基于多源判据的变电站二次设备故障自动化诊断研究

曾乔迪，陈煜敏，蒋文辉，梁书原

（南方电网数字电网科技（广东）有限公司，广州 510520）

在电力系统中，二次设备是确保一次设备正常工作和安全稳定运行的重要保证[1]。由于二次设备的种类和数量不断增加，对继电保护装置故障诊断的任务也越来越繁重复杂。传统的继电保护故障诊断方法是利用变电站二次设备故障状态与其对比，进而判断是否存在故障。随着二次设备种类和数量的不断增加，现有方法对其故障诊断时存在不足、诊断效果差。因此，需要对当下变电站二次设备故障诊断方法进行改进和优化。

文献[2]利用关联规则挖掘算法计算二次系统故障报警信息，进而与二次回路中的故障装置进行数据关联，完成故障诊断，但该方法无法判断出二次设备故障类型，实际应用效果差；文献[3]以深度学习的训练模式为基础，建立一种循环神经网络的二次设备故障诊断方法，但该方法没有考虑数据的特征完整性，使电力数据诊断结果出现误差，故障诊断效率低、精度差。

根据以上故障诊断方法的缺点，提出一种基于多源判据的变电站二次设备故障自动化诊断方法。建立变电站二次设备体系结构模型，分析产生故障的根本原因；采用支持向量机判别预处理电力数据，并通过主分量分析技术对电力信号数据降维，从而完成变电站二次设备故障的自动化诊断。实验结果表明，所提方法能够有效诊断电站二次设备中的多种故障，诊断精度高。

1 变电站体系结构模型构建

在变电站实际应用中，内部网络属于核心构成，对变电站的运行有重要作用。变电站网络一般由一次设备层、二次设备层与中心设备层构成。变电站网络中，二次设备的应用决定了整个变电站的运行性能。构建的变电站二次设备体系结构如图1所示。

图1 变电站二次设备体系结构Fig.1 Architecture of secondary equipment in substation

结合图1 的变电站二次设备体系结构可以分析出，变电站被划分成间隔层、站控层[4]和过程层[5]3个部分。过程层结合智能设备完成变电、输电等最基础的功能；间隔层通过测控设备与保护设备承担核心任务；站控层对整个变电站设备进行测量、控制、采集数据等任务，且后续需要进行信息管理、数据保护等工作。各部分之间相互配合，构成了一个有机的整体，以完成变电站内的测量、信息共享和保护功能。

2 变电站二次设备故障诊断

2.1 变电站二次设备数据预处理

为了准确诊断变电站的二次设备故障，需要对二次设备数据分类，为此使用支持向量机方法[6]，对变电站二次设备数据分类，其分类过程：变电站二次设备数据特征向量从原始空间Rm映射到高维空间Rn中，在高维空间[7]中寻找最佳超平面来实现对样本分类，使得输入样本能够得到理想分类结果。

变电站二次设备数据复杂多样，故障类型多元化，难以精准分类，因此，需要建立一个多元分类器对变电站故障分析。建立k（k-1）/2 个变电站二次设备数据分类器，使任意一个分类器都可以对变电站样本数据完成分类，将二元分类器转换为多元分类器[8]，输入变电站设备状态量信号，其计算公式为

2.2 变电站二次设备数据降维

虽然分类后的变电站数据变得清晰，但仍存在大量高维形式状态量，无法快速准确识别故障，需要对现场电力数据降维处理。在变电站二次设备多元分类器的基础上，采用主分量分析技术[12]将高维输入数据转换到低维空间中，设定有p 个变电站二次设备样本数据，二次设备样本所有数据都含有d个变量，建立p×d 的样本数据矩阵，若原始能量为d维向量，降维后得到p 维变量，主分量分析技术将p维向量重新排列，获得线性无关的新变量：

新变量简化转换的表达式：

当确定了新变量系数矩阵A 后，完成变电站二次设备数据的降维，为后续变电站二次设备的故障诊断提供了有利条件。

2.3 多源征兆的故障自动化诊断

在状态检修的电力系统中，变电站二次设备故障诊断需要处理的信息源较多，不同的信息源之间存在着不同程度的关联关系，从而形成了多源征兆。多源征兆能够综合反映出设备运行过程中的主要故障特征，如电流、电压等。以电流、电压为征兆建立测量回路的广义变比，公式如下：

式中：NgI为电流的广义变比；NgU为电压的广义变比；I1为高压侧电流；I2为低压侧电流；U1为高压侧电压[13]；U2为低压侧电压。额定变比N 是测量电路一次与二次的比值，当变压互感器的额定变比为N=220/0.1，可以计算出电流、电压广义变比：

式中：NI为测量电路一次与二次的电流比值；NU为测量电路一次与二次的电压比值。

结合变压器阻抗实际值[14]，可以更好地分析变电站设备电路的故障情况，变压器支路阻抗计算公式：

式中：U11为变压器高压一次电压；U12为变压器低压一次电压。利用相应的广义比获得一次电压，变压器支路阻抗转换表达式：

式中：U21，U22为保护的二次高压电压和低压电压。凭借变压器阻抗，确定阻抗的标幺值表达式：

式中：Se为变压器阻抗。由于使用的为支路阻抗，依据支路阻抗定义[15]，获得阻抗判据值的计算公式：

式中：Sg为标幺值。当测量电路工作正常时，标幺值就会在小范围内变化，变压器阻抗值P 接近于零，说明此时为正常运行状态；若标幺值大幅度变化，P值将高于正常值，此时为故障状态。由此完成变电站二次设备故障自动化诊断。多源征兆的变电站二次设备故障自动化诊断的具体流程如图2 所示。

图2 故障自动化诊断的具体流程Fig.2 Specific flow chart of automatic fault diagnosis

3 实验结果与分析

为了证明基于多源判据的变电站二次设备故障自动化诊断方法的正确性，开展了实验验证研究。实验对象为750 kV 功率变电站采集的断路器运行状态监测数据，为了更深入地研究变电站二次设备的故障，将变电站二次设备的故障分为常见的3种类型：气体泄漏故障、设备绝缘材料腐蚀故障、电弧重燃故障。

选择马氏距离计算变电站二次设备故障信号特征向量与参考标准向量之间的差值，以1%作为置信水平标准，极限阈值为50。没有异常的变电站二次设备信号如图3 所示，所有正常信号均在极限阈值之下。

图3 无故障的变电站二次设备诊断Fig.3 Trouble-free diagnosis of substation secondary equipment

通过图4 的变电站二次设备的3 种故障诊断综合结果可知，以上变电站二次设备故障诊断结果，所有马氏距离都高于极限阈值，说明所提方法的故障诊断结果都为变电站二次设备数据，符合预设故障，说明了所提方法可以有效对变电站二次设备状态以及运行情况进行监测和分析。

图4 变电站二次设备的3 种故障诊断综合结果Fig.4 Comprehensive results of three kinds of fault diagnosis for substation secondary equipment

为了进一步验证所提方法的故障诊断能力，使用UIR（不确定信息比）验证变电站二次设备的故障诊断准确度。UIR 故障诊断准确度表达式如下：

式中：N 为告警数据次数；N1为不确定的告警数据次数。统计UIR 下的正确数值可以计算出不同方法的故障诊断准确率。通过所提方法与文献[2]关联规则挖掘算法、文献[3]循环神经网络方法比较，故障诊断准确度的对比结果如图5 所示。

图5 三种方法的故障诊断准确率结果Fig.5 Fault diagnosis accuracy results of three methods

从图5 的实验结果得出，当数据中没有不确定告警消息时，所提方法与循环神经网络方法、关联规则挖掘算法的故障诊断准确率都为1，当UIR 为2%时，所提方法的故障诊断准确率仍高达98%，其他2 种方法分别为90%与85%，随着UIR 值不断增加，其他方法的故障诊断准确率都在大幅度下降，而所提方法的故障诊断准确率仍保持在90%以上。

为了更深程度地验证所提方法的故障诊断能力，以故障诊断耗时为实验指标，变电站二次设备故障诊断运行耗时对比结果如图6 所示。

图6 变电站二次设备故障自动化诊断耗时对比Fig.6 Comparison of time spent in automatic fault diagnosis of substation secondary equipment

通过图6 的故障自动化诊断耗时对比结果可知，所提系统可以在最短的时间范围内完成变电站二次设备故障自动化诊断，自动化诊断效率极高。

4 结语

为了提高变电站二次设备故障诊断效率和诊断精度，本文提出一种基于多源判据的变电站二次设备故障自动化诊断方法，通过支持向量机判别对电力数据预处理，完成二次设备数据分类，并利用主分量分析技术对电力信号数据降维；以阻抗值、电流、电压为变电站二次设备的多源征兆，进行变压器阻抗测量，通过广义变比完成了故障诊断，实验结果表明了所提方法可以有效诊断电站二次设备中各种故障，且故障诊断准确率高、耗时短，可为变电站运维人员提供有效的数据基础。