基于光纖傳感的變電站繼電保護裝置運行狀態智能監測研究

摘要：傳統的變電站繼電保護裝置監測方法主要依賴定期的人工巡檢和離線測試，導致監測結果誤差較大。基于此，提出基于光纖傳感的變電站繼電保護裝置運行狀態智能監測。通過光纖振動傳感器采集振動數據，經過去噪與異常值剔除等預處理后，輸入人工神經網絡中進行識別，并輸出對應的識別結果，完成變電站繼電保護裝置運行狀態智能監測。實驗結果表明，設計方法下，變電站繼電保護裝置運行狀態智能監測結果的正確率高達97.5%，精度較高。

關鍵詞：光纖傳感 變電站 繼電保護裝置 運行狀態 智能監測

中圖分類號：TM77[wl1] 文獻標識碼：A

Research on Intelligent Operation State Monitoring of the Substation Relay Protection Device Based on Optical Fiber Sensing

WEI Xiaodong ZHAO Xiangdong LI Chen ZHANG Guozheng

State Grid Ningxia Ultra High Voltage Company Secondary Maintenance Center， Yinchuan， Ningxia Hui Autonomous Region， 750001 China

Abstract： The traditional monitoring methods for substation relay protection devices mainly rely on regular manual inspections and offline testing， resulting in significant errors in monitoring results. Based on this， an intelligent monitoring of the operation state of substation relay protection devices based on fiber optic sensing is proposed. The vibration data is collected through fiber optic vibration sensors， preprocess it through denoising and outlier removal， it is input into an artificial neural network for recognition and output of corresponding recognition results to achieve intelligent monitoring of the operation state of the substation relay protection device. The experimental results show that the accuracy of intelligent monitoring of the operation state of substation relay protection devices under the design method is as high as 97.5%， with high precision.

Key Words： Optical fiber sensing; Substation; Relay protection device; Operation state; Intelligent monitoring

在變電站內部設備發生故障時，繼電保護裝置能夠迅速、準確地切除故障部分，防止故障進一步擴大。因此，對變電站繼電保護裝置的運行狀態進行實時監測對提升整個電力系統的安全性和可靠性具有重要意義。葉遠波等人[1]提出采用麻雀搜索算法（Sparrow Search Algorithm，SSA）優化支持向量機（Support Vector Machine，SVM），實現保護裝置狀態的準確監測，但這種算法復雜度較高，需要耗費大量時間，難以保障監測效率。李鐵成等人[2]提出先獲取繼電保護裝置失效率函數，再將其應用于動態優化馬爾可夫鏈中，以此推演出繼電保護裝置未來運行狀態，但這種方法泛化能力受到限制，不適合大規模應用。聞宇等人[3]提出先通過獨立成分分析?（Independent Component Analysis，ICA）進行繼電保護監測數據的降噪，再將其輸入模糊神經網絡（Fuzzy Neural Network，FNN）模型中，得到保護運行狀態的檢測結果，實現繼電保護保護設備運行監測，但FNN模型通常具有高度的非線性和復雜性，在實際應用中誤差較大。盡管現有研究在一定程度上提高了繼電保護裝置的運行監測水平，但仍存在一些明顯的局限之處；同時，電力發展和智能電網的推進提高了對繼電保護裝置狀態監測的要求。在此背景下，本文提出一種基于光纖傳感的變電站繼電保護裝置運行狀態智能監測方法，為我國智能電網的建設和發展提供理論基礎。

1光纖振動傳感器采集繼電保護裝置振動數據

傳統檢測方法在復雜環境下難以保障精度，因此，本文引入光纖振動傳感器進行變電站繼電保護裝置運行狀態的監測[4]。光纖振動傳感器靈敏度高，內部嵌有光柵能夠反射特定波長光。振動信號會改變光柵的周期性結構，產生布拉格波長偏移效應[5]。通過監測此現象反射光波長變化，可以獲得振動參數。因此，本文將將光纖振動傳感器部署在裝置的關鍵部位，并以放大自發輻射（Amplified Spontaneous Emission，ASE）光源作為光源，提供持續的光信號輸入。此時，光信號經環形器導向光纖振動傳感器，光纖光柵反射特定波長信號回環形器，至解調設備處理。當解調設備接收到反射的光信號后，進行快速傅里葉（Fast Fourier Transform，FFT）變換[6]，得到頻域波形圖，并可以獲得信號在頻域上的振幅和頻率，進一步計算出振動的基本參數，具體表達式如下式所示。

式（1）中：[wl2] 、、分別表示變電站繼電保護裝置振動信號的加速度、速度、峰-峰位移值；表示振動信號在頻域上的振幅；表示光纖振動傳感器的加速度系數。

綜上所述，本文通過部署光纖振動傳感器，成功采集了關鍵特征參數的變電站繼電保護裝置振動信號，為后續運行狀態的識別提供數據基礎。

2預處理變電站繼電保護裝置振動數據

由于變電站繼電保護裝置運行現場環境復雜，直接使用原始振動數據會影響后續監測結果的準確性，所以，本文需要對原始的振動數據進行預處理。首先，引入小波變換進行去噪處理[7]。通過小波變換將變電站繼電保護裝置的振動信號分解為多個尺度上的小波系數，完成原始信號的小波分解后，設定一個合適的閾值。閾值處理后，對剩余小波系數進行逆小波變換。其次，針對那些異常值，采用拉依達準則進行異常值剔除[8]。在進行異常值剔除時，需要先計算出變電站繼電保護裝置振動信號的均值與標準差：

式（2）、式（3）中，、分別表示變電站繼電保護裝置振動信號的均值和標準差；表示第個繼電保護裝置振動信號；表示繼電保護裝置振動信號總數。

根據拉依達準則，保留范圍內的繼電保護裝置振動數據，剔除不在范圍內的振動數據。經過小波變換去噪與基于拉依達準則的異常值剔處理后，本文可以得到更高質量的變電站繼電保護裝置振動信號。

3識別振動數據監測電保護裝置運行狀態

預處理后的變電站繼電保護振動信號含豐富狀態信息。為監測不同運行狀態，構建人工神經網絡（Artificial Neural Network，ANN）模型，分類識別振動數據[9]。首先，根據輸入的變電站繼電保護裝置振動數據的特征數目與輸出的運行狀態數目，確定ANN模型輸入層節點數和輸出層節點數，并根據經驗公式確定隱藏層節點數。其次，進行隱藏層激活函數的選擇。本文選擇了sigmoid函數作為激活函數[10]，具體表達式如下式所示：

式（4）中，表示sigmoid函數，其中為輸入。

因此，在本文構建的ANN模型中，每個隱藏層神經元均采用了上式所示的激活函數。完成ANN模型的構建后，接收預處理振動數據，此時，輸入層神經元接收振動數據的加速度、速度等特征，通過隱藏層映射至運行狀態，輸出層識別結果，實現智能監測。

4仿真實驗

4.1實驗設置

設計完光纖傳感的變電站繼電保護監測方法后，為驗證其性能，將其設置為實驗組，并將基于SSA-SVM的變電站繼電保護裝置運行狀態智能監測方法、基于ICA-FNN的變電站繼電保護裝置運行狀態智能監測方法分別設置為對照一組和對照二組，展開仿真對比實驗。

根據實驗需求搭建本次實驗的仿真環境。實驗環境的參數配置如下：硬件環境采用Dell PowerEdge R740服務器，配備Intel Xeon Gold 6248 CPU（20核40線程，2.5GHz）、512GB DDR4 ECC REG內存民2TB SAS熱插拔硬盤（RAID 5配置）；軟件環境則包括Windows Server 2019 Datacenter Edition操作系統、MATLAB/Simulink R2023b仿真軟件、MySQL 8.0數據庫與Python 3.9編程語言。在實驗過程中，本文收集某變電站繼電保護裝置在4種不同運行狀態下的振動信號樣本作為實驗樣本數據，每種狀態下，收集了10個樣本，共計40個樣本。對收集到的變電站繼電保護裝置在4種不同運行狀態下的振動信號進行一系列預處理后，分別對實驗組方法、對照組一方法和對照組二方法進行驗證，記錄監測結果。

4.2結果分析

在所有前期實驗準備工作完成的基礎上，統計并記錄實驗組方法、對照組一方法和對照組二方法下各實驗樣本的檢測結果（如圖1所示）。

從圖1中可以看出，實驗組方法在4種狀態下的監測誤差均低于對照組，平均正確率達97.5%。這歸因于光纖傳感器的高精度和靈敏度，能夠實時監測并準確捕捉振動信號變化，實現精確監測。因此，基于光纖傳感的智能監測方法有效且正確，實際監測中精度更高。

5結語

本研究成功實現了基于光纖傳感的變電站繼電保護裝置運行狀態智能監測方法。通過光纖傳感技術采集裝置運行時的微小振動信號，結合人工智能算法對監測數據進行智能分析與識別，完成了對繼電保護裝置運行狀態的實時監測。仿真實驗結果表明，該方法能夠準確識別繼電保護裝置的不同運行狀態，具有較高的實用性和可靠性。展望未來，本研究將進一步優化監測方法的算法和模型，提高監測的準確性和魯棒性。同時，將探索更多傳感器和數據融合技術在智能監測中的應用，以實現對變電站繼電保護裝置運行狀態的更全面、更深入的識別。

參考文獻

[1]葉遠波，李端超，謝民，等.基于SSA-SVM的繼電保護裝置狀態評估方法研究[J].電力系統保護與控制，2022，50（8）：171-178.

[2]李鐵成，劉清泉，任江波，等.基于動態優化馬爾可夫鏈的線路繼電保護裝置狀態預測方法[J].電力系統保護與控制，2022，50（13）：97-106.

[3]聞宇，陳艷霞，李菁，等.一種基于ICA-FNN的多模型高壓網絡保護設備異常狀態風險預警方法[J].電力科學與技術學報，2024，39（4）：78-83，101.

[4]徐征宇，李鵬，張書琦，等.基于分布式光纖傳感的變壓器繞組變形定位技術[J].電網技術，2022，46（8）：3224-3230.

[5]童鏜力，高妍，王鵬飛，等.基于分布式光纖傳感技術結合維納濾波的架空線路舞動監測方法[J].電網與清潔能源，2022，38（9）：17-24.

[6]包恬，李楚瑞，邱旭，等.基于分布式光纖振動傳感技術的地下管廊入侵監測系統[J].傳感技術學報，2023，36（12）：1974-1980.

[7]鄭興鵬，邢磊，張漢羽，等.基于分布式光纖聲傳感火車噪聲屬性的車型識別及運行規律[J].地球物理學報，2024，67（7）：2850-2862.

[8]黨竑，馬彬，高超，等.基于卡爾曼預測的光頻域反射分布式光纖傳感性能提升方法[J].光學學報，2024，44（1）：315-323.

[9]張均偉，藍波，黃嘉庚，等.基于分布式光纖傳感的光纜防外破監測研究[J].光通信研究，2022（5）：53-57.

[10]李天梁，郭金秀，吳冬健，等.基于光纖傳感的極端環境下裝備制造與運行狀態監測技術現狀與發展[J].機械工程學報，2022，58（8）：27-53.