继电保护设备电气二次回路隐患排查研究

2024-05-07汤娅美

电气技术与经济 2024年4期

汤娅美

（许继（厦门）智能电力设备股份有限公司）

0 引言

电网的建设和发展与供电品质息息相关，只有具备现代化的水平，才能使电力系统的运行更加稳定，并能对各种信息进行分析和处理。目前，我国电网的电压水平和输出能力逐步提升，电网的覆盖面也在不断扩大［1］。在多种因素的影响下，电力系统的运行环境复杂多变［2］。在电网发生故障时，要有选择性地迅速跳闸，并将故障隔离，防止其危害范围进一步扩大，将其造成的不利影响降到最低。在电力系统中，继电器是一个非常重要的组成部分，其对于电网的安全运行而言具有极大的意义，对其进行深入分析有助于改善电网的运行稳定性。大多数变电所的继电保护二次回路仍采用传统的继电保护方式，通过二次电缆对变压器次级绕组、采集插头、操作回路等组成的二次保护电路进行继电保护、测量及控制［3］。如果二次回路发生故障，将会导致变电站的各项功能发生误动作，进而影响整个电力系统的正常运行。围绕二次回路的重要性，开展基于神经网络算法的继电保护二次回路故障排查方法研究。

1 采集继电保护二次回路故障排查数据

为保证后续故障排查具备更有利的依据，利用双端口稳压控制方法实现对继电保护二次回路故障实时数据信息的采集。构建一个包含物理层、表现层、传输层、网络层、数据链路层以及应用层的分布模型，通过数据链路的传输协议实现介质访问［4］。

如图1所示，物理层主要是继电保护二次回路故障数据传输的模型构建，且在运转的过程中通过数据链路层的传输协议从而进行介质访问；数据链路层主要是实现继电保护二次回路故障信息各数据端的连接；应用层主要是建立故障程序的编译融合模型，为响应程序之间实现有效通信；表现层主要是实现继电保护二次回路的故障信息融合处理，包括在应用过程中的各种数据格式，加密工作等；网络层是算法程序的寻址以及路径选择等；传输层主要是实现计算机主机端到各数据链路层的相连。

图1 故障信息采集的多层分布模型

在链路层中，针对继电保护二次回路故障数据信息进行端到端之间的连接和传递。在此基础上，利用电力消纳法和电流参量法计算二次回路的平均电流。平均电流计算公式为：

式中，为输出的平均电流值；|MH|为电力系统在运行过程中产生的电力消纳参数；U为二次回路上输出的电压；R为电阻阻值。在计算二次回路的平均电流后，还需要将励磁磁链的基波电流分量与二次回路故障信息的分布集合相结合。利用局部检测方法，构建一个故障信息采集模型，即：

式中，λ为电力系统中二次回路上出现故障时的节点特征值；m为故障信息分布的数据量。λ的计算公式为：

式中，K为转换系数；S为节点λ处的故障电流分量信息。根据上述论述内容，更有效地获取继电保护二次回路故障信息，实现继电保护二次回路故障排查数据采集，从而提供准确的数据。

1.1 提取故障特征参数

按照上述方式获取到的故障排查数据量较大，为了降低排查时的计算量，根据所采集的故障信息提取继电保护二次回路的故障特征参数。将功率和频谱周期相结合，可以得到故障信号的分布特征T，以及二次回路的功率值P，二次回路的功率上限为：

式中，ωˉ为二次回路功率转换系数。通过深度学习方法，得到故障变化状态信息，以此获取到所有故障样本数据的分布集，根据分布集确定所有故障检测数据的联合分布区间。

结合功率检测方法，获取二次回路分布的参数集合。假设集合为X，即

式中，x(t)为二次回路分布参数。

利用多参量融合的方式，获取故障信息的融合参数。通过Wеndroff差分方程对特征量进行反演，最后得到故障特征参数提取函数为：

式中，D为故障特征参数提取函数；δ为故障特征参数提取系数；k(t)为融合参数；z为故障信息的联合分布区间。综合上述各部分，实现对故障特征参数的提取。

1.2 基于神经网络算法的排查结果输出与故障点定位

在得到故障特征参数后，结合神经网络算法确定故障发生的具体位置，并且输出故障排查结果。将神经网络算法应用到继电保护二次回路的故障排查中，从而快速建立故障定位模型。该计算模型的表达式为：

式中，Q为计算模型表达函数；n为神经网络各层中运行的数据；pd为填充数值；s为神经网络运行步数；O为神经网络输出层输出结果数据；F为示样本数据的传输通道数量。

利用上述构建的计算模型，将提取到的故障特征参数作为输入数据，将故障点定位结果作为输出数据。为确保最终得出的排查结果具备更高的精度，需要对上述建立的计算模型进行迭代训练。在迭代训练过程中，引入随机优化理论，通过更偏向于执行多方位的随机搜索，找出实现目标函数最优的方案。利用随机爬山理论，先从一个问题的随机答案入手，然后根据增量变化不断寻找更好的解决办法，直至再也找不到改善的方法［5］。每次从一个随机的最初猜想开始，在每一次重复中都朝着一个可以提高适应性的方向前进。其优点是它所需要的存储空间很小，可以在凸问题中寻找最优解，以此辅助计算模型的优化。将已知出现故障问题的继电保护二次回路特征数据作为样本，将其输入到计算模型中，对该模型结构进行随机初始化处理［6］。使用训练样本对模型每一次输出的结果进行评价和选择，并判断此次模型得出的结果与上一次相比是否得到改善。如果有所改善，则对模型中的样本数据进行交叉和变异处理，并对模型中的单个神经网络结构进行解码。如果没有改善，则说明此时模型已经是最佳模型，获取到了最佳的神经网络结构。将获取的结构与存储特征样本数据的数据库进行匹配，并完成对最优解的校验，此时得到的输出结果即为最终排查结果。结合模型输出结果，对其进行特征属性分类，将结果与各个数据采集点上的振荡参数输出结果进行对比，确定具体发生故障的点位，以此实现对故障点的定位［7］。

1.3 排查效果对比分析

完成故障排查方法的理论设计后，为进一步验证该方法在对继电保护二次回路的故障问题进行排查时的实际应用效果，将本文提出的基于神经网络算法的排查方法作为实验组，将基于深度学习的检测方法和基于多维Hаusdorff距离算法的检测方法作为对照组A和对照组B。3种方法在理想状态下均可以实现排查，为验证3种方法在排查过程中的抗干扰能力，针对某一电力企业电力系统中继电保护二次回路进行故障排查，人为设置二次回路的运行模式为受限单极性模式。在排查过程中，若运行时间与电流的关系变化曲线始终为平滑状态，则说明此时继电保护二次回路不存在故障问题；当曲线出现异常波动，则说明二次回路出现了故障。3种方法的排查输出结果如图2-4所示。

图2 实验组输出结果

由图2可知，实验组排查方法在二次回路运行60～120ms时，电流出现了异常波动，这一结果与实际故障时间相符。由图3可知，对照组A排查方法在继电保护二次回路运行中，从0～150ms，曲线始终保持着平滑状态，说明对照组A排查方法受到了受限单极性运行模式的影响，无法得到准确的排查结果。由图4可知，对照组B排查方法在排查中60ms前后和120ms前后均出现了曲线的异常波动，但在这一过程中曲线平滑，与实际故障持续情况不符，只能实现对故障开始和结束的排查。结合上述实验结果，应用神经网络算法后，排查方法的抗干扰能力得到显著提升，能够实现对二次回路故障从开始到结束的准确排查，不会受到继电保护二次回路运行状态的影响，得到更准确的故障排查结果。此外，根据输出的排查结果能够实现对故障问题的量化描述，为后续继电保护运维提供更可靠的排查依据。