發(fā)電廠發(fā)電機(jī)組內(nèi)部短路運(yùn)行狀態(tài)智能感知方法

摘 要：發(fā)電機(jī)組內(nèi)部短路故障嚴(yán)重影響電力系統(tǒng)的穩(wěn)定性，導(dǎo)致感知數(shù)據(jù)偏差大。因此，本文設(shè)計了一種智能感知方法，其核心參數(shù)包括線損率和輕載率。該方法利用高精度傳感器實(shí)時獲取參數(shù)信息，并通過數(shù)據(jù)分析來評估風(fēng)險，進(jìn)而判斷故障發(fā)生的可能性及其嚴(yán)重程度。試驗結(jié)果表明，采用本文所提方法能夠感知到40～50個異常數(shù)據(jù)，與實(shí)際情況高度吻合，有效驗證了該方法在感知發(fā)電機(jī)組內(nèi)部短路故障運(yùn)行狀態(tài)方面的準(zhǔn)確性和可靠性。

關(guān)鍵詞：發(fā)電廠；發(fā)電機(jī)組；內(nèi)部短路；智能感知

中圖分類號：TM 933" " " " " " " 文獻(xiàn)標(biāo)志碼：A

在實(shí)際運(yùn)行過程中，發(fā)電機(jī)組內(nèi)部如果發(fā)生短路故障，將嚴(yán)重威脅電力系統(tǒng)的安全穩(wěn)定運(yùn)行。因此，智能感知發(fā)電機(jī)組內(nèi)部短路運(yùn)行狀態(tài)，及時發(fā)現(xiàn)并處理故障，成為了研究的熱點(diǎn)和難點(diǎn)問題。傳統(tǒng)的發(fā)電機(jī)組內(nèi)部短路故障檢測方法主要依賴人工巡檢和定期維護(hù)，這種方法不僅效率低，而且很難發(fā)現(xiàn)隱蔽性故障[1]。隨著人工智能、大數(shù)據(jù)等技術(shù)的快速發(fā)展，為發(fā)電機(jī)組內(nèi)部短路運(yùn)行狀態(tài)的智能感知提供了新的契機(jī)。通過采用這些先進(jìn)技術(shù)，可以實(shí)現(xiàn)對發(fā)電機(jī)組運(yùn)行狀態(tài)的實(shí)時監(jiān)控和數(shù)據(jù)分析，準(zhǔn)確判斷機(jī)組是否存在內(nèi)部短路故障，并及時采取相應(yīng)措施進(jìn)行處置。本文旨在研究發(fā)電廠發(fā)電機(jī)組內(nèi)部短路運(yùn)行狀態(tài)的智能感知方法。

1 確定短路運(yùn)行狀態(tài)參數(shù)

為了準(zhǔn)確確定發(fā)電機(jī)組的短路運(yùn)行狀態(tài)參數(shù)，本文采用了先進(jìn)算法，并構(gòu)建了模型進(jìn)行綜合分析。在發(fā)電機(jī)組短路狀態(tài)感知的過程中，運(yùn)用蟻群算法來探尋最優(yōu)的參數(shù)組合，這些參數(shù)能夠最精確地反映機(jī)組的短路運(yùn)行狀態(tài)。由于發(fā)電機(jī)組運(yùn)行狀態(tài)較為復(fù)雜，單一的數(shù)據(jù)源不能全面反映機(jī)組的實(shí)際狀況。因此，本文構(gòu)建了一個多源工況信息融合模型，該模型能夠整合來自不同傳感器和系統(tǒng)的數(shù)據(jù)，從而獲取更全面、準(zhǔn)確的機(jī)組運(yùn)行狀態(tài)信息。如圖1所示，這種多源工況信息融合模型能夠綜合處理各種數(shù)據(jù)，消除單一數(shù)據(jù)源可能存在的偏差和干擾，進(jìn)而提高短路狀態(tài)感知的準(zhǔn)確性和可靠性。

在發(fā)電機(jī)組內(nèi)部短路運(yùn)行狀態(tài)的智能感知過程中，線損率和輕載率是關(guān)鍵參數(shù)。線損率是電力網(wǎng)在電能傳輸和分配的過程中，各元件（例如線路、變壓器等）所消耗的電能占供電量的比例[2]。當(dāng)發(fā)電機(jī)組發(fā)生內(nèi)部短路時，短路電流會產(chǎn)生大量熱量和電磁力，導(dǎo)致線路溫度升高、電阻增大，使線損率上升。因此，通過實(shí)時監(jiān)測并分析線損率的變化情況，可以發(fā)現(xiàn)發(fā)電機(jī)組內(nèi)部存在的短路故障。線損的計算方法如公式（1）所示。

（1）

式中：LR為線損；ε為衡量實(shí)際觀測值與理論值之間差異的標(biāo)準(zhǔn)殘差；P為發(fā)電機(jī)組產(chǎn)生的有功出力功率；L為發(fā)電機(jī)組所有相關(guān)的電力傳輸線路；i為L中的某一條線路；Δp為在電力傳輸過程中產(chǎn)生的線損功率。

輕載率是發(fā)電機(jī)組在運(yùn)行過程中的實(shí)際負(fù)載與額定負(fù)載之比。當(dāng)發(fā)電機(jī)組處于輕載狀態(tài)時，其運(yùn)行效率和穩(wěn)定性會降低，容易發(fā)生短路故障。因此，監(jiān)測并分析輕載率變化可以預(yù)測發(fā)電機(jī)組的短路風(fēng)險，及時采取預(yù)防措施。當(dāng)負(fù)載率低于20%時，說明發(fā)電廠發(fā)電機(jī)組未發(fā)生短路；當(dāng)負(fù)載率超過20%時，說明發(fā)電機(jī)組處于短路狀態(tài)。

2 獲取運(yùn)行狀態(tài)感知信息

為了獲取發(fā)電廠發(fā)電機(jī)組內(nèi)部短路運(yùn)行狀態(tài)的信息，本文采用了自動化和手工2種收集方式。感知信息的類型見表1。在自動化采集方面，本文以分鐘或秒為單位對數(shù)據(jù)進(jìn)行實(shí)時采集，以縮短消息傳輸時間，保證信息的即時性和準(zhǔn)確性。而在手工收集方面，由于人為因素的影響，數(shù)據(jù)離線時間長達(dá)0.5 h，因此嚴(yán)重影響了信息的時效性和可靠性[3]。

3 建立運(yùn)行信息的風(fēng)險評估

機(jī)組采用多個頻道接收運(yùn)行狀態(tài)感知信息，并將這些信息以MMS（制造消息規(guī)范）報文的形式反饋給機(jī)組控制系統(tǒng)。為了確保機(jī)組的穩(wěn)定、安全運(yùn)行，本文使用了2路同源的電氣模擬裝置進(jìn)行對比。機(jī)組比較誤差的計算過程如公式（2）所示。

（2）

式中：η為機(jī)組比對誤差；V1、V2分別為發(fā)電機(jī)信道一和信道二承載電壓的關(guān)鍵信息；I1、I2分別為發(fā)電機(jī)信道一和信道二承載的電流的關(guān)鍵信息。

當(dāng)η≤0.1%時，發(fā)電機(jī)組的健康狀態(tài)正常，表明發(fā)電機(jī)組正按預(yù)期穩(wěn)定運(yùn)行，無明顯內(nèi)部問題或故障；當(dāng)0.1%lt;η≤1.0%時，發(fā)電機(jī)組可能處于內(nèi)部短路異常狀態(tài)，說明發(fā)電機(jī)組的某些部件可能存在問題，影響其運(yùn)行效率和安全性；當(dāng)ηgt;1%時，說明發(fā)電廠發(fā)電機(jī)組內(nèi)部存在嚴(yán)重的短路異常狀態(tài)[4]。

在實(shí)際應(yīng)用中，由于設(shè)備本身的設(shè)計、制造誤差以及運(yùn)行環(huán)境、操作方式等因素的影響，差動電流ΔI與額定電流IN之間的比值可能會產(chǎn)生一定偏差。這個偏差被稱為差動電流誤差均值μ，如公式（3）所示。

（3）

根據(jù)μ的不同范圍評估設(shè)備的健康狀態(tài)。當(dāng)μ≤0.02時，設(shè)備處于健康狀態(tài)，說明其運(yùn)行狀態(tài)良好，沒有明顯的異?；蚬收?。當(dāng)μ為0.02～0.05時，設(shè)備出現(xiàn)異常狀態(tài)，說明某些內(nèi)部參數(shù)開始偏離正常范圍。如果μ＞0.05，那么設(shè)備處于嚴(yán)重異常狀態(tài)，說明設(shè)備可能存在嚴(yán)重的內(nèi)部故障或安全隱患。在這種情況下，應(yīng)立即停機(jī)，并對機(jī)器進(jìn)行詳細(xì)檢查，維修故障，以防止故障進(jìn)一步惡化，保障設(shè)備安全運(yùn)行。綜上所述，可以結(jié)合μ的值對發(fā)電廠發(fā)電機(jī)組內(nèi)部短路風(fēng)險進(jìn)行綜合評估。

4 運(yùn)行狀態(tài)智能感知

對電壓序列基于風(fēng)險評估進(jìn)行分解，可以智能地感知并確定電站機(jī)組內(nèi)部的短路故障結(jié)果。為了進(jìn)一步提高感知的準(zhǔn)確性，本文對另一個電壓序列進(jìn)行分解，并融合發(fā)電廠發(fā)電機(jī)組內(nèi)部短路的運(yùn)行狀態(tài)感知信息。在此過程中，排除不可靠的數(shù)據(jù)，以保證智能感應(yīng)結(jié)果的精確性。利用電壓序列之間的內(nèi)在關(guān)聯(lián)和差異性來判斷數(shù)據(jù)的可靠性，如公式（4）所示[5]。

（4）

式中：CR為電壓序列；CF（z）為發(fā)電廠發(fā)電機(jī)組內(nèi)部短路運(yùn)行狀態(tài)感知信息；z為g1、g2數(shù)據(jù)交集；?為不可靠的數(shù)據(jù)；CR（g1）為經(jīng)過嚴(yán)格校準(zhǔn)的標(biāo)準(zhǔn)電壓數(shù)據(jù)；CF（g2）為存在誤差、噪聲或異常值的電壓數(shù)據(jù)。對篩選后的電壓數(shù)據(jù)進(jìn)行歸一化處理，將其轉(zhuǎn)換為一個共同的尺度，使不同電壓值之間可以進(jìn)行比較。電壓順序如公式（5）所示。

V=[v1，v2，v3，v4]T " " " " " "（5）

式中：V為電壓數(shù)據(jù)順序集合；v1、v2、v3和v4分別為按順序排列的電壓數(shù)據(jù)。

基于提取的電壓順序可以進(jìn)一步實(shí)現(xiàn)運(yùn)行狀態(tài)智能感知。這個電壓順序不僅反映了各電壓參數(shù)在設(shè)備運(yùn)行過程中的重要性和優(yōu)先級，還提供了一個清晰、有序的數(shù)據(jù)分析框架。

經(jīng)過排序的電壓序列包含設(shè)備運(yùn)行狀態(tài)的重要信息。為了進(jìn)行故障檢測，需要對原始數(shù)據(jù)進(jìn)行特征提取，將其轉(zhuǎn)換為更有用的形式，即提取電壓均值、標(biāo)準(zhǔn)差和波動率等特征。其中，電壓的波動率計算過程如公式（6）所示。

（6）

式中：fV為電壓波動率；σ為電壓標(biāo)準(zhǔn)差；為電壓平均值。

本文利用從電壓序列中提取的多種特征，訓(xùn)練一個支持向量機(jī)（Support Vector Machine，SVM）模型，以識別發(fā)電機(jī)組的運(yùn)行狀態(tài)。SVM作為一種強(qiáng)大的分類器，能夠?qū)W習(xí)并區(qū)分正常運(yùn)行狀態(tài)與各種故障狀態(tài)之間的復(fù)雜邊界。筆者向SVM模型提供已標(biāo)注的數(shù)據(jù)集，其中包括正常和故障狀態(tài)下的特征向量，使模型能夠?qū)W習(xí)這些狀態(tài)之間的差異。在訓(xùn)練完成后，SVM能夠接收新的電壓數(shù)據(jù)特征，并將其準(zhǔn)確分類為正常狀態(tài)或特定類型的故障狀態(tài)，為發(fā)電機(jī)組的狀態(tài)監(jiān)測和故障預(yù)警提供支持?；赟VM的識別結(jié)果，本文進(jìn)一步進(jìn)行故障預(yù)測。通過監(jiān)測電壓序列的變化趨勢和特征參數(shù)的演變，可以預(yù)測設(shè)備發(fā)生故障的時間，并提前采取措施進(jìn)行維護(hù)。為此，筆者定義了一個健康指數(shù)，該指數(shù)結(jié)合了多個特征參數(shù)和預(yù)測模型的輸出，用于量化設(shè)備的健康狀態(tài)。實(shí)時監(jiān)測電壓序列和特征參數(shù)的變化，并根據(jù)綜合的健康狀態(tài)進(jìn)行評分，當(dāng)檢測到異?；驖撛诠收蠒r立即發(fā)出警報。

5 試驗測試

5.1 試驗準(zhǔn)備

根據(jù)試驗需求安裝所需的儀器設(shè)備，將利用電流互感器得到的監(jiān)測信號經(jīng)過中間點(diǎn)注入機(jī)組，設(shè)計一種多頻共模監(jiān)控的信號注入裝置，如圖2所示。試驗設(shè)備的具體參數(shù)見表2。

利用公式（1）計算線損率，以監(jiān)測在電力傳輸過程中的能量損失情況。這個步驟是實(shí)時進(jìn)行的，可以及時發(fā)現(xiàn)發(fā)電機(jī)組內(nèi)部短路故障。利用公式（2）計算輕載率，評估發(fā)電機(jī)組的負(fù)載狀況，預(yù)測短路風(fēng)險。在風(fēng)險評估過程中，利用公式（3）計算兩路同源電氣模擬裝置的對比誤差，以此來評估發(fā)電機(jī)組的健康狀態(tài)。利用公式（4）計算差動電流誤差均值，進(jìn)一步細(xì)分設(shè)備的健康狀態(tài)等級，為決策提供科學(xué)依據(jù)。在電壓序列分解過程中，利用公式（5）融合來自不同傳感器的電壓數(shù)據(jù)，剔除不可靠的數(shù)據(jù)點(diǎn)，保證智能感知結(jié)果的準(zhǔn)確性。利用公式（6）對電壓數(shù)據(jù)進(jìn)行排序，形成有序的電壓序列。在特征提取階段，利用公式（7）計算電壓波動率等關(guān)鍵特征參數(shù)，為SVM模型的訓(xùn)練提供輸入數(shù)據(jù)?；赟VM模型，利用從電壓序列中提取的特征參數(shù)進(jìn)行訓(xùn)練，對發(fā)電機(jī)組運(yùn)行狀態(tài)進(jìn)行智能分類。在故障預(yù)測環(huán)節(jié)，結(jié)合健康指數(shù)和實(shí)時監(jiān)測數(shù)據(jù)，綜合評估設(shè)備的健康狀態(tài)，預(yù)測潛在的故障風(fēng)險。當(dāng)檢測到異?；驖撛诠收蠒r，立即觸發(fā)警報機(jī)制，及時采取應(yīng)對措施。

5.2 試驗結(jié)果

為驗證本文方法的準(zhǔn)確性，設(shè)定設(shè)備在運(yùn)行過程中可能出現(xiàn)的異常值為40～50，作為試驗的控制基準(zhǔn)點(diǎn)。采用文獻(xiàn)[4]和文獻(xiàn)[5]中提到的2種檢測方法與本文方法進(jìn)行對比試驗。試驗大約進(jìn)行80次對比，對比不同檢測方法在異常數(shù)據(jù)方面的表現(xiàn)來評估方法的準(zhǔn)確性和可靠性。各種檢測方法對異常數(shù)據(jù)的感知效果如圖3所示。由圖3可知，使用文獻(xiàn)[4]、文獻(xiàn)[5]方法，異常值數(shù)量分別為[60，70]和[55，65]。但是，使用這些方法得到的異常值數(shù)量與實(shí)際情況之間存在明顯差異，準(zhǔn)確性和實(shí)用性較低。本文方法在識別異常數(shù)據(jù)數(shù)量方面敏感性較高。試驗結(jié)果表明，本文所提方法可以有效地檢測異常數(shù)據(jù)，并對其進(jìn)行校正和處理，真實(shí)反映發(fā)電廠發(fā)電機(jī)組內(nèi)部短路運(yùn)行狀態(tài)。

6 結(jié)語

本文提出一種發(fā)電廠發(fā)電機(jī)組內(nèi)部短路運(yùn)行狀態(tài)智能感知方法，能夠?qū)崟r獲取關(guān)鍵參數(shù)信息并進(jìn)行風(fēng)險評估，來判斷機(jī)組是否存在內(nèi)部短路故障。試驗結(jié)果表明，本文所提方法能夠有效感知異常數(shù)據(jù)，真實(shí)反映發(fā)電廠發(fā)電機(jī)組內(nèi)部短路運(yùn)行狀態(tài)，保障電力系統(tǒng)安全、穩(wěn)定運(yùn)行，減少故障損失。

參考文獻(xiàn)

[1]趙海亮.基于GWKNN算法的風(fēng)力發(fā)電機(jī)組內(nèi)部短路故障辨識系統(tǒng)[J].自動化與儀表，2023，38（9）：36-40.

[2]高麗媛，廖勤武，林瑞發(fā)，等.基于多源數(shù)據(jù)融合的有源配電網(wǎng)運(yùn)行狀態(tài)感知研究[J].現(xiàn)代電子技術(shù)，2023，46（10）：95-99.

[3]李茂，阮耀萱，樊國金，等.基于全景運(yùn)行狀態(tài)感知技術(shù)的電纜終端監(jiān)控系統(tǒng)分析[J].電子技術(shù)，2022，51（12）：318-319.

[4]倪蘇洋，蔣思珺，葛振宇.基于光纜可視化系統(tǒng)的光纜運(yùn)行狀態(tài)感知技術(shù)[J].新型工業(yè)化，2022，12（12）：55-58.

[5]楊國生，李紅志，郭鵬，等.基于模糊綜合評估的繼電保護(hù)裝置運(yùn)行狀態(tài)感知方法[J].電力信息與通信技術(shù)，2020，18（4）：74-83.