冯 东, 王利军, 张治中, 曾凡君, 常晓荣

(北京国电通网络技术有限公司，北京 100070)

继电保护设备是电力系统的重要组成部分，其运行状态直接影响电力系统的安全性和可靠性，因此对继电保护设备状态进行监测和监测数据采集有助于及时了解继电保护设备的实时状态，为继电保护设备维护保养与检修提供参考依据[1-4]。传统的继电保护设备检修一般按照固定周期进行，无法及时准确地实现继电保护设备的检修，甚至出现过检验的情况，浪费大量人力、物力和财力。为提高继电保护设备状态监测的实时性和故障诊断的准确率，本文结合4G网络通信技术覆盖率高、成本低以及无需铺设线路的优点[5-6]，运用4G网络通信技术实时传输采集到的继电保护设备状态监测数据，建立了基于特征数据的凉亭鸟优化(satin bowerbird optimizer，SBO)算法-极限学习机(extreme learning machine,ELM)的继电保护设备状态实时监测与故障诊断系统。

1 监测系统结构

为实现对继电保护设备的实时状态监测与故障诊断，建立了基于4G网络通信技术的继电保护设备状态监测与故障诊断系统，系统结构如图1所示。该监测系统采用树形结构，包括监测装置、通信网络以及监控中心3个部分。

1)继电保护设备状态监测装置分为在线监测装置或便携式监测装置，监测装置主要用来采集继电保护设备状态数据。

图1 监测系统结构图

2)4G网络通信负责继电保护设备状态数据的传输，主要由4G网络和4G路由器组成。其中，4G网络利用点对点隧道协议(point-to-point tunneling protocol, PPTP)和虚拟专用网络(virtual private NetWork, VPN)建立专用的继电保护设备状态监测网络，该监测网络不仅支持TD-LTE格式，而且支持FDD-LTE格式。用户端可以通过移动终端或者个人电脑(personal comptuer,PC)端访问继电保护设备状态监测网络，及时查看继电保护设备状态监测数据。

3)监控中心由服务器组和监测客户端组成。监测客户端采用上位机监测形式，能够及时查看继电保护设备状态监测的各种数据、图形以及报表。服务器组有数据库服务器、通信服务器和Web服务器等3种。

系统的硬件结构图如图2所示。

图2 硬件系统结构图

图2中，继电保护设备状态监测与故障诊断系统由传感器阵列(采集继电保护设备不同状态数据)、信号预处理、4G网络通信模块、TMS320F2812 DSP核心处理器以及上位机等组成。通过对继电保护设备状态数据的采集和预处理，再将其传输到TMS320F2812 DSP核心处理器的ADC转换接口，实现数据转换和存储，通过监测现场的继电保护设备状态故障显示器可以进行实时监控和SBO-ELM故障诊断。

2 SBO算法

SBO算法[7]是模仿雄性凉亭鸟建造与装饰凉亭以此来吸引雌性凉亭鸟繁衍后代的仿生算法。该算法将随机选择的初始凉亭位置当作所要求解问题的候选解，经过凉亭的概率选择、精英策略、位置更新以及突变操作等找到最佳凉亭位置，也就是所要求解问题的最优解。SBO算法主要步骤如下：

1)种群初始化。随机产生M个初始种群，种群初始化公式为：

xij=xjmin+rand(0,1)×(xjmax-xjmin)

(1)

式中：xij为初始化种群位置，i=1,2,…,M，j=1,2,…,D，其中D为待优化问题的维数；xjmax和xjmin分别为优化问题第j维的上、下限。

2)计算每个个体适应度和被选择的概率。凉亭搭建好之后，雄性凉亭鸟就会在凉亭内外高声鸣叫，吸引雌性凉亭鸟，雌性凉亭鸟根据式(1)概率在凉亭附近搭建鸟巢产蛋。

(2)

式中：Pi为第i只凉亭鸟的选择概率；fi为第i只凉亭鸟的适应度。

(3)

式中：f(xi)为第i个凉亭位置的适应度函数。

3)位置更新。雌性凉亭鸟位置更新公式为：

(4)

(5)

式中：a为最大步长。

4)突变操作。为提高SBO算法的搜索性能，将正态分布应用于当前凉亭鸟位置进行突变操作。

(6)

(7)

式中：z为搜索空间系数；Umax,Umin分别为搜索空间上限和下限；σ为标准偏差。

3 极限学习机

假设有N个训练样本(xi,ti)(i=1, 2, … ,N)，隐含层节点数为L，xi和ti分别为输入变量和目标输出量，则ELM数学模型为[8]：

(8)

式中：οi为ELM模型的输出；βj为隐含层与输出层之间的连接权值；g(·)为激活函数；wj为输入层权值；bj为隐含层阈值。

假设存在βj,wj和bj使得所有样本(xi,ti)可以零误差逼近，则有[9]：

(9)

式(9)的矩阵形式为：

Hβ=T

(10)

式中：β=[β1,β2,…,βM]T；T=[t1,t2,…,tN]T；H为隐含层输出矩阵。

一般地，在实际训练中ELM模型隐含层的节点数小于训练样本数N，且wj和bj在训练过程中是随机产生的，则输出权重β的最小二乘解β*为：

β*=H+T

(11)

式中：H+为矩阵H的Moore-Penrose广义逆阵。

4 基于SBO-ELM的继电保护设备状态故障诊断

4.1 目标函数

由于ELM模型训练过程中随机产生的输入层权值和隐含层偏置，导致ELM模型结果稳定性较差且精度相对较低，因此运用SBO优化ELM模型的输入层权值和隐含层偏置。选择错误率fit作为SBO-ELM的目标函数[10]：

(12)

式中：Mr和MT分别为分类正确的样本数和总样本数。

基于4G和SBO-ELM的继电保护设备状态监测与故障诊断流程如下。

1)读取继电保护设备状态在线监测数据，划分训练集和测试集并归一化数据：

(13)

式中：x′为归一化之后的数据；Low,Up为归一化之后的最小值和最大值，文中取Low=-1,Up=1；x,xmax和xmin分别为原始数据、原始数据中的最大值和最小值。

2)设置SBO算法参数：最大迭代次数T、种群规模popsize、选择概率P、最大步长a以及搜索空间系数z，随机初始化凉亭位置。

3)运用训练集数据，根据式(12)计算每个凉亭个体的目标函数值并排序，保留当前最优凉亭位置为精英个体位置。

4)根据式(2)和式(3)计算凉亭选择概率。

5)根据式(4)更新凉亭位置。

6)计算当前凉亭位置目标函数值并排序，找到当前凉亭精英位置，并与上一代精英位置进行比较，若优于上一代精英位置，则保留当前凉亭鸟位置；反之，保留上一代精英位置。

7)若迭代次数t>T，输出最优凉亭位置，也就是对应ELM模型的最优输出层权值和隐含层偏置；反之，重复步骤3)～7)。

8)将最优输出层权值和隐含层偏置代入ELM模型，运用测试集数据进行继电保护设备状态故障诊断测试。

4.2 特征选择

本文继电保护设备状态监测与故障诊断系统所采集的数据通过传输协议TCP/IP进行传输[11-12]。选择通道号、误码时长、数据包用时长、严重误码时长、信息缺失时长、误码总数、误码率、帧失步时长、告警时长和对端告警时长等10个特征作为继电保护设备状态故障诊断的特征向量。

4.3 结果分析

以信号正常(OK)以及检测不到HDLC数据包(LOP)、信号丢失(LOS)、CRC检验错误的HDLC数据包(ERR)和告警指示信号(AIS)等信号的样本数据为研究对象[13-14]，验证基于SBO-ELM的继电保护设备状态故障诊断的有效性和可靠性。继电保护设备在线故障样本数据分布见表1。

表1 样本数据分布

将通道号、误码时长、数据包用时长、严重误码时长、信息缺失时长、误码总数、误码率、帧失步时长、告警时长和对端告警时长等10个特征作为ELM的输入向量，故障类型作为ELM的输出向量，建立ELM模型。不同故障编码见表2。为验证SBO-ELM模型的有效性，分别采用SBO-ELM、遗传算法(genetic algorithm,GA)优化极限学习机(GA-ELM)、ELM和前馈神经网络(back propagation network,BPNN)进行继电保护设备在线故障监测与诊断，结果对比见表3。

表2 故障编码

表3 故障诊断结果对比 %

由表3可知，与GA-ELM、ELM和BPNN相比，SBO-ELM的故障诊断准确率最高，BPNN的故障诊断准确率最低。从对不同故障诊断准确率的角度来看，基于继电保护设备状态监测与SBO-ELM的故障诊断系统的准确率最高，优于GA-ELM、ELM以及BPNN，为继电保护设备状态监测与故障诊断提供了新的方法。

5 结束语

为了提高继电保护设备状态监测与故障诊断的准确率，本文融合4G网络通信技术，提出一种基于4G网络通信技术的继电保护设备状态监测与SBO-ELM的故障诊断系统。研究结果表明，与GA-ELM、ELM和BPNN相比，本文方法可以有效提高继电保护设备状态故障诊断准确率，为继电保护设备在线监测与检修提供了科学的方法。本文只研究了5种典型信号的继电保护设备状态监测与故障诊断，没有对其他信号进行研究，后续将对更多类型信号的继电保护设备状态监测与故障诊断方法进行研究，以提高系统的适用性和可靠性。