继电保护自动化技术在电力系统中的应用

摘要:针对现有技术中继电保护装置故障发现的难度大、不利于现场维护，设计出新型的继电保护自动化技术，构建出融合硬件设计和大数据算法的新型继电保护应用，硬件系统采用ARMCortex-M3处理器实现继电器工作过程中的状态计算，并实现了继电器保护数据的多通道输出。大数据算法采用继电器保护状态算法模型和支持向量机算法模型实现继电器保护的失效分析和回归分析，使继电器运行的宏观数据表示转换为微观数据分析，提高了继电器应用和管理能力。实验表明，该研究的方案误差低，运行效率高。

关键词:电力系统;继电保护;向量机算法模型;ARMCortex-M3处理器;状态算法模型

0引言

在电力系统应用中，继电器保护技术直接决定了整个系统运行的稳定与否。继电器保护系统以及应用情况具有至关重要的作用。继电器工作过程中通常表现为反应迟缓、隐患问题不易发现和潜伏问题多等，当事故发生时，难以在很短的时间内发现问题并采取措施[1]。一旦这些潜在问题积累到一定程度，容易爆发火灾，更严重时，可能会危及人们的生命。如何识别出电力系统中相关控制设备发出异常指令以及保护设备的元件及二次回路等部件自身产生异常故障是及时发现继电保护问题的重要信号[2]。因此，继电器保护的应用问题仍旧是电力系统中居高不下的话题。

在该方面的技术研究中，文献[1-3]仅仅是对继电器的技术原理进行说明，在技术应用时，也是局限于最原始、最基本的原理性应用。虽然也应用到了智能算法，在一定程度上能够计算各部件失效率，但是对于故障因素复杂多变的情况，难以挖掘影响继电器运行的各种数据关系。针对上述技术的不足，本研究研发出新型的继电器保护应用方法，通过构建不同的数据模型实现不同形式的应用[5-7]。

1新型继电保护自动化应用系统设计

本研究通过设计出基于硬件设计和大数据算法的新型继电保护应用系统，通过继电保护装置实现自动化、闭环测试，提高检测继电器的工作能力。通过大数据模型设计，采用数据挖掘技术对继电应用过程中进行故障检测[8-9]，继而实现运行优化。新型的优化设计方案如图1所示。

在图1中，继电器输出信息来自于多种方面，因此，需要从多种应用获取继电器保护或者运行信息，在大量的继电器运行信息中，将故障信息特征提取出来，然后再进行各种数据融合，由于继电器输出均为宏观数据表示，因此，在应用系统中，还连接有故障信息转换单元[10-11]，所谓的转换是将模拟信息转换为数字信息，这需要接入A/D转换模块，实现数据的识别和转换。在新型的方案设计中，本研究还采用了融合支持向量机技术的BP神经网络模型(Back-ProPagationNet-work)[12-13]实现继电保护系统海量数据处理。从而建立了继电系统保护控制的智能控制模型，实现对继电保护系统和电网的优化控制，下文对其关键技术进行详细说明。

2硬件技术设计

在硬件设计中，应用ARMCortex-M3处理器实现继电器工作过程中的状态分析，对继电器状态继续进行检测。原理架构示意图如图2所示。在图2所示的硬件结构设计中，ARMCortex-M3控制芯片连接有供其正常工作的电源模块、时间通讯模块、可扩展控制器、扩展芯片以及外围电路等，扩展芯片通过通信信道与上位机进行数据通讯，该芯片计算能力比较强，并且本身还自设置有以太网控制器，能够将工作过程中的继电器保护信息通过过IEC61850-9-2报文方式、IEC61850协议以及GPS脉冲信息发送到上位机，以满足不同型号、不同通讯方式测试装置的需要，实现了多路通讯信息的同步、同时、不同通道的采集、传递和处理。具有较大数据处理量，检测性能强大。

3继电器保护状态算法模型

在关于继电器保护相关领域中，政府早在2015年就颁布了相关状态评价规范，比如(Q/GDW11285—2014)，在该规范中，对继电器不同的保护状态制订了相关标准，如表1所示。

值;B为继电器失效参数;Ti为电网中不同设备运行过程中的实际工作的年份;T2为计算继电器失效的具体时间(比如按照月份或者年份等)[14]。

通过上述分析，则当电网中的电力设备在工作时，将会产生的有效指数与实际发生无效/故障率之间的关系通过以下公式来表示:λ=K•eC•H

(3)式中，λ表示为继电器发生故障的程度或者继电器失效率;K为用户设置的常数参数;C为用户根据实际情况进行设置的曲率参数;HI为继电保护装置的有效指数(通常可以设置为50-120)，在应用上述方法时间，通常要根据分类统计学方法，将不同的数值划分为不同的等级(比如20个/10个一个等级)。

在一种具体的实施例中，当收集到的数据样本比较少的情况下，比如考察近10年内的继电器数据情况，选择10个数值为一个等级，使K=78.94，C=-0.20012，则可以通过以下公式进行计算。

3.1继电器保护失效分析

继电器在长期工作过程中，很容易出现老化、失效，这对于电力安全来说，存在非常大的隐患。因此有必要对继电器的状态进行分析。影响继电器正常运行的状态中，时间是必不可缺少的因素，继电器的健康状况与时间的关系如下公式所示:

式中，则可以计算出继电器保护装置中在一年内平均故障概率;i为继电器保护装置在有效指数区间进行的分类;Ni为第i个有效指数区间保护装置总台数;HIi为对应分类的HI平均值。当K、C值确定后，即可由式(3)求得基于设备健康状态的实际故障率[14]。

3.2支持向量机算法模型

该算法模型能够对上述故障诊断模式进行识别、分类以及回归分析等。将非线性映射函数输出教高维输入、低维输出的样本参数向量，将由原空间映射至高维特征空间，以便于数据的转换和计算[15]。构建出的数据算法模架模型如图3所示。

下面结合图3进行说明，假设继电保护系统式中，HIa为继电器健康失效的失效指数;HIa0为在一定区域范围内或者用户指定的区域范围内的继电器失效指数在运行过程中耗费的起始平均数据训练样本集{(xi，yi)，i=1，2，…，n}，xi和yi分别为继电器不同数据参数的输入变量和输出变量目标值，n为继电器输入参数的训练样本数量。

支持向量机技术可以以下方式描述:

式中，vi和xi分别为粒子的速度和位置，ω为惯性权重参数，r1和r2为(0，1)之间的随机数，pbest为个体粒子的最优位置，gbest为群体粒子的最优位置，c1和c2可以作为学习因子使用，然后可以进一步对支持向量机中的惩罚因子c和不敏感损失参数ε进行优化选择[16]，继而获取不同种类的继电保护方式。

4仿真试验与分析

4.1硬件条件

下面对上述算法的有效性进行分析、验证。分类的有效性函数利用函数FP(U，c)来表示，试验的硬件环境为实验室计算机管理系统，其中服务器主机的硬件配置为:IntelXeonE3-1220v53.0GHz四核，处理器的型号为Intel(R)Core(TM)ξ，ξ*≥0试验时，以国网安徽省电力有限公司庐江县式中，c>0为惩罚因子;ω为权重向量;b为偏置供电公司内的110kV数字变电站最为示例分析，项;φ(x)为非线性映射函数;ε为不敏感损失函记录得出的数据分析表，如表2所示。

为了更好地表示计算结果，下面通过故障率曲线图来表示，如图4所示。

通过图4能够很好地验证本研究的方案，下面对支持向量机算法进行验证。

4.3支持向量机算法验证

在进行该算法验证时，分别在母线、发电机和变压器设备中分别选取4组样本进行验证，每种类型选取100个数据样本，输出如表3所示的样本数据记录表。

通过1小时的试验和分析，为了验证本研究的方案的技术优越性，通过不同种类的曲线对比图来表示对比验证分析图。其中白色实线表示本研究技术方案的方法，虚线为人工计算方法。

在图5的试验中可以看出，分别在100个不同的继电保护数据样本中，通过本研究的方法进行评估，平均正确率大于90%，人工方法仅仅处于60%左右。

4.4整体系统验证

下面再从整体上进行方案验证，将本研究融入大数据算法的技术方案与常规的继电应用电力系统进行对比分析和验证，假设运行160分钟，整体系统的运行效率如图6所示。在图6中，白色实线表示本研究技术方案，虚线为常规继电应用电力系统。