智能变电站二次系统故障的自动诊断技术研究

王 铭 葛长城

（山东工业技师学院）

0 引言

现阶段，智能变电站的广泛应用为电力行业的发展提供了重要资源［1-4］。但是在应用过程中不免会因各种因素出现二次系统异常、故障等突发状况，加之当前对智能变电站信号的采集以及分析还存在极大上升空间，所以极易导致二次系统故障无法被快速精准的定位以及查明原因，进而导致整个电力系统的运行受到影响，基于此，亟需一种高效的智能变电站二次系统故障诊断技术发挥作用［5-8］。

1 智能变电站二次系统故障诊断模型

智能变电站二次系统支持站内的监控保护和测量等工作，其形成主要由智能化电子设备以及通信网络组建。故障诊断技术会依照每个故障信息建立逻辑联系，再借助智能算法的推导性能，明确诊断目标的实际运行情况。遵循该思路，便可以制定并得出智能变电站二次系统的故障诊断模型，详见图1所示。

图1 智能变电站二次系统故障诊断模型

根据图1所示，该模型中满足故障诊断需求的特征信息主要从静态配置信息以及“综自系统”告警信息、在线监测中产生的数据信息，且设备诊断、报文诊断、配置诊断以及综合诊断独自成立了分布式架构。

由图1所示的故障诊断模型中各个诊断板块具备的性能有以下几点。

（1）智能设备诊断。依照全部装置的自动检测警告信息和监控信息诊断智能变电站二次系统的运作实况，其在运作过程中是否存在故障异常情况。装置故障主要可分为程序故障、硬件故障、ISG故障、开关机械故障等。

（2）报文诊断。依照网络报文监视告警系统，对智能变电站二次系统发生出现故障期间的通信网络非正常告警信息予以诊断，精准定位非正常位置和网络装置。通信网络故障主要可分为通信链路中断、交换机故障、报文故障等。

（3）配置诊断。依照全部IED装置的配置参数，将智能变电站配置文件的SCD数据信息为基准，对全部IED装置予以配置参数诊断，明确其全部装置是否处于稳定运行状态。

（4）综合诊断。模型中全部诊断模块得出的检测评估结果最后会通过综合诊断模块予以全面具体的推理分析，以此获取到最终且极具全面性的检测结果。评估类目主要包含开关／保护异常动作对应的智能变电站二次系统故障原因。

2 智能变电站二次系统故障诊断技术应用的SVM 算法分析

SVM算法是以统计学理论为基础形成的新型机器学习法，其具备的性能优势可以有效完善小样本、非线性以及局部极小等问题，是神经网络研究之后机器学界的又一大研究热点。SVM算法支持数据分类，其遵循的原则为：先把特征向量由原始空间Rm借助函数φ（·）映射至高维空间Rn，接着于该高维空间内计算分析出分割训练样本中最佳超平面，以此让样本集内的点距离最佳超平面尽可能远。

SVM属于二分类器，从智能变电站二次系统角度分析，该系统极具复杂性，且故障种类也较为繁多，所以便应用以此创设出具有多元化特性的分类器，进而为智能变电站二次系统的故障诊断分析提供支撑。其创设逻辑是：建设个分类器用于完善独立的k分类困难，且全部的分类器均支持对两类样本予以分类处理。假设两个训练样本分别属于第m类和第n类异常状态，以表示，那么二元分类器便能够转换成以下几个多元分类器。详细见式（1） ～式（3）。

式中，wmn＝代表的是分割m类以及n类非正常状态范畴的超平面线性权重向量；C不可小于0，属正则化常数，主要用途是管控对错分样本的惩罚轻重；代表的是松弛变量数值。φ（xi）＝［φ（xi1），φ（xi2），…φ（xiN）］T，其中，xiN代表的是xi的第N个分量，是指把输入样本由原始样本空间映射至N维空间内的非线性映射；bmn代表的是分割m类以及n类的非正常状态范畴的超平面阈值。核函数K（xi，xj）＝φ（xi）·φ（xj），该核函数属于RBF范畴（即径向基函数），如下式。

式中，γ值不可小于0，且为参数。SVM算法具备的性能在γ以及C的干扰下，为有效强化其自身具备的算法性能，会借助PSO来达到确定以上两个参数最佳数值的目的。PSO和其他确定最佳的方法具有一定的相同点，即以迭代思想为基础的优化理念。在确定最佳阶段，被优化的函数数值会直接影响每个粒子的适应程度，其全部粒子截止至今已经确定的最佳数值和总体粒子群共享的确定结果均含于该粒子内，且直接决定着粒子的移动速度以及方向。将该寻优方法和遗传算法进行比较，PSO不会借助较差以及变异计算的力量，且拥有更快的收敛速度以及更佳的鲁棒性。

3 基于SVM 的智能变电站二次系统故障诊断技术实际应用

上文阐述的以SVM算法为核心的职能变电站二次系统故障诊断技术，其构成分两个部分：训练模型以及故障诊断。详细结构如图2所示。训练模型部分是指将以往的运行数据信息和与其相对应的专家诊断结果作为训练样本集，同时应用SVM算法编制创建智能变电站二次系统故障诊断模型。故障诊断部分是指对故障诊断的性能水平予以仔细评估，借助的故障数据信息予以诊断测试。

图2 智能变电站二次系统故障诊断步骤示意图

3.1 训练模型

将处理完成的训练样本集数据信息应用至SVM智能变电站二次系统故障检测模型予以训练，同时借助PSO算法对SVM模型予以最佳参数的确定，再于成功获取到非动态的故障数据信息后对SVM模型予以处理。

3.2 故障诊断

将智能变电站二次系统故障现场获取到的信号在完成数据预处理之后予以测试集数据的构建，之后借助训练完成的SVM故障诊断模型对测试集数据予以故障判定。

4 SVM 模型的诊断结果分析

以某220kV的智能变电站为例予以分析。对电力系统中变压器保护以及线路保护的二次系统保护情况予以故障诊断，以此证明上文阐述的SVM故障诊断模型极具准确性及可靠性。在该举例分析的智能变电站中，其保护措施都应用了双重化配置。通过将智能变电站长久以来获取累积的运行数据构建成专家数据库，之后再将数据库用于SVM 模型训练的训练集，再将实际测试获得的数据信息应用至模型正确性的测试之中。

4.1 智能变电站二次系统线路保护故障诊断结果分析

该智能变电站二次系统的线路保护故障主要被划分成1／2号保护设备以及测控组网链接等。输入信号主要包含合并单元以及线路保护接收智能终端G00SE断链。应用PSO算法至SVM模型中，其精准确定最佳的γ值是1.9298，以及确定的最佳C值是0.01，其在优化完成之后的故障信息处理模型对训练样本的十折交叉证明其准确率其实满足100%。

借助训练完成的PSO-SVM模型对多个试验样本予以故障诊断，同时将专业检修人员的判定结果作为故障确定标准，其故障诊断结果显示该诊断模型具有高达97%的准确率。若是在无PSO的寻优法辅助，该模型的准确率是94%，因此证明PSO在SVM模型的优化中切实发挥了重要作用。

4.2 智能变电站二次系统变压器保护故障诊断结果分析

智能变电器二次系统的变压器保护故障主要有合并单元以及智能终端等故障类型。输入单元主要包含合并单元SVM整体警告以及GOOSE整体警告等。应用PSO算法至SVM模型中，其精准确定最佳的γ值是1.4497，确定的最佳C值是0.01，其在优化完成之后的故障信息处理模型对训练样本的十折交叉验证证明其准确率切实满足100%。

将PSO-SVM模型应用至智能变电站二次系统变压器保护故障，其检测的结果具备极高的诊断正确率，为98.1%，由此证明该模型在智能变电站二次系统的故障诊断中极具正确性、可靠性以及适用性。

5 结束语

本研究根据现阶段的智能变电站二次系统故障检测存在的不足予以优化研究，详细分析阐述基于SVM的智能变电站二次系统故障检测技术，创建了故障诊断数据集，以及诊断模型。其结论包含以下几点内容。

（1）本文借助较为典型实际案例予以分析，同时对智能变电站二次系统全部故障对应的状态予以构建数据集，通过分析诊断结果得知，该数据集具备较佳的训练属性。

（2）本文还以SVM算法具备的高效的小样本回归性能，创建了符合智能变电站二次系统故障诊断需求的诊断模型。同时应用PSO算法对SVM数据信息予以最佳数值的确定（即寻优），有效防止了SVM数据信息的选定出现偏差等情况，对SVM故障诊断模型原本具备的优势性能予以进一步完善。

（3）经过分析诊断结果可知，本研究阐述的诊断模型对智能变电站二次系统的线路保护以及变压器保护的故障诊断均呈现出了显著的准确性，由此证明该诊断技术极具应用价值。