含分布式電源的變電站運行設備異常狀態監控方法

余青親，楊正泰

（1.國網湖北省電力有限公司黃岡供電公司變電運檢分公司，湖北 黃岡 438000；2.國網湖北省電力有限公司黃岡供電公司，湖北 黃岡 438000）

0 引 言

分布式電源的接入對變電站設備的運行有一定的沖擊作用。隨著可再生能源的發展，大量電力用戶接入變電站，使得變電站電力流與信息流發生了極大變化。為保證變電站能夠穩定運行，持續發揮其應有的作用與功能，需要采取有效的手段監控變電站運行設備的異常狀態。實際工作中，我國仍然普遍采用傳統方法監控變電站運行設備異常狀態，不能保證監控精度與速率。傳統方法不僅出現的錯誤監控次數較多，而且變電站設備回歸穩態所需的時間較長，已經無法滿足實際需求。基于該背景，提出含分布式電源的變電站運行設備異常狀態監控方法。

1 變電站運行設備狀態量獲取

當變電站運行設備出現異常狀態時，設備的故障電流變大且電流方向發生改變，故障電壓會出現異常波動，導致變電站設備溫度持續上升。因此，選擇溫度、電壓、電流作為變電站運行設備異常監控的主要狀態量[1]。采用IHFA-FA548 溫度傳感器作為變電站運行設備溫度量采集器，采用IHFA-WT8845 電流傳感器作為變電站運行設備電流量采集器，采用OUITA-TG4A84 電壓傳感器作為變電站運行設備電壓量采集器。采用串并聯的方式將溫度傳感器安裝在變電站總線，將溫度傳感器安裝在變電站運行設備的兩側，將電流傳感器與電壓傳感器安裝在分布式電源接入節點[2,3]。根據實際情況，設定3 種傳感器的采樣頻率、周期以及范圍等參數。考慮無線傳感器采集的數據是模擬量數據，無法被計算機識別和接收，利用IKHFA-A4FG7 轉換器將采集的狀態數據轉換為數字量，并通過局域網傳輸到計算機，用于后續處理與分析。

2 狀態量降維處理

監控變電站運行設備異常狀態的過程中，設備狀態量的數量會對監控結果產生顯著影響。采集的狀態量過多，會增加后續設備異常狀態監測的復雜度，并且在數據采集過程中必然存在一些重復或者無效的數據，因此利用主成分分析算法降維處理采集的狀態量數據，提取對變電站運行設備異常狀態監控有價值的數據信息[4]。假設采集的變電站運行設備狀態量是一個矩陣，表達式為

式中：K為變電站運行設備狀態量采集矩陣；N為設備狀態特征變量；M為設備狀態觀測值[5]。

利用主成分分析算法將該矩陣降維為低維矩陣。由于采集的狀態量中溫度、電流、電壓的單位和數量級存在差異，因此需利用標準化公式處理每個狀態量，即

式中：xi*為標準化后設備的第i個狀態量；xi為矩陣中設備的第i個狀態量；E為設備狀態量標準差；var(xi)為設備狀態量均值。

利用協方差矩陣表征設備各個狀態量的協方差，以反映狀態量所包含的信息量大小，計算公式為

式中：C為設備狀態量協方差；U為協方差矩陣。

根據協方差計算各個狀態量的主成分貢獻率，以反映采集的狀態量信息特征的突出程度，計算公式為

式中：V為變電站狀態量主成分貢獻率；Hj為狀態量中第j個主成分的特征值。

主成分貢獻率越大，表示狀態特征越明顯，對于設備異常狀態監控的價值越大。通常情況下，計算的主成分貢獻率大于85%，就可以滿足設備異常狀態監控計算需求。因此，自動刪除主成分貢獻率低于85%的狀態量數據，以實現對原始數據的降維處理。

3 設備異常狀態監測與控制

基于式（1）～式（4），利用深度神經網絡綜合分析狀態量信息，提取設備異常狀態特征。深度神經網絡由輸入層、隱含層以及輸出層3 部分組成。根據實際情況設定網絡參數，包括3 個功能層中神經元的數量和隱含層數量。將降維處理后的設備狀態量輸入深度神經網絡的輸入層，在輸入層描述設備狀態特征，公式為

式中：p為變電站運行設備狀態特征梯度；F為特征矩陣；x為在特征空間中狀態量水平方向特征；y為特征空間中狀態量垂直方向特征。

將輸入層的輸出量輸入深度神經網絡的隱含層，在隱含層內利用邏輯回歸函數和線性整流函數訓練數據信息，提取變電站運行設備異常特征值，計算公式為

式中：ε為變電站運行設備異常狀態特征值；χ為邏輯回歸函數；f為線性整流函數；α為隨機變量。

將提取的設備異常特征值輸入輸出層，在輸出層內設定一個閾值。若特征值超出閾值范圍，則表示當前設備狀態異常，需要采取有效的手段控制變電站中運行設備的異常狀態；若特征值在閾值范圍內，則表示當前設備狀態正常，無須采取任何控制手段，保持當前運行狀態即可。當監測結果為設備狀態異常時，利用控制器立即跳開主變兩側的斷路器和內橋斷路器，并且啟動分布式電源合閘動作，跳開分布式電源的斷路器，切斷分布式電源流出的故障電流，從而瞬時切除異常運行的設備。異常狀態設備維修完成后，斷路器重合，設備重新投入運行，從而完成整個含分布式電源的變電站運行設備異常狀態監控過程。

4 實驗論證

4.1 實驗準備與設計

設計一組對比實驗檢驗設計方法的實際應用效果。以某變電站為實驗對象，該變電站含分布式電源，電源類型為基于逆變器的分布式電源，包含15臺設備。利用設計方法監控該變電站運行設備的異常狀態。為使實驗數據與實驗結果具有一定的說明性與可靠性，選擇基于粒子群優化算法的監控方法和基于深度神經網絡的監控方法作為比較對象，以下分別用傳統方法1 和傳統方法2 表示。根據該變電站實際情況，實驗準備了溫度傳感器、電流傳感器、電壓傳感器各15臺，共采集1 000 份設備狀態數據樣本。按照流程降維處理數據，提取設備異常狀態特征，識別并控制設備異常狀態，從而驗證具體的監控效果。

4.2 實驗結果與討論

實驗以錯誤監控次數作為3 種方法監控精度的評價指標。錯誤監控次數指實際為正常狀態但樣本監測為異常狀態的樣本數量與實際為異常狀態但樣本監測為正常狀態的樣本數量的總和。實驗以變電站運行設備狀態數據的樣本數量為變量，分別記錄3 種方法的錯誤監控次數，具體如表1 所示。

表1 3 種方法錯誤監控次數對比

從表1 中的數據可以看出，3 種方法在監控精度方面表現出明顯的差異性。設計方法的錯誤監控次數占總監控次數的比例僅為0.6%，說明設計方法基本可以實現對變電站運行設備異常狀態的全面監控。2種傳統方法的錯誤監控次數相對較多，傳統方法1 的錯誤監控次數占總監控次數的比例為11.4%，傳統方法2 的錯誤監控次數占總監控次數的比例為10.2%，遠遠高于設計方法，證明在監控精度方面設計方法優于2 種傳統方法。為進一步驗證設計方法的適用性，將變電站運行設備回歸穩態所需時間作為3 種方法監控效果的評價指標。設備回歸穩態所需時間越短，則表示變電站運行設備異常狀態監控越及時，監控效果越好。實驗隨機選取變電站中的10 個運行設備，測定變電站運行設備異常開始時間和通過監控使其恢復到穩態的時間，將2 個時間點作差求出設備回歸穩態時間。使用電子表格記錄實驗數據，具體如表2 所示。

從表2 中的數據可以看出，3 種方法在設備回歸穩態所需時間方面表現出明顯的差異性。在設計方法應用下，變電站運行設備回歸穩態的時間最快為0.05 s，最慢為0.56 s，可以控制在1 s 以內，說明設計方法可以實現對含分布式電源的變電站運行設備異常狀態的實時監控。傳統方法1 應用下設備回歸穩態的時間范圍為6.24 ～8.23 s，比設計方法約慢了8 s；傳統方法2 應用下設備回歸穩態的時間范圍為6.14 ～9.05 s，比設計方法約慢了9 s。因此，實驗結果表明，無論是在監測精度方面還是在監控速率方面，設計方法均表現出明顯的優勢，比2 種傳統方法更適用于含分布式電源的變電站運行設備異常狀態監控。

5 結 論

設備異常狀態監控是含分布式電源變電站安全和可靠運行的重要保證手段，針對傳統方法存在的不足與缺陷，結合含分布式電源的變電站運行特點提出一個新的監控思路，能夠有效減少變電站運行設備異常狀態錯誤監控次數，縮短運行設備回歸穩態所需的時間。