行状态参数与异常运行状态参数。
3 仿真实验
为了验证所提风电无人值守变电所主变过负荷运行状态监测方法的有效性,在如下实验环境下进行测试:操作系统Windows7;CPU为Intel Core i5-7300HQ;内存32 GB;硬盘500 GB;运行内存8 GB;主频2.1 GHz;仿真软件Matlab R2014a。
设置7种不同负荷状态,采用3种不同的方法进行风电无人值守变电所主变过负荷运行状态监测(表1—表3)。分析表1—表3中的实验数据可知,随着电网负荷水平的飞速提升,主变运行状态开始变得越来越差,和实际结果基本一致。由此可见,上述3种方法能够准确监测风电无人值守变电所主变过负荷运行状态,但是相比另外2种方法,所提方法的监测结果和真实情况更加贴近,充分证明了所提方法的优越性。
表1 所提方法的综合监测值
表2 文献[2]方法的综合监测值
表3 文献[3]方法的综合监测值
为了更进一步验证所提方法的性能,以下实验对比3种不同方法在低运行状态下的能耗变化情况,具体结果如图10所示。
分析图3中的实验数据可知,随着负荷水平的逐渐增加,各个方法的低运行能耗也开始呈直线上升趋势。由于所提方法对主变过负荷特征量进行提取,简化提取过程,促使低运行能耗下降,且明显低于另外2种方法。
4 结语
负荷稳定是保证电力系统稳定运行的依据,对过负荷状态进行监测是确保电压稳定,推进电能质量分析的重要依据,提出一种风电无人值守变电所主变过负荷运行状态监测方法。仿真实验结果表明,所提方法能够获取较为理想的监测结果,同时有效降低运行能耗。目前,所提方法仍然处于起步阶段,后续将对其进行全面完善,促使综合性能得到有效提升。