支持向量機下基于機器學習優化的繼電保護故障診斷技術研究

申狄秋，盧雯興，王榮超，石萬里

（中國南方電網超高壓輸電公司柳州局，廣西柳州 545006）

對電力系統的運行情況展開實時監測，對可能發生的故障發出報警，或者直接將故障隔離，這一過程稱為繼電保護。電力體制改革的深入以及電力行業的迅速發展，也對繼電保護、故障分析和電網管理決策能力提出了更高的要求。但是，在繼電保護過程中，會不可避免的出現操作故障[1-2]。為維護電力系統的穩定運行，必須在故障發生前及時判斷故障類型，通過故障診斷及預警避免電力事故的發生[3]。

目前，已有學者針對繼電保護裝置故障問題進行了研究，了解繼電保護過程中的故障處理措施，完善故障診斷技術。如文獻[4]中的基于擾動激勵的繼電保護故障診斷技術以及文獻[5]中的基于語義網的繼電保護隱性故障辨識診斷技術。上述傳統的繼電保護故障診斷技術是在完整收集繼電保護系統內部信息的基礎上，基于不同的診斷方式判斷故障位置，從而實現故障診斷。但在利用傳統診斷技術時，由于實際計算數據量龐大，將產生一定的故障位置診斷偏差與電路問題。為此，文中在支持向量機下，基于機器學習優化設計了新的繼電保護故障診斷技術，在一定程度上優化信息操作內容，判斷故障發生的具體位置，從而保持良好的電路狀態。

1 基于機器學習獲取故障數據

機器學習作為較為普遍的數據操作算法，能夠在操作數據數量較為龐大的情況下縮減操作步驟、簡化研究流程，并判定不同的數據信息類型，獲取所需的數據信息。文中構建BP 網絡模型，將繼電保護數據全部錄入網絡模型中，并匹配網絡框架，將網絡信息數據與操作數據相結合，在結合的同時選取相關程度較強的位置信息。BP 網絡結構如圖1 所示。

圖1 BP網絡結構圖

輸入繼電保護數據，并將其按照數據屬性分類，將輸入向量與一個固定模式綁定，根據固定模式所處位置判斷其模式，同時標定模式數據，減少數據的傳輸量以便數據壓縮，減少故障數據提取的復雜程度[6-8]。

由于BP 網絡中同一層面的數據神經元數據不存在耦合性，為此，在研究的過程中需固定一個位置參數，并構建位置參數固定公式：

式中，netj表示固定的位置參數數據，ωji為位置數據偏移值，oi表示輸出數據信息，θi表示權值參數。經過上述處理后，按照數據檢驗標準對初步收集后的數據進行數據傳輸，同時匹配不同的傳輸信息，轉變信息模式，優化數據獲取步驟，并下達數據轉化命令，將處于同一空間的數據按照命令形式實現自主分配操作[9-10]。

不斷增強不同數據獲取空間的獲取力度，加大對網絡數據信號的管理力度，在精準管理的前提下實施數據整合操作，由此獲取整合性較強的數據信息，執行內部檢驗命令，構造BP 網絡信息空間，對比網絡期望輸出量與實際輸出量之間的關系，由此，查找數據獲取方式間的差異，并從中選取最佳獲取通道，實現對數據的獲取操作[11]。

2 繼電保護故障數據算法處理

在實現對繼電保護故障數據的獲取后，利用機器學習算法安排不同的操作手段進行數據算法處理。獲取全局更新原則，將原始數據錄入管理空間中，同時結合繼電保護故障數據，在數據融合的過程中不斷實現算法處理[12]。

利用綜合管理空間傳導任務指令，同時在指令傳達的瞬間將接受處理的數據全部轉移至內部操控空間中，控制繼電保護故障數據流向，在操作范圍內選取最佳領域數據，并按照區域操作模式模塊化管理流向信息。在實現每次巡徑后，更新數據傳輸路徑，并設置如下更新公式：

式中，p表示故障數據位置參數，Kgb表示尋找的最佳更新路徑信息，r與s表示數據更新過程中的標記參數，t表示操作模式數據。根據以上操作，實現傳輸路徑的更新操作，并不斷提升路徑的修理力度，獲取較為精準的操作信息數據。

轉變此時的操作任務，將算法公式同時代入內部數據管理機制中，不斷調配信息整合手段[13-14]，并強化內容信息，增添中心故障數據的處理方式，利用不同效果的處理手段完善處理信息空間，并選取局部更新原則對未得到有效更新的路線進行二次系統空間更新，并時刻保護更新電路的安全狀態，加大對狀態的分析程度，利用免疫蟻群算法將故障數據集中到密閉的操作空間中執行操作指令，實現對繼電保護故障數據的算法處理操作。

3 繼電保護故障診斷

預測后續研究操作中將產生的故障性檢驗問題，配置高審核率的故障診斷模式，加強數據信息的記憶能力，針對支持向量機下的繼電保護裝置信息，擴大數據調節的范圍，并加大管理信息的力度，分配數據親和力，將核函數信息及時錄入中心空間[15-16]。

尋找初始優化數據主體，并主導內部故障診斷操作，防止數據外泄。并不斷查找相關的診斷內容，匹配調節的信息，對診斷方式進行管理，提取中心數據，利用徑向基網絡選取優化數據，隱藏輸出層的函數，將函數信息一同轉入操作空間中，并集中網絡信息，匹配信息數據，構建徑向基函數圖，如圖2 所示。

圖2 徑向基函數圖

及時調節與診斷信息不符的數據，并清除此數據信息，構建徑向基網絡結構圖，如圖3 所示。

圖3 徑向基網絡結構圖

圖3 中，根據文本提供的數據信息管理操作控件，并轉化操作控件狀態，利用網絡測試數據加大對內部結構的管理，更新數據適應度，并傳導適應度信息、掌控診斷信息，達到對故障診斷的目的。

4 實驗與分析

為驗證支持向量機下基于機器學習優化的繼電保護故障診斷技術的實際應用性能，利用Matlab 仿真系統搭建仿真實驗環境，設置模擬繼電保護故障后，將該技術與傳統的基于擾動激勵的故障診斷技術、基于語義網的故障診斷技術進行對比。實驗步驟如下：

1）控制繼電保護裝置位置，將其放置于系統操作允許范圍內，并及時調控不同位置的數據信息，構建內部神經元圖像整合信息；

2）將屬于同一種群的故障數據信息集中傳輸至同一實驗通道中等待后續操作；

3）將模擬的繼電保護故障數據傳導至故障診斷中心，并配置相應的信息轉化裝置，經信息整合后構建最優分類面圖；

4）分別利用文中技術、基于擾動激勵的故障診斷技術、基于語義網的故障診斷技術對故障位置進行診斷；

5）結束實驗，分析繼電保護故障定位效果。實驗參數表設置情況如表1 所示。

表1 實驗參數設置情況

首先，以電力系統輸電線路的安全性為驗證指標，對比不同故障診斷技術下電力系統輸電線路的工頻電氣量變化情況，結果如表2 所示。

表2 電力系統輸電線路的工頻電氣量變化情況統計表

分析表1 信息可知，在基于擾動激勵的故障診斷技術下，實驗路段出現阻抗突變和電壓突降；在基于語義網的故障診斷技術下，實驗路段電流與電壓間的相位角發生異常改變；在文中技術下，實驗路段未出現工頻電氣量異常變化情況。由此可知，文中設計的繼電保護故障診斷技術能更高效地避免電力線路發生故障，從而為電力系統輸電線路的工頻電氣量變化穩定提供了支持。

造成此種差異的原因在于文中技術在支持向量機廣義線性分類的基礎上，利用機器學習基于搜索匹配程度較高的優化算法，實現了對電力系統故障數據信息的有效捕捉，同時還強化了數據操作力度，從根本上使得采集到的繼電保護故障數據更有效、可靠。

而傳統的基于擾動激勵的故障診斷技術和基于語義網的故障診斷技術，雖也在一定程度上優化了診斷方式，但在操作的同時也導致了對故障信息采集、判斷的精準度較低，致使電力系統輸電線路的安全性較差。

在此基礎上，為進一步證明支持向量機下基于機器學習優化的繼電保護故障診斷技術的應用優勢，利用不同診斷技術對實驗路段中的故障位置進行定位，通過對比不同方法的故障定位精準度來判斷不同方法的有效性，實驗結果如表3 所示。

表3 不同技術下故障定位精準度統計結果

為突出對比不同繼電保護故障診斷技術對故障位置定位的精準度，將表3 數據繪制為折線圖，如圖4 所示。

圖4 故障定位精準度對比圖

綜合分析表3 和圖4 可知，基于擾動激勵的故障診斷技術下故障定位精準度始終處于90%以下，基于語義網的故障診斷技術下故障定位精準度波動較明顯，但也始終處于90%以下，而文中技術下繼電保護故障定位的精準度始終高于另外兩種傳統技術，最高的故障定位精準度可達到96%。由此可以說明，支持向量機下基于機器學習優化的繼電保護故障診斷技術能夠精準地診斷出故障位置。

這是因為文中技術在選取有效的故障數據后，標記了其信號信息，以此為基礎實施繼電保護故障定位，從而增強了故障定位的精準度。

綜上所述，在支持向量機下基于機器學習優化的繼電保護故障診斷技術，實驗電路的安全性以及故障位置的診斷定位精準度均得到有效的提升，證明該技術具有較高的應用價值。

5 結束語

文中針對傳統繼電保護故障診斷技術對故障位置的判斷精準度較低的問題，在支持向量機下提出了一種基于機器學習優化的繼電保護故障診斷技術。根據不同的故障診斷手段選取最為適宜的操作方式，并結合網絡構架研究繼電保護內部系統狀況，實現精準分析，同時匹配了相應的算法數據，提升故障診斷結果的真實性與可靠性。實驗結果表明，支持向量機下基于機器學習優化的繼電保護故障診斷技術的診斷效果明顯優于傳統研究的診斷效果，應用該技術后，電力系統安全性得以提升。