数字化变电站继电保护装置故障智能检测识别方法研究

于 洋，王同文，汪 伟，杨瑞金

（1.国网安徽省电力有限公司电力调度控制中心，安徽合肥 230022；2.国网安徽省电力有限公司超高压分公司，安徽 合肥 230009）

近年来随着电力企业数字化转型的推进，电力 系统发、输、变、配等环节均经历着巨大变革。传统变电站中的信息系统相互隔绝，缺乏关联。而随着数字化变电站的建设，站内一次、二次设备的参量与模型均朝着数字化及标准化的方向转变[1-8]。当前，我国的继电保护、电力自动化设备厂家已迭代了成熟的产品，但各个系统间缺乏有效、归一化的数据接口及检测识别算法。

针对上述分析，文中对变电站内继电保护装置的故障智能检测识别技术进行了研究。由于保护装置的保护动作实施应精准正确，因此必须要确保从“互感器-光纤-交换机-保护装置”的所有环节中进行正确的信息采集与传输，这就要求算法能够识别因数据采集、传输而造成的异常数据。同时在数字化场景下，保护装置的动作实施应满足智能化，即根据采集的线路信息，智能地判断线路的故障类型并实施保护动作。该文详细阐述了一种基于灰色关联分析(Grey Relation Analysis，GRA)的堆栈自动编码器(Stacked Autoencoder，SAE)网络设计方案，其可实现继电保护装置数据的特征提取。此外，还面向实际的电力运行网络进行了线路仿真与数据采集，进而验证了该算法在场景中的可用性。

1 理论基础

1.1 堆栈自动编码器

自动编码器(Autoencoder，AE)是一种常见的三层结构网络模型[9-12]，其结构如图1 所示。该网络主要包含编码器及解码器两个部分。

图1 三层结构网络模型结构

相较于普通的三层神经网络，AE 的输入层和输出层节点数量一致。其中，编码器将输入特征映射至低维，而解码器则实现低维特征的重构。该结构可充分提取数据中的隐含特征，其数学模型如下：

记样本数据集X={pi|1≤i≤S}，且其样本总数为S。在编码器中，设H为隐藏层的输出集，则有：

式中，W为输入层到隐藏层的连接权重，b为两层间的截距，sf为编码器的激活函数。解码器是编码器的逆运算，在解码器中存在：

自动编码器的误差函数是输入输出向量间的重构误差，其表达式为：

该网络可采用梯度下降法(Gradient Descent，GD)进行参数的调整，即：

其中，l是网络的学习率。将多个自动编码器叠加，即可获得堆栈自动编码器(SAE)[13-14]。相较于AE，SAE 具有更强的泛化性能，其基本结构如图2 所示。在SAE 中，使用采集的继电保护装置电流、电压等样本信息训练第一个AE，然后将样本映射至隐含层的输出h(1)i中：

图2 SAE结构

与单一的AE 相似，在SAE 的第一个AE 中，解码器的输出为：

1.2 基于灰色关联度分析的SAE

在SAE 算法中，AE 的输入节点与输出节点数量相等，而隐藏层的数量及结构则需人工依据经验确定，由此便造成了SAE 泛化性能的不稳定。为此，文中引入了一种基于灰色关联度分析(GRA)[15-16]的SAE隐藏层结构自适应算法。

关联度能度量不同因素间的关联性，记长度为p的序列Yi，该序列的q+1 个特征行为可以记为：

以Y0为参考序列，可得到：

式中，ξ是一个(0,1)之间的常数。ξ越大，特征间的差异便越明显且越容易被辨识，反之亦然。基于灰色关联度分析的SAE 隐藏层结构自适应算法流程如图3 所示。

图3 算法流程

从图3 中可以看出，在该文继电保护装置故障智能检测算法中：首先，使用GRA 算法优化SAE 的结构；然后，基于SAE 进行保护装置采集数据的特征提取；再将最终的数据输入支持向量机以获得识别结果。

2 方法实现

2.1 仿真数据集设计

为了评估算法性能，需要先构建算法仿真的数据集。在变电站运行中，数据失帧、异常值等均会产生与真实故障相似的虚假特征，进而影响变电站二次设备的保护动作。故该次对站用保护三相电流电压的综合信息进行采集，进而训练上文中的算法模型。训练完成后，该模型可以区分电流电压中的真实、虚假故障特征。此外，文中还基于PSCAD(Power Systems Computer Aided Design)仿真程序中的Multrium 组件进行数据集的构建。

此次以单电源、单回路输电线向负载供电的模型为建模对象，该线路的相关参数如表1 所示。

表1 线路参数值

在数据采集时，共设计了11 个故障类型，具体如表2 所示。

表2 故障编号释义

在进行数据采集时，通过调整系统参数获得更多的采样值。具体参数及其调整范围如表3 所示。

在表3 的参数变化下，将线路系统按照表2 所示的11 种故障类型，分别以250 μs 为步长进行采样，共获得有故障的样本101 200 个。此外，向系统引入92 000 个无故障样本，并将每个样本都依据表4 中的异常类型生成相对应的数据。最终，构成的数据集共包含653 200 个样本。

2.2 仿真实验

在进行算法仿真时，采用表5 所示的软硬件环境。模型仿真的相关参数如表6 所示。

表6 模型仿真参数

为了评估算法模型的性能，此次将SVM、AESVM 与SAE-SVM 算法作为对比，以评估该文算法的性能。首先，评估模型在全量样本中对于表4 内错误样本的识别精度。具体结果如表7 所示。

表7 算法对错误样本的识别精度

由表7 可知，引入自动编码器后SVM 算法的计算精度提升了3.69%，证明AE 算法在特征提取时具备有效性。再对比GRA-SAE-SVM(n=2)与SAESVM(n=2)的计算结果可看出，引入灰色关联度分析后识别精度提升了4%。由此表明，灰度关联算法能有效确认最优的隐藏层结构。而对比GRA-SAESVM 在不同层数AE 的计算精度能看出，当AE 层数为4 时，算法的错误样本识别精度可达到最优值；当n=5 时，识别精度较n=4 略有下降，说明此时网络结构过于复杂，且出现了过拟合。剔除错误样本后的故障识别精度如表8 所示。

表8 剔除错误样本后的故障识别精度

比较表8 中不同算法的识别精度可知，文中AE、SAE、GRA 等算法对于SVM 分类器的精度均有显著提升。其中，AE 算法引入后AE-SVM 算法较SVM 算法可以提升4.63%。GRA 算法引入后GRA-SAESVM(n=2)较SAE-SVM(n=2)可以提升10.27%。当n=5 时，GRA-SAE-SVM 可以取得97.79%的识别精度。

通过将表7-8 算法的应用场景进行比较可知，表7 的异常数据识别中共有6 个类别，而表8 则有11个类别，故后者的任务相对复杂。从表中的计算结果可以看出，GRA 算法对于复杂场景的提升为10.27%，对简单场景的提升为4%。由此证明了，该算法在复杂场景下更具优势。此外，在复杂场景下可通过引入更多层的AE 来提升SAE 算法的计算精度，使模型避免产生过拟合。

3 结束语

该文对继电保护装置中的相关故障检测方法进行了研究，设计了基于灰色关联分析的深度堆栈编码器网络。该网络既能剔除保护装置数据传输过程中的异常样本，又可根据线路电压、电流信息识别线路的异常状态。未来，随着数字化变电站地进一步建设，该文算法还将有更为广阔的应用前景。