首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于改进贝叶斯网络的电网继电保护设备故障定位研究

基于改进贝叶斯网络的电网继电保护设备故障定位研究

2024-09-20 71 上传者：管理员

摘要：以精准定位电网继电保护故障设备为目标，提出基于改进贝叶斯网络的电网继电保护设备故障定位方法。采用环形闭锁全局方式，获取继电保护设备运行过程中的显性、隐性以及暂态故障的全部信息，将该信息和K2评分函数相结合，并引入领域专家知识和评分函数，通过蚁群优化算法构建继电保护设备故障定位的初始贝叶斯网络模型；利用告警信息频繁度因素改进贝叶斯网络模型，依据改进后模型计算故障的贝叶斯可疑度，实现电网继电保护设备故障定位。测试结果显示方法可有效计算继电保护设备故障可疑度，完成不同类别故障定位；定位的平均错误率低于1.85%，可保证电网安全运行。

关键词：
改进贝叶斯网络
故障定位
电网安全运行
继电保护设备
蚁群优化算法
加入收藏

电网继电保护设备是电网在运行过程中，电力系统自身发生故障、影响电力系统运行安全的情况下，可发送预警信号或者直接进行跳闸控制的自动化设备[1]，保护电网的运行安全。该设备在运行过程中主要是依据电气量的变化情况进行保护动作[2]；因此，继电保护设备是保证电网安全、可靠运行的基本保障。但是由于智能电网的不断发展，电网复杂程度增加，导致继电保护设备在使用过程产生故障[3]，引发动作指令错误，降低电网的安全性。故障定位即是寻找设备的所有故障部件，其通常情况下可通过故障诊断或者识别等方式完成。继电保护设备发生故障后，故障中存在一定的隐性故障和暂态故障，这些故障在诊断过程中，存在一定的漏检情况，严重威胁电网的运行安全。

为实现继电保护故障诊断，结合时序网络和深度学习，提出相关的故障诊断方法，该方法通过构建继电保护设备的位置和动作时序模型，实现故障分类识别[4]；但是该方法在应用过程中，对于隐性故障的识别误差较大。为实现继电保护设备故障定位，以采集的继电保护设备信息为依据，通过深度神经网络和随机森林算法结合完成故障定位[5]；该方法在应用过程中，当设备发生暂态故障后，容易发生漏识现象。贝叶斯网络也称为信度网络，其属于一种理论模型，能够有效处理不确定信息[6]，在智能化系统中具有较好的应用效果。本文针对继电保护设备故障定位需求，精准确定隐性故障或者暂态故障，提出基于改进贝叶斯网络的电网继电保护设备故障定位方法，通过该方法可靠识别继电保护设备的显性、隐性以及暂态故障。

1、电网继电保护设备故障定位方法

系统框图如图1所示。

图1 系统框图

1.1电网继电保护设备故障信息获取

为确保电网继电保护设备故障定位的可靠性和精准性，本文在故障定位前先获取继电保护运行故障信息。其采用环形闭锁全局方式对电网内继电保护节点进行处理后获取该信息，获取的信息中包含显性故障信息、隐性故障信息以及暂态故障信息。采用环形闭锁全局方式处理后，全局闭锁继电保护设备节点之间的关系描述公式为：

式中：I2[i(t)]和I1[i(t)]均表示继电保护设备电气量，前者对应全局运行情况下，后者对应闭锁元件全局运行情况下；ε(t)表示故障预警设定阈值。

当继电保护设备发生隐性故障时，则：

依据上述内容可获取继电保护设备运行过程中的所有故障信息，并将该信息作为该设备故障定位等的依据。

1.2基于改进贝叶斯网络的设备故障定位实现

1.2.1基于改进贝叶斯网络的设备故障定位模型构建

贝叶斯网络也称为有向无环图模型G=(B,E)，其中B表示继电保护设备节点集合，E表示父节点和子节点之间的有向边集；本文结合继电保护设备故障形成因素的不确定性特点，将该设备和其运行环境的不确定性因素，均通过网络模型节点描述故障状态；故障和故障征兆之间存在的对应关系则通过有向边{Bj～Bi}描述。因此，为保证该网络对于继电保护设备故障定位效果，以1.1小节获取的继电保护设备故障样本数据集D为基础，引入领域专家知识和K2评分函数fK2，采用蚁群优化算法获取继电保护设备故障定位的最佳贝叶斯初始网络。该网络模型构建时是以初始网络为基础，该网络由描述各个继电保护设备故障状态的B组成，每进行一次搜索时，有向边{Bj～Bi}的数量随之增加一条，而增加的{Bj～Bi}可最大程度增加评分函数，当该评分不再发生变化时，算法结束。

如果某个蚂蚁在最优网络搜索过程中的有向边为{Bj～Bi}，其中，Bi和Bj分别表示第i个和第j个节点描述的随机变量，即为故障状态。则该边的启发信息计算公式为：

初始化信息素的计算公式为：

式中：n表示节点数量；GK2表示fK2初始化网络；Pa(Bi)表示网络中的父节点集。

如果当前最优贝叶斯网络模型用G*表示，则此时新增的有向边加入网络中，其信息素的增量计算公式为：

网络模型在搜索过程中，蚁群算法可对{Bj～Bi}进行寻优选择，其选择的标准为：

式中：和节点Bi相关联的有向边用{Bv～Bi}表示；GG表示有向边结合，且未加入当前网络中。

蚁群算法搜索的过程，即为有{Bj～Bi}增加的过程，已经加入网络中的{Bj～Bi}的搜索概率结果为0。在每次搜索时，需通过K2评分函数大小判断是否增加{Bj～Bi}。通过蚁群算法的迭代处理，进行循环搜索后，获取最优结果，得出最佳的初始网络。

1.2.2电网继电保护设备故障位置确定

通过上述小节获取最佳的初始网络后，采用该网络进行电网继电保护设备故障定位；为保证故障定位效果，文中在获取的初始网络的基础上，引入告警信息频繁度因素对该网络模型进行改进，实现电网继电保护设备故障定位。详细步骤如下：

步骤1：对获取的继电保护设备故障样本数据集D进行纠错处理，去除其中的无效和错误数据，依据处理后的数据计算继电保护设备的各种疑似故障的发生概率、故障发生时预警信息的条件概率，以此生成继电保护设备故障发生时产生的各类故障预警模式。继电保护设备的各种疑似故障的发生概率、故障发生时预警信息的条件概率的计算公式分别为：

式中：wi表示故障预警信息；gj表示疑似故障，其发生概率和发生次数分别用p(gj)和n(gj)表示；n(g)表示总故障次数；gk表示已经发生的故障，其预警信息发送概率用p(wi|gj)表示；n(gk)表示发生预警的故障次数。

步骤2：获取继电保护设备的预警信息，并按照时间属性顺序进行排列和处理，以此生成继电保护设备故障初始预警信息集W0，并获取W0中预警信息wi的频繁项，得出数量为n、频繁度为kj的所有wi，以此组成预警信息集Wn。

在步骤1的基础上，确定和Wn中全部预警信息相对应的数量为m的gj，以此构建疑似继电保护设备故障集Fm；并构建特征预警信息集Wf j，其属于Wn的子集。

步骤3：利用改进的贝叶斯网络模型，计算上述两个步骤中的相关数据信息，以此获取继电保护设备的故障定位结果，将Wn、Wf j、Fm、p(gj)和p(wi|gj)输入改进的贝叶斯网络模型中，通过该模型计算贝叶斯疑似度；并且模型的先验概率可通过继电保护设备疑似故障发生概率描述。计算在wi时，继电保护设备疑似发生故障gj的概率，其计算公式为：

各个继电保护设备发生故障gj的贝叶斯可疑度C(gj)计算公式为：

式中：ki表示第i类故障的频繁度。

获取C(gj)计算结果的最大值作为继电保护设备故障定位结果，其取值范围在[0～1]之间。运行流程图如图2所示。

图2 运行流程图

2、测试结果与分析

为验证方法的应用效果，将某地区的局部电网作为实例研究对象，采用方法对该区域电网内的22个继电保护设备故障进行定位，获取定位结果，以此衡量本文方法的故障定位效果。该区域电网内使用的继电保护设备参数详情如表1所示。参数设定：种群数量35，迭代次数220，启发因子取值0.45，信息素重要程度取值1，信息素消逝程度取值0.1。

表1 继电保护设备相关参数

为验证方法对继电保护设备发生各类故障发生概率的计算效果，获取方法应用后，所有继电保护设备的显性故障、隐性故障以及暂态故障发生概率的计算结果，如表2所示。由于篇幅限制，结果仅随机抽取12个设备的计算结果。对表2测试结果进行分析后得出：方法应用后，能够计算电网中所有继电保护设备在发生不同类别故障时的发生概率，方法的应用效果良好，满足电网继电保护设备的故障发生概率计算需求。

表2 故障发生概率的计算结果

为进一步验证方法的应用效果，获取方法应用后，继电保护设备发生不同故障时的可疑度结果，以此分析其定位效果，测试结果如表3所示。对表3测试结果进行分析后得出：方法能够完成继电保护设备的故障可疑度计算，依据可疑度的计算结果，完成故障定位，并且精准获取设备的故障信息,最终获取的故障定位结果为：线路保护TA断线，其可疑度值高达0.994。因此，本方法具有可靠的继电保护设备故障定位效果，能够精准掌握设备的故障情况，为电网的稳定、安全运行提供可靠依据。

表3 继电保护设备定位结果

为分析方法对于继电保护设备故障定位的应用性能，获取方法应用后，对于设备故障定位的平均错误率，应用标准为低于1.85%，结果如图3所示。对图3测试结果进行分析后得出：方法具有较好的故障定位性能，在不同故障发生次数和不同继电保护设备数量下，故障定位的平均错误率结果均低于1.85%，其中最高错误率结果为1.75%左右；即使故障发生次数为50次时，错误率结果仅为1.50%左右，因此，方法能够精致完成继电保护设备故障定位。

图3 设备故障定位的平均错误率测试结果

为直观验证方法的应用性，采用安全裕度ψ作为评价指标，测试方法应用后，该区域电网在发生不同类别故障时，电网运行的ψ结果，如果ψ>1表示电网的安全性较差，ψ≤1则表示电网安全性较高。ψ的计算公式为：

式中：Bm和Bet分别表示继电保护设备故障电流测量元件计算结果和该故障馈线整定结果；ξ表示故障定位的灵敏度；Krs表示闭锁信号。

依据上述公式计算方法应用后，与文献[4]方法和文献[5]方法进行对比，对比电网在发生故障和存在负荷两种工况下，ψ的结果如图4所示。对图4测试结果进行分析后得出：随着电网运行时间的逐渐增加，本文方法在电网发生故障和存在负荷两种工况下，ψ结果均小于1，其最高值为0.67左右，最小值为0.10左右。文献[4]方法在电网发生故障和存在负荷两种工况下，ψ的最小值为0.32左右。文献[5]方法在电网发生故障和存在负荷两种工况下，ψ结果的最小值为0.37左右。

因此，相比两种文献方法，本文方法具有良好的应用性，能够可靠实现继电保护设备的故障定位，及时处理故障问题，以此可提升电网的安全裕度。

图4 不同运行工况下电网的安全裕度测试结果

3、结束语

继电保护设备对于电网的运行安全具有重要意义，一旦继电保护设备发生故障，则电网的安全性无法得到可靠保障。因此，精准确定继电保护设备故障位置，及时处理故障问题，尤为重要。提出基于改进贝叶斯网络的电网继电保护设备故障定位方法。进行测试后得出方法能够可靠计算继电保护设备的故障发生概率，并且获取设备的故障可疑度，精准实现故障定位，保证电网的运行安全。

参考文献:

[1]李友军,周华良,徐广辉,等.基于龙芯处理器的继电保护装置平台及关键技术[J].电力自动化设备,2022,42(3):218-224.

[2]张文川.基于SNMP协议的计算机网络自诊断系统设计[J].自动化技术与应用,2022,41(6):46-50.

[3]励力帆,虞伟,桑清城.基于数据挖掘的电力系统故障自动诊断方法研究[J].机械制造与自动化,2022,51(2):228-231.

[4]郑浩野.基于时序网络结合深度学习的变电站继电保护故障诊断方法[J].电子器件,2022,45(2):396-402.

[5]王文焕,郭鹏,祝洁,等.基于故障树及贝叶斯网络的继电保护系统风险评估及故障定位方法[J].电力科学与技术学报,2021,36(4):81-90.

[6]裴求根,黄达文,高祥斌.贝叶斯网络及时间序列下电力系统元件故障诊断模型[J].沈阳工业大学学报,2021,43(6):619-623.

基金资助:贵州电网有限责任公司科技项目(GZKJXM20210483);

文章来源:齐雪雯,赵武智,熊学海,等.基于改进贝叶斯网络的电网继电保护设备故障定位研究[J].自动化技术与应用,2024,43(09):56-59+145.