基于時序網(wǎng)絡(luò)結(jié)合深度學(xué)習(xí)的變電站繼電保護故障診斷方法?

鄭浩野

(國網(wǎng)黑龍江省電力有限公司，黑龍江 哈爾濱 150090)

精確化管理是泛在電力物聯(lián)網(wǎng)建設(shè)的目標(biāo)，繼電保護設(shè)備的安全運行是電力系統(tǒng)安全運行的前提、基礎(chǔ)和保障?？焖贉?zhǔn)確地判斷出繼電設(shè)備的安全隱患、位置和故障類型對于實現(xiàn)電力系統(tǒng)安全運行具有重要的理論和實際意義[1－3]。

進入21 世紀(jì)以來，對于電網(wǎng)故障診斷技術(shù)的研究成為電力系統(tǒng)學(xué)術(shù)界和應(yīng)用界熱點和焦點問題，引起了國內(nèi)外電力科學(xué)工作者的廣泛關(guān)注，出現(xiàn)了一大批優(yōu)秀的成果，例如文獻[4－6]基于故障過程中的多種故障錄波數(shù)據(jù)，采用神經(jīng)網(wǎng)絡(luò)方法辨識故障種類，能夠有效提高故障識別的準(zhǔn)確度。文獻[7－9]根據(jù)故障點的電壓和電流曲線，采用置信區(qū)間的貝葉斯網(wǎng)絡(luò)模型對故障類型進行訓(xùn)練和識別。文獻[10－12]采用分層模糊動態(tài)權(quán)值的Petri 網(wǎng)實現(xiàn)故障元件的位置診斷。文獻[13－15]應(yīng)用語義網(wǎng)技術(shù)，針對智能變電站繼電保護設(shè)備隱性故障造成的保護誤動、拒動、失穩(wěn)等情況，在對變電站一次系統(tǒng)、二次系統(tǒng)、通信系統(tǒng)、輔助系統(tǒng)的建?；A(chǔ)上建立了隱性故障辨識規(guī)則庫。

上述方法雖然能夠進行故障類型的辨識，但是對大量數(shù)據(jù)處理的效率較低，無法推演故障未來形態(tài)和復(fù)原原始故障狀態(tài)。隨著泛在網(wǎng)絡(luò)、人工智能、邊緣計算等物聯(lián)網(wǎng)新技術(shù)加速與堅強智能電網(wǎng)結(jié)合，輸變電設(shè)備物聯(lián)網(wǎng)迎來跨界融合、集成創(chuàng)新和規(guī)模化發(fā)展的新階段，推動輸變電運維模式向更智能、更高效、更安全轉(zhuǎn)變[16－17]。在此推動下，人工智能理論在電力系統(tǒng)中得到廣泛的應(yīng)用，然而，將人工智能深度學(xué)習(xí)理論應(yīng)用于變電站繼電保護故障診斷方法還沒有見諸報導(dǎo)，此類的相關(guān)研究也尚未開展。

綜上所述，本文基于深度學(xué)習(xí)理論，針對傳統(tǒng)變電站繼電保護故障診斷僅考慮警報信息的問題，提出了綜合考慮警報信息時序特征和變電站拓撲結(jié)構(gòu)、繼電保護裝置和動作信息的故障診斷方法。

1 故障報警信息時序模型

對于變電站繼電保護設(shè)備來說，發(fā)生故障前運行時段、故障發(fā)生過程運行時段、故障后運行時段具有一定的時序，且各個階段時序內(nèi)部、外部都存在關(guān)聯(lián)性，由此，需要建立故障報警信息的時序模型。

1.1 時序信息的數(shù)學(xué)模型

設(shè)針對某個設(shè)備狀態(tài)量記錄的由遠及近時間序列X可以表示為:

式中:xi＝(vi，ti)表示設(shè)備觀測的狀態(tài)量信息時間序列在ti時刻獲得的狀態(tài)量vi；n表示X的長度；vi不僅可以表示設(shè)備的模擬量，還可以表示遙信量，或者其二者的集合。

按照式(1)的表達方法，可以獲得多個設(shè)備的狀態(tài)量表達:

式中:，，…，分別表示設(shè)備1、2、…、N的狀態(tài)；表示設(shè)備N的狀態(tài)量信息時間序列在ti時刻的狀態(tài)量。

若式(2)中的前k個元素相同，那么就有下列的設(shè)備元素之間的關(guān)聯(lián)信息:f表示Xs和Gx的控制量，當(dāng)f＝1 時，表示式(4)中的元素是同一時刻標(biāo)簽下的數(shù)據(jù)信息；當(dāng)f＝0 時，表示式(4)中的元素是具有時間序列性質(zhì)。

1.2 時序信息的相似性判斷

對于式(1)和式(2)中的時間序列來說，對于同一個設(shè)備的觀測信息，時間相距越近，表示該數(shù)據(jù)信息的差異越小。常見的時間距離判斷依據(jù)歐氏距離等，本文在此基礎(chǔ)上進行改進:

對于式(5)中的距離D(X，Y)的計算方式可以按照式(7)進行:

1.3 故障時序信息模型

變電站的繼電保護設(shè)備發(fā)生故障導(dǎo)致設(shè)備動作時，二次設(shè)備觀測儀器能夠?qū)崟r記錄該設(shè)備動作狀態(tài)，設(shè)報警信息為:

式中:A表示報警信息類型及其故障信息；Δt表示故障持續(xù)的時間長度；S表示式(9)中是準(zhǔn)確值還是近似值，分別用1 和0 表示。

對于變電站的繼電保護設(shè)備來說，故障種類不同將導(dǎo)致式(9)中是準(zhǔn)確值還是近似值，因此設(shè)置A為:

式中:Π表示集合，該集合中包含輸電線路、母線、變壓器、斷路器故障；Ω表示除了Π中的元素之外的故障類型。

2 繼電保護設(shè)備保護動作時序模型

故障發(fā)生后，繼電保護設(shè)備將及時動作，并能夠按照電網(wǎng)拓撲結(jié)構(gòu)、設(shè)備之間的關(guān)聯(lián)性進行動作。對于式(9)中的元素來說，故障發(fā)生后的各級保護、斷路器依據(jù)時序和邏輯關(guān)系相互關(guān)聯(lián)，下面給出其動作時序和保護之間的邏輯關(guān)系。

首先，繼電保護發(fā)生主保護動作。對于設(shè)備Dk來說，其發(fā)生故障，則繼電保護設(shè)備Ri發(fā)生動作，此時構(gòu)成的主保護狀態(tài)為:

式中:dk表示故障設(shè)備Dk的狀態(tài)。

其次，故障設(shè)備的近后備保護動作。假設(shè)Ri為故障設(shè)備Dk的近后備保護，當(dāng)該設(shè)備的所有主保護Rx誤動或者拒動，那么其近后備保護應(yīng)該動作，此時的期望狀態(tài)應(yīng)該為:

式中:符號?表示邏輯與計算；rx表示主保護設(shè)備保護動作狀態(tài)，為其反狀態(tài)；n表示主保護設(shè)備總數(shù)量。

第三，故障設(shè)備的遠后備保護動作。假設(shè)故障設(shè)備Dk的主保護和近后備保護都誤動或者拒動，則促使設(shè)備的遠后備保護Ri應(yīng)該動作:

式中:m表示近后備保護設(shè)備總數(shù)量；ry表示近后備保護動作狀態(tài)，為其反狀態(tài)；其他符號與式(12)相同。

第四，斷路器拒動保護。通常情況下，在高電壓等級電網(wǎng)中，斷路器具有拒動保護。當(dāng)故障設(shè)備Dk的保護開始動作，并發(fā)送斷路器Cj跳閘命令，但是斷路器拒動，則斷路器的相關(guān)保護設(shè)備Ri開始動作:

式中:k表示遠后備保護設(shè)備總數(shù)量；rz表示遠后備保護動作狀態(tài)；符號⊕表示邏輯或。

第五，斷路器動作。對于故障設(shè)備發(fā)生保護動作Rx后，其關(guān)聯(lián)的斷路器Cj應(yīng)當(dāng)及時發(fā)生跳閘:

式中:R(Cj)表示與保護設(shè)備Rx關(guān)聯(lián)的斷路器集合。

對于變電站中的某一設(shè)備，例如輸電線路、母線、變壓器等發(fā)生故障，都可以按照上述五個步驟的電網(wǎng)拓撲關(guān)系和時序邏輯關(guān)系予以實現(xiàn)，并按照時序依次采集其過程信息，是構(gòu)成故障診斷的基礎(chǔ)。

3 故障設(shè)備關(guān)聯(lián)拓撲建模

依據(jù)第1 部分的故障時序信息和第2 部分故障保護設(shè)備動作時序邏輯模型，可以建立故障設(shè)備的類型、位置模型。

設(shè)T＝(D，R)為變電站設(shè)備拓撲樹狀結(jié)構(gòu)，D表示拓撲樹的關(guān)聯(lián)節(jié)點構(gòu)成的集合；R表示關(guān)聯(lián)節(jié)點之間的拓撲關(guān)系。該拓撲結(jié)構(gòu)關(guān)系存在如下三種情況:

(1)若D中僅僅存在一個節(jié)點，那么該節(jié)點沒有上下節(jié)點關(guān)聯(lián)關(guān)系，即R＝?。

(2)若D中的節(jié)點總數(shù)大于1，那么存在一個根節(jié)點，其他節(jié)點是根節(jié)點的派生節(jié)點。

(3)若D中的節(jié)點總數(shù)大于2，且存在多個根節(jié)點，不妨設(shè)為r，那么該r個根節(jié)點必定存在關(guān)聯(lián)的子節(jié)點Ri(i＝1，2，…，r)，且該r個根節(jié)點及其關(guān)聯(lián)的子節(jié)點沒有交集。

根據(jù)上述的定義，按照拓撲圖論的方法，假設(shè)某根節(jié)點被確定為故障元器件，那么按照廣度深度優(yōu)先搜索算法[18]可以獲得故障關(guān)聯(lián)拓撲結(jié)構(gòu)。

例如，對于圖1 所示電網(wǎng)結(jié)構(gòu)來說，按照設(shè)備的拓撲，可以計算得到設(shè)備的鄰接矩陣:

圖1 實際電網(wǎng)拓撲結(jié)構(gòu)

式中:矩陣的行代表4 條輸電線路，列代表5 個節(jié)點。

進一步可以表示出節(jié)點與元器件之間的關(guān)聯(lián)矩陣:

式中:行數(shù)10 表示有10 個斷路器，按照圖1 中斷路器標(biāo)識符在矩陣中的每一行依次表示；列數(shù)表示線路、節(jié)點和發(fā)電機之和，按照線路L1～L4、節(jié)點B1～B5、發(fā)電機G1 和G2。

根據(jù)式(16)～(17)可以獲得母線、輸電線路、元器件之間的關(guān)聯(lián)拓撲關(guān)系，當(dāng)某一個元器件發(fā)生故障，可以利用廣度深度優(yōu)先搜索方法獲得拓撲結(jié)構(gòu)。

4 深度學(xué)習(xí)方法

4.1 深度學(xué)習(xí)方法簡介

人工智能是具有建模、擴展、改善人類行為的一門前沿技術(shù)，其目標(biāo)是利用機器實現(xiàn)人類認知、分類、識別、決策等功能。

深度學(xué)習(xí)是人工智能中的一種，其本質(zhì)是含有多層隱含網(wǎng)絡(luò)及其權(quán)值作為反饋修正功能的多輸入神經(jīng)網(wǎng)絡(luò)，其中的長短期記憶網(wǎng)絡(luò)(Long Short Term Memory，LSTM)的系統(tǒng)單元如圖2 所示[19]。

圖2 深度學(xué)習(xí)LSTM 內(nèi)部結(jié)構(gòu)圖

圖2 所示LSTM 的功能為:第一，LSTM 單元按照最左側(cè)的遺忘門獲得t時刻的輸入量xt及其t－1時刻LSTM 的輸入量ht－1，在多個激勵σ的作用下對獲得量進行計算，從而獲得遺忘門的計算結(jié)果ft，該結(jié)果主要能夠得到長期記憶Ct的歷史信息過濾量化比率:

式中:wfx、wfh分別表示遺忘門權(quán)值和前一時刻LSTM的隱含信息權(quán)值。

上述式(18)是確定歷史輸入信息，并且，獲得信息量還要確定讓其他信息能夠有機合并到LSTM單元，包含已經(jīng)去除掉的t時刻信息xt、LSTMt－1 時刻的隱含信息ht－1的it以及新內(nèi)容:

式中:wix、wih分別表示過濾當(dāng)前輸入信息權(quán)值和過濾LSTM 前一時刻隱含信息權(quán)值；wcx、wch分別表示新內(nèi)容中當(dāng)前輸入信息權(quán)值和新內(nèi)容中LSTM 前一時刻隱含信息權(quán)值。

通過式(19)～式(20)去除掉的信息、新獲得的信息，可以總結(jié)得到t時刻LSTM 包含了歷史以及目前信息Ct:

根據(jù)目前LSTM 獲得量Ct，進一步由圖2 中的輸出門進行計算，從而獲得輸出到當(dāng)前狀態(tài)ht的比率ot以及當(dāng)前的狀態(tài)數(shù)值ht:

式中:who、woh分別表示輸出門的輸出對應(yīng)于當(dāng)前輸入信息和當(dāng)前狀態(tài)的權(quán)值。wy表示輸出門當(dāng)前狀態(tài)信息的權(quán)值；

經(jīng)過式(23)計算，可以獲得輸出量當(dāng)前的狀態(tài)信息ht，進而最終計算得到LSTM 多個單元的結(jié)果:

上述LSTM 計算過程，如式(18)～式(24)的激活函數(shù)σ通常都選擇數(shù)學(xué)中的曲率函數(shù)sigmoid 實現(xiàn)過濾信息；bf，bi，bc，bo，by為部分誤差量。

實際上，圖2 中的結(jié)構(gòu)都是多個LSTM 單元并列組合，單LSTM 輸入、輸出都是多維數(shù)據(jù)，這樣能夠獲得多歷史數(shù)據(jù)的多時空學(xué)習(xí)。上述計算過程為:

(1)從前置量測單元中按要求選擇多維量測數(shù)據(jù)，從而形成多維輸入數(shù)據(jù)和單維或者多維輸出進行訓(xùn)練。

(2)進一步將訓(xùn)練數(shù)據(jù)作為輸入，通過多單元的LSTM 獲得計算預(yù)測數(shù)據(jù)。

(3)經(jīng)過步驟(2)的計算，獲得預(yù)測數(shù)據(jù)與實際數(shù)據(jù)的比較值。將此比較值作為輸入，合并到原輸入中，經(jīng)過LSTM 計算，進行權(quán)值的學(xué)習(xí)過程。

(4)將學(xué)習(xí)完畢的LSTM 權(quán)值作為后續(xù)計算的依據(jù)，進而可以得到未來的預(yù)測值。

4.2 變電站繼電保護故障診斷方法

對于變電站故障設(shè)備來說，當(dāng)發(fā)生故障時候，第一部分獲得故障前、故障中、故障后的時序信息模型；根據(jù)此模型，第二部分給出了故障過程中保護邏輯時序模型，并在第三部分建立了故障設(shè)備和保護設(shè)備之間的電網(wǎng)拓撲結(jié)構(gòu)模型。

根據(jù)上述第1～3 部分內(nèi)容，按照多種故障元器件及其保護動作進行模擬，可以獲得大量的變電站設(shè)備故障數(shù)據(jù)，以此作為訓(xùn)練集輸入LSTM 中進行學(xué)習(xí)，獲得學(xué)習(xí)的權(quán)值。將該權(quán)值用于新的故障進行測試，則可以得到故障診斷結(jié)果。

為了使故障識別泛化能力強、學(xué)習(xí)效率高、收斂速度快，深度學(xué)習(xí)LSTM 方法中使用Adam 自適應(yīng)學(xué)習(xí)核函數(shù)，并使用Dropout 過擬合處理技術(shù)，解決訓(xùn)練誤差逐步下降的問題。

根據(jù)上述問題導(dǎo)向，本文設(shè)置的深度學(xué)習(xí)LSTM 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表1 所示。

表1 LSTM 網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

5 算例分析

為了驗證上述算法的有效性，采用如圖3 所示的某電網(wǎng)結(jié)構(gòu)進行驗證。該電網(wǎng)共包含13 條母線、10 條輸電線路、3 個變壓器支路、6 個發(fā)電機節(jié)點、4個負荷節(jié)點，這些元器件中都有相應(yīng)的保護設(shè)備。

圖3 某電網(wǎng)系統(tǒng)結(jié)構(gòu)圖

在Windows 操作系統(tǒng)中使用MATLAB 軟件和Python 軟件編寫本文上述算法，并對數(shù)據(jù)進行統(tǒng)計分析。

為了能夠進行LSTM 深度學(xué)習(xí)訓(xùn)練，首先需要模擬多種故障情況。在模擬故障發(fā)生過程中，設(shè)置圖3 中的電壓為1 500 V，負荷側(cè)電壓為380 V，輸電線路電阻為0.164 Ω/km，電感為0.24 mH/km。

為了檢驗本文算法的有效性，設(shè)置了兩種不同位置的故障K1 和K2，K1 點故障位置位于發(fā)電機側(cè)，K2 點故障位于負荷側(cè)，已經(jīng)標(biāo)注于圖中。

將上述兩種不同位置的故障進行多種狀態(tài)模擬，如單相接地短路故障、兩相短路故障、兩相接地短路故障、單相斷線故障、兩相斷線故障等共5 種故障形式，且繼電保護設(shè)備發(fā)生不同動作形式，共計1 000 個時間斷面的故障數(shù)據(jù)。

例如K1 發(fā)生A 相接地故障時，A 相、B 相、C 相的電壓和電流如圖4 所示，圖中縱坐標(biāo)是標(biāo)幺值，橫坐標(biāo)為時間。

圖4 K1 故障三相電壓電流波形

為了驗證本文定位故障位置，設(shè)置一個復(fù)雜故障場景，使輸電線路故障K1 和輸電線路故障K2 同時發(fā)生，且輸電線路6－7 和輸電線路7－12 也同時發(fā)生故障，那么在該電網(wǎng)中存在多重故障情形，并且伴隨保護拒動和誤動、與之相關(guān)的斷路器拒動和誤動等復(fù)雜情況。

在輸電線路K1 和K2 處、輸電線路6－7 和7－12 設(shè)置三相接地短路故障。當(dāng)故障發(fā)生后，線路1－5 上母線5 側(cè)的后備保護、線路1－5 母線1 側(cè)的主保護、線路11－12 和線路6－7、7－12 兩側(cè)的主保護均動作；線路1－5 兩側(cè)斷路器、線路11－12 兩側(cè)斷路器跳閘和線路6－7 以及7－12 兩側(cè)的斷路器跳閘，斷路器編碼如表2 所示。

表2 斷路器編碼

根據(jù)第2 部分和第3 部分，根據(jù)故障斷路器跳閘報警信息以及輸電線路停運狀態(tài)來判斷故障位置，按照拓撲搜索算法可得如圖5 所示結(jié)果。

圖5 故障區(qū)域搜索算法

將故障發(fā)生過程中的電流、電壓時序信息，以及故障的電網(wǎng)拓撲結(jié)構(gòu)，輸入LSTM 深度學(xué)習(xí)模型中，使用前900 個時間斷面的故障數(shù)據(jù)進行訓(xùn)練，并使用后100 個時間斷面的故障數(shù)據(jù)進行測試，測試情況如表3 所示。

表3 故障診斷結(jié)果

通過對表3 進行分析可見，隨著訓(xùn)練樣本增大，測試故障種類和位置的精度逐漸提高。為了進一步增加訓(xùn)練樣本，選取1 000 個時間斷面故障樣本為訓(xùn)練集，并從中隨機選取100 個樣本進行測試，測試結(jié)果如表4 所示。

表4 故障進一步診斷結(jié)果

通過表4 分析可見，若訓(xùn)練集中故障種類和情況足夠多，包含了測試集中的所有情況，那么利用LSTM 方法就能夠獲得精確的診斷結(jié)果。

為了進一步驗證本文所提LSTM 的有效性，通過在K1 點、K2 點設(shè)置不同類型的故障，與傳統(tǒng)方法文獻[8]、文獻[13]、文獻[16]進行比較，結(jié)果如表5 所示。

表5 故障診斷結(jié)果比較 單位:%

由表5 可見，通過在電源側(cè)K1 點、負荷側(cè)K2點分別設(shè)置單相短路、兩相短路進行測試，測試結(jié)果表明本文方法準(zhǔn)確度可達98%左右(訓(xùn)練集樣本采用表3 所示)，比傳統(tǒng)方法的識別精度高5%左右，顯示了本文方法的優(yōu)越性。

6 結(jié)論

針對傳統(tǒng)變電站繼電保護故障診斷僅考慮警報信息的問題，提出了綜合考慮警報信息時序特征和變電站電網(wǎng)拓撲結(jié)構(gòu)、繼電保護裝置位置和動作信息的故障診斷方法。通過實際電網(wǎng)的仿真驗證，表明如下結(jié)論:

(1)建立故障診斷的數(shù)據(jù)時序分析模型并根據(jù)變電站拓撲結(jié)構(gòu)、繼電保護位置和動作信息建立故障診斷時序模型符合實際電網(wǎng)實際。

(2)采用深度學(xué)習(xí)的LSTM 方法能夠獲得準(zhǔn)確的故障診斷結(jié)果。