一二次融合的智能集成開關在配電網上應用的研究

王立永, 李暉, 吳紅林, 丁冬, 佘妍

(國網北京市電力公司, 北京 100031)

0 引言

目前，電力用戶越來越重視電網建設，對配電網的自動化、智能化要求也越來越高。在配電網系統運行過程中，越來越多地應用到一二次融合智能集成開關[1]。但是由于電網環境的復雜性和不確定性，一二次融合智能集成開關在工作過程中容易出現故障[2]，比如受電網環境中開關打開、開關閉合、閘刀分開、閘刀閉合、設備帶電、設備不帶電、電壓含量、電流含量、功率參數、轉速數據、汽溫參數、汽壓參數、流量參數、真空度、設備溫濕度、溫升、溫降等因素影響[3]。因此，對一二次融合智能集成開關的檢測就成為亟待解決的技術問題。

經過技術的發展，研究出多種集成開關檢測技術，其中文獻[1]利用參數估計法用來檢測集成開關在配電網應用的靈敏程度，通過具體參數能夠更加精確地了解集成開關的運行狀態。但是這種方法運行不夠穩定，容易導致系統失穩現象[4]。文獻[2]利用等價空間法使集成開關融入到配電網系統中，這可以解決集成開關的兼容性問題，使配電系統更加穩定，但是這種方法技術要求較高，不具有普遍性[5]。

基于上述技術難題，本文通過EMD-ICA融合技術對集成開關運行狀態信息提取，然后采用BP神經網絡算法模型對電網故障進行診斷，從而保證集成開關的靈敏度，而且能夠解決集成開關檢測誤差較大的問題。

1 故障信息提取和分析模型

本研究采用EMD-ICA技術實現電力配電網中故障信息的提取，并利用BP神經網絡算法模型實現一二次融合智能開關的故障診斷，模型分析構架如圖1所示。

圖1 智能集成開關應用示意圖

在應用過程中，通過信號采集模塊采集一二次融合開關在配電網上的故障信息，然后構建EMD-ICA(經驗模態分解Empirical Mode Decomposition，EMD；獨立分量分析Independence Component Analysis，ICA)數學模型，通過該模型，輸出諸多的故障信息獨立分量，在應用時，將這些輸出的獨立分量的故障信息能量值輸入至BP神經網絡網絡數學診斷模型，通過反復訓練、診斷，顯示出最精確的故障信息[6]。

1.1 EMD-ICA融合算法

在進行故障提取時，EMD方法能夠對配電網中存在的非線性、非平穩一二次融合智能開關故障信號進行處理。在對故障信息進行分解的期間，從信息采集模塊采集到的信息中，能夠快、準、自動地輸出基函數，并且獲取高分辨率數據信息，便于用戶分析、研究[7]。將ICA 算法融入EMD算法集成為一個數學模型，實現配電網環境下一二次融合智能開關應用過程中的數據分解、去噪和故障信息特征分離，將信號的時域、頻域和能量特征參數一起提取出來[8]。

EMD-ICA融合算法首先假設采集到的一二次融合智能開關的原始信息為X(t)，設其最小值為Xmin(t)，最大值為Xmax(t)，采用曲線插值算法對最大值和最小值進行擬合計算，得出平均包絡m1(t)，表示為式(1)。

(1)

然后進一步計算，則有式(2)。

d1(t)=X(t)-m1(t)

(2)

其中,d1(t)為剩余信號。對該信息進行進一步地處理，當門限值大于篩分門限值(SD)時，可以得出第一階模態分量c1(t)，也可以稱為第一IMF，在具體實施例中，篩分門限值為介于0.15-0.25之間的值[9]。其中SD的求值式可以表示為式(3)。

(3)

繼續計算第一階殘差量r1(t)，表示為式(4)。

r1(t)=X(t)-c1(t)

(4)

然后對上述算法反復進行計算，假設經過n次計算后，可最終獲取第n階模擬函數cn(t)、最終符合標準的殘差量rn(t)。通過EMD算法分解后，得出表達式為式(5)。

(5)

根據式(5)計算結果，在配電網工作環境的干擾下，集成開關的信息采集更加困難，采用EMD-ICA融合算法能夠更加方便將集成開關參數信息從這些混合信號中提取出來[10]，其原理結構如圖2所示。

圖2 EMD-ICA融合算法原理框圖

在工作時，假設配電網中一二次融合的智能集成開關的故障源信號S經過混合矩陣A計算，輸出的數據信息為X，再經過解混矩陣B計算，輸出獨立分量Y，也可以稱為從信號輸出X的中分離的獨立分量。利用上述方法進行多次對比分析，求出獨立分量Y的最優值[11]。在本文研究中，將最逼近S的獨立分量Y稱為最優值。因此，需要借助于統計獨立學用戶原理來實施這種算法，同時，還要選擇適當的目標函數，然后反復計算，根據均方差計算方法，最終得出最優的故障信息目標函數[12]。

1.2 故障信息分析

在利用上述算法提取出故障信號后，在采用BP神經網絡算法模型對采集到的故障信息進行診斷。BP神經網絡算法模型的學習能力比較強，具有較強的自組織性，從工作效率、學習精度都優于其他故障診斷算法[13-15]。比如，利用該模型對多種類型的一二次融合的智能集成開關進行故障診斷，BP神經網絡算法模型中的一個輸出節點對應一種類型的故障信息。當多個故障節點的信息值與理想輸出值比較逼近時，則可以同時診斷出多個故障類型，進而實現配電網中運行的一二次融合的智能集成開關的精確判斷[16-17]，BP神經網絡算法模型如圖3所示。

圖3 BP神經網絡算法模型示意圖

在圖3中，假設通過EMD-ICA算法模型提取出的故障信息數據集記做為{X1,X2,…,Xn}，然后為該數據集尋找目標數據W*，然后將f(W*Xi)*Xi最大程度地逼近BP神經網絡算法模型輸出數值Yi，將f記為激勵函數[18]。則基于BP神經網絡算法模型的誤差函數可以為式(6)。

(6)

在式(6)中，對誤差e值進行調節，并將誤差e值調節到最小，則這可以通過函數求導來實現，在求導函數時，令下降梯度記作為式(7)。

(7)

為了實現更高的精度和學習，通過多次誤差求導，求其平均值進行計算，并且在對提取的一二次融合的智能集成開關誤差數據進行反復的學習和訓練中，通過多次修改權重矩陣W，這樣，能夠獲取更好的適應值，進而獲取更高的學習精度[19]。

2 運行風險評估方法

下面對一二次融合的智能集成開關運行過程中的失效概率進行評價。一二次融合的智能集成開關失效情況直接影響配電網運行的可靠性和穩定性[20]，在評價其實效性時，采用式(8)進行計算,該計算式為保護功能整體失效算法。

(8)

式中，Pk為主回路中中第k套元件的保護失效率[21];Pki為控制電路中二次設備的失效率;Pk*fj為故障信號進行分解后，主回路的保護邏輯功能的失效情況(失效率)[22]。假設在220 kV的高壓配電中，主回路線路雙套主保護的整體失效率可以表示為式(9)。

P=P1*P2

(9)

式中，P1表示主一設備內運行時的保護失效率;P2表示主二設備內運行時的保護失效率。

然后在對其失效概率進行評估，假設將保護全部失效概率定義為P2.1，然后定義套保護失效概率為P2.1.i，則有式(10)。

R2.1=P2.1*LE1

(10)

其中，R2.1為對保護停運的系統存在的風險進行計算的結果;LE1為一次設備中的一次元件失效的原因，產生失負荷的后果值，該值可以通過元件在不工作的情況下，在配電網中通過潮流計算，實時獲得的電網信息數據值。對于配電網系統中保護誤動的系統風險來說，建立數據評價模型時，在考慮配電網系統中相鄰的電力設備故障時[21-22]，在第k個相鄰電力設備存在故障風險情況下，可以表示為式(11)。

R2.2.k=P1.k*P2.2*LE2.2.k

(11)

式中，P1.k表示電力電網中第k個電力設備發生故障的概率;LE2.2.k表示第k個電力設備與目前正在運行的電力設備同步停運時計算得到的結果值。基于此，總的誤動風險表示為式(12)。

(12)

通過式(12)可以評價一二次融合設備運行的可靠性，進而把握電力設備運行情況。

3 試驗結果及分析

在試驗時，由于一二次融合的智能集成開關在高壓電網中工作，高壓帶電給人體帶來很大的威脅，在試驗時，通過采集光伏陣列來實現，并將試驗架構分成數據采集層、數據傳輸層、數據處理層、數據分析層和數據應用層[23-24]，如圖4所示。

圖4 試驗架構示意圖

在計算機軟件上對集成開關在配電網中的應用進行仿真，其中使用的軟件系統為MATLAB2013b仿真軟件，通過上述硬件構建，在MATLAB2013b軟件上建立基于 Simulink-Function 的仿真模型，如圖5所示。

圖5 基于Simulink仿真模型圖

其中,光伏陣列為5×10陣列，光伏組件的工作參數為：P=300 Wp；電壓U=32.5 V；電流為9.08 A；開路電壓為38.4 V；短路電流為9.62 A。在仿真圖5中，仿真參數電容C1=200 μF；電容C2=500 μF；電感L=30 mH；負載R=30 Ω；載波頻率PWM=30 kHz[25]。

3.1 EMD-ICA算法驗證

通過數學仿真，假設從源信號輸出兩個正弦信號，頻率值為 20、10，幅值為1。通過混合，得出波形如圖6所示。

圖6 源信號與混合后的波形圖示意圖

然后再進行EMD-ICA融合算法進行計算，在本試驗中，在輸出3個固有模態分量和剩余項之后，得到的獨立分量如圖7所示。

圖7 獨立分量波形圖

通過圖6、圖7可以看出，應用EMD-ICA算法對采集到的原始信號處理后，分離出兩個獨立分量，然后再應用EMD-ICA算法分離單通道中的混合信號的獨立分量，最終得出如圖7所示的信息分量波形圖。說明本研究的EMD-ICA算法是可行的。

3.2 BP神經網絡算法驗證

通過上文介紹的BP神經網絡算法模型，試驗步驟如圖8所示。

圖8 BP神經網絡算法結構示意圖

通過采用MTALAB編程仿真，假設在試驗時，采用隱層神經元數為15個 ，誤差精度設定為0.001，采用50組樣本數據，得出的波形如圖9所示。

圖9 算法比對示意圖

通過上述試驗，采用EMD-ICA算法之后，BP神經網絡算法模型的精度更高。

3.3 運行風險評估準確度驗證

在驗證一二次融合的智能集成開關運行風險評估準確度時，采集到的數據如表1所示。

表1 A相電流采樣測試數據

利用上述介紹的計算式，通過式(8)—式(12)計算其總誤差，其中n表示電力電網線路中所有電力設備運行的個數。通過計算，得出的數據如表2所示。

表2 計算數據表

通過上述測試，采用上文引出的計算式進行計算，總的精度誤差低于5%，通過對上述參數進行評估，能夠獲取運行的可靠性。通過對比分析，得出的數據如表3所示。

表3 試驗對比數據表

通過上述比較，采用式(8)—式(12)計算出的智能集成開關具有較低的誤差精度。一二次融合智能開關在數據采集方面、保護失效、誤動和拒動概率等方面，都具有較低的誤差精度。

5 總結

本研究通過采用EMD-ICA算法模型和BP神經網絡算法模型，對電力配電網中正常運行的一二次融合智能開關進行故障信息提取和故障診斷，實現其運行狀態的故障監控，又構建出運行風險評估方法對一二次融合的智能集成開關運行過程中的失效概率進行評價。試驗表明，EMD-ICA算法模型融合BP神經網絡算法模型具有較好的技術效果，一二次融合智能開關的風險評估方法誤差精度低，具有較好的應用價值。本研究的算法為保證配電網的正常運行提供有力的保障，也為配電網的良性運行提供技術支撐。但是，一二次融合智能開關的安全、穩定運行仍舊是一個長期研究的課題，在運行過程中也將出現各種不足。