基于改进孪生支持向量机的新型电力系统继电保护故障诊断模型

谭金龙, 熊小伏, 陈 军, 南东亮, 周 勇

(1. 重庆大学 输配电装备及系统安全与新技术国家重点实验室, 重庆 400030; 2. 国网新疆电力有限公司 电力科学研究院, 新疆 乌鲁木齐 830011)

随着社会生产生活水平的日益提高,对电能质量也提出了更高的要求,其中,可靠性是评判电能质量的关键指标[1]。而继电保护可以通过对电力系统进行实时运行监测,及时、准确地预警并隔离可能发生的故障情况,其在较大程度上保障了电网的安全、稳定运行,对提高电力供应的可靠性具有重要意义。智能电力系统作为电力行业的主要研究热点,对继电保护、电网调度决策以及故障分析处理均提出了更高的要求[2]。

传统的继电保护系统对于异常检测通常采用单一阈值判定,方法在潜伏性故障判定及动作准确性等方面仍有一定的局限性。大部分基于继电保护方面的理论和技术仍存在一定的不足,使电力系统的智能化发展及应用受到较大的限制[3-4]。

近年来,针对电力系统故障诊断的研究主要集中在智能变电站内的继电保护系统。王晓丽等[5]针对电力系统元件故障网络形成的数据集,提出了一种基于机器学习(machine learning,ML)的继电保护诊断分类方法,并利用Fisher判别式(fisher linear discrimination,FLD)多类型判别法有效实现了故障诊断。ZHANG等[6]提出一种变分模式分接(variational mode decomposition,VMD)结合卷积神经网络(convolutional neural networks,CNN)的配电网故障诊断和定位方法,在提取故障特征后输入CNN模型中,保证了故障位置的快速、准确定位;郑浩野[7]针对传统故障诊断不够全面的问题,设计了一种基于时序网络结合深度学习(deep learning,DL)的变电站继电保护故障诊断方法,并有效提高了准确性。

上述研究为智能电力系统继电保护故障诊断提供了一定的依据及支撑,但其相比于新型电力系统对继电保护的高准确性和时效性要求仍有差距。本文提出了一种基于改进孪生支持向量机(twin support vector machine,TWSVM)的新型电力系统继电保护故障诊断模型,以实现故障的快速、可靠识别。

1 新型电力系统下继电保护架构

为了更好地应对新能源发电广泛并网带来的保护问题,本文设计了一种新型电力系统下的继电保护架构,并采用网络传输实现各类智能设备的信息共享。同时,还构建了故障时序信息模型以准确分析设备的故障状态[8-9]。

多类型、多方式接入的新能源低电压穿越控制及保护策略的差异较大,其低电压穿越后的短路电路特征不同于同步发电机短路电流,从而使以故障特征为判别基础的传统诊断方法面临巨大挑战[10-13]。因此,根据新能源发电并网特性设计了一种新型继电保护架构,如图1所示。

图1 新型继电保护体系的架构Fig.1 Architecture of new relay protection system

在新型继电保护体系中,一次电压、电流的模拟量将通过电子互感器采集后传输到合并单元中,转换成数字量后再利用以太网络传输到保护装置及智能终端。在故障情况下,智能终端将向断路器发送跳闸指令以完成故障隔离。同时,保护、测控装置的信息通过交换机传输至调控中心进行相关应用。此外,该体系利用以太网络完成数据传输,有利于实现各种智能设备间的资源共享。

假设某个设备状态量的时间序列Z为

Z={z1=(v1,t1),z2=(v2,t2),…,

zn=(vn,tn)}

(1)

式中:zn=(vn,tn)为设备观测的状态量信息时间序列在tn时刻获得的状态量;vn为设备的状态信息模拟量;n为Z的长度。

变电站发生故障时,继电保护设备首先动作,并实时记录该设备的动作过程,即故障时的运行状态。设报警信息为

v=v(I,Δt,S)

(2)

式中:I为故障信息,包括报警信息类型、时间等;Δt为故障持续时长;S为1或0时分别表示判定为准确值或近似值。

2 继电保护故障诊断模型

支持向量机(support vector machines,SVM)是一种二分类模型,可以寻找一个超平面分割样本,且分割原则为间隔最大化[14]。但SVM仅适用于处理凸二次规划问题,适应性较差,因此引入数字孪生技术对其改进,同时利用蛙跳算法(leap-frog algorithm,LFA)对SVM的参数进行寻优,以获得分类性能更为理想的网络模型。

作为传统支持向量机的改进版本,孪生支持向量机(TWSVM)旨在寻找一对不平行的超平面,所以其具有更优的分类能力[15-16]。相较于传统SVM算法,改进后的TWSVM具有更高的计算效率,可以同时求解两个SVM问题。

实际问题模型样本数据通常较为复杂,且不仅是单纯的二元分类。在故障特征空间中,简单线性TWSVM分类已无法得到最优分类结果,因此通过引入核函数来进行优化,以解决非线性分类问题。假设在k维实数空间Rk中,样本总数为m=m1+m2,其中,m1、m2分别为正、负类样本点个数,则非线性TWSVM超平面的求解方程为

(3)

式中:κ为核函数;x为输入矩阵;C=(A,B)T,A、B分别为正样本和负样本矩阵;u1、u2及b1、b2分别为正、负类样本的超平面法向量与偏移量。通过二次规划求解,正、负类样本划分后的平面分别可表示为

s.t.κ(B,CT)u1+e2b1≥e2

(4)

s.t.κ(B,CT)u2+e1b2≥e1

(5)

最后求解分类超平面,采用的分类决策函数为

(6)

当进行故障诊断时,TWSVM的参数设置较为困难,因此所提模型采用蛙跳算法(LFA)进行参数寻优,以提高故障诊断的准确率[17]。该算法通过青蛙跳跃到不同地点觅食而受到启发,能够优化局部解,进而实现全局最优。基于蛙跳算法优化的TWSVM在求解非线性问题时,需确定SVM的3个核心参数,即惩罚因子ζ1、ζ2及高斯核函数中的核参数σ。蛙跳算法优化TWSVM的具体步骤如图2所示。

图2 蛙跳算法优化TWSVM的具体流程Fig.2 Specific flow chart of TWSVM optimized by leapfrog algorithm

在蛙跳算法的寻优过程中,首先构建青蛙个体的初始种群Q,即第i个个体的位置设为三维向量Gi=(ζi1,ζi2,σi3),并通过求解种群内所有个体的目标函数值对其进行降序排列,且记下值最小的个体。其中优化目标函数为最小均方误差,则适应度函数为

(7)

然后进行种群初始化分组,以目标函数值G的大小为区分,分别将各模组中最小、最大的青蛙记为FΔ、F。之后引入加速因子τ(τ>1),并适当增大步长以加快局部的收敛速度,对每只青蛙进行局部位置更新优化,以保证算法平稳。其更新方程为

(8)

式中:D为青蛙移动步长;r为随机数,介于0～1之间。

在更新数据后,若子代青蛙优于父代,便在原组内进行青蛙替换;反之则需利用原始种群内最小G值的青蛙替代FΔ进行局部位置更新。经过多轮局部位置更新,将所有分组进行划分并完成组内的混合排序,以便进行新的局部位置更新,直至完成所有迭代输出最优解。蛙跳算法寻优后的TWSVM故障类型诊断流程如图3所示。

图3 新型继电保护的故障诊断流程Fig.3 Flow chart of fault diagnosis for new relay protection

基于蛙跳算法改进TWSVM的故障诊断流程如下:

1) 获取系统设备的时序状态数据,包括历史数据和采集数据,并将其进行归一化处理;

2) 根据设备历史状态时序数据训练TWSVM,且利用蛙跳算法对其参数进行寻优,以获得最佳TWSVM模型;

3) 将采集的设备状态时序信息输入寻优后的最佳TWSVM模型中进行处理,从而得到相应的故障类型。

3 实验结果与分析

实验搭建了新型电力系统仿真模型,如图4所示,该系统包含了3台变压器T、4个分布式电源G及2个传统电源PV(光伏)、W(风力发电)、3个负荷节点L以及若干母线和输电线路,且各自配备相应的保护设备。

图4 新型电力系统仿真结构Fig.4 Simulation architecture of new type power system

在模拟故障发生过程中,电压为1 500 V,负荷侧电压为380 V,输电线路电阻为0.164 Ω/km,电感则为0.24 mH/km。此外,改进TWSVM模型的参数设置为:τ=1.2,r=0.5,Dmax、Dmin分别取值1和4,最大迭代次数为100。

3.1 故障诊断结果

为了论证改进TWSVM网络的分类效果,将其与SVM和TWSVM进行对比。随着迭代次数的增加,3种网络的故障诊断准确率如图5所示。

图5 不同网络的故障分类准确率Fig.5 Fault classification accuracy of different networks

由图5可以看出,改进TWSVM网络的分类准确率最高,约为90%。原因在于该网络采用蛙跳算法来进行参数寻优,分类性能更为优越,且相较TWSVM网络的分类准确率提高了约7%。而SVM网络的普适性较差,难以有效处理新型电力系统继电保护的故障信息,故其分类准确率仅约为70%。

同时,在改进TWSVM网络中,将故障发生时记录下的电流、电压以及网络拓扑信息作为输入,分别在前200个、500个和900个时间断面的故障数据训练后,利用样本后100个时间断面的故障数据作为测试集,可得分类准确率结果如表1所示。

表1 故障分类结果Tab.1 Fault classification results

由表1可知,测试故障类型的准确率随训练样本的增大而逐渐提高,当测试样本为900个时,其准确率达到了97.89%。

3.2 故障诊断结果对比分析

为了对所提方法的有效性进行深入验证,本次还设置了与文献[5]、文献[6]和文献[7]中方法的对比实验。将故障类型分别设置在O1点和O2点,获取系统数据样本100个,通过重复10次测试,得到的故障诊断准确率均值如表2所示。

表2 不同类型故障的诊断准确率Tab.2 Diagnostic accuracy of different faults %

由表2可知,无论对于何种故障类型,所提方法的诊断准确度均为最高,且约为98%。相较于3种对比方法,其平均诊断准确率分别提升了约8%、6%及3%。这是因为其所采用的改进TWSVM网络能够处理非线性多分类的问题,同时还考虑了设备状态的时序性,因此故障诊断结果更为精准。

同样,在O1点和O2点上设置不同的故障类型,获得100个测试样本,通过10次重复实验,4种方法的整体故障诊断准确率和诊断时间如图6所示。其中诊断时间由仿真平台返回具体数值。

图6 不同方法的故障诊断结果Fig.6 Fault diagnosis results of different methods

从图6中可以看出,相比于其他方法,所提方法的诊断效果最为理想,准确率和时间分别约为98.05%和1.48 s。由于改进TWSVM网络采用了蛙跳算法进行预训练,大幅缩短了诊断时间,并保证了故障分类的精度,且在调控中心进行统一分析,从而进一步保证了故障诊断的结果。文献[5]利用机器学习实现继电保护的诊断分类,其方法简单易实现,因此诊断时间最短,但准确率低于90%。文献[6]采用变分模式结合卷积神经网络的方式进行配电网故障诊断和定位,能够实现故障的准确、快速定位,但方法较为复杂,所以故障诊断时间超过了2.5 s。同样,由于文献[7]综合考虑了故障时序特征、网络拓扑结构以及保护装置特性,因此其故障诊断准确率高达95%以上,但由于考虑的因素过于复杂,导致诊断时间剧增,超过了3 s。

4 结束语

针对传统变电站继电保护难以精准处理含大量新能源发电系统的故障诊断问题,本文提出了一种基于改进孪生支持向量机的新型电力系统继电保护故障诊断模型。设计了一套新型电力系统继电保护体系,并利用改进TWSVM网络分析设备状态时序数据,以完成故障分类。基于仿真平台的实验结果表明,改进TWSVM网络的分类效果更优,且所提模型的故障诊断准确率与时间分别约为98.05%和1.48 s,能够满足新型电力系统对继电保护的动作要求。

但由于本文仅对所提模型进行了仿真论证,仍缺乏一定的说服力。在接下来的研究中,将进一步把该模型运用于实际电力系统中,以提高其实际应用价值。