摘 要：當前發(fā)電廠繼電保護定值整定依賴過往的經(jīng)驗和歷史數(shù)據(jù)，通過類比和估算來確定保護定值，但可能因經(jīng)驗不足或數(shù)據(jù)不全而導致優(yōu)化后的整定值依舊偏高。因此，本文基于機器學習的發(fā)電廠繼電保護定值整定優(yōu)化配置方法。該方法首先利用機器學習技術處理和分析繼電保護定值整定的歷史數(shù)據(jù)。其次，根據(jù)處理后的數(shù)據(jù)，建立一個繼電保護適應度函數(shù)，該函數(shù)能夠評估不同保護定值在特定系統(tǒng)狀態(tài)下的適應性和性能。最后，制定一系列約束條件，動態(tài)調(diào)整保護定值，以確保在保持系統(tǒng)穩(wěn)定性和可靠性的同時，優(yōu)化保護性能。試驗結果表明，基于機器學習的發(fā)電廠繼電保護定值整定優(yōu)化配置方法在調(diào)整阻抗定值方面取得了顯著成效，具有較高的應用價值和推廣前景。

關鍵詞：機器學習；發(fā)電廠繼電保護；繼電保護定值整定；定值整定優(yōu)化配置；優(yōu)化配置

中圖分類號：TM 77 " 文獻標志碼：A

繼電保護定值作為繼電保護裝置的關鍵參數(shù)，其設置直接決定了保護動作的準確性和可靠性。然而，傳統(tǒng)的定值整定方法往往依賴經(jīng)驗公式和人工判斷，誤動或拒動的問題時有發(fā)生。因此，學者研究多種方法，基于加速遺傳算法的電力系統(tǒng)繼電保護定值優(yōu)化方法建立繼電保護定值全局優(yōu)化模型，利用遺傳算法的并行搜索能力和全局優(yōu)化特性，解決傳統(tǒng)方法在選擇性、靈敏性方面的不足[1]。但優(yōu)化結果可能受到初始種群和算法參數(shù)的影響。而基于改進海鷗算法的新能源接入配電網(wǎng)繼電保護定值優(yōu)化方法構建以靈敏度最優(yōu)、整定時間最短為目標的定值優(yōu)化模型。對海鷗優(yōu)化算法進行改進，使其更適用于解決復雜配電網(wǎng)中的定值優(yōu)化問題[2]。由于新能源接入帶來的電網(wǎng)潮流分布變化，定值優(yōu)化模型需要更精細地考慮新能源電源的特性及其對電網(wǎng)的影響，否則某些情況下無法獲得最優(yōu)的阻抗定值。本文研究基于機器學習的發(fā)電廠繼電保護定值整定優(yōu)化配置，實現(xiàn)對系統(tǒng)運行狀態(tài)的實時監(jiān)測與預測，進而動態(tài)調(diào)整保護定值，以滿足不同運行工況下的保護需求。

1 繼電保護原理

繼電保護系統(tǒng)作為發(fā)電廠的重要保護部件，具有保護系統(tǒng)安全、穩(wěn)定運行的作用。通過實時監(jiān)測電壓、電流等電氣參數(shù)，并根據(jù)設定的保護邏輯進行判斷，當系統(tǒng)故障或異常運行時，繼電保護系統(tǒng)采集的電氣參數(shù)會發(fā)生突變，如果超過設定的閾值，繼電保護裝置就發(fā)出保護動作信號，切除故障線路及設備，從而保障電力系統(tǒng)安全運行。繼電保護裝置結構如圖1所示。

繼電保護動作過程需要系統(tǒng)具有較強的魯棒性，同時還需要對電力系統(tǒng)發(fā)生的故障進行準確判斷并快速響應，為了保證繼電保護裝置的性能及其動作的可靠性，需要對繼電保護系統(tǒng)的保護定值進行整定和優(yōu)化，及時判斷故障并對其進行處理，避免出現(xiàn)繼電保護系統(tǒng)因整定值不準確而導致系統(tǒng)無法正常運行的后果。

2 利用機器學習處理繼電保護定值整定數(shù)據(jù)

引入先進的機器學習技術，能夠顯著增強對繼電保護定值整定過程中累積的海量數(shù)據(jù)進行高效處理與分析的能力。通過精心設計的機器學習算法對復雜且多樣化的數(shù)據(jù)進行深度挖掘，不僅能夠自動學習并精準提取隱藏在數(shù)據(jù)背后的關鍵信息、潛在規(guī)律及有價值的模式，還能有效識別數(shù)據(jù)中的異常與趨勢，為后續(xù)的定值整定工作提供堅實、科學的決策支持，進而優(yōu)化電力系統(tǒng)的運行效率與穩(wěn)定性，保障電網(wǎng)安全、可靠地運行。

利用電力系統(tǒng)中的實時監(jiān)測系統(tǒng)，直接獲取電力系統(tǒng)的實時運行數(shù)據(jù)。這些數(shù)據(jù)包括電流、電壓、功率等電氣量以及保護裝置的狀態(tài)信息等。及時記錄和整理采集的數(shù)據(jù)，形成規(guī)范的數(shù)據(jù)庫[3]。

在進行實際的數(shù)據(jù)采集過程中，由于多個因素的波動，數(shù)據(jù)往往受到不同程度的影響，直接處理這些數(shù)據(jù)很可能引入誤差。為了更準確地進行數(shù)據(jù)分析與分類，本文利用機器學習處理繼電保護定值整定數(shù)據(jù)。

為了提高數(shù)據(jù)處理的精度與效率，選擇機器算法中的BP（反向傳播）神經(jīng)網(wǎng)絡。BP（反向傳播）神經(jīng)模型通過全面錄入分類好的繼電保護數(shù)據(jù)，并精心匹配網(wǎng)絡框架，實現(xiàn)網(wǎng)絡信息數(shù)據(jù)與實際操作數(shù)據(jù)的深度融合[4]。定義網(wǎng)絡的結構，包括輸入層、隱藏層、輸出層的神經(jīng)元數(shù)量化，BP網(wǎng)絡結構簡圖如圖2所示。

在復雜的數(shù)據(jù)整合與分析流程中，選取那些與當前任務目標高度相關且至關重要的位置信息，這一篩選過程旨在確保機器學習模型能夠精準地捕捉數(shù)據(jù)集中潛藏的關鍵特征，從而顯著增強模型在分類任務中的準確性與穩(wěn)定性，使其在面對多變的數(shù)據(jù)環(huán)境時仍能保持優(yōu)異的性能。隨后，經(jīng)過上述一系列嚴謹?shù)臄?shù)據(jù)預處理步驟后，嚴格遵循既定的數(shù)據(jù)檢驗標準，對初步匯集并優(yōu)化后的數(shù)據(jù)進行高效而安全的數(shù)據(jù)傳輸。在此過程中，不僅確保了數(shù)據(jù)的完整性與一致性，還靈活匹配了多樣化的傳輸信息，通過創(chuàng)新的信息模式轉換技術，進一步簡化了數(shù)據(jù)獲取的流程，優(yōu)化了數(shù)據(jù)傳輸?shù)男逝c質(zhì)量，為后續(xù)的數(shù)據(jù)分析與決策支持奠定了堅實的基礎。

接下來，選擇機器學習領域中強大的支持向量機作為核心算法進行實際應用。支持向量機以其卓越的能力著稱，專注于精確識別并高效地區(qū)分2個截然不同的數(shù)據(jù)集。通過構建一個最優(yōu)化的分離超平面，在復雜多變的特征空間內(nèi)，以極高的精度劃定分別屬于2個不同類別的元素區(qū)域邊界。尤其是在電力系統(tǒng)中至關重要的繼電保護領域，這一先進技術的應用顯得尤為關鍵，能夠有效地區(qū)分并界定那些應當觸發(fā)保護動作與那些應當保持靜默的非觸發(fā)保護裝置區(qū)域，從而顯著提高電力系統(tǒng)的安全性、穩(wěn)定性和運行效率[5]。

設特征空間為X，它是一個n維的實數(shù)空間Rn。設xi∈X是采集的數(shù)據(jù)點，i是數(shù)據(jù)點的索引。在特征空間X中，分離超平面如公式（1）所示。

w?x+b=0 （1）

式中：w為超平面的法向量，w∈Rn；b為截距，b∈R。

基于分離超平面，定義一個分類函數(shù)f（x），用于判斷數(shù)據(jù)點x屬于哪個類別，函數(shù)如公式（2）所示。

f（x）=sign（w?x+b） （2）

其中，sign（?）是符號函數(shù)，如公式（3）所示。

（3）

數(shù)據(jù)映射到特征空間，針對每個數(shù)據(jù)點xi，它已經(jīng)被轉換（或映射）到了特征空間X中的某個點。給定一個分離超平面w?x+b=0，針對任意數(shù)據(jù)點x，通過計算公式（2）來判斷其類別。如果f（x）=1，那么x屬于正類；如果f（x）=-1，那么x屬于負類。使用處理好的訓練數(shù)據(jù)集對支持向量機模型進行訓練，通過求解最優(yōu)化問題找到最佳的分離超平面，提取對繼電保護定值整定有影響的特征，這些特征包括電氣量的實時值（例如電流、電壓、功率）、保護裝置的歷史動作記錄、故障類型、天氣條件等外部因素。通過特征選擇，去除不相關或冗余的特征，提高模型的訓練效率和性能。

3 建立繼電保護適應度函數(shù)

經(jīng)過機器學習算法深度處理與優(yōu)化的數(shù)據(jù)結果，能夠提供一個堅實的基礎，進而構建精確高且適應性強的繼電保護適應度函數(shù)。這一函數(shù)不僅廣泛涵蓋了電力設備的詳盡物理特性，例如絕緣強度、溫升限制等，還深入考慮了電網(wǎng)的復雜運行方式，包括不同負荷狀況下的潮流分布、故障模式及其傳播特性。同時，融合了保護裝置內(nèi)部精細的動作邏輯，例如時間延遲、電流電壓判據(jù)等，確保了在各種工況下保護動作的合理性與可靠性。通過建立這一全面而精細的適應度函數(shù)，能夠?qū)崿F(xiàn)對繼電保護定值整定過程的精細化模擬，模擬結果不僅貼近實際運行場景，還能有效預測在不同電網(wǎng)狀態(tài)下保護裝置的行為表現(xiàn)。這一過程不僅提高了定值整定的科學性與準確性，還顯著增強了電網(wǎng)面對突發(fā)事件時的自我保護與恢復能力，為電力系統(tǒng)的安全穩(wěn)定運行提供了強有力的技術支撐。

繼電保護定值優(yōu)化是需要將其精煉地轉化為一個集多目標、多變量及嚴格約束于一體的優(yōu)化任務，建立適應度函數(shù)，融合保護靈敏度與定值整定時間的考量，如公式（4）所示。

（4）

式中：T（x）為整定時間函數(shù)；S（x）為靈敏度函數(shù)；α和β為權重系數(shù)；λi為第i個約束的違反懲罰系數(shù)。

該適應度函數(shù)通過內(nèi)置的智能權重調(diào)整機制，自動加重時間懲罰，迫使適應度值下降，從而有效剔除不合格的方案。

4 制定約束條件動態(tài)調(diào)整保護定值

為了實現(xiàn)繼電保護定值的精準且靈活的動態(tài)調(diào)整，基于先進的計算分析方法，結合實時構建的繼電保護適應度函數(shù)，該函數(shù)綜合考慮了電網(wǎng)的復雜結構、負荷變化、故障模式等多種因素，以確保調(diào)整策略的科學性與合理性。緊密集成電網(wǎng)運行狀態(tài)的實時監(jiān)測系統(tǒng)，該系統(tǒng)能夠即時捕捉并處理電網(wǎng)中電壓、電流、頻率等關鍵參數(shù)的細微變化，為調(diào)整過程提供詳盡且準確的數(shù)據(jù)支持?；谏鲜鰯?shù)據(jù)與信息，制定嚴格的約束條件和智能的調(diào)整策略。通過這種高度智能化的調(diào)整方式，能夠確保繼電保護定值始終保持在最佳的工作狀態(tài)，既不會因過于靈敏而在正常工況下發(fā)生誤動作，影響電網(wǎng)的正常運行；也不會因反應遲鈍而在故障發(fā)生時未能及時動作，導致電網(wǎng)保護失效。

假設存在線性模型來根據(jù)系統(tǒng)狀態(tài)S調(diào)整保護定值，其中S是一個包括多個系統(tǒng)參數(shù)的向量，并且有一個權重向量W和一個偏移量b，動態(tài)調(diào)整如公式（5）所示。

（5）

式中：W?S為系統(tǒng)狀態(tài)S與權重向量W的點積，用于計算基于當前系統(tǒng)狀態(tài)的初步保護定值，通過max和min函數(shù)確保這個值不會超出Imin和Imax的范圍。

調(diào)整策略后對時間整定系數(shù)Tset進行約束。時間整定系數(shù)Tset作為調(diào)節(jié)繼電器響應特性的核心變量，其優(yōu)化調(diào)整必須嚴格遵循預設的邊界值，即上下限范圍。因此，當制定定值優(yōu)化策略時，需要對時間整定系數(shù)進行配置，以尋求最佳平衡點，如公式（6）所示。

Tsetminlt;Tsetlt;Tsetmax （6）

綜上所述，通過制定詳細的約束條件和采用基于系統(tǒng)狀態(tài)的動態(tài)調(diào)整策略，實現(xiàn)繼電保護定值的智能化和實時優(yōu)化。

5 試驗

5.1 試驗準備

某大型火力發(fā)電廠，總裝機容量為2400MW，由4臺600MW的發(fā)電機組組成。該發(fā)電廠采用330kV和110kV兩級電壓等級接入電網(wǎng)，并通過多條輸電線路與區(qū)域電網(wǎng)相連，總長約200km。由于發(fā)電廠規(guī)模龐大、接線復雜且電網(wǎng)運行方式多變，其繼電保護定值整定面臨許多挑戰(zhàn)。為確保發(fā)電廠及電網(wǎng)的安全穩(wěn)定運行，需要對繼電保護定值進行優(yōu)化配置。發(fā)電廠具體參數(shù)見表1。

在試驗評估中，阻抗定值作為核心指標，能夠直觀地反映不同整定方法的效果差異。通過對比優(yōu)化前后的阻抗定值，可以評估整定優(yōu)化是否達到了預期目標，即是否使阻抗定值更接近理想值或更適應當前的電網(wǎng)運行狀況。根據(jù)對比分析的結果，評估整定優(yōu)化是否達到了預期目標。如果優(yōu)化后的阻抗定值更接近理想值或比優(yōu)化前更小，就說明整定優(yōu)化是有效的。

接下來，結合發(fā)電廠的具體參數(shù)和運行數(shù)據(jù)，對繼電保護定值進行優(yōu)化配置試驗。通過對比分析優(yōu)化前后的數(shù)據(jù)，驗證本文提出的基于機器學習方法的優(yōu)化策略在提高發(fā)電廠繼電保護性能方面的有效性和優(yōu)越性。

5.2 試驗結果與分析

基于試驗數(shù)據(jù)，對整定優(yōu)化結果進行詳細的對比與分析，將本文方法與基于加速遺傳算法的電力系統(tǒng)繼電保護定值優(yōu)化方法和基于改進海鷗算法的新能源接入配電網(wǎng)繼電保護定值優(yōu)化方法進行對比，以驗證本文方法的有效性和優(yōu)越性，整定優(yōu)化結果見表2。

通過對比發(fā)電廠繼電保護定值整定優(yōu)化結果可知，本文提出的優(yōu)化配置方法展現(xiàn)出了顯著的優(yōu)勢。由表2可知，在所有保護編號下，本文方法優(yōu)化后的阻抗定值均比優(yōu)化前有顯著改進，且明顯優(yōu)于另外2種方法。特別是與基于加速遺傳算法的電力系統(tǒng)繼電保護定值優(yōu)化方法相比，本文方法在保持相近優(yōu)化效果的同時，在多個保護編號下實現(xiàn)了更精確的阻抗定值調(diào)整；而基于改進海鷗算法的新能源接入配電網(wǎng)繼電保護定值優(yōu)化方法則幾乎未對阻抗定值產(chǎn)生實質(zhì)性影響。這些結果表明，本文方法在提高保護裝置性能、確保阻抗定值準確性方面效果顯著，具有更高的實用性和應用價值。因此，可以認為本文提出的基于特定算法的發(fā)電廠繼電保護定值整定優(yōu)化配置方法在發(fā)電廠保護系統(tǒng)優(yōu)化中具有廣闊的推廣前景。

6 結語

針對本文關于基于機器學習的發(fā)電廠繼電保護定值整定優(yōu)化配置的研究可以發(fā)現(xiàn)，這一創(chuàng)新方法在實踐中具有顯著的效果。通過引入機器學習技術，能夠更精準地預測電力系統(tǒng)運行狀態(tài)，并據(jù)此動態(tài)調(diào)整繼電保護定值，有效降低誤動和拒動的風險，提高發(fā)電廠的安全運行水平。然而，當前的研究仍存在一些不足之處。例如，不同發(fā)電廠之間的系統(tǒng)特性存在差異，如何構建具有廣泛適用性的機器學習模型也是未來需要解決的重要問題。期待隨著技術不斷進步和深入應用，基于機器學習的發(fā)電廠繼電保護定值整定優(yōu)化配置方法能夠不斷完善和成熟，以更好地滿足電力系統(tǒng)對數(shù)據(jù)質(zhì)量和實時性的要求。

參考文獻

[1]韓曉光，郭安琪.基于加速遺傳算法的電力系統(tǒng)繼電保護定值優(yōu)化方法[J].電氣時代，2024（6）：66-69.

[2]徐宇，楊鵬杰，李磊.基于改進海鷗算法的新能源接入配電網(wǎng)繼電保護定值優(yōu)化方法[J].電工技術，2023（21）：36-41.

[3]于洋，張駿，王磊，等.基于改進遺傳算法的多源數(shù)據(jù)繼電保護定值優(yōu)化策略[J].電子設計工程，2024，32（6）：81-85.

[4]錢牧涵.基于機器學習的電網(wǎng)繼電保護及自動化算法分析[J].電氣傳動自動化，2024，46（1）：35-38，31.

[5]張娣.基于支持向量機的電力系統(tǒng)繼電保護方法研究[J].中國新技術新產(chǎn)品，2023（21）：65-67.