CN113315099B - 换流站交流滤波器断路器的故障预警方法、介质及系统 - Google Patents

Abstract

本发明公开一种换流站交流滤波器断路器的故障预警方法、介质及系统。该方法包括：当换流站交流滤波器投切时，采集断路器的特征量；根据所述特征量判断所述断路器是否故障，其中，所述判断的方法包括：将特征量输入极限学习机，以使所述极限学习机输出所述断路器是否故障的结果，或，将特征量与参考阈值进行对比，以确定所述断路器是否故障；若所述断路器故障，则发出预警信号。当换流站交流滤波器断路器发现异常，本发明能够在保护装置动作之前发现交流滤波器断路器的潜在故障信息并发出预警，提醒运维人员切除故障隐患，避免故障跳闸等严重事故发生。

Description

换流站交流滤波器断路器的故障预警方法、介质及系统

技术领域

本发明涉及换流站交流滤波器断路器技术领域，尤其涉及一种换流站交流滤波器断路器的故障预警方法、介质及系统。

背景技术

交流滤波器断路器是换流站不可或缺的关键装置之一，其能否稳定运行，将直接影响直流输电系统的可靠性。目前，交流滤波器断路器故障的发现手段主要是人工巡查、红外测温、保护告警等。这些手段具有随机性，缺乏及时性和全面性。

发明内容

本发明实施例提供一种换流站交流滤波器断路器的故障预警方法、介质及系统，以解决现有技术对交流滤波器断路器故障的预警缺乏及时性和全面性的问题。

第一方面，提供一种换流站交流滤波器断路器的故障预警方法，包括：当换流站交流滤波器投切时，采集断路器的特征量；根据所述特征量判断所述断路器是否故障，其中，所述判断的方法包括：将特征量输入极限学习机，以使所述极限学习机输出所述断路器是否故障的结果，或，将特征量与参考阈值进行对比，以确定所述断路器是否故障；若所述断路器故障，则发出预警信号。

第二方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如上述第一方面实施例所述的换流站交流滤波器断路器的故障预警方法。

第三方面，提供一种换流站交流滤波器断路器的故障预警系统，包括：如上述第二方面实施例所述的计算机可读存储介质。

这样，本发明实施例，当换流站交流滤波器断路器发现异常，能够在保护装置动作之前发现交流滤波器断路器的潜在故障信息并发出预警，提醒运维人员切除故障隐患，避免故障跳闸等严重事故发生。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的换流站交流滤波器断路器的故障预警方法的流程图；

图2是本发明实施例的极限学习机的电性网络结构示意图；

图3是本发明实施例的极限学习机的隐含层神经元个数对预警准确率影响对比示意图；

图4是本发明实施例的极限学习机的激活函数对预警准确率影响对比示意图；

图5是本发明实施例的断路器首尾端电流不匹配波形图；

图6是本发明实施例的交流滤波器断路器合闸电阻投入异常时的波形图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种换流站交流滤波器断路器的故障预警方法。如图1所示，该故障预警方法包括如下的步骤：

步骤S1：当换流站交流滤波器投切时，采集断路器的特征量。

特征量可通过记录并解析录波文件后计算得到。特征量包括时域特征量和频域特征量。

步骤S2：根据特征量判断断路器是否故障。

其中，判断的方法包括两种：

步骤S21：将特征量输入极限学习机，以使极限学习机输出断路器是否故障的结果。

或，步骤S22：将特征量与参考阈值进行对比，以确定断路器是否故障。

下面分别对两种方式作进一步阐述。

一、将特征量输入极限学习机，以使极限学习机输出断路器是否故障的结果。

具体的，当判断方法为将特征量输入极限学习机，则采集的断路器的特征量包括：时域特征量和频域特征量。

具体的，时域特征量包括：分闸时间或合闸时间、首尾端差流、合闸电阻投入情况、电流最大值、电流最小值、三相匹配度。通过录波波形可获取相应的时域特征量。

分闸时间和合闸时间可以分别表征断路器本体的分闸属性和合闸属性，通过获取断路器三相的分闸时间或合闸时间，可预判断路器本体内部的机械损坏等情况。其中，分闸时间指的是从开始分闸到完全分闸的时长，合闸时间指的是从开始合闸到完全合闸的时长。具体的，分闸时间的计算方法为：T_f＝max(T_f，A，T_f，B，T_f，C)，其中，T_f表示分闸时间，T_f，A表示断路器A相的分闸时间，T_f，B表示断路器B相的分闸时间，T_f，C表示断路器C相的分闸时间。合闸时间的计算方法为：T_h＝max(T_h，A，T_h，B，T_h，C)，其中，T_h表示合闸时间，T_h，A表示断路器A相的合闸时间，T_h，B表示断路器B相的合闸时间，T_h，C表示断路器C相的合闸时间。具体的，可将分闸时间与其他特征量输入到极限学习机中，或者，将合闸时间与其他特征量输入到极限学习机中。

对于首尾端差流，正常情况下，分闸或合闸时，电弧在断路器本体中经过断路器的两个触点，断路器首尾端所测得的电流值也相等。但是，当该断路器存在机械缺陷等情况时，有可能造成电弧对外部壳体放电，使得断路器首端电流与尾端电流不匹配。在断路器分闸或合闸开始后，对关联首尾端电流线路的差流进行分析。具体的，首尾端差流的计算方法为：

其中，δ表示首尾端差流，I₀表示断路器尾端电流，I₁表示断路器首端电流，α表示差流系数。

对于合闸电阻投入情况，为了减少对电网的冲击，特高压换流站内的交流滤波器在投入初期会投入合闸电阻，减小电流。经过数毫秒的稳定过程，合闸电阻退出。因此，在合闸初期，交流滤波器断路器的三相合闸电流相对于正常情况下的电流偏小。当合闸电阻失效时，对应相的合闸电流在合闸初期幅值较大，且存在很大的波动。合闸电阻投入情况为合闸后预设时间内每相电流绝对值的平均值的均值。合闸后预设时间一般为5毫秒。具体的，三相分别计算合闸后5毫秒内电流绝对值的平均值，再计算前述得到的三相的平均值的均值，以此表征合闸电阻投入情况。

对于电流最大值、最小值，交流滤波器组内的异常情况可以由I_max和I_min反映，具备物理意义。如尖峰电流是断路器在合闸过程中，从涌流开始往后两个周波内的最大电流有效值，与电流最大值有相关性。

时域里的三相匹配度表征的是三相电流的一致性，判断过程中，通过对三相电流进行移相，重合交叉作差取绝对值，来判断三相电流的一致性。具体的，三相匹配度的计算方法为：

其中，γ表示三相匹配度，i_a表示移相后的A相电流瞬时值，i_b表示移相后的B相电流瞬时值，i_c表示移相后的C相电流瞬时值，I_a表示A相电流幅值，I_b表示B相电流幅值，I_c表示C相电流幅值，s表示采样的周期数。

具体的，频域特征量包括：谐波最大值、谐波含量、总谐波畸变率。利用快速傅里叶变换(FFT)分析交流滤波器断路器投切时的三相电流，通过采集录波波形可确定各次谐波含量，并以谐波最大值、谐波含量、总谐波畸变率作为评价谐波的指标。

对于谐波最大值，由于各滤波器组内存在个体差异，为排除该影响因素，计算零序电流谐波最大值I_H，max时，获取的是实际谐波最大值与滤波器额定电流的比值。具体的，谐波最大值的计算方法为：

其中，I_H，max表示谐波最大值，I_H，p表示p次谐波有效值，I_r表示对应滤波器组额定电流。

交流滤波器断路器零序电流的谐波含量是交流滤波器异常现象在暂态情况下的体现。具体的，谐波含量的计算方法为：

其中，η表示谐波含量。

总谐波畸变率的计算方法为：

其中，K_THD表示总谐波畸变率。

具体的，极限学习机(Extreme Learning Machine，ELM)是一类单隐含层前馈神经网络，具有学习速度快、泛化性能好等优点，非常适合需要快速响应的交流滤波器断路器故障预警。极限学习机的典型结构如图2所示，由输入层、隐含层和输出层组成。其中，输入层与输出层分别含有n和m个神经元，隐含层有l个神经元。ω_ji表示输入层第i个神经元与隐含层第j个神经元间的连接权值，β_jk表示隐含层第j个神经元与输出层第k个神经元间的连接权值。

设给定Q个训练样本

其中，x_i＝[x_1i，x_2i，…，x_ni]^T为输入数据，y_i＝[y_1i，y_2i，…，y_ni]^T为目标输出值。设隐含层神经元的激活函数为g(x)，b_i为隐含层第i个神经元的偏置，则可得极限学习机网络的输出为T＝[t₁，t₂，…，t_Q]_m×Q，其中，t_j＝[t_1j，t_2j，…，t_mj]^T，(j＝1，2，…，Q)，

(k＝1，2，…，m)。

上述Q个方程的矩阵形式可表示为Hβ＝T′。T′为矩阵T的转置，H为神经网络的隐含层输出矩阵，具体形式如下：

由已有定理可知，当激活函数g(x)无限可微时，极限学习机的参数不必全部调整，ω和b在训练前可以随机选取，且在训练过程中无需改变。唯一需要变化的是连接隐含层和输出层的权值β，可以通过求解以下方程的最小二乘解获得：

其中，

为隐含层输出矩阵H的Moore-Penrose广义逆。

由上述可知，极限学习机在训练之前可以随机产生ω和b，只需确定隐含层神经元个数及隐含层神经元的激活函数，即可计算出β。

极限学习机可预先通过训练来确定采用的隐含层神经元个数、激活函数等等相关参数。下面具体举例确定的过程：

训练集和测试集的选取如下：提取西北某地区换流站交流滤波器投切时记录的500组波形的特征量作为极限学习机的输入，共9维输入，即确定输入层神经元个数为9个。为了减少变量差异较大对模型性能的影响，在建立模型之前先对数据进行归一化。在数据集中，将异常状态标注为“1”，正常状态标注为“0”，即确定输出层神经元个数为2。

隐含层神经元个数直接影响极限学习机的性能，因此采取枚举法并横向比较不同神经元个数下的性能，最终确定最优个数。引入非线性函数作为激励函数，增强极限学习机的表达能力。如果不用激励函数，那么输出都是输入的线性组合，网络的逼近能力相当有限。为了比较不同的激活函数对交流滤波器断路器故障预警方法的性能的影响，极限学习机选取如下5个激活函数：sigmoid函数，sine函数，hardlim函数，tribas函数，radbas函数。计算公式如表1所示：

表1激活函数计算公式

本发明涉及的换流站交流滤波器断路器故障预警问题属于分类问题，当极限学习机应用于分类问题时，不用选取阈值，直接判定输出是否故障。性能评价指标为：

其中，y(j)为目标输出值，t(j)为网络实际输出值。

以西北地区某换流站交流滤波器投切为背景，测试基于极限学习机的换流站交流滤波器断路器的故障预警方法的性能，并与其他机器学习方法(BP神经网络、RBF神经网络)进行对比。该换流站的交流滤波器分为4大组，共16小组，每小组容性无功容量为295Mvar，包括：4组HP24/36交流滤波器，4组BP11/BP13交流滤波器，3组HP3交流滤波器，5组SC并联电容器组。随机选取500条录波数据作为样本数据，其中400条为训练样本数据S_9×400，100条为测试样本数据S_9×100。

对比实验规定相同输入层与隐含层连接权值ω和隐含层神经元阈值b，激活函数采用sigmoid函数。隐含层节点数目从1变化到400，从训练集预警正确率和测试集预警正确率两个方面进行对比分析。实验结果如图3所示。

从图3可以看出，在其他参数设置相同的情况下，适当增加隐含层神经元的个数能提升极限学习机对换流站交流滤波器断路器的预警性能。在隐含层神经元个数不超过训练集样本数的情况下，训练集的预警准确率是随神经元个数增加而增加的，逐渐趋近于100％。对于测试集，神经元个数少于测试集样本个数时，训练集的预警准确率具有良好的表现，基本维持在95％以上。但当神经元个数明显超过测试集样本个数时，测试集预警准确率逐步下降，出现过拟合情况。为了避免这种情况发生，且减少网络训练时间，确定隐含层神经元个数为20。

极限学习机选取5种常用的激活函数进行对比试验：sigmoid函数，sine函数，hardlim函数，tribas函数，radbas函数。隐含层神经元个数为20，ω和b随机生成。从训练集预警准确率和测试集预警准确率两个方面进行对比分析。

如图4所示，从左至右分别是sigmoid函数，sine函数，hardlim函数，tribas函数，radbas函数。从训练集的预警准确率来看，sigmoid函数和sine函数的预警效果最好，tribas函数和radbas函数预警效果次之，hardlim函数预警效果最差。从测试集来看，除radbas函数外其余4种函数的测试预警效果都是稳定的，均略低于训练集预警准确率。而radbas函数出现了明显的过拟合现象。上述对比实验的结果说明，采用radbas函数的极限学习机并不适合学习此样本集，采用sigmoid函数和sine函数学习效果相近，且最优；sigmoid函数和sine函数两者相比，sigmoid函数的效果略优。因此，本发明实施例的极限学习机的激活函数为sigmoid函数。

为了证明极限学习机的预警效果最优，分别采用极限学习机、BP神经网络和RBF神经网络建立换流站交流滤波器断路器故障预警模型，从参数设置、训练时间、训练集预警准确率和测试集预警准确率方面对不同机器学习方法的性能进行比较。BP神经网络参数设置如下：学习速率l_r为0.065，隐含层神经元个数S为15，最大迭代次数M_max为500，期望误差ε为1e-6，且需初始化连接权值及阈值。RBF神经网络结合收网算法和遗传算法进行参数辨识，通过这两种算法确定使网络适应度最小的神经网络参数，包括宽度σ、权重w、中心位置T。实验结果如表2所示，其中每个指标取20次实验的平均。

表2实验结果对比

方法	训练时间/s	训练预警准确率/％	测试预警准确率/％
				BP神经网络	3.653	82.56	76.25
遗传算法+RBF	20.469	96.25	93.58
				收网算法+RBF	49.865	98.10	97.50
极限学习机ELM	0.058	98.25	98.00

由表2可知，四种方法中，极限学习机、收网RBF神经网络的预警效果都非常理想。训练集预警准确率在98％以上，测试集在97％以上；遗传RBF神经网络预警效果稍差于前者；BP神经网络的预警效果最差，对该预警模型不适用。对比参数设置，极限学习机的参数设置最为简洁，只需确定隐含层神经元个数即可；BP神经网络需要确定设置参数过多，多次调整学习速率，隐含层神经元个数，最大迭代次数和期望误差，且这些参数会极大影响模型性能；RBF神经网路采用智能算法来进行参数辨识，可以不用人为确定参数。对比训练时间，在整个预警方法中，神经网络训练时间的长短非常关键。当有新的录波波形形成后需要更新样本库来更好地预警波形，所以需要节省训练时间，达到快速响应的目的。极限学习机训练时间最短，仅需0.058s。而与极限学习机有类似预测效果的收网RBF神经网络模型需要长达49.865s的训练时间。此外，不管是用收网算法还是用遗传算法，对RBF进行参数辨识都需要大量的时间。因此，本发明实施例的方法选择极限学习机作为预警模型。

二、将特征量与参考阈值进行对比，以确定断路器是否故障。

这种判断的方法可以包括两种方式，具体如下：

(一)判断断路器首端电流和断路器尾端电流的差值是否大于参考阈值。

该方法对应采集的断路器的特征量包括：断路器首端电流和断路器尾端电流。通过录波波形可获取相应的特征量。

该方法具体包括如下的步骤：

(1)计算断路器首端电流和断路器尾端电流的差值。

应当理解的是，该计算是针对每相分别计算，即分别计算A相首端电流和断路器尾端电流的差值，B相首端电流和断路器尾端电流的差值，C相首端电流和断路器尾端电流的差值。

(2)判断差值是否大于参考阈值。

其中，参考阈值为预设的偏差定值。应当理解的是，该判断也是三相分别判断，即A相对应的差值与A相对应的参考阈值进行比较，B相对应的差值与B相对应的参考阈值进行比较，C相对应的差值与C相对应的参考阈值进行比较。

(3)若差值大于参考阈值，则确定断路器故障。

应当理解的是，任一相的差值大于对应的参考阈值，则确定断路器故障。

交流滤波器断路器电流分为首端电流与尾端电流，分别由断路器两端的流变测得。当断路器合闸时，首端电流与尾端电流相同，均表示流经交流滤波器的无功电流；当断路器分闸时，首端电流与尾端电流也相同，均为零。

交流滤波器断路器本体实际上是个交流断路器，配有SF₆灭弧室。正常情况下，分合闸时，电弧在断路器本体中经过断路器的两个触点，断路器首尾端所测得的电流值也相等。但当该断路器存在机械缺陷等情况时，有可能造成电弧对外部壳体放电，使得断路器首端电流与尾端电流不匹配。

断路器首尾端电流不匹配的实际波形如图5所示，该次现场发生在2017年5月，其中7612断路器C相首端电流存在较大毛刺，而尾端电流并无明显毛刺，因此首尾端电流并不匹配，其断路器内部存在严重的放电现象，严重危害一次设备。

因此，通过观察交流滤波器断路器首尾端电流的匹配情况，可以用来有效的判断交流滤波器断路器本体内部是否存在放电现象。具体实现过程如前所述，将A，B，C三相的交流滤波器断路器首尾端电流匹配情况分别进行检测。在读取到原始波形数据后，将首端电流波形与尾端电流波形进行作差，当偏差值大于某一阈值时，即认为该首尾端电流并不匹配。

(二)判断合闸开始时间后预设时长内的断路器首端电流的平均值是否大于参考阈值。

该判断的方法对应的采集的断路器的特征量包括：断路器首端电流和合闸开始时间。通过录波波形可获取相应的特征量。

该方法具体包括如下的步骤：

(1)计算合闸开始时间后预设时长内的断路器的首端电流绝对值的平均值。

该预设时长一般为5毫秒。

(2)判断平均值是否大于参考阈值。

其中，参考阈值为预设的电流参考值。

(3)若平均值大于参考阈值，则确定断路器故障。

特高压换流站内的交流滤波器在投切时，为了减少对电网的冲击，在投入初期会投入合闸电阻，减小电流。经过数毫秒的稳定过程，合闸电阻退出。因此，在合闸初期，交流滤波器断路器的三相合闸电流相对于正常情况下的电流偏小。合闸电阻失效时，对应相的合闸电流在合闸初期幅值较大，且存在很大的波动。例如，2016年10月，西北某换流站在进行滤波器投切时，发生了合闸电阻失效的情况。合闸初期，A相、B相的合闸电阻正常投入，而C相合闸电阻在投入时出现了问题，初期电流波动较大，合闸后5毫秒内电流绝对值的平均值明显高于A、B两相，该值从一定程度上反应了流经各相电流的能量密度。其实际波形图如图6所示。因此，可以通过计算合闸初期的电流平均值，判断其是否超过某一阈值来判断合闸电阻是否出现异常。具体实现过程如前所述，首先读取交流滤波器断路器A，B，C三相的合闸时间点，再选取合闸后5毫秒电流值，计算电流绝对值的平均值。当该平均值大于某一阈值时，即认为合闸电阻并未投入。

步骤S3：若断路器故障，则发出预警信号。

通过上述的任一种判断方法判断出断路器故障后，可发出预警信号，以便提醒工作人员注意。

本发明实施例还公开了一种计算机可读存储介质。所述计算机可读存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如上述实施例所述的换流站交流滤波器断路器的故障预警方法。

本发明实施例还公开了一种换流站交流滤波器断路器的故障预警系统，其特征在于，包括：如上述实施例所述的计算机可读存储介质。

综上，本发明实施例，当换流站交流滤波器断路器发现异常，能够在保护装置动作之前发现交流滤波器断路器的潜在故障信息并发出预警，提醒运维人员切除故障隐患，避免故障跳闸等严重事故发生。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (4)

1.一种换流站交流滤波器断路器的故障预警方法，其特征在于，包括：

当换流站交流滤波器投切时，采集断路器的特征量；

根据所述特征量判断所述断路器是否故障，其中，所述判断的方法包括：将特征量与参考阈值进行对比，以确定所述断路器是否故障，所述断路器的特征量包括：断路器首端电流和断路器尾端电流；

若所述断路器故障，则发出预警信号；

所述根据所述特征量判断所述断路器是否故障的步骤，包括：

计算所述断路器首端电流和所述断路器尾端电流的差值；

判断所述差值是否大于所述参考阈值，其中，所述参考阈值为预设的偏差定值；

若所述差值大于所述参考阈值，则确定所述断路器故障。

2.根据权利要求1所述的换流站交流滤波器断路器的故障预警方法，其特征在于，所述判断的方法为将特征量与参考阈值进行对比，则采集的所述断路器的特征量包括：断路器首端电流和合闸开始时间；所述根据所述特征量判断所述断路器是否故障的步骤，包括：

计算所述合闸开始时间后预设时长内的所述断路器的首端电流绝对值的平均值；

判断所述平均值是否大于所述参考阈值，其中，所述参考阈值为预设的电流参考值；

若所述平均值大于所述参考阈值，则确定所述断路器故障。

3.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如权利要求1～2中任一项所述的换流站交流滤波器断路器的故障预警方法。

4.一种换流站交流滤波器断路器的故障预警系统，其特征在于，包括：如权利要求3所述的计算机可读存储介质。

Images