王昌荣 周翔 崔建飞
青海送变电工程有限公司 青海西宁 810000
摘要：近年来，随着社会经济的快速发展，人们的生活水平不断提升，对于电力能源的整体需求不断增加，在很大程度上也促进了电力行业的迅速发展。电力建设规模不断扩大的同时，变电站设备也越来越复杂，很多情况下，故障的具体位置以及发生时间无法精准预测，目前对于电力系统故障往往是以事后分析处理为主，缺乏对数据信息进行收集与整合分析的技术手段。文章提出了基于SVM分类技术，通过实时收集历史录波数据，并分析与总结数据的规律和形式，进一步分析与诊断具体故障原因，建设变电站继电保护分析平台，可及时精准的确定故障的类型以及具体位置，从而保障电网变电站设备的安全稳定运行。
关键词：变电站；继电保护；关键技术；实现途径
前言：电网变电站设备结构非常复杂，出现故障的时间与具体位置无法提前预知，一旦出现故障，相关检修工作人员无法及时进行快速的判断与处理，并且故障确定与排查难度大，对于可能存在的风险没有有效的预防措施，导致出现问题时，不能及时进行处理。所以，变电站继电保护分析平台的应用，能够最大程度上保障电力系统能够安全稳定的运行，从而创造出更大的经济效益与社会效益。
1、变电站继电保护平台简述
变电站继电保护分析平台充分利用了大数据技术与计算机技术，其主要是由故障分析、保护动作及逻辑优化分析、运行数据等模块组成。分析平台在获取数据信息以及波形的数据的同时进行深层分析，从而得出结论。主要通过站端系统对数据进行采集与处理，从而及时传输至后台，进行模型对比。在这个过程中采用支持向量机分类技术对故障进行诊断，并查找具体原因。
1.1、获取数据及处理
变电站继电保护分析平台采用站端故障录波器对相关运行数据进行采集，主要包括电流与电压动态信息，装置数据信息和定值等，并对信息进行全面对比，平台会将数据信息进行存储与处理。
1.2、提取波形和模型对比
提取波形及模型对比采用的是SVM故障分析诊断技术，除了对单独的录波信息数据进行分析之外，还会从整体角度方面综合考虑全部的录波信息数据，深入的分析和查找录波数据存在的规律及模式。从而有助于工作人员及时快速的确定故障的具体原因和具体位置，并及时采取措施。SVM可及时有效的解决非线性相关问题，能够有效改善人工神经网络结构无法确定等缺点，有效提升学习效率，可对不同类型故障及具体原因进行识别，效率高，识别精度也非常高，不会受到噪音影响，大幅度提升了识别率[1]。
2、变电站继电保护分析平台关键技术及实现
2.1、SVM技术
SVM分类技术属于新型的分类技术方法，其基于精准的数据统计分析理论基础之上的一种方法，以内积函数定义非线性变化理论为基础，对输入空间进行转化，并在输入变量和输出变量之间寻找一种线性关系。利用结构风险最小化基础原则，对问题计算进行简化，从而保障结果为最佳优解，有效提升模型精确度，从而有效解决与改善当前存在的实际问题。SVM属于二分类模型，经过投影后构造最佳分类面，将2个训练样本分开，样本距离超平面实际距离是构造超平面的重要依据[2]。
线性不可分状况，通过引入松弛变量优化目标含税，并且使得输入空间转化为高维空间，在新空间当中进行求解。SVM应用到分类问题当中，应当建设多分类器，当前比较常见的方法主要是由二分类器实现和完成，主要包括一对一、一对多两种算法。
一对多算法对于问题进行二分类器构造器，将第i个样本作为正训练样本，其他的作为负训练样本，最大一类为最后输出，这样也使得进行优化改善的问题实际规模相对较小，且分类速度更快，但是也存在一定缺点，即训练样本基数大，且训练比较困难。一对一算法是构造全部两类分类器，每类在N类训练样本中进行训练，通过投票，选择样本类别，该方法在训练阶段，复杂程度较低，且计算量也较小，但是分类数目会急剧增加。
2.2、基于SVM的录波故障具体原因及诊断算法
基于SVM技术的故障具体原因诊断，主要涵盖了训练样本数据信息、数据获取、多类别故障原因诊断以及模型训练等部分。该诊断技术方法，主要流程为数据探索、获取以及预处理、诊断以及反馈结果等多个步骤，每个环节主要包括两个层次，即在线实时应用以及离线建模，两个层次的每一个步骤环节在实际处理过程中都会存在一定的差别[3]。
2.2.1、选择数据
数据获取过程中，要从应用端软件系统中获取录波数据，并找到最原始数据，掌握和取得相关信息数据，主要包括厂站、时间、来源线路、事后数据分析处理，实时部分应当取得定时录波数据信息[4]。
2.2.2、数据预处理
通过质量检查进一步深入分析数据样本，并对关键字不完整的数据进行全面筛除，结合算法，进一步判定原始数据信息，及时筛除部分质量比较低的样本。提取故障原始数据，通过故障录波分析库判断故障点，包括具体时间。故障时间点应当对齐，提取前后录波信号，判断故障具体时间点。
2.2.3、提取特征
由于原始数据主要是生数据，在模型训练开展之前，应当对生数据进行转化，使其成为特征数据，可采用小波分析技术，并获取录波信号在不同频段的具体特征，通过多维度空间分布，对信号进行综合分析，并计算频带能量，将其作为向量，从而实现的原始数据朝着特征向量数据转换。通过小波分析，提取故障点前前后，对信号进行分解，要结合原始信号，选择小波基，同时还需要考虑电压电流，应当选择小波基为基函数。通过小波变换，可提取信号特征，可充分代表序列信号的向量数据，促使原始信号朝着特征数据转换[5]。
2.2.4、故障具体原因模型
在分类过程中，不同的训练样本主要包括分类标记以及特征向量，两者共同组成。样本集训练过程中，核函数算法对于诊断模型实际精确度会产生直接影响，可构建不同类型非线性学习模型。不同核函数对于样本之间也会产生较大的差异，因此，应当以实验结果为主，选取核函数。SVA分类技术用于故障原因诊断以及预处理，都是运用特征提取方法，将原始数据进行转化，和模型训练输入大致相同的特征向量，以此为输入，最后得出不同类别的实际概率[6]。
3、结束语
变电站继电保护分析平台通过对历史波形数据进行收集与分析，使得海量数据进行汇总，形成可辅助运行工作人员进行相关工作的知识内容，可快速确定故障具体原因，并采取相应的措施予以解决，在预测阶段，便可制定应对措施。由于该方法属于数据挖掘的一种，适用于具有数据样本、特征提取的应用场景，其对缺失数据比较敏感，没有通用性应对方案，应当科学合理使用核函数进行处理。
参考文献：
[1]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, (034):256.
[2]顾允慧. 智能变电站继电保护系统可靠性分析研究及探讨[J]. 工程技术(全文版), 2016(12):00280-00280.
[3]陈新. 数字化变电站继电保护系统关键检验技术分析[J]. 通讯世界, 2018, No.333(02):219-220.
[4]肖锋, 李晨, 李巍威,等. 智能变电站继电保护一体化仿真关键技术研究[J]. 电器与能效管理技术, 2019.(021)22-23
[5]宗志亚. 基于扰动激励的智能变电站继电保护故障诊断关键技术[J]. 电测与仪表, 2019, 056(021):63-69.
[6]伊东阳, 邴志鹏, 代芳鑫,等. 220 kV智能变电站继电保护配置的分析与研究[J]. 通信电源技术, 2018.(021)33-34