摘 要: 針對現有技術中繼電保護裝置故障發現的難度大、不利于現場維護，設計出新型的繼電保護自動化技術，構建出融合硬件設計和大數據算法的新型繼電保護應用，硬件系統采用 ARM Cortex-M3處理器實現繼電器工作過程中的狀態計算，并實現了繼電器保護數據的多通道輸出。大數據算法采用繼電器保護狀態算法模型和支持向量機算法模型實現繼電器保護的失效分析和回歸分析，使繼電器運行的宏觀數據表示轉換為微觀數據分析，提高了繼電器應用和管理能力。實驗表明，該研究的方案誤差低，運行效率高。

　　關鍵詞: 電力系統; 繼電保護; 向量機算法模型; ARM Cortex-M3 處理器; 狀態算法模型

　　Abstract: Aiming at the difficulty of detecting faults of relay protection devices in the prior art, which is not conducive to field maintenance, a new type of relay protection automation technology is designed, and a new relay protection application integrating hardware design and big data algorithms is constructed. The hardware system uses ARM Cortex-M3 processor to realize the state calculation in the working process of the relay, and realize the multi-channel output of the relay protection data. The big data algorithm uses the re-lay protection state algorithm model and the support vector machine algorithm model to realize the failure a-nalysis and regression analysis of the relay protection. The macro data representation of the relay operation is converted into micro data analysis, which improves the relay application and management capabilities.Experiments show that the scheme of this research has low error and high operating efficiency.

　　Key words: power system; relay protection; vector machine algorithm model; ARM Cortex-M3 processor; state algorithm model

　　0 引 言

　　在電力系統應用中，繼電器保護技術直接決定了整個系統運行的穩定與否。繼電器保護系統以及應用情況具有至關重要的作用。繼電器工作過程中通常表現為反應遲緩、隱患問題不易發現和潛伏問題多等，當事故發生時，難以在很短的時間內發現問題并采取措施[1]。一旦這些潛在問題積累到一定程度，容易爆發火災，更嚴重時，可能會危及人們的生命。如何識別出電力系統中相關控制設備發出異常指令以及保護設備的元件及二次回路等部件自身產生異常故障是及時發現繼電保護問題的重要信號2。因此，繼電器保護的應用問題仍舊是電力系統中居高不下的話題。

　　在該方面的技術研究中，文獻[1-3]僅僅是對繼電器的技術原理進行說明，在技術應用時，也是局限于最原始、最基本的原理性應用。文獻4]雖然也應用到了智能算法，在一定程度上能夠計算各部件失效率，但是對于故障因素復雜多變的情況，難以挖掘影響繼電器運行的各種數據關系。針對上述技術的不足，本研究研發出新型的繼電器保護應用方法，通過構建不同的數據模型實現不同形式的應用B-7。

　　1新型繼電保護自動化應用系統設計

　　本研究通過設計出基于硬件設計和大數據算法的新型繼電保護應用系統，通過繼電保護裝置實現自動化、閉環測試，提高檢測繼電器的工作能力。通過大數據模型設計，采用數據挖掘技術對繼電應用過程中進行故障檢測B-1，繼而實現運行優化。新型的優化設計方案如圖1所示。

　　在圖 1 中，繼電器輸出信息來自于多種方面，因此，需要從多種應用獲取繼電器保護或者運行信息，在大量的繼電器運行信息中，將故障信息特征提取出來，然后再進行各種數據融合，由于繼電器輸出均為宏觀數據表示，因此，在應用系統中，還連接有故障信息轉換單元0-1，所謂的轉換是將模擬信息轉換為數字信息，這需要接入A/D轉換模塊，實現數據的識別和轉換。在新型的方案設計中，本研究還采用了融合支持向量機技術的BP神經網絡模型(BackProPagation Net-

　　work)12-1]3實現繼電保護系統海量數據處理。從而建立了繼電系統保護控制的智能控制模型，實現對繼電保護系統和電網的優化控制，下文對其關鍵技術進行詳細說明。

　　2硬件技術設計

　　在硬件設計中，應用ARM Cortex-M13處理器實現繼電器工作過程中的狀態分析，對繼電器狀態繼續進行檢測。原理架構示意圖如圖2所示。

　　在圖2所示的硬件結構設計中，ARM Cortex-M3控制芯片連接有供其正常工作的電源模塊、時間通訊模塊、可擴展控制器、擴展芯片以及外圍電路等，擴展芯片通過通信信道與上位機進行數據通訊，該芯片計算能力比較強，并且本身還自設置有以太網控制器，能夠將工作過程中的繼電器保護息通過過1EC618509-2 Х方t.IEC61850協議以及GPS脈沖信息發送到上位機，以滿足不同型號、不同通訊方式測試裝置的需要，實現了多路通訊信息的同步、同時、不同通道的采集、傳遞和處理。具有較大數據處理量，檢測性能強大。

　　3 繼電器保護狀態算法模型

　　在關于繼電器保護相關領域中，政府早在2015 年就頒布了相關狀態評價規范，比如( Q/ GDW 11285—2014) ，在該規范中，對繼電器不同的保護狀態制訂了相關標準，如表 1 所示

　　3. 1 繼電器保護失效分析

　　繼電器在長期工作過程中，很容易出現老化、失效，這對于電力安全來說，存在非常大的隱患。因此有必要對繼電器的狀態進行分析。影響繼電器正常運行的狀態中，時間是必不可缺少的因素，繼電器的健康狀況與時間的關系如下公式所示:

　　式中，HIa 為繼電器健康失效的失效指數; HIa0 為在一定區域范圍內或者用戶指定的區域范圍內的繼電器失效指數在運行過程中耗費的起始平均值; B 為繼電器失效參數; Ti 為電網中不同設備運行過程中的實際工作的年份; T2 為計算繼電器失效的具體時間( 比如按照月份或者年份等) [14]。

　　通過上述分析，則當電網中的電力設備在工作時，將會產生的有效指數與實際發生無效/故障率之間的關系通過以下公式來表示:

　　式中，λ 表示為繼電器發生故障的程度或者繼電器失效率; K 為用戶設置的常數參數; C 為用戶根據實際情況進行設置的曲率參數; HI 為繼電保護裝置的有效指數( 通常可以設置為 50 - 120) ，在應用上述方法時間，通常要根據分類統計學方法，將不同的數值劃分為不同的等級( 比如 20 個/10個一個等級) 。

　　在一種具體的實施例中，當收集到的數據樣本比較少的情況下，比如考察近 10 年內的繼電器數據情況，選擇 10 個數值為一個等級，使 K = 78. 94，C = - 0. 20012，則可以通過以下公式進行

　　計算。

　　式中，則可以計算出繼電器保護裝置中在一年內平均故障概率;i為繼電器保護裝置在有效指數區間進行的分類：N，為第i個有效指數區間保護裝置總臺數：H1，為對應分類的H平均值。當K、C值確定后，即可由式(3)求得基于設備健康狀態的實際故障率[

　　3.2 支持向量機算法模型該算法模型能夠對上述故障診斷模式進行識別、分類以及回歸分析等。將非線性映射函數輸出教高維輸入、低維輸出的樣本參數向量，將由原空間映射至高維特征空間，以便于數據的轉換和計算[。構建出的數據算法模架模型如圖3所示。

　　下面結合圖3進行說明，假設繼電保護系統數據訓練樣本集(x，y)，i = 1，2.，，;分別為繼電器不同數據參數的輸入變量和輸出變量目標值，n為繼電器輸入參數的訓練樣本數量。

　　4仿真試驗與分析

　　4.1硬件條件

　　下面對上述算法的有效性進行分析、驗證。

　　分類的有效性函數利用函數FP(U，c)來表示，試驗的硬件環境為實驗室計算機管理系統，其中服務器主機的硬件配置為：Intel Xeon E3-220v53.0

　　GHz四核，理8%Intel(R)Core(TM)

　　i7-3770 CPU@3.40GHz，內存為16GB，操作環境中的軟件環境為Winl0操作系統[

　　4.2 保護裝置失效率估算

　　試驗時，以國網安徽省電力有限公司廬江縣供電公司內的110kV數字變電站最為示例分析，記錄得出的數據分析表，如表2所示。

　　在評價該算法時，需要應用到最小二乘法，設置m=5.847，y=4679，假設日常對繼電器[)進行監測輸出的平均故障率為1.74 x10-5，則利用公式(1)-(4)的失效率模型可以計算為：

　　為了更好地表示計算結果，下面通過故障率曲線圖來表示，如圖 4 所示。

　　通過圖4能夠很好地驗證本研究的方案，下面對支持向量機算法進行驗證。

　　4.3支持向量機算法驗證在進行該算法驗證時，分別在母線、發電機和變壓器設備中分別選取4組樣本進行驗證，每種類型選取100個數據樣本，輸出如表3所示的樣本數據記錄表。

　　通過1小時的試驗和分析，為了驗證本研究的方案的技術優越性，通過不同種類的曲線對比圖來表示對比驗證分析圖。其中白色實線表示本研究技術方案的方法，虛線為人工計算方法。在圖5的試驗中可以看出，分別在100個不同的繼電保護數據樣本中，通過本研究的方法進行評估，平均正確率大于90%，人工方法僅僅處于60%左右。

　　4. 4 整體系統驗證

　　下面再從整體上進行方案驗證，將本研究融入大數據算法的技術方案與常規的繼電應用電力系統進行對比分析和驗證，假設運行 160 分鐘，整體系統的運行效率如圖 6 所示。在圖 6 中，白色實線表示本研究技術方案，虛線為常規繼電應用電力系統。

　　通過圖6可以看出，本研究算法的運行效率明顯高于傳統方法人工運行的方法。

　　5結束語

　　本研究針對現有技術存在的諸多不足，提出新型的繼電保護算法，研究出以下內容：

　　①構建出新型繼電保護自動化應用系統，實現繼電保護在電力系統中的新型應用。

　　②結合相關國際標準，設計出繼電器保護狀態算法模型，有效地評估繼電器的故障幾率，進而判斷出失效情況。

　　③構建出支持向量機算法模型，實現繼電器保護的故障分析。

　　上述研究雖然在一定程度上能夠克服現有技術中存在的一些問題，實現繼電器保護的多角度應用。但是在繼電器的應用過程中，仍舊存在諸多不足，這需要進一步的研究和探索。

　　參考文獻：

　　[1]牟欣培，電力系統中繼電保護自動化技術的應用與實現[].科技與創新，2015，36(21)：132，136.

　　[2]黃愷，電力系統中繼電保護自動化技術的應用[].通訊世界，2018(6)：163-164.

　　[3]吳楊，繼電保護自動化技術在電力系統中的應用探i[0].科與信息化，2018(33)：132，16.

　　[4]陳志光，黃明輝，王峰，等.一種新型繼電保護硬件失效率的計算方法[0].電力系統及其自動化學報，2015(S1)：68-71.

　　[5]王治喻繼電保護自動化技術在電力系統中的應用分析D].中國高新區，2017(16)：133.

　　[6]趙軍，芻議電力系統中繼電保護自動化技術的應用[D].中小企業管理與科技，2015(10)：215-216.

　　[7]張靜，電力系統中繼電保護自動化技術的應用探析0].建筑工程技術與設計，2015(23)：1473-1473.

　　[8]焦敬品，李勇強，吳斌，等.基于BP神經網絡的管道泄漏聲信號識別方法研究[D.表報，2016，37(11)：2588-2596.

　　[9]張揚，劉艷麗.PSO優化BP神經網絡的串聯故障電弧識別方法D].傳感器與微系統，2016，35(7)：27-30.

　　[10]劉鑫，賈云獻，孫磊，等，基于BP神經網絡的變速箱故障診斷方法研究D].計算機測量與控制，2017，25(1)：17-20.

　　[11]孫夢晨，從偉，余江，等，電網運維大數據背景下的繼電保護通信系統故障定位方法[].電力自動化it&，2019(4)：141–147.

　　[12]顧明宏，孫為兵，顧穎歆，等.綜合無功優化與網絡重構的配電網優化運行研究[].智能電網，2017，33(7)：8-12，18.

　　[13]莫易敏，齊飛，張健，等，基于動態學習率與BP神經網絡的變速箱故障診斷研究[].機械設計與制造，2017(11)：49-52.

　　[14]何春，李琦，吳讓好，等，基于故障傳播的模塊化BP神經網絡電路故障診斷[.計算機應用，2018，38(2)：304-311.

　　[15]劉小平，鄂東辰，高強，等.基于BP神經網絡的翻車機液壓系統故障診斷[.液壓與氣動，2016(8)：71-76.

　　[16]張磐，丁泠允，姜寧，等，基于支持度-置信度一提升度的配網自動化系統數據挖掘算法及應用[J].電測與儀表，2019，56(10)：62-68.

　　[17]王春義，牟宏，顧潔，等，基于大數據高維分析理論的用戶用電模式分析].電科，2017，38(10)：209–212.

　　[18]季斌煒，陳瀟一·基于粒子群算法的配電網無功補償方法研究0].電網與清潔能源，2016，32(3)：115-118.

　　[19]盛海華，王德林，馬偉，等，基于大數據的繼電保護智能運行管控體系探索0].電力系統保護與控制，2019(22)：174-181.

期刊VIP網，您身邊的高端學術顧問

文章名稱： 繼電保護自動化技術在電力系統中的應用研究

文章地址： http://www.kg120.com/mianfeiwx/58894.html