基于遗传算法的电气设备检测异常诊断

基于遗传算法的电气设备检测异常诊断

赵维冬

中节能国祯环保科技股份有限公司 安徽 合肥 230000

摘要：随着社会的发展以及电力需求的提高，对于电气设备的可靠性要求越来越高，因此要求在电气发生故障时，能迅速对故障设备进行实现检测诊断。基于此，本文遗传算法实现电气设备故障异常诊断。实验结果表明，在600次以上的迭代次数内，遗传算法能够获得较好的故障异常检测结果。

关键词：遗传算法；电气设备；异常诊断；可靠性；

1 引言

电气设备故障定位是指在配电系统中发生故障时，通过特定的手段确定故障的具体位置。电气设备系统故障包括线路短路、接地、断线、过载等，如果不及时找到故障点进行处理，会引起电气设备系统的不稳定运行，进而损害设备，甚至造成严重的安全事故[1]。电气故障定位和隔离是配电自动化的关键技术之一，对于电气设备的运行与管理来说至关重要。因为只有在准确定位故障后，才能快速隔离故障区域，按照相应的规定和流程进行维修和抢修。如果故障定位错误或不准确，可能会导致抢修时间延长、电网损失扩大，对用户造成影响，同时也会给抢修人员带来安全隐患[2]。因此，电气设备的故障恢复和设备抢修都建立在故障准确定位的基础之上。而设备自动化系统的开发可以帮助实现对电气的实时监测、故障诊断和处理，从而提高电气设备的运行效率和管理水平。

2 遗传算法模型建立

2.1遗传算法的原理

遗传算法是一种基于自然进化规律的求解优化问题的方法。其基本流程主要包括五个步骤：1.初始化种群：首先，需要随机生成一定数量的初代染色体作为种群的初始解，这些个体可以是随机生成的，也可以是根据问题特点设置的一些启发式生成方法。2.个体评价：将每一个个体都根据问题的评价标准进行评价，得到适应度。适应度高的个体在下一步会被选中更有可能被复制，为后代进化提供良好的基础。3.选择操作：根据适应度函数值，对种群进行选择，并产生下一代群体。选择方法可以是轮盘赌选择、随机选择等。4.遗传操作：包括交叉和变异两种操作。交叉操作是将两个个体（染色体）交换部分进而产生新个体，变异操作是将染色体中的某些基因随机地改变以增加搜索空间。这样就能产生更多新的解决方案，也能防止算法陷入局部最优解。

2.2 基于遗传算法的电气故障诊断方法

故障诊断目的是当出现故障时，为保证用户的用电需求，快速准确地定位故障点，并及时采取相应措施进行修复。这样既能提高供电可靠性，又可以降低故障给用户带来的影响。这便要求遗传算法与电气数据采集和监控（SCADA）紧密结合，充分利用电气的数据信息。根据各个馈线柱上的馈线终端单元(FTU)实现对开关处故障电压电流的一个监控，然后通过馈线处的馈线终端单元(FTU)将故障信息上传到SCADA系统[3]。

在电气设备元件发生故障时，自动化系统能够从SCADA监控中心通过馈线终端单元(FTU)传回开关故障电流信息，并建立开关状态信息与设备元件状态之间的转换关系。转换关系可以通过开关函数来实现，开关函数能够将开关状态信息与设备元件状态联系起来，起到联系的桥梁的作用。开关函数是一种描述开关与设备元件关系的函数，其输入是开关状态信息，输出是与开关对应的设备元件状态信息。在电气故障诊断自动化系统中，可以使用开关函数来建立开关与设备元件之间的联系，将开关状态信息转换为设备元件状态信息，从而实现故障定位[4]。

                                     （1）

式(1)中：Ij为第j个开关的开关函数，式中运算属于或运算，当有故障电流时为“1”，正常时为“0”。si为开关j下游第i个元件的状态，当发生故障时为“1”，正常情况下为“0”。当联络开关断开以A网（联络开关以左）为例，得到表1：

表1 开关设备关联表

元件Z3发生故障时，可由开关函数得到与系统一致的开关信息，见表2：

表2 开关状态信息

由此可见，上式对于电气设备单电源供电的馈线上使用才能正常运算，一旦涉及到多个电源将会出错。针对这一问题，需要对该表达式做出一些修正。考虑到多电源网络中的电流方向以及联络开关状态等因素。

目标函数选取的合理性起着至关重要的作用。开关函数需要将开关状态数据和过流数据进行转换，将电气元件设备状态集合作为搜索的决策空间。目标函数可以基于开关函数生成，衡量每个个体的优劣程度，并选取最佳电气故障检修解决方案。准确的目标函数对于优化模型正确地定位电气设备发生故障的元件至关重要。为保证准确的目标函数，需要协调馈线终端单元(FTU)上传的电流越限信息和其他输入信息。电流越限信息是故障定位中的重要信息，可以帮助识别可能出现问题的开关，从而指导目标函数的构建和参数的设置。基于这个思想以及上面提到的开关函数，构造如下目标函数：

                                      （2）

式(2)中，S为元件设备状态向量，由各个元件设备的状态组成，电气设备元件为故障元件时为“1”,非故障状态时为“0”；Ij为第j个开关故障电流越限信号，由系统监测可得，当开关有故障电流流过时为“1”或“-1”，当开关没有故障电流流过时为“0”；Ij（s）为开关函数的值。

3 电气设备故障异常诊断研究

根据五类常见的电气设备故障（相间短路、超温故障、绝缘失效、绕组损坏、开路）；利用基于遗传算法方法来识别电气设备故障。并分别设置100,200,400次迭代。从图中可以看出，在迭代次数超过600次以后，电气设备故障异常诊断的正确率呈现出非线性增长的趋势；故障检测准确率增长速度较慢。结果表明，600次迭代后，电气设备线圈损伤的识别精度只有97.6%,800次迭代后，电气设备故障异常诊断检测精度仅提高了0.31%，故障异常诊断准确率达到97.9%。结果表明，在600次以上的迭代次数内，遗传算法能够获得较好的故障异常检测结果。且从图中可以看出，在电气设备中，故障异常诊断的准确率较高，主要集中在超温故障和绝缘失效，最大准确率分别达到99.3%和99.4%，主要因为采用遗传算法的故障异常诊断，能够较好地辨识出电气设备的故障特性，并对故障数据进行降维处理。而随着电气设备的损伤程度越来越大，其故障特性也越来越明显，所以对超温故障和绝缘故障的诊断具有很高的准确性。

图1 不同迭代次数下的故障检测准确率

4 结论

电气自动化系统在提高供电可靠性、缩短故障停电时间和降低停电损失方面发挥了重要作用。而电气设备故障定位与隔离是电气自动化系统的核心内容，而利用遗传算法进行电气设备故障诊断，可以极大提高故障定位。且采用遗传算法的故障异常诊断，能够较好地辨识出电气设备的故障特性。

参考文献

[1]谭红岩.电气故障定位的算法研究[D].成都:西南交通大学,2022.

[2]卫志农，何烨，郑玉平.电气故障区间定位的高级遗传算法[J].中国电机工程学报，2022，22（4）:127-130

[3]郭壮志，吴杰康.电气故障区间定位的仿电磁学算法[J].中国电机工程学报，2020，30（13）:34-40

[4]杨继革.基于遗传算法的电气故障定位的研究[D].杭州：浙江大学，2024.