特高壓智慧變電站冗余測控裝置自動測試方法研究

修藝源,張藝博,楊 樂,張晨曦,金明輝,李小蓓

(國網河南省電力公司直流中心,河南 鄭州 450000)

0 引言

變電站是電力公司的重要組成部分之一,主要作用是實現電流電壓變換,以達到地區具體供電標準[1-3]。特高壓變電站是變電站中的1種,在不斷發展中逐漸向著智慧化方向發展。特高壓智慧變電站中存在很多間隔層。每個間隔層都需要設置1個實體測控裝置,用于測試和監控變電站設備運行狀態,以便及時發現異常或者故障[4-5]。然而,隨著特高壓智慧變電站規模的逐漸擴大,測控裝置數量越來越多,產生的測控信息冗余量也越來越多。測控裝置數量的增多不僅占用了大量的空間資源,還導致測控裝置之間資源競爭激烈,浪費了大量的電力資源[6-7]。面對這種情況,冗余測控裝置應運而生,但其發展得并不十分成熟。因此,其在應用到實際環境之前需要進行自動測試,以明確其冗余情況是否滿足預期設定[8]。只有達到預期的冗余測控裝置才能應用到變電站中。

目前,特高壓智慧變電站冗余測控裝置可進行自動測試,即通過設備自檢以檢測自身的性能是否滿足要求[9]。關于設備自檢,相關的研究有很多。趙長春等[10]設計了1種測控功能判別邏輯圖。其配置集群測控裝置,采用測控功能虛擬化、定值及軟壓板狀態同步、模型及配置等價實現等關鍵技術。間隔虛擬測控單元使用跟實體測控裝置相同的運行參數、虛端子聯系表、聯閉鎖規則及機構能力發展(institutional capacity development,ICD)模型,測試了不同狀態下的冗余切換情況,檢測了對時性能、管理性能、整機功耗、遙控性能、遙信性能、頻率誤差等。但這種方法的測試結果存在一定偏差。齊敏等[11]設計了1種冗余測試方案。該方案首先通過設計機理分析,建立冗余切換測試基礎故障模式;然后對故障模式進行模式組合和系統狀態變遷分析,完成對冗余切換測試場景、測試環境等整體方案的設計;最后測試故障發生時的冗余功能運行情況。但該方案的擬合優度較低。Nan等[12]提出了繼電保護故障信息系統的全鏈路自動測試技術,闡述了該技術的原理、主要模塊和關鍵技術。繼電保護故障信息系統全鏈路自動測試平臺包括主站遠程測試模塊、分站測試管理模塊和自動測試模塊這3個部分。但該技術測試的準確性較低。

綜上分析可知,以往研究中所用到的測試用例比較欠缺,測試項目的選取并不全面,導致測試結果存在一定的偏差。針對這種情況,本文研究了1種特高壓智慧變電站冗余測控裝置自動測試方法。該方法首先設置自動測試場景,采用主成分分析法選擇測試用例;然后對采集用例數據進行缺失填補以及數據標準化;最后以神經網絡算法為基礎進行測試。該方法能有效提高變電站冗余測控裝置測試的準確性。

1 變電站冗余測控裝置測試

變電站冗余測控裝置自動測試,即測試其冗余檢測性能,以實現裝置的自檢。自檢是變電站冗余測控裝置實際應用前的必備環節,用于保證裝置在實際應用過程中發揮功能效果。本文研究了1種特高壓智慧變電站冗余測控裝置自動測試方法。該方法主要分為4個部分,分別為自動測試場景設置、測試用例選擇、用例數據處理以及冗余自動測試。

1.1 自動測試場景設置

測試場景設置是自動測試的前提。針對所研究目標,測試場景由同步時鐘裝置、計算機端、交換機、繼電保護測試儀以及冗余測控裝置等組成。

自動測試場景如圖1所示。在測試場景中,首先運行冗余測控裝置;然后采集測試項目對應的數據;最后針對這些數據進行深入分析,得出變電站冗余量。

圖1 自動測試場景

1.2 測試用例選擇

測試用例即測試項目、測試內容。測試用例的選擇關系到測試結果的準確性。針對測試目標,本文采用主成分分析法選取測試用例。基于主成分分析法的測試用例選取流程如圖2所示。

圖2 基于主成分分析法的測試用例選取流程圖

在整個選取過程中,相關系數計算式如下。

(1)

主成分貢獻率計算式如下。

(2)

式中:Ri為第i個特征值;n為特征值數量;Bi為第i個主成分的貢獻率。

基于上述流程,所選擇的測試用例主要有4種類型,即基本性能用例、同期用例、遙信用例和遙控用例。基于上述測試用例,本文在測試場景中采集相應的具體數據,以組成數據集合或樣本,用于后續研究。

1.3 用例數據處理

針對上述測試用例選擇,本文需要對采集到的用例數據進行處理,包括缺失填補以及數據標準化。通過處理能夠使數據更加規范化,以及更加符合自動測試環節的要求。

①缺失填補。測試用例數據在采集過程中難以避免地會出現缺失問題,從而影響數據的完整性。面對這種情況,需要進行缺失數據填補處理。填補處理計算式如下。

(3)

式中:p0為缺失的數據。

所有同類型數據樣本均值的平均值用于(包括填補完整的數據樣本)替代p0,以實現填補。

②數據標準化。數據標準化即去除量綱,統一數據表示形式。數據標準化的計算式為:

(4)

1.4 冗余自動測試

基于上述處理好的用例數據,本節進行冗余自動測試。測試以神經網絡算法為基礎進行。本文神經網絡算法采用反向傳播(back propagation,BP)神經網絡模型。BP神經網絡的工作原理是通過自身訓練學習某種規則,在給定輸入值時得到最接近期望輸出值的結果。BP 神經網絡具有較強的自學習、自適應能力。以上文獲得的用例數據為輸入,BP 神經網絡模型包含輸入層、中間隱含層和輸出層。

隱含層采用Sigmoid函數獲取非線性映射。隱含層節點的選取計算式為:

(5)

式中:n′為隱含層節點數;ni為輸入層節點數,因考慮輸入為用例數據而取值為4;nj為輸出層節點數,因考慮輸出為冗余數值而取值為1;α為常數,取值為 1～10。

輸出層的輸出為冗余指數數值,取值為0～1。因此,輸出層也采用 Sigmoid函數。

本文經過BP神經網絡運算,獲得1個冗余數值,并對比冗余等級標準,判斷變電站冗余測控裝置性能是否合理。冗余自動測試步驟如下。

(1)設置神經網絡算法的相關參數,即N個輸入層神經元、a個輸出層神經元以及M個隱含層神經元。

(2)通過輸入層窗口將測試用例數據輸入神經網絡模型。

(3)神經網絡輸入、輸出運算關鍵計算式如下。

輸入為:

(6)

式中:M為隱含層神經元數量;N為輸入層神經元數量;bq為隱含層輸出;Cq為隱含層輸入;αi′q、βqw為輸入層與隱含層、隱含層與輸出層的神經元之間的連接權值;xi′為輸入層輸入(用例數據);Dw為輸出層輸入;q、i′、w均為神經元序號。

輸出為:

(7)

式中:φq、φw分別為隱含層和輸出層的閾值;dw為輸出層輸出;f為Sigmoid函數。

(4)計算dw與預期結果之間的誤差Δdw。

(5)判斷Δdw是否小于等于設定的允許誤差閾值。若滿足條件,則完成訓練。否則,結合學習因子,進行誤差BP,調整φq、φw、αi′q、βqw。

(6)輸入用例數據測試樣本到訓練好的模型中,得出冗余指數數值Q。針對冗余指數數值,按照以下冗余等級標準,判斷變電站冗余測控裝置性能是否合理。

①Q∈(90,100]時,冗余非常高,變電站冗余測控裝置性能非常不滿足需求。

②Q∈(70,90]時,冗余較高,變電站冗余測控裝置性能不滿足需求。

③Q∈(50,70]時,冗余較低,變電站冗余測控裝置性能合格,但仍需要改進。

④Q∈(0,50]時,冗余非常低,變電站冗余測控裝置性能優秀。

對于一般變電站而言,只要冗余達到Q∈(50,70],就滿足裝置實際應用需求。但是本文研究的是特高壓智慧變電站,故冗余測控裝置的冗余裝置達到Q∈(0,50]才允許應用到實際工作環境中。

2 性能驗證與分析

2.1 數據來源

為測試所提出的特高壓智慧變電站冗余測控裝置自動測試方法的性能,本文設置3種電壓工況并進行對比,從而驗證自動測試方法的準確性。以某一特高壓智慧變電站中5個冗余測控裝置為例,本文布設測試場景,運行測試用例,采集用例運行下一段時間內的指標變化數據,得到測試樣本。與測試樣本相對應的訓練樣本來自電力公司數據庫。

2.2 預期冗余設置

針對5個冗余測控裝置,其預期冗余指數如表1所示。

表1 預期冗余指數

由表1可知,裝置1、3、5的冗余指數數值均低于40,表示變電站冗余測控裝置性能優秀。裝置4的冗余指數數值的最大值高于60但小于70,表示變電站冗余測控裝置性能合格,但仍需要改進。裝置2的冗余指數數值的最大值高于80但小于90,表示變電站冗余測控裝置的冗余較高,變電站冗余測控裝置性能不滿足需求。

2.3 神經網絡訓練

本文通過訓練樣本對神經網絡進行訓練。神經網絡初始參數設置如表2所示。

表2 神經網絡初始參數設置

神經網絡訓練結果如圖3所示。

由圖3可知,在設定500次迭代次數內,訓練誤差達到設定的目標精度。因此,神經網絡的性能較好,可用于正式測試。

2.4 冗余自動測試結果

利用本文方法對5個冗余測控裝置進行測試,得到的冗余自動測試結果如表3所示。

表3 冗余自動測試結果

對圖3和表3中的冗余指數數值變化區間進行比較可知,自動測試后5個冗余測控裝置中只有2個裝置(裝置4和裝置2)的冗余性能不符合要求。這與實際情況一致。

2.5 方法性能分析

為進一步測試本文方法的性能,本文設置不同電壓工況,選取整機功耗為 55 W、遙信數據響應時間為0.5 s、網絡事件順序記錄(sequence of event,SOE)分辨率為 1 ms、輸入頻率為45 Hz。在相同測試條件下,本文方法與文獻[10]提出的智慧變電站集群測控功能冗余切換方法(傳統方法)進行冗余對比測試,以得出測試結果。本文計算3種工況的冗余自動測試結果曲線與預期冗余變化曲線之間的擬合優度。擬合優度取值為0～1。越接近1說明測試結果越準確。兩種方法的擬合優度對比如表4所示。

表4 兩種方法的擬合優度對比

由表4可知,針對3種不同工況,傳統方法應用下,測試結果與預期結果的擬合優度均在0.9以下;而本文方法應用下,測試結果與預期結果的擬合優度均在0.9以上。這說明本文方法的實際結果和預期結果較為一致,證明了本文方法的有效性。

2.6 實際驗證

裝置整體功能測試時間對比如表5所示。

表5 裝置整體功能測試時間對比

測試結果表明,本文方法大幅提高了裝置的測試效率。自動測試裝置在智慧變電站優化提升項目中的試點應用結果表明,裝置運行可靠。

為進一步驗證特高壓智慧變電站冗余測控裝置自動測試方法的可行性,本文以裝置整體功能測試時間為對比指標,依據特高壓智慧變電站冗余測控裝置檢測方案等對多種配置類型的冗余測控裝置整體功能進行人工測試和自動測試比對。其中:單配置測控裝置指具有單一測量和控制功能的裝置;“0+16+0”配置指服務器的中央處理器(central processing unit,CPU)數量為0、內存容量為16 GB、硬盤容量為0 GB;“16+0+0”配置指服務器的CPU數量為16、內存容量為0 GB、硬盤容量為0 GB;“8+4+4”配置指服務器的CPU為8核、內存為4 GB、硬盤容量為4 TB。

3 結論

為節約特高壓智慧變電站資源,冗余測控裝置得到開發和應用。但該裝置在應用前需要事先進行自動測試,以測試其冗余性能是否達到要求。為此,本文提出1種特高壓智慧變電站冗余測控裝置自動測試方法。該方法首先采集數據組成樣本,然后通過神經網絡3層運算得出冗余指數,最后通過驗證證明測試效果。與預期情況的對比結果表明,本文方法接近預期。該結果驗證了本文方法的準確性。本文方法仍存在缺點,還需要擴大測試樣本以驗證方法適用性以及優化神經網絡算法,從而進一步提高準確性。