基于差分天牛須算法的繼電保護(hù)裝置異常警告方法

摘 要：受到多因素影響，對(duì)不同程度的異常故障信息節(jié)點(diǎn)，采用定量參數(shù)作為觸發(fā)條件，出現(xiàn)部分異常故障信息感知偏差較大，造成警告保護(hù)失效的問(wèn)題。為此，設(shè)計(jì)了一種基于差分天牛須算法的繼電保護(hù)裝置異常警告方法。計(jì)算異常警告觸發(fā)的頻度 無(wú)效觸發(fā)概率的最大似然估計(jì)值，確定繼電保護(hù)裝置異常警告節(jié)點(diǎn)的先驗(yàn)概率，通過(guò)貝葉斯網(wǎng)絡(luò)與異常警告信息節(jié)點(diǎn)故障樹之間的相似性，對(duì)故障樹進(jìn)行優(yōu)化，同時(shí)，引入差分天牛須算法進(jìn)行二次優(yōu)化，完成對(duì)應(yīng)感知異常警告信息節(jié)點(diǎn)的位置更新，完成繼電保護(hù)裝置異常警告方法。實(shí)驗(yàn)結(jié)果表明，提出方法具備提升異常警告精準(zhǔn)度，降低全局偏差的能力，且方法操作全過(guò)程穩(wěn)定性好，擾動(dòng)控制收斂適中，具有較高的研究與推廣價(jià)值。

關(guān)鍵詞：差分天牛須算法；繼電保護(hù)裝置；異常；警告

中圖分類號(hào)：TM773文獻(xiàn)標(biāo)識(shí)碼：A

An Abnormal Alarm Method of Relay Protection Device

Based on Differential Beetle Antenna Algorithm

WANG Lijun， CHENG Peng， MEI Qianyu， TAN Pucheng， WU Guangjie， CAI Hongru

（Goupitan Power Plant ，Guizhou Wujiang Hydropower Development Co.， Ltd.， Zunyi， Guizhou 564400，China）

Abstract：Affected by multiple factors， quantitative parameters are used as triggering conditions for nodes with different degrees of abnormal fault information. As a result， there is a significant deviation in the perception of some abnormal fault information， leading to the failure of warning protection. To address this issue， a relay protection device abnormal alarm method based on the differentialbeetle antennaalgorithm is designed. Calculate the frequency of abnormal alarm triggering maximum likelihood estimate of invalid triggering probability， determine the prior probability of abnormal warning nodes in relay protection devices， optimize the fault tree through the similarity between Bayesian network and abnormal warning information node fault tree， and introduce the differential beetle algorithm for secondary optimization to complete the position update of corresponding perceptual abnormal warning information nodes， complete the abnormal alarm method for relay protection devices. The experimental results show that the proposed method has the ability to improve the accuracy of anomaly warnings， reduce global deviations， and has good stability throughout the operation process. The disturbance control convergence is moderate， and it has high research and promotion value.

Key words：differential beetle antenna algorithm; relay protection device; abnormal; warning

故障分析是繼電保護(hù)裝置在對(duì)電路系統(tǒng)保護(hù)過(guò)程中的核心環(huán)節(jié)，其核心算法的異常感知能力及其準(zhǔn)確度直接影響電路系統(tǒng)的應(yīng)用安全。通過(guò)對(duì)近五年的繼電器算法應(yīng)用效果的統(tǒng)計(jì)發(fā)現(xiàn)，93.4%的繼電器保護(hù)故障問(wèn)題的出現(xiàn)都?xì)w結(jié)于傳統(tǒng)算法的異常警告數(shù)據(jù)感知偏差較大[1-2]。其偏差來(lái)源受到電網(wǎng)系統(tǒng)控制參量，繼電器生產(chǎn)規(guī)格差異，使用環(huán)境因素等多種因素影響。因此，如何通過(guò)故障信息的有效利用，快速定位故障元件、動(dòng)作結(jié)果及保護(hù)裝置內(nèi)部信息異常，成為解決問(wèn)題的關(guān)鍵，同時(shí)也是當(dāng)下研究的熱門課題。

差分天牛須算法是一種新型的全局優(yōu)化算法，能夠?qū)?fù)雜系統(tǒng)進(jìn)行全局優(yōu)化，具有良好的魯棒性和魯棒性[3-4]，在很多領(lǐng)域得到了廣泛應(yīng)用。該方法以故障信息為基礎(chǔ)，結(jié)合數(shù)據(jù)差分處理技術(shù)，綜合利用繼電保護(hù)裝置內(nèi)部信息和故障元件信息，能夠有效提高異常警告的準(zhǔn)確性和及時(shí)性。

1 繼電保護(hù)裝置異常警告方法

1.1 繼電保護(hù)裝置異常警告節(jié)點(diǎn)先驗(yàn)概率確定

考慮到不同繼電器型號(hào)之間存在的差異，以及各個(gè)廠家、設(shè)計(jì)參數(shù)之間的不同，這些因素都會(huì)對(duì)保護(hù)效果產(chǎn)生影響。因此在提出方法中，首先需要確定繼電保護(hù)裝置異常警告節(jié)點(diǎn)的先驗(yàn)概率。通過(guò)準(zhǔn)確地確定先驗(yàn)概率，可以顯著提高警告節(jié)點(diǎn)的感知準(zhǔn)確性。

為了實(shí)現(xiàn)這一目標(biāo)，需要構(gòu)建一個(gè)根節(jié)點(diǎn)網(wǎng)絡(luò)。根據(jù)異常警告節(jié)點(diǎn)分布的特征，采用貝葉斯網(wǎng)絡(luò)[5-6]來(lái)完成根節(jié)點(diǎn)網(wǎng)絡(luò)的構(gòu)建。貝葉斯網(wǎng)絡(luò)具有分布類精準(zhǔn)性強(qiáng)的特點(diǎn)，這使得它能夠與后期的差分天牛須算法完美融合。這種融合降低了算法轉(zhuǎn)化過(guò)程中可能帶來(lái)的參數(shù)損失，從而提高了整體計(jì)算的準(zhǔn)確性。

具體計(jì)算過(guò)程如下：

根據(jù)異常節(jié)點(diǎn)樣本的周期性可知，在周期內(nèi)的異常信息節(jié)點(diǎn)所構(gòu)成的樣本具有隨機(jī)截尾特性。因此假設(shè)樣本規(guī)模為n，其中包含r組樣本可以觸發(fā)異常警告，異常警告觸發(fā)時(shí)間為ti，即異常警告被觸發(fā)時(shí)的時(shí)間點(diǎn)與繼電保護(hù)裝置感知異常節(jié)點(diǎn)信息所用時(shí)間之差，i=1，2，…，r；共包含k個(gè)樣本正常信息節(jié)點(diǎn)，cj代表正常信息節(jié)點(diǎn)樣本的截尾時(shí)間，即樣本反饋所需時(shí)間與發(fā)送所需時(shí)間之差，j=1，2，…，k。根據(jù)歷史經(jīng)驗(yàn)可知，常規(guī)警告觸發(fā)過(guò)程中指數(shù)分布對(duì)于異常警告觸發(fā)節(jié)點(diǎn)信息系數(shù)的擬合程度較高[7-8]，由此可以得到異常警告觸發(fā)的頻度—無(wú)效觸發(fā)概率λ的最大似然估計(jì)值的計(jì)算公式為：

=r∑ri=1ti+∑kj=1ci （1）

通過(guò)計(jì)算可以發(fā)現(xiàn)，在提出方法設(shè)定的樣本條件下，相同繼電保護(hù)裝置的穩(wěn)定性更好，參數(shù)偏差造成的警告影響系數(shù)為0，由此可知該過(guò)程中根節(jié)點(diǎn)處于穩(wěn)定狀態(tài)，其對(duì)應(yīng)觸發(fā)概率系數(shù)值為１，將其從貝葉斯網(wǎng)絡(luò)剔除，可得到失效概率所對(duì)應(yīng)的系數(shù)值，即繼電保護(hù)裝置異常警告節(jié)點(diǎn)先驗(yàn)概率為：

F（t）=1－e－λ（t－t1） （2）

式中，t代表當(dāng)下樣本觸發(fā)所用的時(shí)間；t1代表繼電保護(hù)裝置發(fā)送感知節(jié)點(diǎn)所用時(shí)間與上一時(shí)間點(diǎn)下全局檢測(cè)中感知異常警告時(shí)間之間的最大差值。

1.2 異常警告節(jié)點(diǎn)故障樹貝葉斯網(wǎng)絡(luò)量化

基于上述計(jì)算結(jié)果，可以在構(gòu)建的貝葉斯網(wǎng)絡(luò)中將繼電保護(hù)異常信息節(jié)點(diǎn)所對(duì)應(yīng)的集合轉(zhuǎn)化為異常警告故障樹。通過(guò)貝葉斯網(wǎng)絡(luò)與異常警告信息節(jié)點(diǎn)故障樹之間的相似性，可以對(duì)故障樹進(jìn)行優(yōu)化。

故障樹中上、中、下三部分信息流分布可對(duì)應(yīng)貝葉斯網(wǎng)絡(luò)中的葉節(jié)點(diǎn)、根節(jié)點(diǎn)和其他節(jié)點(diǎn)。原有故障數(shù)感知規(guī)則對(duì)應(yīng)的門限參數(shù)可以轉(zhuǎn)化為有界參數(shù)[9-10]，其中門限參數(shù)的邏輯規(guī)則，可根據(jù)定義條件的概率情況具體確定。由此可以得到故障樹中任意事件均有且僅有兩種狀態(tài)，即觸發(fā)狀態(tài)與未觸發(fā)狀態(tài)?？紤]到警告狀態(tài)觸發(fā)程度的不同，根據(jù)實(shí)際應(yīng)用需要，在提出方法中采用動(dòng)態(tài)多模態(tài)模型對(duì)其進(jìn)行優(yōu)化。

在多態(tài)模型中，將感知信息節(jié)點(diǎn)狀態(tài)分為“故障”、“異?！?、“穩(wěn)定”三種狀態(tài)。將上述根節(jié)點(diǎn)的觸發(fā)狀態(tài)與未觸發(fā)狀態(tài)轉(zhuǎn)換為三狀態(tài)建模時(shí)，針對(duì)“故障”或“異?！眱煞N狀態(tài)中，與根節(jié)點(diǎn)所對(duì)應(yīng)異常警告信息匹配程度作為異常警告的先驗(yàn)概率；與根節(jié)點(diǎn)異常警告信息不匹配程度程度時(shí)，其警告先驗(yàn)概率系數(shù)為0；“穩(wěn)定”狀態(tài)所對(duì)應(yīng)的警告概率系數(shù)為根節(jié)點(diǎn)異常警告不匹配的概率。

貝葉斯網(wǎng)絡(luò)中感知異常節(jié)點(diǎn)信息的條件按照概率分布邏輯進(jìn)行表達(dá)，需滿足：

P（X=故障）=1ifpa（X）滿足pa（X）=故障0other （3）

P（X=異常）=1if pa（X）滿足pa（X）=

異常，且P（X=故障）=0

0other（4）

1-P（X=故障）-P（X=異常） （5）

其中，pa（X）代表X的主節(jié)點(diǎn)。

根據(jù)貝葉斯條件概率計(jì)算方法，可以對(duì)線路保護(hù)TS空接、線路保護(hù)通道警告和線路繼電保護(hù)裝置狀態(tài)之間的概率關(guān)系進(jìn)行建模。假設(shè)A線路保護(hù)TS空接和B、C線路保護(hù)通道警告的先驗(yàn)概率分別為0.2和0.3，那么可以使用貝葉斯條件概率計(jì)算方法來(lái)計(jì)算出不同節(jié)點(diǎn)狀態(tài)的概率，具體結(jié)果如圖1所示。

1.3 引入差分天牛須算法的異常警告節(jié)點(diǎn)位置更新

為了提高異常警告數(shù)據(jù)節(jié)點(diǎn)的識(shí)別精度，引入了差分天牛須算法（Differential Beetle Antenna Algorithm）進(jìn)行優(yōu)化。這種算法通過(guò)模擬生物啟發(fā)式識(shí)別行為，建立BAS（Beetle Antennae based Search）算法模型，通過(guò)對(duì)異常節(jié)點(diǎn)實(shí)施差分搜索掃描與探測(cè)的兩種行為，從而獲得更準(zhǔn)確的異常警告信息識(shí)別特征。

通過(guò)引入差分天牛須算法進(jìn)行優(yōu)化[11-12]，能夠?qū)崿F(xiàn)對(duì)異常警告數(shù)據(jù)節(jié)點(diǎn)的高精度識(shí)別。該算法不僅具有快速、準(zhǔn)確的優(yōu)點(diǎn)，還具有很好的魯棒性和適應(yīng)性，可以廣泛應(yīng)用于各種異常檢測(cè)和識(shí)別問(wèn)題中。

首先，假設(shè)異常信息搜索與探測(cè)過(guò)程中每一個(gè)差分單元中的天牛個(gè)體xi分別對(duì)應(yīng)一組D維解空間，其位置為可以描述為xi={x1i，x2i，…，xji，…，xDi}，xi∈X，i={1，2，…，NP}。其中，X代表參與優(yōu)化的天牛種群，D代表異常警告信息優(yōu)化空間維度，NP代表種群規(guī)模。定義天牛差分搜索狀態(tài)下隨機(jī)搜索方向b的函數(shù)關(guān)系表達(dá)式為：

b=rnd（D，1）‖rnd（D，1）‖ （6）

其中，rnd（D，1）代表隨機(jī)樣本維度D中所包含的異常觸發(fā)行為[0，1]信息。

然后，根據(jù)優(yōu)化天牛個(gè)體xi對(duì)應(yīng)搜索結(jié)果，通過(guò)關(guān)系式（7）、式（8）可得到自身左右須位置：

xri=xti+dtbxli=xti－dtb（7）

dt=d0+γddt－1（8）

其中，xli與xri代表xi任意一只天牛須所指向的搜索位置；xti代表xi第t次迭代狀態(tài)下自身所在的位置；dt代表第t次迭代優(yōu)化后其中任意一只天牛觸須所在位置的質(zhì)心距離。

最后，通過(guò)第t次迭代后天牛個(gè)體所探測(cè)結(jié)果，結(jié)合式（9）與式（10）完成對(duì)應(yīng)感知異常警告信息節(jié)點(diǎn)的位置更新：

xti=xt-1i-δtbsign（f（xri）－f（xli））（9）

δt=γδδt－1（10）

其中，δt代表第t次異常警告信息節(jié)點(diǎn)位置更新的迭代步長(zhǎng)，γδ代表天牛移動(dòng)搜索步長(zhǎng)，f（xli）與f（xri）分別為xli與xri所對(duì)應(yīng)異常警告信息節(jié)點(diǎn)的適應(yīng)度函數(shù)值，sign（）代表天牛算法中個(gè)體天牛須指向的符號(hào)函數(shù)。

為了避免天牛種群在搜索過(guò)程中出現(xiàn)高維空間依賴問(wèn)題，采取了一種創(chuàng)新的策略。將天牛須算法與不同維度空間的異常警告信息節(jié)點(diǎn)特征相結(jié)合，進(jìn)行同目標(biāo)的多次搜索。該策略能夠有效地利用不同維度空間的信息，提高搜索的精度和效率。同時(shí)采用差分優(yōu)化方法，成功地實(shí)現(xiàn)了對(duì)種群多樣性的保護(hù)。這種方法可以增強(qiáng)算法在搜索過(guò)程中的穩(wěn)定性，避免出現(xiàn)單一解的情況。同時(shí)，還提升了不同維度空間下異常警告信息節(jié)點(diǎn)的均勻分布與精準(zhǔn)識(shí)別。

通過(guò)這些優(yōu)化措施，成功地優(yōu)化了算法的收斂效果?，F(xiàn)在，算法能夠更快地找到最優(yōu)解，提高了搜索效率。而且，由于算法的穩(wěn)定性增強(qiáng)，能夠更準(zhǔn)確地預(yù)測(cè)搜索結(jié)果，從而更好地應(yīng)對(duì)高維空間依賴問(wèn)題。其操作過(guò)程可通過(guò)偽代碼進(jìn)行如下描述：

p=2D+1;

fori=1：NP do

for j=1：D do

r（j）=2cos （（2πj）/p）;

xji=lji+mod （r（j）·i，1）（uji－lji）

end for

end for

其中，xji代表優(yōu)化過(guò)程中隨機(jī)個(gè)體天牛在第j維空間下的位置，NP代表種群規(guī)模，D代表搜索位置關(guān)系所更新的實(shí)際維度，j∈1，2，…，D，uji與lji代表搜索邊界上的最大值與最小值。

算法具體執(zhí)行及其差分動(dòng)態(tài)更新過(guò)程具體描述如下：

（1）通過(guò)對(duì)目標(biāo)信息樣本執(zhí)行動(dòng)態(tài)差分進(jìn)化策略，根據(jù)式（11）的差分變異操作與式（12）的差分交叉操作確定天牛種群優(yōu)化移動(dòng)方向。

DE/best/1：vi=xbest+F（xi1－xi2） （11）

其中，xbest代表當(dāng)前時(shí)間點(diǎn)及其變量條件下天牛個(gè)體中的最優(yōu)量；其中包含變異式i，i1，i2∈1，2，…，NP且二者之間存在差異性，NP代表天牛種群規(guī)模；F代表感知尺度控制因子。

TemVi（j）=υi（j）Ui（j）≤CRorj=k

xi（j）otherwise （12）

其中，TemVi代表動(dòng)態(tài)差分進(jìn)化策略執(zhí)行條件下每個(gè)天牛個(gè)體搜索的實(shí)際移動(dòng)位置，υi代表天牛個(gè)體差分變異優(yōu)化后所對(duì)應(yīng)的位置，xi代表天牛須所指的原始位置，Ui（0，1）為[0，1]范圍內(nèi)的任意一組系數(shù)值，k∈1，2，…，D代表天牛個(gè)體搜索更新過(guò)程中的一個(gè)隨機(jī)參數(shù)索引，j代表即時(shí)更新維度，j∈1，2，…，D。

搜索尺度控制因子F與交叉率CR的取值系數(shù)可分別通過(guò)式（13）與式（14）計(jì)算得到：

F=Fmax －（Fmax －Fmin ）·（G/Gmax ）（13）

CR=CRmax －（CRmax －CRmin ）·（G/Gmax ）（14）

其中，G代表此刻天牛種群所對(duì)應(yīng)的迭代次數(shù)，Gmax 代表此刻天牛種群所對(duì)應(yīng)的最大迭代次數(shù)。

（2）將天牛種群中任意個(gè)體所對(duì)應(yīng)的TemVi位置設(shè)定為掃描搜索目標(biāo)點(diǎn)，完成該目標(biāo)點(diǎn)信息掃描后可得到對(duì)應(yīng)天牛個(gè)體左右觸須的位置，將其標(biāo)記為xli、xri；計(jì)算左右觸須位置當(dāng)前狀態(tài)下的適應(yīng)度值f（xli）與f（xri）。然后根據(jù)f（xli）和f（xri）的對(duì)比結(jié)果，按照計(jì)算式（16）所示完成差分天牛須算法的異常警告信息節(jié)點(diǎn)探測(cè)操作。若f（xli）lt;f（xri），說(shuō)明當(dāng)前個(gè)體天牛左須感知信息濃度高于右須感知信息濃度，那么，此時(shí)該個(gè)體天牛的搜索方向?qū)⑾蜃髠?cè)移動(dòng)，同時(shí)完成所在位置信息更新，反之亦然。

xri=TemVi+dtbxli=TemVi－dtb （15）

TemVi=TemVi-δtbsign（f（xri）－f（xli））（16）

其中，xli、xri分別代表第i只天牛左右觸須當(dāng)前所指向的搜索位置。

（3）最后根據(jù)天牛個(gè)體搜索的貪婪選擇特性[13]，比較對(duì)應(yīng)信息節(jié)點(diǎn)的原始解f（xi）與優(yōu)化信息節(jié)點(diǎn)更新后f（TemVi）所對(duì)應(yīng)位置的最佳狀態(tài)，并將最佳狀態(tài)的天牛個(gè)體所在位置作為當(dāng)前最優(yōu)天牛xbest，并將其對(duì)應(yīng)的最佳適應(yīng)值進(jìn)行替換，直至達(dá)到最大迭代次數(shù)，獲得全局最優(yōu)解。

2 應(yīng)用測(cè)試

對(duì)提出方法進(jìn)行全局性能對(duì)比測(cè)試，以評(píng)估其在穩(wěn)定性和準(zhǔn)確性方面的表現(xiàn)。在測(cè)試中，設(shè)定了穩(wěn)定性指標(biāo)和準(zhǔn)確性兩項(xiàng)判定指標(biāo)，以全面評(píng)估各方法的性能。為了確保測(cè)試結(jié)果的可靠性，采用對(duì)比法對(duì)多項(xiàng)性能指標(biāo)進(jìn)行驗(yàn)證，并以此作為判定依據(jù)。

在對(duì)比測(cè)試中，引入了文獻(xiàn)[14］、［15]中的兩種方法，將它們組成對(duì)比組，與提出方法組成的驗(yàn)證組一同完成性能指標(biāo)測(cè)試項(xiàng)目。對(duì)比組中的兩種方法分別標(biāo)記為對(duì)比組方法1和對(duì)比組方法2。在相同的測(cè)試樣本設(shè)定下，對(duì)測(cè)試結(jié)果進(jìn)行設(shè)定項(xiàng)目測(cè)試。

2.1 設(shè)置測(cè)試條件

測(cè)試樣本采用多平臺(tái)采樣，隨機(jī)封包的動(dòng)態(tài)方式進(jìn)行110 kV異常警告數(shù)據(jù)參量配置，樣本數(shù)據(jù)總量配置為30000組，實(shí)際測(cè)試樣本根據(jù)測(cè)試需要通過(guò)測(cè)試工具M(jìn)ATLAB自行定義。其中測(cè)試平臺(tái)選取一組繼電保護(hù)電路來(lái)完成，如圖2所示。通過(guò)模擬測(cè)試系統(tǒng)控制完成相關(guān)指標(biāo)的測(cè)試與分析。

2.2 異常警告感知響應(yīng)測(cè)試

隨機(jī)抽取4組不同級(jí)別的故障樣本組成測(cè)試樣本數(shù)據(jù)包，按照故障程度從低到高依次分為1、2、3、4個(gè)級(jí)別，每個(gè)級(jí)別下包含1000組樣本信息。分別對(duì)驗(yàn)證組與對(duì)比組方法進(jìn)行感知響應(yīng)測(cè)試，每組樣本信息之間的時(shí)間間隔為3.5 s，測(cè)試結(jié)果經(jīng)過(guò)測(cè)試工具M(jìn)ATLAB整理后，生成可視化統(tǒng)計(jì)信息，如圖3～圖6所示。

經(jīng)過(guò)對(duì)驗(yàn)證組與對(duì)比組的4級(jí)不同等級(jí)樣本的測(cè)試后可以發(fā)現(xiàn)，三種不同方法所得性能指標(biāo)差異較大，現(xiàn)根據(jù)所得圖譜及其樣本分類對(duì)其進(jìn)行分析，具體如下：

如圖3所示對(duì)比樣本級(jí)別為1時(shí)，對(duì)比組方法1與對(duì)比組方法2的異常警告樣本感知響應(yīng)曲線整體表征相似，均表現(xiàn)出快速增長(zhǎng)的趨勢(shì)特征，且增長(zhǎng)幅度均根據(jù)樣本數(shù)量的變化而變化。其中，對(duì)比組方法1變化頻率較高，對(duì)比組方法2的變化幅度最大；反觀驗(yàn)證組方法，其指標(biāo)線整體平滑，無(wú)頻繁變化生成的波動(dòng)，說(shuō)明驗(yàn)證組方法具有較好的異常警告感知控制效果，且對(duì)應(yīng)響應(yīng)時(shí)間最小?；谏鲜龇治?，可以判定驗(yàn)證組方法為1級(jí)樣本條件下的最佳響應(yīng)方法。

按照上述對(duì)比方法分析比對(duì)圖4后發(fā)現(xiàn)，該樣本級(jí)別下的三種方法的指標(biāo)特征與上述指標(biāo)特征保持一致。因此可以判定圖4所示的2級(jí)樣本下驗(yàn)證組方法仍是最佳感知響應(yīng)方法。從圖5所示3級(jí)異常警告樣本開始，三組參測(cè)方法均出現(xiàn)不同程度較大的指標(biāo)變化，其中最為明顯的是驗(yàn)證組方法曲線出現(xiàn)了較大幅度的起伏波動(dòng)，但從曲線整體平滑程度來(lái)看，其波動(dòng)在收斂控制作用下并沒有對(duì)響應(yīng)指標(biāo)造成較大影響。相比之下，對(duì)比組方法1與對(duì)比組方法2的曲線波動(dòng)依舊頻繁，且指標(biāo)值初始系數(shù)均有所提升，綜合來(lái)看仍是驗(yàn)證組方法的響應(yīng)指標(biāo)最好?；谏鲜龆嘟M數(shù)據(jù)的分析來(lái)看圖6所示4級(jí)樣本，可以進(jìn)一步印證上述分析結(jié)果，驗(yàn)證組方法響應(yīng)曲線雖波動(dòng)幅度有所增大，但整體波動(dòng)頻率系數(shù)較小，說(shuō)明了在響應(yīng)過(guò)程中擾動(dòng)收斂產(chǎn)生作用，因此在整體響應(yīng)指標(biāo)過(guò)程中并無(wú)指標(biāo)斷裂現(xiàn)象的出現(xiàn)。

綜上所述，可以判定驗(yàn)證組方法的異常警告感知響應(yīng)能力最能滿足測(cè)試要求，整體響應(yīng)性能優(yōu)于對(duì)比組方法1與對(duì)比組方法2。

2.3 穩(wěn)定性測(cè)試

基于上述測(cè)試過(guò)程及其參數(shù)配置方案，重復(fù)上述測(cè)試過(guò)程10次，數(shù)據(jù)時(shí)間間隔調(diào)整為1.5 s，每完成一次測(cè)試記錄各方法的整體警告識(shí)別偏差，共計(jì)獲得10組偏差指標(biāo)，如表1所示。根據(jù)歷史經(jīng)驗(yàn)，偏差判定指標(biāo)取值0.5，大于0.5說(shuō)明該方法的異常警告識(shí)別保護(hù)效果穩(wěn)定性較差；小于0.5說(shuō)明該方法的異常警告識(shí)別保護(hù)效果穩(wěn)定性優(yōu)秀；等于0.5說(shuō)明該方法的異常警告識(shí)別保護(hù)效果穩(wěn)定性合格。

對(duì)比測(cè)試結(jié)果可以發(fā)現(xiàn)，三種方法的偏差指標(biāo)值與上述響應(yīng)指標(biāo)測(cè)試結(jié)果可以相互印證。從指標(biāo)一致性的維度分析，驗(yàn)證組方法的表現(xiàn)最好，另外兩組方法并未滿足控制一致性的要求。從指標(biāo)波動(dòng)差大小的維度分析，仍是驗(yàn)證組方法最好，其最大差值為0.1；而對(duì)比組方法1的最大差值為0.8，對(duì)比組方法2的最大差值為0.9，因此從此維度分析三種方法的穩(wěn)定性排序?yàn)轵?yàn)證組＞對(duì)比組方法1＞對(duì)比組方法2；從判定要求的維度分析，僅有驗(yàn)證組方法滿足要求。故此，可以證明驗(yàn)證組方法的穩(wěn)定性最好。

3 結(jié) 論

提出了一種通過(guò)優(yōu)化繼電保護(hù)裝置下異常警告信息節(jié)點(diǎn)的感知網(wǎng)絡(luò)結(jié)構(gòu)，利用差分天牛須算法對(duì)異常警告數(shù)據(jù)進(jìn)行高精度感知識(shí)別優(yōu)化。這種方法不僅提高了保護(hù)精準(zhǔn)度，還降低了異常識(shí)別偏差，有效地解決了現(xiàn)階段大部分繼電保護(hù)裝置的異常警告偏差問(wèn)題。然而，由于電力系統(tǒng)構(gòu)成的復(fù)雜性，提出方法的效果無(wú)法保證完全一致。在某些場(chǎng)景的應(yīng)用中，需要通過(guò)調(diào)整大量的控制參數(shù)及其自適應(yīng)平衡策略來(lái)滿足特定的需求。為了解決這個(gè)問(wèn)題，在日后的研究中需要根據(jù)用戶與使用環(huán)境的不同，進(jìn)一步完善方法的自我學(xué)習(xí)能力，以確保該方法具有更廣泛的適用性。

參考文獻(xiàn)

［１］ 任金霞，王興康，甘夏冰. 基于改進(jìn)天牛群算法的多目標(biāo)云任務(wù)調(diào)度 [J]. 智能城市， 2023， 9 （8）： 45-47.

[2] 黃景光，趙珩，李浙棟，等. 基于動(dòng)作時(shí)限曲線擬合思想的含DG型配電網(wǎng)后備保護(hù)新方法 [J]. 電網(wǎng)技術(shù)，2024，48（5）：2199-2206.

[3] 霍亞俊，馮霆，張揚(yáng). 基于改進(jìn)BAS算法的配電網(wǎng)多目標(biāo)優(yōu)化重構(gòu) [J]. 現(xiàn)代電子技術(shù)， 2023， 46 （11）： 144-148.

[4] 葉坤濤，舒蕾蕾，李文，等. 基于差分進(jìn)化策略的天牛須搜索算法及其應(yīng)用 [J]. 計(jì)算機(jī)工程與科學(xué)， 2023， 45 （5）：920-930.

[5] 謝楠，馬振國(guó)，唐兵，等. 繼電保護(hù)設(shè)備剩余壽命預(yù)測(cè)的智能算法研究 [J]. 蘭州理工大學(xué)學(xué)報(bào)， 2023， 49 （2）： 83-87.

[6] 翟博龍，唐志軍，宋福海，等. 基于OPNET的保護(hù)性能評(píng)估及采樣值估計(jì)算法 [J]. 電測(cè)與儀表， 2023， 60 （4）： 160-166.

[7] 卞凱鳴. 智能變電站繼電保護(hù)二次回路在線監(jiān)測(cè)與故障診斷技術(shù)研究 [J]. 電子測(cè)試， 2021， （20）： 98-99+70.

[8] 劉瑋，屠卿瑞，郭明宇，等. 基于差值有效值的智能錄波器暫態(tài)同源比對(duì)算法研究 [J]. 電力系統(tǒng)保護(hù)與控制， 2021， 49 （16）： 97-103.

[9] 林燎東. 變電站繼電保護(hù)二次回路在線監(jiān)測(cè)及線路故障診斷研究 [J]. 中國(guó)設(shè)備工程， 2021， （6）： 175-176.

[10]李捷，周紅陽(yáng)，丁曉兵，等. 云計(jì)算模式下的繼電保護(hù)定值優(yōu)化算法 [J]. 電子器件， 2021， 44 （1）： 157-161.

[11]王文煥，郭鵬，詹榮榮，等. 基于最短路徑算法的繼電保護(hù)數(shù)據(jù)模型結(jié)構(gòu)及搜索優(yōu)化 [J]. 電機(jī)與控制學(xué)報(bào)， 2021， 25 （1）： 68-78.

[12]邵慶祝，謝民，王同文，等. 考慮配網(wǎng)重構(gòu)的過(guò)電流保護(hù)配合優(yōu)化 [J]. 電子器件， 2020， 43 （5）： 1010-1015.

[13]陳海濤，張學(xué)敏，戴偉康，等. 基于GA優(yōu)化SVM參數(shù)與云模型的繼電保護(hù)裝置狀態(tài)評(píng)估方法 [J]. 智慧電力， 2020， 48 （7）： 88-92+117.

[14]楊檬，夏經(jīng)德，高淑萍. 應(yīng)用特定電壓差的直流輸電線路保護(hù)算法 [J]. 現(xiàn)代電子技術(shù)， 2020， 43 （7）： 163-168.

[15]徐拓，葛以康. 智能變電站繼電保護(hù)二次回路在線監(jiān)測(cè)與故障診斷技術(shù) [J]. 通信電源技術(shù)， 2019， 36 （11）： 279-280.