王立永, 李暉, 吳紅林, 丁冬, 佘妍

(國(guó)網(wǎng)北京市電力公司, 北京 100031)

0 引言

目前，電力用戶越來越重視電網(wǎng)建設(shè)，對(duì)配電網(wǎng)的自動(dòng)化、智能化要求也越來越高。在配電網(wǎng)系統(tǒng)運(yùn)行過程中，越來越多地應(yīng)用到一二次融合智能集成開關(guān)[1]。但是由于電網(wǎng)環(huán)境的復(fù)雜性和不確定性，一二次融合智能集成開關(guān)在工作過程中容易出現(xiàn)故障[2]，比如受電網(wǎng)環(huán)境中開關(guān)打開、開關(guān)閉合、閘刀分開、閘刀閉合、設(shè)備帶電、設(shè)備不帶電、電壓含量、電流含量、功率參數(shù)、轉(zhuǎn)速數(shù)據(jù)、汽溫參數(shù)、汽壓參數(shù)、流量參數(shù)、真空度、設(shè)備溫濕度、溫升、溫降等因素影響[3]。因此，對(duì)一二次融合智能集成開關(guān)的檢測(cè)就成為亟待解決的技術(shù)問題。

經(jīng)過技術(shù)的發(fā)展，研究出多種集成開關(guān)檢測(cè)技術(shù)，其中文獻(xiàn)[1]利用參數(shù)估計(jì)法用來檢測(cè)集成開關(guān)在配電網(wǎng)應(yīng)用的靈敏程度，通過具體參數(shù)能夠更加精確地了解集成開關(guān)的運(yùn)行狀態(tài)。但是這種方法運(yùn)行不夠穩(wěn)定，容易導(dǎo)致系統(tǒng)失穩(wěn)現(xiàn)象[4]。文獻(xiàn)[2]利用等價(jià)空間法使集成開關(guān)融入到配電網(wǎng)系統(tǒng)中，這可以解決集成開關(guān)的兼容性問題，使配電系統(tǒng)更加穩(wěn)定，但是這種方法技術(shù)要求較高，不具有普遍性[5]。

基于上述技術(shù)難題，本文通過EMD-ICA融合技術(shù)對(duì)集成開關(guān)運(yùn)行狀態(tài)信息提取，然后采用BP神經(jīng)網(wǎng)絡(luò)算法模型對(duì)電網(wǎng)故障進(jìn)行診斷，從而保證集成開關(guān)的靈敏度，而且能夠解決集成開關(guān)檢測(cè)誤差較大的問題。

1 故障信息提取和分析模型

本研究采用EMD-ICA技術(shù)實(shí)現(xiàn)電力配電網(wǎng)中故障信息的提取，并利用BP神經(jīng)網(wǎng)絡(luò)算法模型實(shí)現(xiàn)一二次融合智能開關(guān)的故障診斷，模型分析構(gòu)架如圖1所示。

圖1 智能集成開關(guān)應(yīng)用示意圖

在應(yīng)用過程中，通過信號(hào)采集模塊采集一二次融合開關(guān)在配電網(wǎng)上的故障信息，然后構(gòu)建EMD-ICA(經(jīng)驗(yàn)?zāi)B(tài)分解Empirical Mode Decomposition，EMD；獨(dú)立分量分析Independence Component Analysis，ICA)數(shù)學(xué)模型，通過該模型，輸出諸多的故障信息獨(dú)立分量，在應(yīng)用時(shí)，將這些輸出的獨(dú)立分量的故障信息能量值輸入至BP神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)數(shù)學(xué)診斷模型，通過反復(fù)訓(xùn)練、診斷，顯示出最精確的故障信息[6]。

1.1 EMD-ICA融合算法

在進(jìn)行故障提取時(shí)，EMD方法能夠?qū)ε潆娋W(wǎng)中存在的非線性、非平穩(wěn)一二次融合智能開關(guān)故障信號(hào)進(jìn)行處理。在對(duì)故障信息進(jìn)行分解的期間，從信息采集模塊采集到的信息中，能夠快、準(zhǔn)、自動(dòng)地輸出基函數(shù)，并且獲取高分辨率數(shù)據(jù)信息，便于用戶分析、研究[7]。將ICA 算法融入EMD算法集成為一個(gè)數(shù)學(xué)模型，實(shí)現(xiàn)配電網(wǎng)環(huán)境下一二次融合智能開關(guān)應(yīng)用過程中的數(shù)據(jù)分解、去噪和故障信息特征分離，將信號(hào)的時(shí)域、頻域和能量特征參數(shù)一起提取出來[8]。

EMD-ICA融合算法首先假設(shè)采集到的一二次融合智能開關(guān)的原始信息為X(t)，設(shè)其最小值為Xmin(t)，最大值為Xmax(t)，采用曲線插值算法對(duì)最大值和最小值進(jìn)行擬合計(jì)算，得出平均包絡(luò)m1(t)，表示為式(1)。

(1)

然后進(jìn)一步計(jì)算，則有式(2)。

d1(t)=X(t)-m1(t)

(2)

其中,d1(t)為剩余信號(hào)。對(duì)該信息進(jìn)行進(jìn)一步地處理，當(dāng)門限值大于篩分門限值(SD)時(shí)，可以得出第一階模態(tài)分量c1(t)，也可以稱為第一IMF，在具體實(shí)施例中，篩分門限值為介于0.15-0.25之間的值[9]。其中SD的求值式可以表示為式(3)。

(3)

繼續(xù)計(jì)算第一階殘差量r1(t)，表示為式(4)。

r1(t)=X(t)-c1(t)

(4)

然后對(duì)上述算法反復(fù)進(jìn)行計(jì)算，假設(shè)經(jīng)過n次計(jì)算后，可最終獲取第n階模擬函數(shù)cn(t)、最終符合標(biāo)準(zhǔn)的殘差量rn(t)。通過EMD算法分解后，得出表達(dá)式為式(5)。

(5)

根據(jù)式(5)計(jì)算結(jié)果，在配電網(wǎng)工作環(huán)境的干擾下，集成開關(guān)的信息采集更加困難，采用EMD-ICA融合算法能夠更加方便將集成開關(guān)參數(shù)信息從這些混合信號(hào)中提取出來[10]，其原理結(jié)構(gòu)如圖2所示。

圖2 EMD-ICA融合算法原理框圖

在工作時(shí)，假設(shè)配電網(wǎng)中一二次融合的智能集成開關(guān)的故障源信號(hào)S經(jīng)過混合矩陣A計(jì)算，輸出的數(shù)據(jù)信息為X，再經(jīng)過解混矩陣B計(jì)算，輸出獨(dú)立分量Y，也可以稱為從信號(hào)輸出X的中分離的獨(dú)立分量。利用上述方法進(jìn)行多次對(duì)比分析，求出獨(dú)立分量Y的最優(yōu)值[11]。在本文研究中，將最逼近S的獨(dú)立分量Y稱為最優(yōu)值。因此，需要借助于統(tǒng)計(jì)獨(dú)立學(xué)用戶原理來實(shí)施這種算法，同時(shí)，還要選擇適當(dāng)?shù)哪繕?biāo)函數(shù)，然后反復(fù)計(jì)算，根據(jù)均方差計(jì)算方法，最終得出最優(yōu)的故障信息目標(biāo)函數(shù)[12]。

1.2 故障信息分析

在利用上述算法提取出故障信號(hào)后，在采用BP神經(jīng)網(wǎng)絡(luò)算法模型對(duì)采集到的故障信息進(jìn)行診斷。BP神經(jīng)網(wǎng)絡(luò)算法模型的學(xué)習(xí)能力比較強(qiáng)，具有較強(qiáng)的自組織性，從工作效率、學(xué)習(xí)精度都優(yōu)于其他故障診斷算法[13-15]。比如，利用該模型對(duì)多種類型的一二次融合的智能集成開關(guān)進(jìn)行故障診斷，BP神經(jīng)網(wǎng)絡(luò)算法模型中的一個(gè)輸出節(jié)點(diǎn)對(duì)應(yīng)一種類型的故障信息。當(dāng)多個(gè)故障節(jié)點(diǎn)的信息值與理想輸出值比較逼近時(shí)，則可以同時(shí)診斷出多個(gè)故障類型，進(jìn)而實(shí)現(xiàn)配電網(wǎng)中運(yùn)行的一二次融合的智能集成開關(guān)的精確判斷[16-17]，BP神經(jīng)網(wǎng)絡(luò)算法模型如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)算法模型示意圖

在圖3中，假設(shè)通過EMD-ICA算法模型提取出的故障信息數(shù)據(jù)集記做為{X1,X2,…,Xn}，然后為該數(shù)據(jù)集尋找目標(biāo)數(shù)據(jù)W*，然后將f(W*Xi)*Xi最大程度地逼近BP神經(jīng)網(wǎng)絡(luò)算法模型輸出數(shù)值Yi，將f記為激勵(lì)函數(shù)[18]。則基于BP神經(jīng)網(wǎng)絡(luò)算法模型的誤差函數(shù)可以為式(6)。

(6)

在式(6)中，對(duì)誤差e值進(jìn)行調(diào)節(jié)，并將誤差e值調(diào)節(jié)到最小，則這可以通過函數(shù)求導(dǎo)來實(shí)現(xiàn)，在求導(dǎo)函數(shù)時(shí)，令下降梯度記作為式(7)。

(7)

為了實(shí)現(xiàn)更高的精度和學(xué)習(xí)，通過多次誤差求導(dǎo)，求其平均值進(jìn)行計(jì)算，并且在對(duì)提取的一二次融合的智能集成開關(guān)誤差數(shù)據(jù)進(jìn)行反復(fù)的學(xué)習(xí)和訓(xùn)練中，通過多次修改權(quán)重矩陣W，這樣，能夠獲取更好的適應(yīng)值，進(jìn)而獲取更高的學(xué)習(xí)精度[19]。

2 運(yùn)行風(fēng)險(xiǎn)評(píng)估方法

下面對(duì)一二次融合的智能集成開關(guān)運(yùn)行過程中的失效概率進(jìn)行評(píng)價(jià)。一二次融合的智能集成開關(guān)失效情況直接影響配電網(wǎng)運(yùn)行的可靠性和穩(wěn)定性[20]，在評(píng)價(jià)其實(shí)效性時(shí)，采用式(8)進(jìn)行計(jì)算,該計(jì)算式為保護(hù)功能整體失效算法。

(8)

式中，Pk為主回路中中第k套元件的保護(hù)失效率[21];Pki為控制電路中二次設(shè)備的失效率;Pk*fj為故障信號(hào)進(jìn)行分解后，主回路的保護(hù)邏輯功能的失效情況(失效率)[22]。假設(shè)在220 kV的高壓配電中，主回路線路雙套主保護(hù)的整體失效率可以表示為式(9)。

P=P1*P2

(9)

式中，P1表示主一設(shè)備內(nèi)運(yùn)行時(shí)的保護(hù)失效率;P2表示主二設(shè)備內(nèi)運(yùn)行時(shí)的保護(hù)失效率。

然后在對(duì)其失效概率進(jìn)行評(píng)估，假設(shè)將保護(hù)全部失效概率定義為P2.1，然后定義套保護(hù)失效概率為P2.1.i，則有式(10)。

R2.1=P2.1*LE1

(10)

其中，R2.1為對(duì)保護(hù)停運(yùn)的系統(tǒng)存在的風(fēng)險(xiǎn)進(jìn)行計(jì)算的結(jié)果;LE1為一次設(shè)備中的一次元件失效的原因，產(chǎn)生失負(fù)荷的后果值，該值可以通過元件在不工作的情況下，在配電網(wǎng)中通過潮流計(jì)算，實(shí)時(shí)獲得的電網(wǎng)信息數(shù)據(jù)值。對(duì)于配電網(wǎng)系統(tǒng)中保護(hù)誤動(dòng)的系統(tǒng)風(fēng)險(xiǎn)來說，建立數(shù)據(jù)評(píng)價(jià)模型時(shí)，在考慮配電網(wǎng)系統(tǒng)中相鄰的電力設(shè)備故障時(shí)[21-22]，在第k個(gè)相鄰電力設(shè)備存在故障風(fēng)險(xiǎn)情況下，可以表示為式(11)。

R2.2.k=P1.k*P2.2*LE2.2.k

(11)

式中，P1.k表示電力電網(wǎng)中第k個(gè)電力設(shè)備發(fā)生故障的概率;LE2.2.k表示第k個(gè)電力設(shè)備與目前正在運(yùn)行的電力設(shè)備同步停運(yùn)時(shí)計(jì)算得到的結(jié)果值?；诖耍偟恼`動(dòng)風(fēng)險(xiǎn)表示為式(12)。

(12)

通過式(12)可以評(píng)價(jià)一二次融合設(shè)備運(yùn)行的可靠性，進(jìn)而把握電力設(shè)備運(yùn)行情況。

3 試驗(yàn)結(jié)果及分析

在試驗(yàn)時(shí)，由于一二次融合的智能集成開關(guān)在高壓電網(wǎng)中工作，高壓帶電給人體帶來很大的威脅，在試驗(yàn)時(shí)，通過采集光伏陣列來實(shí)現(xiàn)，并將試驗(yàn)架構(gòu)分成數(shù)據(jù)采集層、數(shù)據(jù)傳輸層、數(shù)據(jù)處理層、數(shù)據(jù)分析層和數(shù)據(jù)應(yīng)用層[23-24]，如圖4所示。

圖4 試驗(yàn)架構(gòu)示意圖

在計(jì)算機(jī)軟件上對(duì)集成開關(guān)在配電網(wǎng)中的應(yīng)用進(jìn)行仿真，其中使用的軟件系統(tǒng)為MATLAB2013b仿真軟件，通過上述硬件構(gòu)建，在MATLAB2013b軟件上建立基于 Simulink-Function 的仿真模型，如圖5所示。

圖5 基于Simulink仿真模型圖

其中,光伏陣列為5×10陣列，光伏組件的工作參數(shù)為：P=300 Wp；電壓U=32.5 V；電流為9.08 A；開路電壓為38.4 V；短路電流為9.62 A。在仿真圖5中，仿真參數(shù)電容C1=200 μF；電容C2=500 μF；電感L=30 mH；負(fù)載R=30 Ω；載波頻率PWM=30 kHz[25]。

3.1 EMD-ICA算法驗(yàn)證

通過數(shù)學(xué)仿真，假設(shè)從源信號(hào)輸出兩個(gè)正弦信號(hào)，頻率值為 20、10，幅值為1。通過混合，得出波形如圖6所示。

圖6 源信號(hào)與混合后的波形圖示意圖

然后再進(jìn)行EMD-ICA融合算法進(jìn)行計(jì)算，在本試驗(yàn)中，在輸出3個(gè)固有模態(tài)分量和剩余項(xiàng)之后，得到的獨(dú)立分量如圖7所示。

圖7 獨(dú)立分量波形圖

通過圖6、圖7可以看出，應(yīng)用EMD-ICA算法對(duì)采集到的原始信號(hào)處理后，分離出兩個(gè)獨(dú)立分量，然后再應(yīng)用EMD-ICA算法分離單通道中的混合信號(hào)的獨(dú)立分量，最終得出如圖7所示的信息分量波形圖。說明本研究的EMD-ICA算法是可行的。

3.2 BP神經(jīng)網(wǎng)絡(luò)算法驗(yàn)證

通過上文介紹的BP神經(jīng)網(wǎng)絡(luò)算法模型，試驗(yàn)步驟如圖8所示。

圖8 BP神經(jīng)網(wǎng)絡(luò)算法結(jié)構(gòu)示意圖

通過采用MTALAB編程仿真，假設(shè)在試驗(yàn)時(shí)，采用隱層神經(jīng)元數(shù)為15個(gè) ，誤差精度設(shè)定為0.001，采用50組樣本數(shù)據(jù)，得出的波形如圖9所示。

圖9 算法比對(duì)示意圖

通過上述試驗(yàn)，采用EMD-ICA算法之后，BP神經(jīng)網(wǎng)絡(luò)算法模型的精度更高。

3.3 運(yùn)行風(fēng)險(xiǎn)評(píng)估準(zhǔn)確度驗(yàn)證

在驗(yàn)證一二次融合的智能集成開關(guān)運(yùn)行風(fēng)險(xiǎn)評(píng)估準(zhǔn)確度時(shí)，采集到的數(shù)據(jù)如表1所示。

表1 A相電流采樣測(cè)試數(shù)據(jù)

利用上述介紹的計(jì)算式，通過式(8)—式(12)計(jì)算其總誤差，其中n表示電力電網(wǎng)線路中所有電力設(shè)備運(yùn)行的個(gè)數(shù)。通過計(jì)算，得出的數(shù)據(jù)如表2所示。

表2 計(jì)算數(shù)據(jù)表

通過上述測(cè)試，采用上文引出的計(jì)算式進(jìn)行計(jì)算，總的精度誤差低于5%，通過對(duì)上述參數(shù)進(jìn)行評(píng)估，能夠獲取運(yùn)行的可靠性。通過對(duì)比分析，得出的數(shù)據(jù)如表3所示。

表3 試驗(yàn)對(duì)比數(shù)據(jù)表

通過上述比較，采用式(8)—式(12)計(jì)算出的智能集成開關(guān)具有較低的誤差精度。一二次融合智能開關(guān)在數(shù)據(jù)采集方面、保護(hù)失效、誤動(dòng)和拒動(dòng)概率等方面，都具有較低的誤差精度。

5 總結(jié)

本研究通過采用EMD-ICA算法模型和BP神經(jīng)網(wǎng)絡(luò)算法模型，對(duì)電力配電網(wǎng)中正常運(yùn)行的一二次融合智能開關(guān)進(jìn)行故障信息提取和故障診斷，實(shí)現(xiàn)其運(yùn)行狀態(tài)的故障監(jiān)控，又構(gòu)建出運(yùn)行風(fēng)險(xiǎn)評(píng)估方法對(duì)一二次融合的智能集成開關(guān)運(yùn)行過程中的失效概率進(jìn)行評(píng)價(jià)。試驗(yàn)表明，EMD-ICA算法模型融合BP神經(jīng)網(wǎng)絡(luò)算法模型具有較好的技術(shù)效果，一二次融合智能開關(guān)的風(fēng)險(xiǎn)評(píng)估方法誤差精度低，具有較好的應(yīng)用價(jià)值。本研究的算法為保證配電網(wǎng)的正常運(yùn)行提供有力的保障，也為配電網(wǎng)的良性運(yùn)行提供技術(shù)支撐。但是，一二次融合智能開關(guān)的安全、穩(wěn)定運(yùn)行仍舊是一個(gè)長(zhǎng)期研究的課題，在運(yùn)行過程中也將出現(xiàn)各種不足。