申狄秋，卢雯兴，王荣超，石万里

（中国南方电网超高压输电公司柳州局，广西柳州 545006）

对电力系统的运行情况展开实时监测，对可能发生的故障发出报警，或者直接将故障隔离，这一过程称为继电保护。电力体制改革的深入以及电力行业的迅速发展，也对继电保护、故障分析和电网管理决策能力提出了更高的要求。但是，在继电保护过程中，会不可避免的出现操作故障[1-2]。为维护电力系统的稳定运行，必须在故障发生前及时判断故障类型，通过故障诊断及预警避免电力事故的发生[3]。

目前，已有学者针对继电保护装置故障问题进行了研究，了解继电保护过程中的故障处理措施，完善故障诊断技术。如文献[4]中的基于扰动激励的继电保护故障诊断技术以及文献[5]中的基于语义网的继电保护隐性故障辨识诊断技术。上述传统的继电保护故障诊断技术是在完整收集继电保护系统内部信息的基础上，基于不同的诊断方式判断故障位置，从而实现故障诊断。但在利用传统诊断技术时，由于实际计算数据量庞大，将产生一定的故障位置诊断偏差与电路问题。为此，文中在支持向量机下，基于机器学习优化设计了新的继电保护故障诊断技术，在一定程度上优化信息操作内容，判断故障发生的具体位置，从而保持良好的电路状态。

1 基于机器学习获取故障数据

机器学习作为较为普遍的数据操作算法，能够在操作数据数量较为庞大的情况下缩减操作步骤、简化研究流程，并判定不同的数据信息类型，获取所需的数据信息。文中构建BP 网络模型，将继电保护数据全部录入网络模型中，并匹配网络框架，将网络信息数据与操作数据相结合，在结合的同时选取相关程度较强的位置信息。BP 网络结构如图1 所示。

图1 BP网络结构图

输入继电保护数据，并将其按照数据属性分类，将输入向量与一个固定模式绑定，根据固定模式所处位置判断其模式，同时标定模式数据，减少数据的传输量以便数据压缩，减少故障数据提取的复杂程度[6-8]。

由于BP 网络中同一层面的数据神经元数据不存在耦合性，为此，在研究的过程中需固定一个位置参数，并构建位置参数固定公式：

式中，netj表示固定的位置参数数据，ωji为位置数据偏移值，oi表示输出数据信息，θi表示权值参数。经过上述处理后，按照数据检验标准对初步收集后的数据进行数据传输，同时匹配不同的传输信息，转变信息模式，优化数据获取步骤，并下达数据转化命令，将处于同一空间的数据按照命令形式实现自主分配操作[9-10]。

不断增强不同数据获取空间的获取力度，加大对网络数据信号的管理力度，在精准管理的前提下实施数据整合操作，由此获取整合性较强的数据信息，执行内部检验命令，构造BP 网络信息空间，对比网络期望输出量与实际输出量之间的关系，由此，查找数据获取方式间的差异，并从中选取最佳获取通道，实现对数据的获取操作[11]。

2 继电保护故障数据算法处理

在实现对继电保护故障数据的获取后，利用机器学习算法安排不同的操作手段进行数据算法处理。获取全局更新原则，将原始数据录入管理空间中，同时结合继电保护故障数据，在数据融合的过程中不断实现算法处理[12]。

利用综合管理空间传导任务指令，同时在指令传达的瞬间将接受处理的数据全部转移至内部操控空间中，控制继电保护故障数据流向，在操作范围内选取最佳领域数据，并按照区域操作模式模块化管理流向信息。在实现每次巡径后，更新数据传输路径，并设置如下更新公式：

式中，p表示故障数据位置参数，Kgb表示寻找的最佳更新路径信息，r与s表示数据更新过程中的标记参数，t表示操作模式数据。根据以上操作，实现传输路径的更新操作，并不断提升路径的修理力度，获取较为精准的操作信息数据。

转变此时的操作任务，将算法公式同时代入内部数据管理机制中，不断调配信息整合手段[13-14]，并强化内容信息，增添中心故障数据的处理方式，利用不同效果的处理手段完善处理信息空间，并选取局部更新原则对未得到有效更新的路线进行二次系统空间更新，并时刻保护更新电路的安全状态，加大对状态的分析程度，利用免疫蚁群算法将故障数据集中到密闭的操作空间中执行操作指令，实现对继电保护故障数据的算法处理操作。

3 继电保护故障诊断

预测后续研究操作中将产生的故障性检验问题，配置高审核率的故障诊断模式，加强数据信息的记忆能力，针对支持向量机下的继电保护装置信息，扩大数据调节的范围，并加大管理信息的力度，分配数据亲和力，将核函数信息及时录入中心空间[15-16]。

寻找初始优化数据主体，并主导内部故障诊断操作，防止数据外泄。并不断查找相关的诊断内容，匹配调节的信息，对诊断方式进行管理，提取中心数据，利用径向基网络选取优化数据，隐藏输出层的函数，将函数信息一同转入操作空间中，并集中网络信息，匹配信息数据，构建径向基函数图，如图2 所示。

图2 径向基函数图

及时调节与诊断信息不符的数据，并清除此数据信息，构建径向基网络结构图，如图3 所示。

图3 径向基网络结构图

图3 中，根据文本提供的数据信息管理操作控件，并转化操作控件状态，利用网络测试数据加大对内部结构的管理，更新数据适应度，并传导适应度信息、掌控诊断信息，达到对故障诊断的目的。

4 实验与分析

为验证支持向量机下基于机器学习优化的继电保护故障诊断技术的实际应用性能，利用Matlab 仿真系统搭建仿真实验环境，设置模拟继电保护故障后，将该技术与传统的基于扰动激励的故障诊断技术、基于语义网的故障诊断技术进行对比。实验步骤如下：

1）控制继电保护装置位置，将其放置于系统操作允许范围内，并及时调控不同位置的数据信息，构建内部神经元图像整合信息；

2）将属于同一种群的故障数据信息集中传输至同一实验通道中等待后续操作；

3）将模拟的继电保护故障数据传导至故障诊断中心，并配置相应的信息转化装置，经信息整合后构建最优分类面图；

4）分别利用文中技术、基于扰动激励的故障诊断技术、基于语义网的故障诊断技术对故障位置进行诊断；

5）结束实验，分析继电保护故障定位效果。实验参数表设置情况如表1 所示。

表1 实验参数设置情况

首先，以电力系统输电线路的安全性为验证指标，对比不同故障诊断技术下电力系统输电线路的工频电气量变化情况，结果如表2 所示。

表2 电力系统输电线路的工频电气量变化情况统计表

分析表1 信息可知，在基于扰动激励的故障诊断技术下，实验路段出现阻抗突变和电压突降；在基于语义网的故障诊断技术下，实验路段电流与电压间的相位角发生异常改变；在文中技术下，实验路段未出现工频电气量异常变化情况。由此可知，文中设计的继电保护故障诊断技术能更高效地避免电力线路发生故障，从而为电力系统输电线路的工频电气量变化稳定提供了支持。

造成此种差异的原因在于文中技术在支持向量机广义线性分类的基础上，利用机器学习基于搜索匹配程度较高的优化算法，实现了对电力系统故障数据信息的有效捕捉，同时还强化了数据操作力度，从根本上使得采集到的继电保护故障数据更有效、可靠。

而传统的基于扰动激励的故障诊断技术和基于语义网的故障诊断技术，虽也在一定程度上优化了诊断方式，但在操作的同时也导致了对故障信息采集、判断的精准度较低，致使电力系统输电线路的安全性较差。

在此基础上，为进一步证明支持向量机下基于机器学习优化的继电保护故障诊断技术的应用优势，利用不同诊断技术对实验路段中的故障位置进行定位，通过对比不同方法的故障定位精准度来判断不同方法的有效性，实验结果如表3 所示。

表3 不同技术下故障定位精准度统计结果

为突出对比不同继电保护故障诊断技术对故障位置定位的精准度，将表3 数据绘制为折线图，如图4 所示。

图4 故障定位精准度对比图

综合分析表3 和图4 可知，基于扰动激励的故障诊断技术下故障定位精准度始终处于90%以下，基于语义网的故障诊断技术下故障定位精准度波动较明显，但也始终处于90%以下，而文中技术下继电保护故障定位的精准度始终高于另外两种传统技术，最高的故障定位精准度可达到96%。由此可以说明，支持向量机下基于机器学习优化的继电保护故障诊断技术能够精准地诊断出故障位置。

这是因为文中技术在选取有效的故障数据后，标记了其信号信息，以此为基础实施继电保护故障定位，从而增强了故障定位的精准度。

综上所述，在支持向量机下基于机器学习优化的继电保护故障诊断技术，实验电路的安全性以及故障位置的诊断定位精准度均得到有效的提升，证明该技术具有较高的应用价值。

5 结束语

文中针对传统继电保护故障诊断技术对故障位置的判断精准度较低的问题，在支持向量机下提出了一种基于机器学习优化的继电保护故障诊断技术。根据不同的故障诊断手段选取最为适宜的操作方式，并结合网络构架研究继电保护内部系统状况，实现精准分析，同时匹配了相应的算法数据，提升故障诊断结果的真实性与可靠性。实验结果表明，支持向量机下基于机器学习优化的继电保护故障诊断技术的诊断效果明显优于传统研究的诊断效果，应用该技术后，电力系统安全性得以提升。