CN104462769A - 基于遗传算法的变电站电流量测回路故障检测方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法的变电站电流量测回路故障检测方法，步骤为：搜寻出变电站内的开关岛，进行电压状态估计，获得开关岛的最可信相电压有效值，找出电气岛各物理节点所关联的支路，对于物理节点i，建立以下方程， 对于物理支路建立以下方程，求解三相有功、三相无功、单相电流幅值的最可信值，电流量测回路可能故障判断。本发明采用遗传算法来求解电流量测回路各量测的最可信值，可以考虑复杂约束，对量测量的齐全性和可观性要求低，便于工程应用。

Description

基于遗传算法的变电站电流量测回路故障检测方法

技术领域

本发明属于电力***设备故障诊断领域，具体地涉及利用SCADA数据，采用遗传算法来求解电流量测回路各量测的最可信值，从而实现对变电站电流量测回路的故障检测。

背景技术

及时发现变电站电流量测回路的故障有利于保障变电站的数据质量，从而确保运行人员对变电站的运行状态给出正确判断，发现变电站电流量测回路故障的基本方法是发现量测量误差是否偏大，这就需要对电流量测回路量测量的真值进行求解和估计。传统的量测量状态估计是通过建立状态量和量测总误差的雅克比矩阵进行求解，这种方法建模复杂，开发和调试周期长，不易于考虑复杂的约束条件。

发明内容

本发明的目的是为了改进上述方法存在的不足，提供一种基于遗传算法的变电站电流量测回路故障检测方法。

本发明技术方案如下所述：

基于遗传算法的变电站电流量测回路故障检测方法，其特征在于，包括以下步骤：

S1：搜寻出变电站内的开关岛，所述开关岛是由母线、断路器、刀闸和短引线组成的电气上相连的一组设备，各设备的阻抗为0；

S2：进行电压状态估计，获得开关岛的最可信相电压有效值，若***处于不平衡状态或电压量测有问题，则终止电流量测回路检测；

S3：找出电气岛各物理节点所关联的支路；

S4：对于物理节点i，根据节点功率守恒定律建立以下方程，若存在量测不全，则不考虑相应物理节点，

$\underset{k=1}{\overset{N_i}{\mathrm{\Σ}}}{P}_{i\_k}=e_{\mathrm{pi}}\≈0---\left(1\right)$

$\underset{k=1}{\overset{N_i}{\mathrm{\Σ}}}{Q}_{i\_k}=e_{\mathrm{qi}}\≈0---\left(2\right)$

式中Ni为节点i相连的支路数目，k为与节点i相连的支路序号，Pi_k、Qi_k均为与节点i相连的k支路的三相总功率，共有NODE个物理节点，即i＝1～NODE；

S5：对于物理支路建立以下方程，若存在量测不全，则不考虑相应支路，

${\left(\sqrt{3}{I}_{j}U\right)}^2-(P_j^2+Q_j^2)=e_{\mathrm{sj}}\≈0---\left(3\right)$

式中Ij为支路j的线电流幅值，Pj和Qj为支路j的三相有功和三相无功量测；

S6：用遗传算法求解使得以下目标函数最小的所有支路电流、有功、无功，获得各支路量测量中三相有功、三相无功、单相电流幅值的最可信值，

$\min e=\underset{i=1}{\overset{\mathrm{NODE}}{\mathrm{\Σ}}}{e}_{\mathrm{pi}}^2+\underset{i=1}{\overset{\mathrm{NODE}}{\mathrm{\Σ}}}{e}_{\mathrm{qi}}^2+\underset{j=1}{\overset{\mathrm{BRANCH}}{\mathrm{\Σ}}}{e}_{\mathrm{sj}}^2---\left(4\right)$

各约束条件或偏差量由(1)～(3)式获得；

S7：电流量测回路可能故障判断，计算I、P、Q最可信值与量测值的偏差，若某支路给出abc三各相电流，则分别计算各相电流的偏差，当偏差大于10％，则给出相应的电流量测回路可能存在故障的告警。

进一步的，所述步骤S2中电压状态估计包含以下步骤：

S21：取开关岛内a相各电压量测，取平均值；

S22：求各a相电压量测与平均值的偏差；

S23：去除与平均值偏差大于5％的各个量测中最坏的量测，返回S21，若没有偏差大于5％的点，则终止最可信a相电压幅值Ua的计算；

S24：用上述方法计算出Ub和Uc；

S25：计算Ua、Ub、Uc的平均值U；

S26：当Ua、Ub、Uc与U的偏差均小于5％时，认为***处于平衡状态，取U为最可信相电压，否则认为***处于不平衡状态或电压量测有问题，终止电流量测回路检测。

进一步的，所述步骤S6包含以下步骤：

S61：变量定义，取各支路的相电流幅值量测I、三相有功P和三相无功Q作为待优化求解的参数，为了简化算法，不再对这些量分类处理，用统一的Xi来表示这些量的期望值，Xmi代表实测值，i表示序号，ki表示第i个量期望值与实测值的偏差，满足下式：

X_i＝X_mi(1+k_i)

其中i＝1～N,其中N为所有I、P、Q的数目，Ki的取值范围为[-10,10]；

S62：种群初始化；

S63：各个体的适应度评价，各个体根据ki求取对应的Xi即I、P、Q的值，然后利用(4)式计算各个体距离最优值，即0的偏差量，并将各个个体按偏差量由小到大的顺序排序；

S64：终止条件判断：连续100代最优个体的偏差量不再变小，则停止寻优；

S65：将原种群将选择出一半，即15N个个体保留到下一代，具体为，

a)最优的1/3个个体全部保留，

b)次优的1/3个个体以随机的方式保留1/2，

c)最差的1/3个个体均不保留；

S66：复制

a)将保留下来的个体均做复制，从而恢复种群个体数目到原始数目30N，

b)标记出1个且仅1个最优个体作为不参加交叉、变异的个体；

S67：任选两个个体做交叉操做，一共做8N次，使得16N个个体参加交叉操作，要避免选择被标记为不参加交叉变异的个体，交叉互换基因的方法是：对选择的个体，任一选择两个基因位置，然后将这两个基因位置之间的数组内容进行互换；

S68：变异

a)从上述30N个个体中任选N个个体，避免选择被标记为不参加交叉变异的个体，

b)对每个个体任选一半的基因位置，将相应数组元素修改为ki＝5×random(-1,1)，

c)返回步骤S63。

更进一步的，所述步骤S61中，相电流幅值量测I为abc相电流的平均值。

更进一步的，所述步骤S62中，种群中每个个体的初始值用以下方法生成，以ki为基因构造染色体Yj，每个染色体Yj为1个一维数组，每个ki为数组元素，种群数目选为30×N，即j＝1～30×N，其中，

a)10×N个体的ki采用ki＝0.1×random(-1,1)生成，其中random(-1,1)表示在(-1,1)范围内取随机数，

b)10×N个体的ki采用ki＝0.5×random(-1,1)生成，

c)5×N个体的ki采用ki＝1×random(-1,1)生成，

d)5×N个体的ki采用ki＝10×random(-1,1)生成，

e)将c组中任选的一个个体的ki都取为0，作为1个个体。

更进一步的，所述步骤S64中，最优个体的偏差量小于0.001停止寻优。

进一步的，所述步骤S5中，电流幅值Ij为abc三相电流幅值的平均值。

本发明与现有技术相比，其有益效果为，本发明不用求解雅克比矩阵，建模简单，只对能满足相关方程要求的量进行优化，因此对量测的可观性和齐全性要求低，可以考虑复杂的约束条件，开发调试周期短，并且易于将来算法的扩充和维护。由于设备量测量回路的故障监测实时性远大于秒级，因此由于采用遗传算法导致的计算周期扩展到秒级不会对方法的实用性产生影响。

附图说明

图1是本发明流程框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明提供一种基于遗传算法的变电站电流量测回路故障检测方法。图1为实现本发明的方法流程图。

本发明所提出的基于RTU/SCADA数据，采用遗传算法实现变电站电流量测回路故障检测的方法可应用于调度中心、巡维中心或变电站内的设备状态监视模块。原始数据可直接采自RTU，也可从SCADA的实时库或历史库中获取或转发。由于RTU/SCADA量测量一般是当量测变化超过阈值时进行更新，本专利要求同时获取量测数据，但并不要求量测数据同时刷新。对于所采用的状态估计方法不需要各支路或节点电压相关量测量的齐全，方法中所使用的节点方程和可视化功率求解方程只在有相关量测时建立，若相关量测不齐全，则可以不建立。因此本方法在实际的测量环境中所受约束小。

为了实时地监视变电站范围内各电流量测回路的情况，在EMS的应用服务器或设立单独的设备监视服务器实时地以大约1分钟为周期，对被监视变电站的电流量测回路进行一次故障检测，当发现存在量测值与最可信值差别较大时，提醒运行人员对相应的电流量测回路进行更细致的诊断。也可进一步结合统计，对频繁发生故障告警的量测回路进行重点的深入诊断。

具体步骤如下：

步骤1：搜寻出变电站内的开关岛。

在变电站内开关岛是由母线、断路器、刀闸和短引线组成的电气上相连的一组设备，各设备的阻抗可认为是0。

步骤2：进行电压状态估计，获得开关岛的最可信相电压有效值。

1)取开关岛内a相各电压量测，取平均值，

2)求各a相电压量测与平均值的偏差，

3)去除与平均值偏差大于5％的各个量测中最坏的量测，返回1)。若没有偏差大于5％的点，则终止最可信a相电压幅值Ua的计算，

4)用同样方法计算出Ub和Uc，

5)计算Ua、Ub、Uc的平均值U，

6)当Ua、Ub、Uc与U的偏差均小于5％时，认为***处于平衡状态，取U为最可信相电压。否则认为***处于不平衡状态或电压量测有问题，终止电流量测回路检测。

步骤3：找出电气岛各物理节点所关联的支路。

步骤4：对于物理节点i，根据节点功率守恒定律建立以下方程，若存在量测不全，则不考虑相应物理节点。

$\underset{k=1}{\overset{N_i}{\mathrm{\Σ}}}{P}_{i\_k}=e_{\mathrm{pi}}\≈0---\left(1\right)$

$\underset{k=1}{\overset{N_i}{\mathrm{\Σ}}}{Q}_{i\_k}=e_{\mathrm{qi}}\≈0---\left(2\right)$

式中Ni为节点i相连的支路数目，k为与节点i相连的支路序号，Pi_k、Qi_k均为与节点i相连的k支路的三相总功率，共有NODE个物理节点，即i＝1～NODE。

步骤5：对于物理支路建立以下方程，若存在量测不全，则不考虑相应支路。

${\left(\sqrt{3}{I}_{j}U\right)}^2-(P_j^2+Q_j^2)=e_{\mathrm{sj}}\≈0---\left(3\right)$

式中Ij为支路j的线电流幅值，Pj和Qj为支路j的三相有功和三相无功量测。若支路j给出了abc三相电流幅值，则取三个电流的平均值。

步骤6：用遗传算法求解使得以下目标函数最小的所有支路电流、有功、无功，获得各支路量测量(三相有功、三相无功、单相电流幅值)的最可信值。

$\min e=\underset{i=1}{\overset{\mathrm{NODE}}{\mathrm{\Σ}}}{e}_{\mathrm{pi}}^2+\underset{i=1}{\overset{\mathrm{NODE}}{\mathrm{\Σ}}}{e}_{\mathrm{qi}}^2+\underset{j=1}{\overset{\mathrm{BRANCH}}{\mathrm{\Σ}}}{e}_{\mathrm{sj}}^2---\left(4\right)$

约束条件或偏差量定义见方程(1)～(3)。遗传算法的具体步骤如下：

1)变量定义：取各支路的相电流幅值量测I(若给出abc相电流，则取abc相电流的平均值)、三相有功P和三相无功Q作为待优化求解的参数，为了简化算法，不再对这些量分类处理，用统一的Xi来表示这些量的期望值，Xmi代表实测值，i表示序号，ki表示第i个量期望值与实测值的偏差，满足下式：

X_i＝X_mi(1+k_i)

i＝1～N,其中N为所有I、P、Q的数目。Ki的取值范围为[-10,10]。

2)种群初始化：以ki为基因构造染色体Yj，每个染色体Yj为1个一维数组，每个ki为数组元素。种群数目选为30×N，即j＝1～30×N。种群中每个个体的初始值用以下方法生成：

10×N个体的ki采用ki＝0.1×random(-1,1)生成，其中random(-1,1)表示在(-1,1)范围内取随机数，

10×N个体的ki采用ki＝0.5×random(-1,1)生成，

5×N个体的ki采用ki＝1×random(-1,1)生成，

5×N个体的ki采用ki＝10×random(-1,1)生成，

将c组中任选的一个个体的ki都取为0，作为1个个体。

3)各个体的适应度评价：各个体根据ki求取对应的Xi即I、P、Q的值，然后利用(4)式计算各个体的距离最优值(即0)的偏差量，并将各个个体按偏差量由小到大的顺序排序。

4)终止条件判断：连续100代最优个体的偏差量不再变小，则停止寻优。或者最优个体的偏差量小于0.001停止寻优。

5)选择：

a)最优的1/3个个体全部保留；

b)次优的1/3个个体以随机的方式保留1/2；

c)最差的1/3个个体均不保留。

这样原种群将选择出一半，即15N个个体保留到下一代。

6)复制：

将保留下来的个体均做复制，从而恢复种群个体数目到原始数目30N，

标记出1个且仅1个最优个体作为不参加交叉、变异的个体。

7)交叉：

a)任选两个个体做交叉操做，一共做8N次，使得16N个个体参加交叉操作。要避免选择被标记为不参加交叉变异的个体，

b)交叉互换基因的方法是：对选择的个体，任一选择两个基因位置，然后将这两个基因位置之间的数组内容进行互换。

8)变异：

a)从上述30N个个体中任选N个个体，避免选择被标记为不参加交叉变异的个体，

b)对每个个体任选一半的基因位置，将相应数组元素修改为ki＝5×random(-1,1)，

c)返回步骤3)。

步骤7：电流量测回路可能故障判断。计算I、P、Q最可信值与量测值的偏差(若某支路给出abc三各相电流，则分别计算各相电流的偏差)，当偏差大于10％，则给出相应的电流量测回路可能存在故障的告警。

步骤2已保证，此时电压回路没有问题。

本发明基于遗传算法进行量测量状态估计，不用求解雅克比矩阵，建模简单，对量测量的可观性和齐全性要求低，可以考虑复杂的约束条件，开发调试周期短，并且易于将来算法的扩充和维护。由于设备量测量回路的故障监测实时性远大于秒级，因此由于采用遗传算法导致的计算周期扩展到秒级不会对方法的实用性产生影响。

最后应当说明的是：以上具体实施方式仅用于以上实施例，仅用以说明本发明的技术方案而非对其进行限制，尽管参照上述实施方式对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.基于遗传算法的变电站电流量测回路故障检测方法，其特征在于，包括以下步骤：

S1：搜寻出变电站内的开关岛，所述开关岛是由母线、断路器、刀闸和短引线组成的电气上相连的一组设备，各设备的阻抗为0；

S2：进行电压状态估计，获得开关岛的最可信相电压有效值，若***处于不平衡状态或电压量测有问题，则终止电流量测回路检测；

S3：找出电气岛各物理节点所关联的支路；

S4：对于物理节点i，根据节点功率守恒定律建立以下方程，若存在量测不全，则不考虑相应物理节点，

$\underset{k=1}{\overset{N_i}{\mathrm{\Σ}}}{P}_{i\_k}=e_{\mathrm{pi}}\≈0---\left(1\right)$

$\underset{k=1}{\overset{N_i}{\mathrm{\Σ}}}{Q}_{i\_k}=e_{\mathrm{qi}}\≈0---\left(2\right)$

式中Ni为节点i相连的支路数目，k为与节点i相连的支路序号，Pi_k、Qi_k均为与节点i相连的k支路的三相总功率，共有NODE个物理节点，即i＝1～NODE；

S5：对于物理支路建立以下方程，若存在量测不全，则不考虑相应支路，

${\left(\sqrt{3}{I}_{j}U\right)}^2-(P_j^2+Q_j^2)=e_{\mathrm{sj}}\≈0---\left(3\right)$

式中Ij为支路j的线电流幅值，Pj和Qj为支路j的三相有功和三相无功量测；

S6：用遗传算法求解使得以下目标函数最小的所有支路电流、有功、无功，获得各支路量测量中三相有功、三相无功、单相电流幅值的最可信值，

$\min e=\underset{i=1}{\overset{\mathrm{NODE}}{\mathrm{\Σ}}}{e}_{\mathrm{pi}}^2+\underset{i=1}{\overset{\mathrm{NODE}}{\mathrm{\Σ}}}{e}_{\mathrm{qi}}^2+\underset{j=1}{\overset{\mathrm{BRANCH}}{\mathrm{\Σ}}}{e}_{\mathrm{sj}}^2---\left(4\right)$

各约束条件或偏差量由(1)～(3)式获得；

S7：电流量测回路可能故障判断，计算I、P、Q最可信值与量测值的偏差，若某支路给出abc三各相电流，则分别计算各相电流的偏差，当偏差大于10％，则给出相应的电流量测回路可能存在故障的告警。

2.根据权利要求1所述的基于遗传算法的变电站电流量测回路故障检测方法，其特征在于，所述步骤S2中电压状态估计包含以下步骤：

S21：取开关岛内a相各电压量测，取平均值；

S22：求各a相电压量测与平均值的偏差；

S23：去除与平均值偏差大于5％的各个量测中最坏的量测，返回S21，若没有偏差大于5％的点，则终止最可信a相电压幅值Ua的计算；

S24：用上述方法计算出Ub和Uc；

S25：计算Ua、Ub、Uc的平均值U；

S26：当Ua、Ub、Uc与U的偏差均小于5％时，认为***处于平衡状态，取U为最可信相电压，否则认为***处于不平衡状态或电压量测有问题，终止电流量测回路检测。

3.根据权利要求1所述的基于遗传算法的变电站电流量测回路故障检测方法，其特征在于，所述步骤S6包含以下步骤：

S61：变量定义，取各支路的相电流幅值量测I、三相有功P和三相无功Q作为待优化求解的参数，为了简化算法，不再对这些量分类处理，用统一的Xi来表示这些量的期望值，Xmi代表实测值，i表示序号，ki表示第i个量期望值与实测值的偏差，满足下式：

X_i＝X_mi(1+k_i)

其中i＝1～N,其中N为所有I、P、Q的数目，Ki的取值范围为[-10,10]；

S62：种群初始化；

S63：各个体的适应度评价，各个体根据ki求取对应的Xi即I、P、Q的值，然后利用(4)式计算各个体距离最优值，即0的偏差量，并将各个个体按偏差量由小到大的顺序排序；

S64：终止条件判断：连续100代最优个体的偏差量不再变小，则停止寻优；

S65：将原种群将选择出一半，即15N个个体保留到下一代，具体为，

a)最优的1/3个个体全部保留，

b)次优的1/3个个体以随机的方式保留1/2，

c)最差的1/3个个体均不保留；

S66：复制

a)将保留下来的个体均做复制，从而恢复种群个体数目到原始数目30N，

b)标记出1个且仅1个最优个体作为不参加交叉、变异的个体；

S67：任选两个个体做交叉操做，一共做8N次，使得16N个个体参加交叉操作，要避免选择被标记为不参加交叉变异的个体，交叉互换基因的方法是：对选择的个体，任一选择两个基因位置，然后将这两个基因位置之间的数组内容进行互换；

S68：变异

a)从上述30N个个体中任选N个个体，避免选择被标记为不参加交叉变异的个体，

b)对每个个体任选一半的基因位置，将相应数组元素修改为ki＝5×random(-1,1)，

c)返回步骤S63。

4.根据权利要求3所述的基于遗传算法的变电站电流量测回路故障检测方法，其特征在于，所述步骤S61中，相电流幅值量测I为abc相电流的平均值。

5.根据权利要求3所述的基于遗传算法的变电站电流量测回路故障检测方法，其特征在于，所述步骤S62中，种群中每个个体的初始值用以下方法生成，以ki为基因构造染色体Yj，每个染色体Yj为1个一维数组，每个ki为数组元素，种群数目选为30×N，即j＝1～30×N，其中，

a)10×N个体的ki采用ki＝0.1×random(-1,1)生成，其中random(-1,1)表示在(-1,1)范围内取随机数，

b)10×N个体的ki采用ki＝0.5×random(-1,1)生成，

c)5×N个体的ki采用ki＝1×random(-1,1)生成，

d)5×N个体的ki采用ki＝10×random(-1,1)生成，

e)将c组中任选的一个个体的ki都取为0，作为1个个体。

6.根据权利要求3所述的基于遗传算法的变电站电流量测回路故障检测方法，其特征在于，所述步骤S64中，最优个体的偏差量小于0.001停止寻优。

7.根据权利要求1所述的基于遗传算法的变电站电流量测回路故障检测方法，其特征在于，所述步骤S5中，电流幅值Ij为abc三相电流幅值的平均值。