基于改進GRU模型的配電網(wǎng)故障線路區(qū)段檢測

李世明, 顧東健, 余志文, 趙瑞鋒, 黎皓彬

(1.廣東電網(wǎng)有限責任公司,電力調(diào)控控制中心,廣東,廣州 510600;2.國電南瑞南京控制系統(tǒng)有限公司,江蘇,南京 211106)

0 引言

配電網(wǎng)故障可導致嚴重的電壓瞬變、設備故障和電力中斷?？焖贉蚀_地故障線路區(qū)段檢測可避免長時間停電帶來的經(jīng)濟損失。配電網(wǎng)故障會導致整個系統(tǒng)中的電壓、電流和角度立即發(fā)生變化,且這些變化在故障位置附近具有更高的振幅波動[1]。然而,由于配電網(wǎng)具有高度非線性[2],因此,基于傳統(tǒng)模型的故障定位方法無法高精度地識別故障線路。相比之下,數(shù)據(jù)驅動技術不依賴于配電網(wǎng)拓撲結構,能夠較好地識別配電網(wǎng)故障線路區(qū)段。

機器學習(ML)作為數(shù)據(jù)驅動技術常用于配電網(wǎng)故障分類和定位、故障檢測、安全評估、狀態(tài)估計和負荷預測等[3]。文獻[4]設計了求和小波極值學習機的配電網(wǎng)故障分類和定位集成系統(tǒng)。文獻[5]采用粒子群優(yōu)化(PSO)方法提高了故障線路區(qū)段檢測精度。文獻[6]提出了基于深度學習(DL)的配電網(wǎng)中定位故障方法。然而,上述方法均依賴于大量的線路參數(shù),不利于配電網(wǎng)故障線路區(qū)段的快速檢測。

為了設計出不依賴于配電網(wǎng)拓撲結構且不需要線路參數(shù)的ML方法,本文以門控循環(huán)單元(GRU)為基礎,提出了基于改進GRU非迭代無參數(shù)模型的配電網(wǎng)故障線路區(qū)段檢測方法。通過安裝在配電網(wǎng)節(jié)點處的智能饋線表(SFM)采集區(qū)段線路兩側的電壓和電流之間的角度,結合預訓練的改進GRU模型檢測故障線路區(qū)段。

1 線路區(qū)段的電壓和電流角度

配電網(wǎng)發(fā)生故障后,故障線路區(qū)段兩側的電壓與電流之間的角度將發(fā)生顯著變化。本文利用配電網(wǎng)每個線路區(qū)段兩側的電壓和電流之間的角度來檢測故障線路區(qū)段。配電網(wǎng)線路發(fā)生三相接地故障示例,如圖1所示。其中,Ri為第i相的接地電阻,i=a,b,c,Rg為地面電阻。

圖1 配電網(wǎng)的三相接地故障圖示

當配電網(wǎng)發(fā)生故障時,保護繼電器會檢測到故障并觸發(fā)跳閘命令。同時,SFM以50 Hz的采樣頻率對線路區(qū)段兩側所有相的電壓和電流之間的角度進行采集。

電源發(fā)送端和負載接收端總線的三相電壓分別為

(1)

(2)

其中,a、b和c分別為電壓的相a、相b和相c,VSi和VRi分別為電源發(fā)送端和負載接收端在第i相上的電壓,δSi和δRi分別為電源發(fā)送端和負載接收端在第i相上的電壓角度,i=a,b,c。

電源發(fā)送端和負載接收端總線的三相電流分別為

(3)

(4)

其中,ISi和IRi分別為電源發(fā)送端和負載接收端在第i相上的電流,θSi和θRi分別為電源發(fā)送端和負載接收端在第i相上的電流角度。

線路區(qū)段兩側的電壓和電流之間的角度分別為

(5)

(6)

因此,線路區(qū)段j兩側的電壓和電流之間的角度差為

(7)

其中,αSi和αRi分別為電源發(fā)送端和負載接收端在第i相上的電壓與電流之間角度差。

由于SFM采集的數(shù)據(jù)窗口包括故障前和故障后樣本,則分別計算故障前和故障后樣本的βj,因此,對于每個線路區(qū)段j,矩陣βj包含6個元素。為了準確檢測故障發(fā)生的線路區(qū)段,還需計算所有線路區(qū)段的βj。因此,構建所有線路區(qū)段的角度差矩陣:

(8)

其中,n為配電網(wǎng)中的線路區(qū)段數(shù)量。

通過計算線路區(qū)段兩側的電壓和電流之間的角度差矩陣β,將其作為預訓練GRU模型的輸入,從而確定故障發(fā)生的位置。

2 改進門控循環(huán)單元模型

2.1 門控循環(huán)單元(GRU)

GRU是一種簡單的長短期記憶人工神經(jīng)網(wǎng)絡(LSTM)類型,只包含更新門和復位門兩種門[7]。與LSTM相比,減少了模型的參數(shù)數(shù)量。與LSTM不同的是,GRU使用隱藏狀態(tài)(ht)來存儲和傳輸信。GRU的更新門(zt)的功能與LSTM模型中的遺忘門和輸入門類似。此外,復位門(rt)確定當前步驟中需要忘記的歷史信息。GRU模型為

zt=σ(Wizxt+Whzht-1+bz)

(9)

rt=σ(Wirxt+Whrht-1+br)

(10)

(11)

(12)

其中,W和b分別為GRU的權重和偏置值,σ(·)為Sigmoid激活函數(shù)。GRU的結構,如圖2所示。

圖2 GRU的結構

2.2 改進GRU模型

在本文提出的改進GRU模型中,除了GRU層之外,模型結構還包含Dropout層、批量標準化(BN)層、平坦層、密集層和Softmax層。其中,密集層和Softmax層位于結構末端用于分類。具體每層的描述如下。

(1) Dropout層:Dropout層以概率p隨機刪除多余神經(jīng)元,從而避免過度擬合并緩解梯度消失問題。

(2) BN層:通過引入BN層將每層的輸入數(shù)據(jù)標準化,從而加速模型的訓練。其中,標準化的均值為0,方差為1。

(3) 平坦層:平坦層可將輸入向量重塑形狀(即數(shù)據(jù)維度或特征)。

(4) 密集層:在密集層中,所有的輸入神經(jīng)元通過權值連接到每個輸出,即每個輸出都是所有輸入神經(jīng)元函數(shù)的結果。

(5) Softmax層:Softmax函數(shù)將輸入向量轉換為概率向量,該概率向量計算數(shù)據(jù)與特定類別相關的概率。因此,Softmax具有與Sigmoid函數(shù)等效的功能。此外,所有類別的概率之和為1。Softmax函數(shù)為

(13)

其中,xl為長度為l的層的輸入向量。

2.3 改進GRU模型的體系結構

對于IEEE-33總線系統(tǒng)共有32個線路區(qū)段,改進GRU模型的輸出用于檢測真實線路區(qū)段故障位置。本文提出的用于檢測故障線路的改進GRU模型的體系結構,如圖3所示。

圖3 改進GRU模型的體系結構

改進GRU模型能夠識別三相接地故障、兩相接地故障、兩相和單相故障等各種故障的故障區(qū)段。模型中使用了四個GRU層,并在每層之后使用Dropout層和BN層兩種正則化策略來防止過度擬合。Dropout層的概率p均設置為0.1。將DIgSILENT PowerFactory軟件中的仿真數(shù)據(jù)應用于各種故障場景來創(chuàng)建數(shù)據(jù)庫。

3 故障線路區(qū)段檢測

本文提出的改進GRU模型可實時檢測故障線路區(qū)段,具體的故障線路區(qū)段檢測流程,如圖4所示。

圖4 故障線路區(qū)段檢測流程

當配電網(wǎng)發(fā)生故障時,保護繼電器發(fā)出跳閘命令并觸發(fā)改進GRU模型運行。通過安裝在所有線路區(qū)段兩側的SFM采集電壓與電流的角度,形成由故障前樣本和故障后樣本兩種樣本組成的時間序列。對于所有SFM,計算兩種樣本的電壓和電流之間的角度。考慮到每個線路區(qū)段都嵌入了兩個SFM,可以形成式(7)中引入的向量。最終,對于所有線路區(qū)段,通過構建向量形成式(8)中兩側的電壓和電流之間的角度差矩陣,該矩陣作為預訓練的GRU模型的輸入來檢測故障線路區(qū)段。

4 仿真研究

4.1 仿真設置

根據(jù)故障類型、線路位置、故障電阻和故障起始角而變化,每個SFM采集電壓與電流之間的角度。本文提出的改進GRU模型在個人筆記本電腦上用Python 3.8.3進行測試,筆記本電腦使用16 GB的RAM和2.7 GHz的Intel i7-3820QM CPU。以IEEE-33總線系統(tǒng)為例驗證本文方法的有效性,如圖5所示。

圖5 IEEE-33總線系統(tǒng)的單線圖

本文在DIgSILENT PowerFactory軟件中仿真IEEE-33總線系統(tǒng)的各種故障場景來生成數(shù)據(jù)庫,其中,配電網(wǎng)線路均按相同比例運行。模擬故障場景的設置,如表1所示。

表1 模擬故障場景的設置

IEEE-33總線系統(tǒng)形成維度為32×6的角度差矩陣β。在創(chuàng)建的17 280個故障場景中,訓練集、驗證集和測試集分別為52.5%、17.5%和30%。

4.2 故障檢測

在訓練改進GRU模型時,訓練集和驗證集的精確度和損失度之間的關系,如圖6所示。

圖6 訓練集和驗證集的精確度和損失度

由圖6可見,改進GRU模型在檢測配電網(wǎng)故障線路區(qū)段時,訓練數(shù)據(jù)和驗證數(shù)據(jù)在第30次迭代后開始收斂,模型能夠找到最終穩(wěn)定的權重值和參數(shù)。在模型的訓練過程中,模型對訓練數(shù)據(jù)和驗證數(shù)據(jù)的準確率分別達到99.04%和99.64%。因此。本文提出的改進GRU模型能夠較好的檢測配電網(wǎng)故障線路區(qū)段。將訓練后的改進GRU模型在測試集上得到的準確率為99.56%,則17 280×30%=5184個測試場景中可以準確的檢測到5184×99.56%=5161個故障線路區(qū)段。

從故障發(fā)生時刻到確定故障線路區(qū)段時刻的整個檢測過程中,本文提出的改進GRU模型所需的檢測時間,如圖7所示。

圖7 故障線路區(qū)段整個檢測過程時間

由圖7可見,SFM以50 Hz的采樣頻率采集故障前和故障后樣本用時均為200 ms。從SFM向數(shù)據(jù)中心發(fā)送數(shù)據(jù)的延遲時間為100 ms。在收集數(shù)據(jù)后,改進GRU模型僅用55 ms就位為操作人員檢測到了故障線路區(qū)段。因此,改進GRU模型能夠快速檢測配電網(wǎng)故障線路區(qū)段,檢測故障所需的時間僅為0.56 s,并且每個故障都可以獨立檢測并通過保護繼電器消除。

4.3 方法比較

為了進一步驗證本文所提出的改進GRU模型檢測配電網(wǎng)故障線路區(qū)段的有效性,將本文方法與基于循環(huán)神經(jīng)網(wǎng)絡(RNN)[8]和基于LSTM[9]的故障線路區(qū)段檢測性能進行比較。為了評價模型的檢測性能,本文采用了平均絕對百分比誤差(MAPE)和絕對百分比誤差標準差(SDAPE)兩種檢測誤差進行模型評價,其定義如下:

(14)

(15)

其中,N為故障場景總數(shù),A(k)為實際故障數(shù),F(k)為檢測故障數(shù)。

對于IEEE-33總線系統(tǒng)模擬故障場景的檢測,本文方法與RNN方法和LSTM方法的檢測性能比較結果,如表2所示。

由表2可見,本文提出的改進GRU模型的MAPE最小,比RNN方法和LSTM方法分別提高了44.30%和4.35%。此外,改進GRU模型的SDAPE值和檢測時間僅為0.34%和0.56 s,比其他2種檢測方法的SDAPE值和檢測時間都小。雖然改進GRU模型和LSTM方法的檢測精確度相當,但改進GRU模型所用時間最短。這是由于改進GRU模型和LSTM方法作為RNN方法的子集,通過“門”的內(nèi)部機制來調(diào)節(jié)配電網(wǎng)中的信息流。然而,由于改進GRU模型的參數(shù)較少,而且比LSTM更易于實現(xiàn)。因此,本文提出的改進GRU模型更適用于快速檢測配電網(wǎng)中的故障線路區(qū)段。

5 總結

實時準確地檢測配電網(wǎng)中的故障線路區(qū)段對電力系統(tǒng)安全穩(wěn)定運行至關重要。本文在分析配電網(wǎng)發(fā)生故障后,故障線路區(qū)段兩側的電壓與電流之間的角度變化的基礎上。利用改進GRU模型實時檢測故障線路區(qū)段。通過安裝在配電網(wǎng)節(jié)點上的SFM采集故障前和故障后的電壓與電流之間的角度差,結合改進GRU模型得到最終的故障線路區(qū)段定位,并且改進GRU模型具有非迭代性且可實現(xiàn)實時檢測。最后,在IEEE-33總線系統(tǒng)上進行了驗證,本文方法達到了99.56%的檢測精度且整個檢測過程時間僅為0.56 s。然而,本文只在無分布式發(fā)電接入的條件下研究了故障線路區(qū)段檢測。在未來的研究中,將致力于設計出適用于分布式發(fā)電配電網(wǎng)的檢測方法。