发明内容
本发明针对现有技术中存在的技术问题,提供一种双母线结构中高压电压互感器测量误差异常识别方法,其能实时掌握HVPT的运行状态,且不受外部环境因素周期性波动的影响,为HVPT的在线监测及运行维护工作提供指导,降低异常HVPT运行的风险。
本发明解决上述技术问题的技术方案如下:
一种双母线结构中高压电压互感器测量误差异常识别方法,基于两组母线通过母联开关连接,两组所述母线的每一相均设有高压电压互感器,任意同相的两台所述高压电压互感器的一次电压保持一致,每组所述双母线上的所述高压电压互感器的一次电压保持动态平衡,所述方法包括以下步骤:
S1,采集所述高压电压互感器的测量数据;
S2,根据所述测量数据计算同相关系统计量ε,根据三组所述同相关系统计量ε判断同相的所述高压电压互感器有无异常,并得到出现异常的所述高压电压互感器所在的相序号;
S3,分别计算并比对两组所述母线上所述高压电压互感器的三相关系统计量Q,判断出现异常的所述高压电压互感器所在的组序号;
S4,根据得到的出现异常的所述高压电压互感器所在的相序号以及组序号,判定出现异常的所述高压电压互感器。
进一步,所述步骤S2包括:
根据所述测量数据分别计算同相关系统计量ε,根据三组所述同相关系统计量ε检测两组所述母线上同相的两台所述高压电压互感器是否存在异常,并得到出现异常的所述高压电压互感器是在A相、B相、C相中的相序号。
进一步,所述步骤S2包括:
根据统计的历史测量数据计算表征两台同相的所述高压电压互感器的测量电压差异性的同相关系统计量ε,根据所述同相关系统计量ε计算出同相关系控制限CL;计算在线数据的同相关系统计量ε*,将在线数据的同相关系统计量ε*与同相关系控制限CL进行对比,确定该相的所述高压电压互感器是否存在异常。
进一步,所述步骤S2还包括:
当在线数据的同相关系统计量ε*大于同相关系控制限CL时,判定该相的所述高压电压互感器存在异常。
进一步,所述步骤S2中,所述同相关系统计量通过以下公式计算得到:
其中,U1与U2分别表示同相的两台所述高压电压互感器的同一时刻的测量电压。
进一步,所述步骤S2中,所述根据所述同相关系统计量ε计算出同相关系控制限CL,包括:
根据时间序列加法模型将所述同相关系统计量ε进行分解,得到所述同相关系统计量ε的时变分量和时不变分量;根据箱型图确定所述时不变分量的控制限,将其与所述时变分量叠加得到经过修正的同相关系控制限CL。
进一步,所述步骤S3包括:
分别计算并比对两组所述母线上所述高压电压互感器的三相关系统计量Q,判定其中的较大者存在异常。
进一步,所述步骤S3中,所述计算所述母线上所述高压电压互感器的三相关系统计量Q,包括:
利用主成分分析法建立表征三相所述高压电压互感器测量电压的不平衡度波动性的数学模型,基于上述模型与所述高压电压互感器测量数据计算三相关系统计量Q。
本发明的有益效果是:
(1)本发明提出的方法基于HVPT(高压电压互感器)测量数据的统计量进行异常的发生检测和目标判定,为在线监测方法,无需停电检修,实时性较传统人工检定明显提高。
(2)本发明提出的方法对异常的发生检测进行了周期性修正,消除了外部环境因素的影响,提高了异常识别方法的鲁棒性。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
本实施例提供的一种双母线结构中高压电压互感器测量误差异常识别方法,基于图1所示的双母线接线结构拓扑结构,两组母线通过母联开关连接,两组所述母线的每一相均设有高压电压互感器。任意同相的两台所述高压电压互感器的一次电压保持一致,每组所述双母线上的所述高压电压互感器的一次电压保持动态平衡。本实施例的双母线结构中高压电压互感器测量误差异常识别方法包括以下步骤:
S1,采集所述高压电压互感器的测量数据;
S2,根据所述测量数据计算同相关系统计量ε,根据三组所述同相关系统计量ε判断同相的所述高压电压互感器有无异常,并得到出现异常的所述高压电压互感器所在的相序号;
S3,分别计算并比对两组所述母线上所述高压电压互感器的三相关系统计量Q,判断出现异常的所述高压电压互感器所在的组序号;
S4,根据得到的出现异常的所述高压电压互感器所在的相序号以及组序号,判定出现异常的所述高压电压互感器。
如图2的流程图所示,步骤S1采集所述高压电压互感器的测量数据,测量数据对应图2的历史数据以及在线数据,历史数据是作为训练数据,为后面的测试作参考;在线数据即测试时的实时采样数据,用于判断高压电压互感器是否异常。步骤S2对应图2所示的异常的发生检测部分,用于判断A、B、C三相中有没有高压电压互感器出现异常,有异常的话确定具体是哪相的高压电压互感器出现了异常。图2将A相的判断过程进行细化,B相以及C相的判断原理与A相的判断原理相同。步骤S3对应图2中的目标判定部分,当确定某一相的高压电压互感器出现异常的情况下,用于判断两组母线中是第一组还是第二组中的高压电压互感器出现了异常。步骤S4对应图2中的输出结果部分,根据出现异常的高压电压互感器所在的相序号(即A相/B相/C相)以及组序号(即第一组或第二组),来确定出现异常的高压电压互感器的具体位置,即得到具体哪一组母线上的具体哪一相高压电压互感器出现了异常。
进一步,步骤S2包括:
根据所述测量数据分别计算同相关系统计量ε,根据三组所述同相关系统计量ε检测两组所述母线上同相的两台所述高压电压互感器是否存在异常,并得到出现异常的所述高压电压互感器是在A相、B相、C相中的相序号。
进一步,所述步骤S2包括:
根据统计的历史测量数据计算表征两台同相的所述高压电压互感器的测量电压差异性的同相关系统计量ε(具体的,历史测量数据的A相的同相关系统计量为εA,B相的同相关系统计量为εB,C相的同相关系统计量为εC),根据所述同相关系统计量ε计算出同相关系控制限CL(具体的,A相的同相关系控制限为CLA,B相的同相关系控制限为CLB,C相的同相关系控制限为CLC);计算在线数据的同相关系统计量ε*(具体的,在线数据的A相的同相关系统计量为εA *,B相的同相关系统计量为εB *,C相的同相关系统计量为εC *),将在线数据的同相关系统计量ε*与同相关系控制限CL进行对比,确定该相的所述高压电压互感器是否存在异常。
进一步,所述步骤S2还包括:
当在线数据的同相关系统计量ε*大于同相关系控制限CL时,判定该相的所述高压电压互感器存在异常。
进一步,所述步骤S2中,所述同相关系统计量ε通过以下公式计算得到:
其中,U1与U2分别表示同相的两台所述高压电压互感器的同一时刻的测量电压。
进一步,所述步骤S2中,所述根据所述同相关系统计量ε计算出同相关系控制限CL,包括:
根据时间序列加法模型将所述同相关系统计量ε进行分解,得到所述同相关系统计量ε的时变分量和时不变分量;根据箱型图确定所述时不变分量的控制限,将其与所述时变分量叠加得到经过修正的同相关系控制限CL。
进一步,所述步骤S3包括:
分别计算并比对两组所述母线上所述高压电压互感器的三相关系统计量Q,判定其中的较大者存在异常。
进一步,所述步骤S3中,所述计算所述母线上所述高压电压互感器的三相关系统计量Q,包括:
利用主成分分析法建立表征三相所述高压电压互感器测量电压的不平衡度波动性的数学模型,基于上述模型与所述高压电压互感器测量数据计算三相关系统计量Q。
现结合具体应用实例对本实施例进行说明。
选取某220kV变电站110kV电压等级测的两组高压电压互感器(后文简称为HVPT)的电压数据,实施本发明提出的一种双母线接线结构中的高压电压互感器测量误差异常识别方法。数据总时长为47天,对原始数据进行间隔为15min的等距离采样,得到共4512个样本的数据集。典型的变电站双母线结构拓扑图如图1所示,两组母线通过母联开关相连接,每组母线的三相上各安装有一台HVPT,分别记为A1、B1、C1、A2、B2、C2。
本发明方法的实施步骤如图2所示:
(1)选取变电站双母线结构中正常运行状态下的两组共六台HVPT测量电压数据作为训练数据,分别记为UA1、UB1、UC1、UA2、UB2、UC2,在本实施案例中,以前2000个样本作为训练数据,也就是说将前2000个样本当做图2所示的历史数据,第2000个样本以后的数据作为图2所示的在线数据。
(2)将训练数据以A、B、C三相分为三组,分别为UA1~UA2,、UB1~UB2、UC1~UC2,并定义为同相组,按照下列公式计算三个同相组中表征HVPT测量电压关系的同相关系统计量εA、εB、εC(其中εA为A相的同相关系统计量,εB为B相的同相关系统计量,εC为C相的同相关系统计量):
对同相关系统计量εA、εB、εC进行时间序列分解,得到季节项εAs、εBs、εCs与去季节项εAt、εBt、εCt。采用箱型图法计算去季节项εAt、εBt、εCt对应的同相关系控制限CLAt、CLBt、CLCt。将上述同相关系控制限与季节项进行叠加,得到经过季节性修正的同相关系控制限CLA、CLB、CLC。
计算两组共六台HVPT在线数据UA1*、UA2*、UB1*、UB2*、UC1*、UC2*的同相关系统计量εA *、εB *、εC *,本实施案例中,第2000个样本之后点假定为在线数据,将同相关系统计量与对应的同相关系控制限进行比较,若某相的同相关系统计量超出同相关系控制限,则判定该相为异常相。同相检测的结果如图3所示,图3包括A、B、C三相三个子图,在每个子图中实线为同相关系统计量变化曲线,虚线为同相关系控制限。从图3可以看到,在第2000个样本到大概第3800个样本点之间,A相、B相、C相的同相关系统计量εA *、εB *、εC *均在其对应的同相关系控制限CLA、CLB、CLC范围以内,此状态表示六台HVPT均无异常;在约3800个样本点以后,A相与B相的同相关系统计量εA *、εB *依然显示未出现异常,但是C相的同相关系统计量εC *超出了同相关系控制限CLC,且严重偏离之前的值,故判定C相为异常相,表示C相中有HVPT出现了异常。
(3)将训练数据根据两组母线分为1、2两组,分别为UA1、UB1、UC1以及UA2、UB2、UC2,利用主成分分析法PCA训练数据得到两组三相HVPT测量电压的数学模型Model1和Model2。对于一个给定样本X∈RnXm,其中n和m分别代表样本数与数据维度,采用主成分分析法PCA构建数学模型:
首先对样本进行奇异值分解,如下式:
取右奇异矩阵V的前P列构成代表主成分的载荷矩阵,即P∈RmXp,其余列构成残差子空间的载荷矩阵,即Pe∈RmX(m-p),Pe即所求得的包含HVPT三相关系的数学模型参数矩阵,Pe1和Pe2分别为Model1和Model2三相关系参数矩阵。
利用Model1和Model2将两组HVPT的在线数据UA1*、UB1*、UC1*和UA2*、UB2*、UC2*转化为表征三相HVPT计量性能的三相关系统计量Q1和Q2,如下式:
通过比较三相关系统计量Q1和Q2的大小确定异常的三相HVPT组。三相组间定位的结果如图4所示,在约3800个样本之前,Q1与Q2的值近似相等且波形基本平稳,表示此阶段两个三相HVPT组均处于正常状态;在约3800个样本之后,Q2明显地大于Q1,且Q2严重偏离之前的值,故第二组HVPT判定为异常,即判定出现异常的HVPT在第二组。
(4)综合步骤(2)和步骤(3)的结果得到第二组的C相HVPT发生异常。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。