杜梓銘，馬靜波，張立輝，汪 巖

(國網(wǎng)河北省電力有限公司保定供電分公司，保定 071000)

隨著國家電網(wǎng)公司確立以“三型兩網(wǎng)、世界一流”為新戰(zhàn)略的核心任務，泛在電力物聯(lián)網(wǎng)將提供物理基礎，推動傳統(tǒng)業(yè)務提質(zhì)增效并衍生新業(yè)務新業(yè)態(tài)新商業(yè)模式，這種新變化展現(xiàn)出“智能業(yè)務”的特征，核心就是數(shù)據(jù)和智能的驅(qū)動。變電站設備結(jié)構(gòu)復雜化，發(fā)生缺陷的位置、時間的不確定性，導致故障發(fā)生后檢修人員無法對事故原因作出快速判斷，同時告警眾多，故障排查定位困難，潛在風險缺乏有效辨識手段，導致問題出現(xiàn)時無法及時處理。因此，提出變電站繼電保護分析平臺，以確保電網(wǎng)能安全、穩(wěn)定、高效、經(jīng)濟的運行。

1 變電站繼電保護分析平臺介紹

變電站繼電保護分析平臺由裝置信息[1]、運行信息、保護動作分析、事故原因推演、保護邏輯優(yōu)化、缺陷分析及消缺建議幾部分板塊組成。平臺通過數(shù)據(jù)采集處理、波形提取、模型比對三部分對數(shù)據(jù)進行采集處理分析得出分析結(jié)論。數(shù)據(jù)采集處理主要應用現(xiàn)有站端系統(tǒng)進行數(shù)據(jù)采集，實時傳送到平臺后臺進行波形提取和模型比對。在波形提取和模型比對模塊我們研究并運用了一種基于支持向量機(Support Vector Machines，SVM)分類技術(shù)的故障原因診斷方法。

1.1 數(shù)據(jù)采集處理

分析平臺通過站端故障錄波器采集[2]保護運行數(shù)據(jù)，如:實時電流電壓及動作信息；通過保護子站系統(tǒng)采集錄波文件；同時收集裝置信息及定值、壓板投入等信息進行核實比對；將這些數(shù)據(jù)通過數(shù)據(jù)緩沖區(qū)、數(shù)據(jù)倉庫、數(shù)據(jù)集市進行數(shù)據(jù)存儲和預處理。

1.2 波形提取及模型比對

波形提取模型比對主要運用基于SVM的故障診斷方法，不僅針對單個錄波文件獨立進行分析，而且將所有錄波數(shù)據(jù)整體上進行考慮，深度洞察隱藏于海量錄波文件中確定性的規(guī)律和模式。便于輔助電網(wǎng)運行人員快速判定故障異常相位及故障原因，以及時采取對應的保護措施。SVM建立在統(tǒng)計學習VC維理論和結(jié)構(gòu)風險最小原理基礎上的識別方法，有效地解決了小樣本、高維數(shù)、非線性等的學習問題，并克服了人工神經(jīng)網(wǎng)絡學習合理結(jié)構(gòu)難以確定和存在局部最優(yōu)等缺點，大大提高了學習方法的泛化能力，能對多類別進行故障原因識別，速度快，對噪聲不敏感，識別率高，具有較高的識別精度。

2 關(guān)鍵技術(shù)及實現(xiàn)

2.1 SVM技術(shù)

基于SVM分類技術(shù)是建立在嚴密的數(shù)理統(tǒng)計理論之上的新型分類方法，其基本思想是通過用內(nèi)積函數(shù)定義的非線性變化，將輸入空間變換到高維特征空間，在這個高維空間中尋找輸入變量與輸出變量之間的一種線性關(guān)系。采用結(jié)構(gòu)風險最小化原則，將問題轉(zhuǎn)化為一個凸二次優(yōu)化問題，簡化了計算的復雜性，保證得到的解是全局最優(yōu)解，提高分類模型的精度，較好的解決了分類方法中的小樣本、非線性、高維數(shù)等實際難題。

SVM是一種二分類模型，通過在原特征空間或經(jīng)投影后的高維空間上構(gòu)造最優(yōu)分類面，將給定的屬于2個類別的訓練樣本分開，構(gòu)造超平面的依據(jù)是兩類樣本離超平面的距離最大化。便于理解，現(xiàn)以線性可分情況下SVM為例敘述其基本原理:

設線性可分集(xi，yi)，1＜i＜N，xi∈Rd，y i∈{-1，1}是類別編號，d維空間中線性判別函數(shù)的一般形式為g(x)=ω·x+b，相應的分類面方程為ω·x+b=0。將g(x)進行歸一化，使所有的xi都滿足，即離分離面最近的樣本，這樣分類間隔就等于(1/2)|ω|。求解最優(yōu)分類面就等效于最小化|ω|，目標函數(shù)為

采用拉格朗日乘子法，引入乘子α=[α1，…，αN]，可以將上述問題轉(zhuǎn)換成二次規(guī)劃問題

αi≥0，i=1，2…，N

f(x)=sgn(ω*·x+b*)

對于線性不可分情況，SVM一方面引入松弛變量和懲罰因子來構(gòu)造目標函數(shù)，一方面通過非線性變換將輸入空間變換到高維空間，然后在新空間中求解最優(yōu)分類面，此時，線性可分情況下的點積運算 (xi，xj)變?yōu)?(Φ(xi)，Φ(xj)=K(xi，xj)，K(xi，xj)為核函數(shù)。

將SVM推廣至多分類問題需要構(gòu)造SVM多分類器。目前常見的構(gòu)造方法是通過組合多個二分類器來實現(xiàn)，具體涉及兩種思路:一對多算法和一對一算法。

一對多算法對于N類問題構(gòu)造N個二分類器，第i個SVM用第i類中的訓練樣本作為正的訓練樣本，而將其他的樣本作為負的訓練樣本，最后的輸出是兩類分類器輸出為最大的那一類。這種方法的好處是每個優(yōu)化問題的規(guī)模比較小，而且分類的時候速度很快(只需要調(diào)用N個分類器就知道了結(jié)果)；缺點是訓練樣本數(shù)大，訓練困難，推廣誤差無界。

一對一算法在N類訓練樣本中構(gòu)造所有可能的兩類分類器，每類僅僅在N類中的兩類訓練樣本上訓練，結(jié)果可構(gòu)造N(N-1)/2個分類器，使用投票法決定樣本所屬類別。這類方法的好處是訓練階段復雜度低，計算量??；缺點是分類數(shù)目隨類數(shù)急劇增加。

2.2 基于SVM的錄波故障原因診斷算法

基于SVM技術(shù)的故障原因診斷方法，包括數(shù)據(jù)抽取、訓練樣本數(shù)據(jù)構(gòu)造、多類別的故障原因模型訓練和故障原因診斷等關(guān)鍵步驟。具體流程見圖1。

基于SVM分類技術(shù)的電網(wǎng)故障原因診斷方法，從步驟上分為數(shù)據(jù)抽取、數(shù)據(jù)探索與預處理、建模與診斷、結(jié)果與反饋等步驟，在每個步驟，根據(jù)應用的層級分為離線建模和在線實時應用2個層次，2個層次在每個步驟中處理方式有細微的差別。

圖1 基于SVM分類技術(shù)的電網(wǎng)故障原因診斷方法流程

2.2.1 數(shù)據(jù)選擇與抽取

數(shù)據(jù)抽取步驟根據(jù)從與應用端的保信軟件系統(tǒng)的歷史錄波數(shù)據(jù)庫中，取到原始的錄波數(shù)據(jù)，并取得錄波數(shù)據(jù)相關(guān)的信息，包括錄波來源線路、廠站、時間、事后確認數(shù)據(jù)，而對于實時部分，則從保護裝置取得定時或條件觸發(fā)的錄波數(shù)據(jù)。

2.2.2 數(shù)據(jù)預處理與規(guī)范化

a.數(shù)據(jù)質(zhì)量檢查對數(shù)據(jù)樣本進行探索分析，對關(guān)鍵字缺失的數(shù)據(jù)進行篩除，根據(jù)算法對數(shù)據(jù)質(zhì)量的要求，對原始數(shù)據(jù)進行判定，篩除質(zhì)量較低的原始樣本。

b.故障相關(guān)原始數(shù)據(jù)提取。提取出與故障相關(guān)聯(lián)的電流電壓通道Uu、Uv、Uw、Iu、Iv、Iw。

c.故障時間點、故障相別判定。利用故障錄波分析庫，進行故障點判定。

d.故障時間點對齊?；赾中所判定故障時間點，將前后若干原始錄波信號進行提取。

2.2.3 特征提取

因為原始數(shù)據(jù)為生數(shù)據(jù)，在進行模型訓練前，需要將生數(shù)據(jù)轉(zhuǎn)換為熟數(shù)據(jù)即特征數(shù)據(jù)。本方法引用小波分析技術(shù)，提取錄波信號在各頻率波段中的特征，采用多尺度的空間能量分布的分析方法對信號進行頻帶分析，再分別計算所得的各個頻帶的能量作為特征向量，完成從原始信號到特征向量數(shù)據(jù)的變換。

采用小波分析，對上步中提取出故障點前后的若干周波進行信號分解，首先需要根據(jù)原始信號的特點選擇小波基，考慮到原始信號是電壓電流信號，為正弦信號疊加異常信號，因此選擇db4小波基作為基函數(shù)。

采用db4基波進行小波變換后，信號f(t)的二進制小波分解可表示為:

f(t)=Aj+∑Dj，其中A為近似信號，是低頻部分；D為細節(jié)信號，是高頻部分。信號的總能量為:

選擇第j層的近似信號和各層的細節(jié)信號的能量作為特征。

針對該電壓/電流信號，構(gòu)造子特征向量為:

利用小波變換可以對時間序列信號進行特征提取，提取出可以代表時間序列信號的向量數(shù)據(jù)，完成從原始信號到特征向量數(shù)據(jù)的變換。

經(jīng)過之前步驟提出來各個電壓電流的子特征向量為＜FUu、FUv、FUw、FIu、FIv、FIv＞

根據(jù)判定的故障相別，采用故障相別優(yōu)先的字母序原則。如故障相別確定為V相故障，則形成的該樣本對應的特征向量為:＜FUv、FUw、FUu、FIv、FIw、FIu＞

2.2.4 故障原因模型的訓練

在進行分類的時候，每一個訓練樣本由一個特征向量和一個分類標記組成。

式中:xi為特征向量(維數(shù)一般較高)；yi為分類標記。

在樣本集訓練過程中，核函數(shù)算法的選取對故障診斷模型的準確度有很大的影響，不同的核函數(shù)可以構(gòu)造實現(xiàn)輸入空間中不同類型的非線性決策面的學習模型。選取不同的核函數(shù)對于不同的樣本差異很大，所以通過實驗進行核函數(shù)的選取。

2.2.5 故障原因模型的診斷

基于SVM分類技術(shù)的故障原因模型的診斷與訓練的預處理過程類似，同樣是采用特征提取算法，將原始數(shù)據(jù)轉(zhuǎn)化為與模型訓練輸入相同屬性的特征向量。故障原因模型將此特征向量作為輸入，最終給出屬于每個類別的概率:

2.3 算例分析

以某電網(wǎng)的故障錄波數(shù)據(jù)來診斷故障原因的實驗為例，說明如何基于歷史數(shù)據(jù)診斷電網(wǎng)故障。

2.3.1 數(shù)據(jù)描述

該故障錄波數(shù)據(jù)為某省網(wǎng)2014年1、5、6、7、11月份發(fā)生故障事件對應錄波數(shù)據(jù)，共154個。按故障相別的統(tǒng)計結(jié)果，1相故障119次，2相故障33次，3相故障2次。

因2相3相的故障樣本過少，不利于進行SVM訓練，因此重點針對1相故障錄波數(shù)據(jù)進行分析。對1相故障原因的統(tǒng)計:對樹木放電4次，雷擊56次，凝冰9次，其他4次，山火8次，外力破壞13次，異物25次。

2.3.2 數(shù)據(jù)選擇與抽取

故障錄波數(shù)據(jù)及相關(guān)信息，包括廠站id列為廠站的編號，時間為故障錄波數(shù)據(jù)的開始生成時間。錄波數(shù)據(jù)中，其內(nèi)容為發(fā)生故障前、后一段時間的狀態(tài)檢測數(shù)據(jù)，應包含了故障的全過程監(jiān)測數(shù)據(jù)，列舉了錄波文件相關(guān)的參數(shù)。故障原因為事后確認的故障原因。

2.3.3 數(shù)據(jù)預處理與規(guī)范化

對每一個提取出的錄波文件，按照統(tǒng)一的頻率對原始信號進行插值。對于本次實驗來說，設定統(tǒng)一的頻率為5 k Hz，則其他頻率的樣本數(shù)據(jù)根據(jù)此頻率進行降采樣或插值。將某錄波文件前2個步驟提取完的電壓電流信號見圖2。

圖2 從錄波中提取與挖掘相關(guān)的電壓電流信號

由圖2可看出，對信號的選擇與抽取必要的，在減少數(shù)據(jù)冗余的同時，涵蓋了與故障原因相關(guān)的故障點前后的關(guān)鍵特征。

2.3.4 關(guān)鍵特征的提取

用小波變換將原始信號分解到第5層，得到各個錄波數(shù)據(jù)對應的樣本。

2.3.5 按故障相別進行特征向量組合

以一個樣本的特征向量生成作為例子，比如樣本1的故障相別為V，經(jīng)過之前步驟提出來各個電壓電流的子特征向量為FUu、F Uv、F Uw、F Iu、F Iv、F Iv，最終形成的該樣本對應的特征向量為＜FUv，F(xiàn) Uw，F(xiàn) Uu，F(xiàn) Iv，F(xiàn) Iw，F(xiàn) Iu＞

進行訓練時，需要將樣本類別進行數(shù)值化處理，建立映射表。

最終的訓練樣本數(shù)據(jù)集見表1。

表1 訓練樣本數(shù)據(jù)集

在樣本集訓練過程中，核函數(shù)算法的選取對故障診斷模型的準確度有很大的影響，不同的核函數(shù)可以構(gòu)造實現(xiàn)輸入空間中不同類型的非線性決策面的學習模型。常用的核函數(shù)有:

線性內(nèi)核:K(x i，x j)=x i·x j

高斯徑向基內(nèi)核:K(x i，x j)=exp(-g‖x i·x j‖2)

多項式內(nèi)核:K(x i，x j)=[(x i·x j)+1]q

S形內(nèi)核:K(x i，x j)=tanh(v(x i·x j)+c)

選取不同的核函數(shù)對于不同的樣本差異很大，所以核函數(shù)的選取，要通過實驗進行不同核函數(shù)的性能表現(xiàn)見圖3。

圖3 不同核函數(shù)的性能表現(xiàn)

由實驗結(jié)果可以看出，選擇高斯徑向基內(nèi)核(Radial Basis Function)的準確率要比其他內(nèi)核略好，因此對于本例實驗采用高斯徑向基內(nèi)核進行模型訓練。

2.3.6 故障原因診斷

模型訓練完畢后，對一批測試數(shù)據(jù)進行診斷和驗證，測試數(shù)據(jù)原始錄波信息表所示，通過診斷算法將原始數(shù)據(jù)轉(zhuǎn)換為模型的輸入向量進行診斷，診斷結(jié)果如表2所示?？梢钥闯?，對于測試的8個樣本，除了6和7號樣本，其他樣本的診斷結(jié)果與樣本的實際所屬類別是一致的。同時在6和7號樣本中，樣本的診斷結(jié)果與實際類別較為接近，如6號樣本實際類別為“外力破壞”，診斷結(jié)果中，類別為“外力破壞”和“異物”的概率分別為18.83%和50.64%，分別為概率最大的前兩位；同樣7號樣本實際類別為“異物”，而診斷結(jié)果中，類別為“雷電”和“異物”的概率分別為39.93%和25.98%。

表2 診斷結(jié)果

3 變電站繼電保護分析平臺應用效果

本平臺對故障的分析判斷是自我完成的，當發(fā)生故障后，故障錄波器會將錄波文件傳給后臺，同時平臺將所有相關(guān)的數(shù)據(jù)進行匯總，通過基于SVM分類技術(shù)的故障原因模型的診斷，將診斷的結(jié)果推送給相關(guān)人員并且給出消缺建議。

通過統(tǒng)計這幾年變電站總數(shù)的變化，可以清楚地看見變電站的數(shù)量再逐步增長，同時設備的數(shù)量也在逐年增多。檢修人員素質(zhì)和數(shù)量的提高速度遠遠趕不上變電站的增速，導致工作量的加大，由于素質(zhì)高低不齊，導致處理問題的速度快慢不一。同時變電站設備越來越復雜，分析故障過于繁瑣，經(jīng)過多次試驗，驗證此平臺對于檢修工作起到一定積極作用。故障搶修流程中各環(huán)節(jié)用工時見表3。

通過表3可以得出，工作繁瑣的步驟十分耗時，導致工作中出現(xiàn)很多安全問題，同時造成停電時間的增長，通過此平臺可以有效的化簡工作流程，使很多工作可以遠方進行，減少人力物力，并且分析結(jié)束后可以第一時間得到試驗報告，并且進行故障推演[3]，用動畫形式形成動作過程，使故障的發(fā)展過程更加直觀。

4 結(jié)束語

變電站繼電保護分析平臺通過將大量歷史錄波數(shù)據(jù)綜合分析的手段。使大量的歷史數(shù)據(jù)形成能幫助運行人員理解電網(wǎng)狀態(tài)的知識，能及時識別故障原因及采取相應的措施進行應對，甚至進行預測以便制定必要的預防措施。

表3 故障搶修各環(huán)節(jié)用時比較

基于支持向量機的方法屬于有指導型的數(shù)據(jù)挖掘，適合于具有維度完備數(shù)據(jù)樣本、數(shù)據(jù)特征可提取、樣本類別信息已知的應用場景。此方法對缺失數(shù)據(jù)敏感，而且對非線性問題沒有通用解決方案，必須謹慎選擇核函數(shù)來處理。此外，其對超大規(guī)模訓練樣本難以實施，由于SVM是借助二次規(guī)劃來求解支持向量，而求解二次規(guī)劃將涉及m階矩陣的計算(m為樣本的個數(shù))，當m數(shù)目很時該矩陣的存儲和計算將耗費大量的機器內(nèi)存和運算時間，需要對算法進行改進。