基于自适应遗传算法的智能电网继电保护故障识别

2022-08-15肖洪光郭永鑫

自动化仪表 2022年7期

肖洪光，杨璐,郭永鑫

(国网吉林省电力有限公司培训中心，吉林长春 130000)

0 引言

随着智能电网的发展，电力系统整体结构趋向复杂化、非线性化，系统故障信息也表现出随机性、多样性的特点[1-2]。多源信息融合技术利用时间和空间的信息资源，通过对多个传感器测量的局部不完整信息加以综合，消除了多源信息间的冲突和冗余、降低了信息不确定性，为解决智能电网继电保护领域隐形故障分析难题提供了有效的技术手段[3]。

目前，多源信息融合技术主要有深度学习、人工神经网络等智能算法[4-5]，以及基于规则推理论、模糊集理论方法等[6]。文献[7]通过遗传算法提取电流模型畸变特征信息，以监测电能质量，从而发现极端保护中存在的隐形故障。文献[8]针对多源异构电网运行参数，采用模糊集理论进行参数间的匹配和加权进行融合，并通过推导融合系数的数学表达式来确定故障真实位置。文献[9]基于禁忌搜索和模糊控制原理来提高智能电网继电保护的容错性能，提升故障判断的准确性。

由相关研究可以看出，利用多源信息改善继电保护更多地集中在后备保护，在假定数据采集正确的前提下进行故障的准确、快速判断。

本文基于遗传算法，提出一种基于多源信息融合的智能电网继电保护隐形故障识别算法，实现多源采集数据下的故障定位；利用遗传算法的交叉、变异计算，提升系统的容错能力。

1 遗传算法的智能电网应用

1.1 遗传动态算法

遗传算法作为一种正反馈机制算法，通过设置优良的参数组合，有效应对电力线逻辑拓扑通道变化，提高算法的快速性、收敛性[10]。遗传算法处理流程如图1所示。

图1 遗传算法处理流程

算法采用二进制的编码方式进行字符串编码。该编码为遗传算法中的初始种群个体。选择合适的适应度函数评价个体性能优劣，将适应度高的个体复制遗传到下一代；对获得的新一代个体进行染色体交叉换位，产生新的群体，实现群体的多样性，并根据生物学基因突变原理寻找到算法的最优解。

1.2 继电保护故障识别

智能电网是一个复杂度高、整体性强的电力系统。继电保护装置存在潜在风险，通常难以完全实现对继电保护隐形故障的自动识别。考虑到智能电网信息在采集、判别和传输过程中的信息错误和缺失，本文提出基于遗传算法建立多信息融合的适应度模型，利用信息的冗余性和相互逻辑关系建立多源信息融合的适应度函数模型，以实现电网系统故障检索与识别[11]。基于遗传算法的智能电网故障识别流程如图2所示。

图2 基于遗传算法的电网故障识别流程

2 遗传算法的智能电网故障识别

2.1 故障识别基因编码

故障识别是在输电系统发生故障时能够快速识别和切除故障。遗传算法将待处理问题转化成一连串数字编码，采用二进制0-1数字串表征设备的2种运行状态。其中：0为正常状态；1为故障状态。理论上，电网系统各元件均可能发生故障，即系统中的i个元件可组成2i组故障识别编码。典型电网结构如图3所示。对于一组包含母线A、B、C、D、E和线路L1、L2、L3、L4电网系统，可形成512组故障识别码。

图3 典型电网结构

实际上，系统同时发生故障可能性较低。因此仅需分别对系统单个元件故障编码，形成P组故障识别码，就能减小继电保护系统的计算量。故障识别编码如表1所示。表1中：序号1的故障识别编码形式为10000000，表示母线A故障；序号5故障识别码形式00001000，表示线路L1故障。

表1 故障识别编码

2.2 适应度函数模型

遗传操作中，适应度函数直接影响到最终判断结果，且具有不同容错能力[11-12]。针对智能电网继电保护要求在常规主保护失效时能快速切断故障、在发生非预设运行工况或区外故障时不会有操作的特点，建立智能电网隐形故障的适应度函数。

(1)

式(1)表征了保护动作信息和故障方向信息与设备状态和故障状态的期望关系。算法本质是求解极小值问题。为利用遗传算法的求解，将式(1)转化为极大值函数：

(2)

式中：V取大于(m+S)的常数。

2.3 期望函数模型

适应度函数中保护策略信息状态由系统通信实时获取。保护动作信息的期望状态由期望函数模型计算得到。缺省信息统一标为状态0值。因此，适应度函数是否能成功建立与期望函数模型直接相关[13]。本文基于电网系统故障识别编码表现的故障元件状态以及系统结构和保护动作逻辑建立期望函数模型，体现保护动作可靠性。具体的表达式为：

(3)

(4)

(5)

(6)

2.4 遗传交叉和变异

生物遗传中存在普遍的基因重组现象。遗传算法通过交叉操作模拟生物遗传中的基因重组来提升算法的搜索能力[14]。遗传交叉中，首先在上一代子体中随机选择一段交叉区段，然后通过基因交叉消除其中的相同区段，最终形成新的基因。

变异可以对已有基因形式进行重组，从而进一步提升种群搜索能力[15]。首先设定变异概率Pm，然后对编码后染色体串上的每个基因均形成一个随机数ri。当ri

(7)

2.5 最优解选取

通过交叉、变异后的个体需进行最优解评估，以保留个体的最优解作为迭代终止条件。当优化结果满足该终止条件，算法终止。本文确定的终止条件如下：

(8)

为保证算法能够终止，同时设定迭代最大次数N=105次时，输出当前个体最优解。

3 算例仿真

为验证本文模型和算法的智能电网隐形故障定位性能，基于电磁暂态仿真软件PSCAD/EMTDC，搭建如图3所示的广域电网系统模型进行遗传算法和传统辅助判断，从而对智能电网隐形故障识别的仿真分析。模型中包括9个被保护设备(编码值1为故障设备，编码值0为正常设备)。仿真输入包括保护动作信息(输入编码第1行1位～16位)、断路器状态量(输入编码第17行1位～24位)、故障方向信息(输入第2行)，共32位。设定种群大小为50、初始交叉概率为0.8、变异概率为0.03，以种群最优个体的适应度值达到最大或进化代数(设定N=3 000次)最大为收敛条件，结束运行计算。确定适应度值最高解作为最后判定结果。故障仿真测试结果如表2所示。