曹海歐,張沛超,高 翔
(1.國網(wǎng)江蘇省電力公司,江蘇 南京 210024;2.上海交通大學(xué)電氣工程學(xué)院,上海 200240;3.上海毅昊自動化有限公司,上海 201204)
基于模糊支持向量機的繼電保護狀態(tài)在線評價
曹海歐1,張沛超2,高 翔3
(1.國網(wǎng)江蘇省電力公司,江蘇 南京 210024;2.上海交通大學(xué)電氣工程學(xué)院,上海 200240;3.上海毅昊自動化有限公司,上海 201204)
繼電保護狀態(tài)評價工作一直以來都是狀態(tài)檢修的重點和難點。提出一種基于模糊支持向量機的繼電保護狀態(tài)評價方法。首先,獲取智能變電站繼電保護裝置的歷史數(shù)據(jù),從中選擇合適的狀態(tài)評價因素,再對狀態(tài)評價因素進(jìn)行數(shù)據(jù)預(yù)處理,并根據(jù)狀態(tài)巡視及故障記錄計算裝置在各巡視點的百分比剩余壽命,生成訓(xùn)練樣本集。然后通過模糊支持向量機回歸訓(xùn)練生成模型,利用在線巡視記錄,對裝置狀態(tài)進(jìn)行在線評估。并根據(jù)最差指標(biāo),判定裝置的當(dāng)前狀態(tài),作為最終的在線狀態(tài)評價結(jié)果。仿真分析表明,方法通過引入樣本權(quán)重,能夠區(qū)分本裝置樣本和同型號裝置樣本的不同,使得算法能夠兼顧裝置的個性和家族性共性,并具備一定的抗噪能力。
智能變電站;繼電保護;狀態(tài)評價;狀態(tài)檢修;模糊支持向量機
隨著電力系統(tǒng)狀態(tài)監(jiān)測和故障診斷技術(shù)的發(fā)展,人們對設(shè)備故障模式有了更為深入的認(rèn)識和理解,根據(jù)設(shè)備的運行狀態(tài)開展檢修成為了可能。狀態(tài)檢修方式可以在故障發(fā)生前預(yù)先安排檢修,降低了檢修任務(wù)對電網(wǎng)穩(wěn)定運行的影響,是今后電力設(shè)備檢修技術(shù)的發(fā)展趨勢[1-2]。目前,在一次設(shè)備的狀態(tài)檢修的理論和實踐方面已有較多成果,但在繼電保護狀態(tài)檢修方面,相關(guān)的研究仍然很不充分。國家電網(wǎng)公司雖然制定了智能變電站二次系統(tǒng)狀態(tài)監(jiān)視規(guī)程,但實際運行中如何利用所采集的裝置狀態(tài)信息來評估裝置狀態(tài),仍存在較大盲目性。
對設(shè)備狀態(tài)進(jìn)行估計的問題屬于預(yù)測問題,預(yù)測常用方法通常分為定性分析與定量分析兩大類。定性分析法常利用專家經(jīng)驗建立預(yù)測模型。例如,文獻(xiàn)[3]在合理劃分變壓器狀態(tài)和有效分析狀態(tài)信息的基礎(chǔ)上,提出變壓器的狀態(tài)評估模型以及一種改進(jìn)的證據(jù)推理的狀態(tài)評估方法。但這類專家評估預(yù)測方法容易受主觀不良因素影響,且組織實施的難度較大。定量分析法常運用統(tǒng)計方法建立預(yù)測模型。例如,文獻(xiàn)[4]通過分析變壓器運行中各單項狀態(tài)量參數(shù)與故障類型的關(guān)聯(lián)性,建立綜合狀態(tài)量集合,對電力變壓器進(jìn)行狀態(tài)評估。
在能夠獲得歷史統(tǒng)計樣本的情況下,定量分析法更具有客觀性,且實施難度較低。但針對本文問題,應(yīng)用該方法需要解決以下關(guān)鍵問題:
1) 狀態(tài)評價因素的選擇。本文選擇與保護設(shè)備狀態(tài)具有強關(guān)聯(lián)的評價因素,根據(jù)不同因素的特性,進(jìn)行預(yù)處理后形成特征向量。
2) 保護裝置狀態(tài)的評估。只有對裝置狀態(tài)完成評估,才可以構(gòu)成完整的用于訓(xùn)練的樣本。已有方法存在一個悖論:如果沒有裝置評估方法,就無法形成完整的樣本。但是,如果已經(jīng)有了可信的裝置狀態(tài)評估方法,就無需另行開發(fā)預(yù)測模型。為解決這個問題,本文提出百分比剩余壽命方法,利用保護系統(tǒng)歷史檢修記錄(包括本裝置、同型號裝置以及裝置加速壽命試驗)自動完成裝置狀態(tài)評估。
3) 小樣本問題。已有論文利用支持向量機(Support Vector Machine, SVM)算法[5],可在一定程度上克服小樣本問題。本文提出利用同類型裝置的檢修記錄以及加速壽命試驗方法來擴大樣本。同時,通過為這些擴大樣本賦予不同權(quán)重的方法,防止SVM 等同對待訓(xùn)練樣本,從而以裝置自身檢修記錄為主導(dǎo)、以同型號裝置為輔助,既充分關(guān)注裝置的個性,又以一定權(quán)重計及裝置的家族共性。
本文提出一種基于模糊支持向量機(Fuzzy Support Vector Machine,F(xiàn)SVM)的繼電保護狀態(tài)評價方法。該方法利用智能變電站保護系統(tǒng)的歷史數(shù)據(jù),對狀態(tài)評價因素進(jìn)行數(shù)據(jù)預(yù)處理,同時,對巡視及故障記錄進(jìn)行百分比剩余壽命評價,二者分別作為特征向量和目標(biāo)值,從而生成訓(xùn)練樣本集。然后通過FSVM 回歸訓(xùn)練并生成回歸模型,利用該模型進(jìn)行在線狀態(tài)評價,根據(jù)最差指標(biāo)判定裝置的當(dāng)前狀態(tài),作為最終的在線狀態(tài)評價結(jié)果。該方法避免了對主觀因素的依賴,利用了 FSVM 在處理不同權(quán)重樣本時的優(yōu)勢,有效解決了保護裝置的狀態(tài)評價難題,實現(xiàn)了在線狀態(tài)評價的功能。
1.1 評價因素的選擇
本文根據(jù)以下原則進(jìn)行評價因素的選擇:(1)首先,所選擇的評價因素需符合設(shè)備的延遲時間理論。根據(jù)該理論,故障征兆可分為兩類:一類的延遲時間遠(yuǎn)小于巡視周期,一旦出現(xiàn)征兆,設(shè)備會很快失效;另一類延遲時間較長,可在失效前及時安排檢修,從而避免故障維修。對于狀態(tài)檢修而言,只有第二類故障征兆是有監(jiān)視價值的;(2)其次,評價數(shù)據(jù)應(yīng)易于獲得,即易于量化、易于采集,并有相關(guān)的標(biāo)準(zhǔn)或規(guī)程的支持;(3)最后,智能變電站的繼電保護具有系統(tǒng)化特性,故評價因素應(yīng)覆蓋保護裝置本體、二次回路以及通信等多個環(huán)節(jié)。
依據(jù)上述原則,本文選擇以下評價因素:裝置電源電壓、過程層端口發(fā)送/接收光強度、通道誤碼率、通道丟包率、裝置差流、裝置溫度、回路紅外溫度、絕緣電阻測量值、環(huán)境濕度、端子排銹蝕情況等。根據(jù)國網(wǎng)二次系統(tǒng)狀態(tài)監(jiān)視規(guī)程,繼電保護系統(tǒng)應(yīng)支持上述特征值的送出。選擇這些評價因素不但可以實現(xiàn)對保護系統(tǒng)整體的運行狀態(tài)綜合評判,而且可以對保護的不同環(huán)節(jié)的運行狀態(tài)也進(jìn)行評判,有助于確定維修范圍,為維修決策奠定基礎(chǔ)。
1.2 數(shù)據(jù)預(yù)處理
裝置狀態(tài)的退化一般具有兩個突出特征。在退化初期,評價因素的變化往往非常緩慢,是一個長期累積的過程;而在退化的后期,評價因素會突然大幅變化。設(shè) A 為某評價因素(如電源電壓),則根據(jù)上述規(guī)律,僅用A往往并不能準(zhǔn)確反映裝置的退化程度,需要對數(shù)據(jù)進(jìn)行預(yù)處理。本文采用一個巡視周期內(nèi)的平均值與正常值的偏離值 D A以及變化率作為輸入到SVM進(jìn)行回歸訓(xùn)練的特征向量。對于裝置電源電壓、過程層端口發(fā)送/接收光強度、裝置溫度、回路紅外溫度、絕緣電阻測量值等特征,可同時計算其對于通道誤碼率、通道丟包率等特征,可僅計算其和對于端子排銹蝕情況等非量化特征,需要維護人員人為進(jìn)行量化處理。
現(xiàn)有保護系統(tǒng)主要采用以定期維修為主、故障維修為輔的策略,可以根據(jù)檢修記錄積累樣本,從而為逐漸過渡到狀態(tài)檢修提供狀態(tài)評估模型。狀態(tài)檢修的理論依據(jù)是設(shè)備的延遲時間模型,該模型表明,設(shè)備某時刻距離下一次故障的時間,即剩余壽命可以用于反映設(shè)備當(dāng)前時刻的狀態(tài)。因此,本文利用有故障記錄的歷史數(shù)據(jù),根據(jù)巡視點的百分比剩余壽命信息,為樣本賦予狀態(tài)等級目標(biāo)值。
研究時選取存在故障事件的記錄,如圖1所示,提取出在故障點前的所有巡視點,可得到各巡視點的百分比剩余壽命如下:
圖1 百分比剩余壽命示意圖Fig. 1 Schematic diagram of remaining life in percentage
巡視點的百分比剩余壽命作為回歸學(xué)習(xí)的目標(biāo)值,和前文得到的特征向量一起構(gòu)成 SVM 的訓(xùn)練樣本。
在常規(guī)的 SVM 算法中,所有樣本都具有相同的權(quán)重,即 SVM 算法總是等同對待所有的樣本。但在本文中,同型號其他裝置只能作為一種補充,不可與原始樣本同等對待,因此必須為這些樣本賦予較低的權(quán)重。為此,本文應(yīng)用 FSVM 算法,對同型號其他裝置的樣本賦以較低的權(quán)重。
設(shè) FSVM 回 歸 問 題 的 訓(xùn) 練 樣 本 集 為,其中,是第i個輸入樣本,是對應(yīng)于的 目標(biāo)值,為樣本i的權(quán)重,l為訓(xùn)練樣本數(shù)目。FSVM 算法的優(yōu)化問題目標(biāo)函數(shù)為
約束條件為
本文提出的基于FSVM的繼電保護狀態(tài)評價方法,由兩個階段組成,如圖2所示。第一階段進(jìn)行離線訓(xùn)練,以根據(jù)歷史運行巡視記錄,運用基于統(tǒng)計學(xué)習(xí)理論的 FSVM 算法生成狀態(tài)評價模型;第二階段進(jìn)行在線評價,即將采集到的裝置巡視數(shù)據(jù)輸入到評價模型中,判斷裝置的運行狀態(tài)。
圖2 基于 FSVM 的繼電保護狀態(tài)評價流程圖Fig. 2 Flow chart of reliability parameter estimation based on FSVM
裝置存在多個評價因素,評價因素之間的相關(guān)性很弱甚至沒有。例如,裝置電源電壓和過程層端口發(fā)送/接收光強度之間就不存在相關(guān)性。所以在本方法中,針對每個評價因素分別建立評價模型。進(jìn)行在線狀態(tài)評價時,多個評價因素會形成一組評價結(jié)果。評價因素越多,越有利于提高裝置狀態(tài)的可觀性、減少狀態(tài)監(jiān)視的盲區(qū)。從中選取最差的指標(biāo),將其作為裝置的當(dāng)前狀態(tài)評價結(jié)果。這樣,不但可以給出裝置是否需要檢修的輔助決策意見,而且可以給出需重點關(guān)注的插件或部位。
5.1 仿真樣本
對某智能變電站繼電保護裝置,每月進(jìn)行一次運行巡視,對測得的各項評價因素,分別計算相應(yīng)的平均值A(chǔ)、偏離值 D A 及變化率 DA /DT 。為增加樣本數(shù)量,補充了同型號保護裝置的運行記錄。下面以裝置電源電壓為例說明本文方法。運行記錄如表1所示,其中,序號首位為1或2分別代表第1套和第2套裝置的運行記錄。以裝置1為本裝置,裝置2為同型號裝置。
表1 運行記錄表Table 1 Operation log
5.2 百分比剩余壽命計算
根據(jù)式(4),可計算各時刻對應(yīng)的百分比剩余壽命,結(jié)果如表2所示。
表2 百分比剩余壽命Table 2 Remaining life in percentage
5.3 模糊支持向量機評價結(jié)果
根據(jù)表1、表2 中的結(jié)果,利用 FSVM 對數(shù)據(jù)進(jìn)行回歸訓(xùn)練并測試。與一般 SVM 不同,F(xiàn)SVM需要為樣本賦予權(quán)重。訓(xùn)練時,本文將本裝置1和同型號裝置 2 的樣本權(quán)重分別設(shè)為 1 和 0.3,可得到裝置電源模塊的狀態(tài)評價模型。在實際運行中,需要將裝置電源電壓的實際測量值輸入該模型進(jìn)行在線狀態(tài)評價。在本文中,簡單地利用前述歷史數(shù)據(jù)進(jìn)行測試,得到裝置電源模塊的狀態(tài)評價結(jié)果,如表4第二列所示。如果存在多個評價因素,則選取各狀態(tài)評價因素對應(yīng)評價結(jié)果中最差的指標(biāo),將其作為保護裝置狀態(tài)的綜合評價結(jié)果,如表4第三列所示。由于本文僅考慮了一種評價因素,故第二列與第三列結(jié)果相同。
為使評價結(jié)果更具備指導(dǎo)性,可進(jìn)一步根據(jù)評價結(jié)果對裝置狀態(tài)進(jìn)行評級。以本文為例,可分為良好(>0.7)、注意(0.4~0.7)和立即檢修(<0.4)等三級。
表3 FSVM 評價結(jié)果Table 3 Evaluation result of fuzzy SVM
在智能變電站中,有條件對保護系統(tǒng)實施更為全面的狀態(tài)監(jiān)視,從而為采用狀態(tài)維修奠定基礎(chǔ)?,F(xiàn)有二次系統(tǒng)狀態(tài)監(jiān)視規(guī)程雖然規(guī)定了所需采集的狀態(tài)量,但對如何利用這些狀態(tài)量進(jìn)行在線狀態(tài)評估尚缺乏深入研究。本文提出基于 FSVM 的繼電保護狀態(tài)在線評估模型。主要結(jié)論如下所述。
(1) 對采集到的狀態(tài)量進(jìn)行求取平均值、偏離值及變化率等預(yù)處理,以此構(gòu)成統(tǒng)計學(xué)習(xí)的特征值。同時,根據(jù)裝置運行的歷史巡視記錄,計算各時刻的百分比剩余壽命,作為FSVM回歸學(xué)習(xí)的目標(biāo)值,可以減少保護裝置在線狀態(tài)評價的主觀性。
(2) 智能變電站保護系統(tǒng)屬于高可靠性系統(tǒng),通過補充同型號保護裝置的運行記錄,可以有效擴大樣本數(shù)量。利用 FSVM 算法加入了樣本權(quán)重,能夠區(qū)分本裝置樣本和同型號裝置樣本的不同,使得算法能夠兼顧裝置的個性和家族共性。
目前,對智能變電站二次系統(tǒng)狀態(tài)檢修的理論研究和運行實踐皆不充分,有效的狀態(tài)巡視數(shù)據(jù)也非常缺乏。今后的工作重點是建立智能變電站繼電保護狀態(tài)數(shù)據(jù)的歷史數(shù)據(jù)庫,并全面考慮各種評價因素。
[1]許婧, 王晶, 高峰, 等. 電力設(shè)備狀態(tài)檢修技術(shù)研究綜述[J]. 電網(wǎng)技術(shù), 2000, 24(8): 48-52. XU Jing, WANG Jing, GAO Feng, et al. A survey of condition based maintenance technology for electric power equipments[J]. Power System Technology, 2000, 24(8): 48-52.
[2]林松, 王慶紅, 劉然. 數(shù)字化變電站狀態(tài)檢修技術(shù)[J].電網(wǎng)技術(shù), 2007, 31(增刊 1): 137-140. LIN Song, WANG Qinghong, LIU Ran. Condition based maintenance technology of digitized substation[J]. Power System Technology, 2007, 31(S1): 137-140.
[3]朱承治, 郭創(chuàng)新, 孫旻, 等. 基于改進(jìn)證據(jù)推理的變壓器 狀 態(tài) 評 估 研 究 [J]. 高 電 壓 技 術(shù) , 2008, 34(11): 2332-2337. ZHU Chengzhi, GUO Chuangxin, SUN Min, et al. Power transformer condition assessment based on improved evidential reasoning[J]. High Voltage Engineering, 2008, 34(11): 2332-2337.
[4]李黎, 張登, 謝龍君, 等. 采用關(guān)聯(lián)規(guī)則綜合分析和變權(quán)重系數(shù)的電力變壓器狀態(tài)評估方法[J]. 中國電機工程學(xué)報, 2013, 33(24): 152-159, 22. LI Li, ZHANG Deng, XIE Longjun, et al. A condition assessment method of power transformers based on association rules and variable weight coefficients[J]. Proceedings of the CSEE, 2013, 33(24): 152-159, 22.
[5]賈嶸, 蔡振華, 劉晶, 等. 基于主成分分析和最小二乘支持向量機的電力系統(tǒng)狀態(tài)估計[J]. 電網(wǎng)技術(shù), 2006, 30(21): 75-77, 98. JIA Rong, CAI Zhenhua, LIU Jing, et al. Power system state estimation based on principal component analysis and least square support vector machines[J]. Power System Technology, 2006, 30(21): 75-77, 98.
[6]秦紅霞, 武芳瑛, 彭世寬, 等. 智能電網(wǎng)二次設(shè)備運維新技術(shù)研討[J]. 電力系統(tǒng)保護與控制, 2015, 43(22): 35-40. QIN Hongxia, WU Fangying, PENG Shikuan, et al. New technology research on secondary equipment operation maintenance for smart grid[J]. Power System Protection and Control, 2015, 43(22): 35-40.
[7]劉穎. 智能變電站全壽命周期“即插即用”技術(shù)體系的研究與應(yīng)用[J]. 電力系統(tǒng)保護與控制, 2015, 43(22): 23-28. LIU Ying. Research and application on the technology system of plug & play in the smart substation’s life cycle[J]. Power System Protection and Control, 2015, 43(22): 23-28.
[8]楊毅, 高翔, 朱海兵, 等. 智能變電站 SCD 應(yīng)用模型實例化研究[J]. 電力系統(tǒng)保護與控制, 2015, 43(22): 107-113. YANG Yi, GAO Xiang, ZHU Haibing, et al. Case study on SCD application based on demo smart substation[J]. Power System Protection and Control, 2015, 43(22): 107-113.
[9]高翔, 楊漪俊, 姜健寧, 等. 基于 SCD 的二次回路監(jiān)測主要技術(shù)方案介紹與分析[J]. 電力系統(tǒng)保護與控制, 2014, 42(15): 149-154. GAO Xiang, YANG Yijun, JIANG Jianning, et al. Analysis of secondary circuit monitoring methods based on SCD[J]. Power System Protection and Control, 2014, 42(15): 149-154.
[10]唐曉明. 基于支持向量機的微機保護裝置狀態(tài)評估研究[J]. 東北電力技術(shù), 2008(3): 50-52. TANG Xiaoming. State evaluation research on microcomputer protection devices based on support vector[J]. Northeastern Power Technology, 2008(3): 50-52.
[11]戴志輝. 繼電保護可靠性及其風(fēng)險評估研究[D]. 保定:華北電力大學(xué), 2012. DAI Zhihui. Research on reliability and risk assessment of protection systems[D]. Baoding: North China Electric Power University, 2012.
[12]藺杰, 黃東. 繼電保護裝置高加速壽命試驗的研究[J].電工電氣, 2013(6): 40-44, 59. LIN Jie, HUANG Dong. Study on highly accelerated life test for relay protection device[J]. Electrotechnics Electric, 2013(6): 40-44, 59.
[13]張翔, 肖小玲, 徐光祐. 基于樣本之間緊密度的模糊支持向量機方法[J]. 軟件學(xué)報, 2006, 17(5): 951-958. ZHANG Xiang, XIAO Xiaoling, XU Guangyou. Fuzzy support vector machine based on affinity among samples[J]. Journal of Software, 2006, 17(5): 951-958.
(編輯 葛艷娜)
Online condition evaluation of relay protection based on fuzzy support vector machine
CAO Haiou1, ZHANG Peichao2, GAO Xiang3
(1. State Grid Jiangsu Electric Power Company, Nanjing 210024, China; 2. School of Electrical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China; 3. Shanghai Yihao Automation Co., Ltd., Shanghai 201204, China)
Condition evaluation of relay protection has always been the focus and difficulty of condition based maintenance. This paper proposes a condition evaluation method for protection based on fuzzy support vector machine (FSVM). First, via acquiring historical data of relay protection devices in smart substations, condition evaluation factors are chosen appropriately which will be pretreated next, and training set is generated by calculating the remaining life in percentage according to the inspection and failure record. Then regression training of FSVM is conducted to generate a model for online condition evaluation by using online inspecting record, and the worst index will be used to represent the real-time state of the device. Simulations show that, by introducing the sample weights, the method can distinguish the difference between devices which makes the algorithm take both the device's personality and family generality into account, and have certain anti-noise ability at the same time.
smart substation; relay protection; condition evaluation; condition based maintenance; fuzzy SVM
10.7667/PSPC151775
:2015-12-04
曹海歐(1979-),男,碩士,高級工程師,研究方向為繼電保護及變電站自動化系統(tǒng);E-mail: cho1603@163.com
張沛超(1970-),男,博士,副教授,研究方向為電力系統(tǒng)保護與控制、智能變電站、電力系統(tǒng)仿真;E-mail: pczhang@sjtu.edu.cn
高 翔(1962-),男,博士,高級工程師,研究方向為智能 變 電 站 、 繼 電 保 護 及 二 次 系 統(tǒng) 在 線 監(jiān) 視 。 E-mail: xiang_gao@syhpower.com