首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 附建式变电站二次设备回路故障定位技术研究

附建式变电站二次设备回路故障定位技术研究

2024-11-03 75 上传者：管理员

摘要：由于二次设备回路复杂且缺乏有效手段分析故障特征之间的关联性，导致回路故障定位结果准确性较差，研究附建式变电站二次设备回路故障定位技术。提取二次设备自检数据、实时监测数据、通信链路数据等指标作为附建式变电站二次设备回路故障特征，构建一个图神经网络模型，输入故障特征输出二次设备回路故障定位结果。实验结果表明，设计定位技术下不同二次设备回路故障位置的误判率仅2.22%，定位精度较高。

关键词：
二次设备
回路故障
定位技术
故障定位
附建式变电站
加入收藏

在日益复杂的智能电网体系中，作为电网关键节点的附建式变电站建设规模越来越大，其中二次设备回路是连接变电站控制、保护、通信等系统的核心组成部分，其一旦发生故障，将直接影响到整个电网的调度、控制和保护等功能，甚至可能引发大规模停电事故，造成严重的经济损失和社会影响，所以研究二次回路故障诊断和定位至关重要。文献[1]中基于最大熵阈值分割构建一个二次回路故障识别模型，可以三维可视化检测回路故障，但该模型对噪声和干扰具有敏感性，实际应用中易受复杂的工作环境影响难以取得较好的故障诊断结果；文献[2]中通过闭环测试的方法进行变电站二次回路故障的判别与定位，具有较高的定位精度，但该方法复杂度较高，在实际应用中难以保障故障定位效率。针对现有研究成果的不足之处，本文旨在研究一种基于图神经网络的附建式变电站二次设备回路故障定位技术，为我国智能电网的健康运行提供有力的保障。

1、提取附建式变电站二次设备回路故障特征

在本文研究的附建式变电站二次设备回路故障定位技术中，基于二次回路故障机理，提取二次设备自检数据、实时监测数据、通信链路数据等指标作为故障特征量[3]，并建立一个表征故障特征量的数据集合，表达式为：

式中，Xi为附建式变电站二次设备回路的第i个故障的特征集合；X1i为二次设备运行自检数据指标；X2i为二次设备实时监测数据指标；X3i为二次设备之间通信链路的监测数据指标；n为附建式变电站二次设备回路故障总数量。那么，在实际的附建式变电站二次设备回路运行中，上述三个故障特征量所包含内容众多，所以为表征故障特征量的具体信息，本文还获取各故障特征量的具体特征指标，具体情况如表1所示。

表1附建式变电站二次设备回路故障特征量

附建式变电站二次设备在实际运行过程中，通常会配备自检功能，其自检数据可以直接反映设备的工作情况，所以本文分别获取附建式变电站各类常见的二次设备的自检数据作为回路故障特征指标。实时监测数据主要通过安装在二次设备上的CPU温度和光强数据等外部采集装置来获取的，可以侧面反映设备在运行过程中的实时状态，也是发现二次设备回路潜在故障的重要指标。二次设备之间的通信链路是保障设备协同工作的重要通道，如果通信链路出现故障会导致设备之间的信息传输受阻，进而影响整个回路的安全运行，所以本文将SV和GOOSE链路单点状态信息作为定位回路故障的指标之一。总之，本文提取的二次设备自检数据、实时监测数据、通信链路数据等特征指标，可以全面反映附建式变电站二次设备回路的运行状况，为后续的故障定位提供有力的数据支持。

2、基于图神经网络构建二次设备回路故障定位模型

由于附建式变电站二次设备回路具有复杂的拓扑结构和丰富的运行数据，传统的故障定位方法往往难以达到理想的效果，所以本文在二次设备自检数据、实时监测数据、通信链路数据等特征指标数据的基础上，引入图神经网络进行故障定位[4]。图神经网络是一种新兴的深度学习模型，能够有效处理图结构数据，而附建式变电站二次设备回路则是一种典型的图结构数据，其节点对应于各个设备，边则表示设备之间的连接关系，所以本文通过构建图神经网络模型，递归地聚合邻居节点的特征信息，更新节点的表示，捕获图的全局和局部结构信息，以此学习二次设备回路的结构信息和故障特征，进而实现故障的快速准确定位[5]。首先，根据附建式变电站二次设备回路故障定位的具体情况，本文采用图卷积神经网络（GCN）作为基础模型。然后，假设附建式变电站二次设备回路故障的图结构数据为T，其具体表达式如下式：

式中，J为节点集合；B为边集合。那么，对二次设备回路图结构数据中的节点，已知其故障特征表示为Xj，经过GCN的图卷积操作后，即可更新节点的表示，具体更新公式如下：

式中，分别为GCN网络模型中第u层和第u-1层图卷积操作后的节点j的特征表示；ω1、ω2分别为中心节点和邻居节点的权值；N(j)为节点j的邻居节点集合；f为激活函数。按照式（3）进行多次更新之后，将图结构中所有节点进行全局池化，即可得到整张图的特征表示：

式中，Z为整图的特征表示；Nu为节点数量。在得到整图的特征表示之后，以GCN模型的全连接层当成分类器，对图特征进行分类识别，在分类器中应用如下式所示的激活函数：

式中，g(Z)为sigmoid函数输出的图特征分类结果。基于上述内容，本文完成图神经网络模型基本框架的构建，将实际的附建式变电站二次设备回路故障特征量输入模型中，在图神经模型中经过卷积操作，可以得到节点的局部和全局结构信息以及故障特征信息。最后，模型通过一个全连接层将节点的表示映射为故障概率，从而实现故障定位。

3、实验分析

为验证本文所设计基于图神经网络的二次回路故障定位技术的有效性和优越性，以该技术为实验组，并采用基于ER算法的二次回路故障定位技术和基于闭环测试的二次回路故障定位技术作为对照组，展开仿真对比实验。在本次仿真实验中，为方便不同定位技术的对比，基于我国某附建式变电站的SCD文件生成图数据库内数据，将故障位置限制在变电站二次设备回路的两个主变间隔、两个线路间隔和一个母线间隔范围内，再进行二次设备回路故障位置采样，采集共5种不同类型的二次回路故障位置样本，作为实验数据，具体情况如表2所示。

表2附建式变电站二次设备回路故障样本

然后，分别采用基于图神经网络的二次回路故障定位技术、基于ER算法的二次回路故障定位技术和基于闭环测试的二次回路故障定位技术对上表中所示的实验样本进行故障定位，所得定位结果如图1所示。

图1附建式变电站二次设备回路故障定位结果

从图1中可以看出，本文设计的基于图神经网络的二次回路故障定位技术在故障定位精度上表现出明显优势，高于对照组中两种定位技术，这得益于图神经网络能够充分利用二次设备之间的连接关系，学习故障特征与故障位置之间的复杂映射关系。在本文设计的定位技术下，不同二次设备回路故障位置的平均误判率仅2.22%，较对照组中两种定位技术分别降低了4.45%、6.67%。因此，在实际应用中，可以考虑本文设计技术进行附建式变电站二次设备回路故障定位。

4、结束语

本研究围绕附建式变电站二次设备回路故障定位技术，深入探讨基于图神经网络的方法在故障定位中的应用，并提出有效的解决方案。通过实验验证，本方法能够有效提升故障定位的准确性，为电网的稳定运行提供重要保障。然而，随着智能电网技术的不断发展，二次设备回路的结构和功能将更加复杂，故障类型也将更加多样化。因此，未来的研究工作将聚焦于进一步提高故障定位技术的适应性和泛化能力，同时将探索更多先进的智能算法和技术在故障定位中的应用，以应对未来电网的挑战和需求。

参考文献:

[1]樊云鹏,池招荣,覃显南,等.基于最大熵阈值分割的电气二次回路故障三维可视化识别模型[J].计算技术与自动化,2023,42(4):105-109.

[2]牛亮,王沙沙,李满春,等.智能变电站二次回路故障智能诊断技术研究[J].电气应用,2022,41(3):22-27.

[3]王天宇.基于智能变电站的二次回路故障定位技术要点分析[J].电气技术与经济,2024(1):163-165,177.

[4]汪勤,吴旻,姚辉昌,等.基于ER算法的智能变电站保护二次回路故障定位方法[J].四川电力技术,2022,45(5):70-74,78.

[5]张宸滔,郑永康,卢继平,等.基于图神经网络的智能变电站二次回路故障定位研究[J].电力系统保护与控制,2022,50(11):81-90.

文章来源:胡滨.附建式变电站二次设备回路故障定位技术研究[J].电器工业,2024,(11):13-15+22.