陈立伟
福建省送变电工程有限公司 福建省 福州市 350000
摘要：当前，变电站各类设备呈现出日趋复杂的结构，其缺陷发生位置和发生时间呈现出较强的不确定性。过去对电网故障开展事后分析，主要采用手动分析方式，对于历史录波数据难以实施综合分析。以SVM分类技术为基础，利用故障录波数据，对其中蕴含的规律模式进行自动搜索，并构建诊断模型，据此对变电站继电保护分析平台进行构建，与实时录波数据相结合，在线判定电网故障的具体原因，并对故障发生位置和具体类型进行确定。
关键词：变电站；继电保护；分析平台
前言：
国家电网日益重视对传统业务进行提质增效，由此衍生了以数据和智能驱动为核心的智能业务。为实现对变电站设备故障和潜在风险的准确排查定位和有效辨识，并促进对各类故障的及时处理，有必要构建变电站继电保护分析平台，增强电网运行的安全性和稳定性。本文浅析了变电站继电保护分析平台的概况，探究了变电站继电保护分析平台关键技术及实现，以期为相关研究提供参考借鉴。
一、变电站继电保护分析平台概述
变电站继电保护分析平台主要包括装置信息、消缺建议、运行信息、保护逻辑优化、事故原因推演以及保护动作分析等组成板块。平台依托数据采集处理，并结合波形提取以及模型比对，采集数据，并对之进行分析处理，进而得出相应的分析结论。通过站段系统对数据进行采集，并对平台后台进行实时传送，然后开展波形提取，并实施模型比对[1]。
1、数据采集处理
分析平台依托站端故障录波器对各类运行数据，诸如实时电流电压动作及动作信息进行采集保护；依托保护子站系统对录波文件进行采集；同时对装置信息、压板投入信息以及定植信息进行收集，并实施核实比对；通过数据仓库、数据缓冲区以及数据集市对上述数据进行存储，并实施预处理[2]。
2、波形提取以及模型比对
运用以SVM技术为基础的故障诊断技术方法，独立分析录波文件，并从整体上对全部录波数据进行考虑，实现对海量录波文件中隐藏的确定性模式和相关规律的深度洞察。为电网运行工作人员提供辅助，实现对故障异常相位和具体原因的快速判定，进而及时采取具有较强针对性的保护措施。SVM识别方法能实现对各类学习问题，诸如小样本、非线性、高纬数等的有效解决。对于人工神经网络学习的各类缺点，诸如局部最优、难以确定合理结构等，SVM识别方法均能实现有效克服，能促进学习方法具备的泛化能力实现大幅度提高，并识别各类故障的具体原因，具有较快的速度，且对噪声缺乏敏感性，具有较高的识别率和识别精度[3]。
二、变电站继电保护分析平台关键技术及实现
1、SVM技术
SVM技术以数理统计相关理论为基础，其思想原理，是借助内积函数所定义的相关非线性变化，对输入空间进行变换，转为高纬空间，从中探寻输入与输出变量二者存在的线性关系。秉持结构风险最小化的相关原则，对问题进行转化，形成凸二次优化的具体问题，实现对复杂计算的简化，获取全局最优解，形成具有较高精度的分类模型，实现对分类方法中各类实际难题，诸如小样本、高纬数、非线性等的良好解决[4]。
SVM作为二分类模型，以原特征空间为基础，对最优分类面进行构建，分类给定的训练样本，对超平面进行构造。在线性可分的相应情况下，以SVM为例，对其基本原理进行叙述如下：
.png)
对于线性不可分的相应情况，SVM一方面对惩罚因子和松弛变量进行引入，据此对目标函数进行构造，另一方面，对输入空间实施非线性变换，形成高维空间，在新空间中，对最优分类面进行求解。在这种情况下，线性可分情况相应的点积运算（）即转变为，为核函数。
向多分类问题推广SVM，需对SVM多分类器进行构造。当前，构建方法通常是对多个二分类器进行组合，具体思路有两种，一种是一对多算法，一种是一对一算法。
一对多算法，是指对于N类问题，即对N个二分类器进行构造，对于第i个SVM，即采用第i类中相应的训练样本，将其视作正训练样本，将其余样本视为负训练样本，最后对两类分类器中最大一类进行输出。该法的优势在于，每个优化问题均具有较小的规模，且具有较快的分类速度，仅需对N个分类器进行调用，即可获知结果，但缺点在于具有较大的训练样本数，且训练难度相对较大。
一对一算法，是指在N类训练样本中，对全部可能的两类分类器进行构造，仅在N类中相应的两类训练样本上对每类进行训练，结果可对N（N-1）/2个分类器进行构造，通过投票法对样本所属具体类别进行决定。该方法的优势在于训练阶段具有较低的复杂程度和较小的计算量，缺点在于随着类数增加，分类数目也随之增加。
2、基于SVM的录波故障原因诊断算法
以SVM技术为基础的，对故障原因进行诊断的方法主要包括如下关键步骤：一，数据抽取；二，数据探索与预处理；三，建模与诊断；四，结果与反馈。对每个步骤而言，将应用层次作为依据，可划分为两个层次，一个层次是离线建模，一个层次是在线实时应用。
（1）数据选择与抽取
该步骤对原始录波数据进行收集，并获取录波来源具体线路、时间、厂站以及事后确认等相关数据。对实时部分，通过保护装置，对定时录波数据或者条件触发的相应录波数据进行获取。
（2）数据预处理与规划化
对数据质量进行检查，分析数据样本，筛除缺失关键字的相关数据，将算法提出的数据质量相关要求作为依据，判定原始数据，将缺乏良好质量的原始样本筛除。对故障涉及的原始数据进行提取。对故障相别、时间点进行判定。对故障录波分析库进行运用，判定故障点。对其故障时间点。
（3）特征提取
在开展模型训练之前，要对生数据进行转换，形成特征数据，即熟数据。本方法对小波分析相关技术进行引入，对录波信号在不同频率波段呈现的特征进行提取，并对信号实施频带分析，再分别对各频带能量进行计算，将原始信号变换为特征向量数据。
（4）故障原因模型的训练
实施分类时，每个训练样本包括特征向量和分类标记两部分。
在上式中，表示特征向量，一般具有较高的维数；表示分类标记。
（5）故障原因模型的诊断
对特征提取算法进行采用，对原始数据进行转化，形成特征向量，与模型训练输入的属性相同。故障原因模型输入特征向量，最终得出各类别相应的概率：
结语
综上所述，变电站继电保护分析平台能对历史录波数据实施有效的综合分析，并实现对故障原因的及时识别，进而采取具有较强针对性的应对措施，形成合理预测，并制定相应的预防措施。
参考文献
[1]杜梓铭, 马静波, 张立辉,等. 变电站继电保护分析平台关键技术及实现[J]. 河北电力技术, 2020, v.39;No.234(01):24-28.
[2]李晓军. 智能变电站继电保护在线运维关键技术研究[J]. 消费导刊, 2018,(34):256-256.
[3]张凯. 智能变电站继电保护在线运维系统关键技术[J]. 轻松学电脑, 2019, (30):1-1.
[4]任超, 李烨, 杨大哲. 基于录波装置联网的故障信息集中采集与处理在超(特)高压电网中的应用[J]. 山西电力, 2016(6):21-25.