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)建設的目標，繼電保護設備的安全運行是電力系統(tǒng)安全運行的前提、基礎和保障?？焖贉蚀_地判斷出繼電設備的安全隱患、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 世紀以來，對于電網(wǎng)故障診斷技術的研究成為電力系統(tǒng)學術界和應用界熱點和焦點問題，引起了國內(nèi)外電力科學工作者的廣泛關注，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)絡方法辨識故障種類，能夠有效提高故障識別的準確度。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)絡模型對故障類型進行訓練和識別。文獻[10－12]采用分層模糊動態(tài)權值的Petri 網(wǎng)實現(xiàn)故障元件的位置診斷。文獻[13－15]應用語義網(wǎng)技術，針對智能變電站繼電保護設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)和復原原始故障狀態(tài)。隨著泛在網(wǎng)絡、人工智能、邊緣計算等物聯(lián)網(wǎng)新技術加速與堅強智能電網(wǎng)結合，輸變電設備物聯(lián)網(wǎng)迎來跨界融合、集成創(chuàng)新和規(guī)?；l(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)中得到廣泛的應用，然而，將人工智能深度學習理論應用于變電站繼電保護故障診斷方法還沒有見諸報導，此類的相關研究也尚未開展。

綜上所述，本文基于深度學習理論，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構、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)學模型

設針對某個設備狀態(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，可以獲得多個設備的狀態(tài)量表達:

式中:，，…，分別表示設備1、2、…、N的狀態(tài)；表示設備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，那么就有下列的設備元素之間的關聯(lián)信息:f表示Xs和Gx的控制量，當f＝1 時，表示式(4)中的元素是同一時刻標簽下的數(shù)據(jù)信息；當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備發(fā)生故障導致設備動作時，二次設備觀測儀器能夠?qū)崟r記錄該設備動作狀態(tài)，設報警信息為:

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備來說，故障種類不同將導致式(9)中是準確值還是近似值，因此設置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 繼電保護設備保護動作時序模型

故障發(fā)生后，繼電保護設備將及時動作，并能夠按照電網(wǎng)拓撲結構、設備之間的關聯(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)時序和邏輯關系相互關聯(lián)，下面給出其動作時序和保護之間的邏輯關系。

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

式中:dk表示故障設備Dk的狀態(tài)。

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

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

第三，故障設備的遠后備保護動作。假設故障設備Dk的主保護和近后備保護都誤動或者拒動，則促使設備的遠后備保護Ri應該動作:

式中:m表示近后備保護設備總數(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。當故障設備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，則斷路器的相關保護設備Ri開始動作:

式中:k表示遠后備保護設備總數(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。對于故障設備發(fā)生保護動作Rx后，其關聯(lián)的斷路器Cj應當及時發(fā)生跳閘:

式中:R(Cj)表示與保護設備Rx關聯(lián)的斷路器集合。

對于變電站中的某一設備，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)拓撲關系和時序邏輯關系予以實現(xiàn)，并按照時序依次采集其過程信息，是構成故障診斷的基礎。

3 故障設備關聯(lián)拓撲建模

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

設T＝(D，R)為變電站設備拓撲樹狀結構，D表示拓撲樹的關聯(lián)節(jié)點構成的集合；R表示關聯(lián)節(jié)點之間的拓撲關系。該拓撲結構關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)點關聯(lián)關系，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，不妨設為r，那么該r個根節(jié)點必定存在關聯(lián)的子節(jié)點Ri(i＝1，2，…，r)，且該r個根節(jié)點及其關聯(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]可以獲得故障關聯(lián)拓撲結構。

例如，對于圖1 所示電網(wǎng)結構來說，按照設備的拓撲，可以計算得到設備的鄰接矩陣:

圖1 實際電網(wǎng)拓撲結構

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、元器件之間的關聯(lián)拓撲關系，當某一個元器件發(fā)生故障，可以利用廣度深度優(yōu)先搜索方法獲得拓撲結構。

4 深度學習方法

4.1 深度學習方法簡介

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

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

圖2 深度學習LSTM 內(nèi)部結構圖

圖2 所示LSTM 的功能為:第一，LSTM 單元按照最左側的遺忘門獲得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果ft，該結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分別表示遺忘門權值和前一時刻LSTM的隱含信息權值。

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分別表示過濾當前輸入信息權值和過濾LSTM 前一時刻隱含信息權值；wcx、wch分別表示新內(nèi)容中當前輸入信息權值和新內(nèi)容中LSTM 前一時刻隱含信息權值。

通過式(19)～式(20)去除掉的信息、新獲得的信息，可以總結得到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，從而獲得輸出到當前狀態(tài)ht的比率ot以及當前的狀態(tài)數(shù)值ht:

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

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

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 中的結構都是多個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)的多時空學習。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練。

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

(3)經(jīng)過步驟(2)的計算，獲得預測數(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，進行權值的學習過程。

(4)將學習完畢的LSTM 權值作為后續(xù)計算的依據(jù)，進而可以得到未來的預測值。

4.2 變電站繼電保護故障診斷方法

對于變電站故障設備來說，當發(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備和保護設備之間的電網(wǎng)拓撲結構模型。

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備故障數(shù)據(jù)，以此作為訓練集輸入LSTM 中進行學習，獲得學習的權值。將該權值用于新的故障進行測試，則可以得到故障診斷結果。

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

根據(jù)上述問題導向，本文設置的深度學習LSTM 網(wǎng)絡結構參數(shù)如表1 所示。

表1 LSTM 網(wǎng)絡結構參數(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)結構進行驗證。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的保護設備。

圖3 某電網(wǎng)系統(tǒng)結構圖

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 深度學習訓練，首先需要模擬多種故障情況。在模擬故障發(fā)生過程中，設置圖3 中的電壓為1 500 V，負荷側電壓為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，K2 點故障位于負荷側，已經(jīng)標注于圖中。

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，圖中縱坐標是標幺值，橫坐標為時間。

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，設置一個復雜故障場景，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、與之相關的斷路器拒動和誤動等復雜情況。

在輸電線路K1 和K2 處、輸電線路6－7 和7－12 設置三相接地短路故障。當故障發(fā)生后，線路1－5 上母線5 側的后備保護、線路1－5 母線1 側的主保護、線路11－12 和線路6－7、7－12 兩側的主保護均動作；線路1－5 兩側斷路器、線路11－12 兩側斷路器跳閘和線路6－7 以及7－12 兩側的斷路器跳閘，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)拓撲結構，輸入LSTM 深度學習模型中，使用前900 個時間斷面的故障數(shù)據(jù)進行訓練，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 故障診斷結果

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

表4 故障進一步診斷結果

通過表4 分析可見，若訓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，結果如表5 所示。

表5 故障診斷結果比較 單位:%

由表5 可見，通過在電源側K1 點、負荷側K2點分別設置單相短路、兩相短路進行測試，測試結果表明本文方法準確度可達98%左右(訓練集樣本采用表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)拓撲結構、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)變電站拓撲結構、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)采用深度學習的LSTM 方法能夠獲得準確的故障診斷結果。