丁 俊，吳 剛，闕增培，楊 阜，丁 文

（1.國(guó)網(wǎng)湖南省電力有限公司長(zhǎng)沙供電分公司，湖南長(zhǎng)沙 410000；2.華自科技有限公司長(zhǎng)沙配電自動(dòng)化項(xiàng)目部，湖南 長(zhǎng)沙 410000）

配電網(wǎng)圖像模型指電網(wǎng)系統(tǒng)連接的抽象化表示，根據(jù)該模型可對(duì)配電網(wǎng)的各個(gè)網(wǎng)絡(luò)節(jié)點(diǎn)加以監(jiān)控，進(jìn)而對(duì)整個(gè)電網(wǎng)系統(tǒng)進(jìn)行調(diào)度[1-3]。為了保證整個(gè)電網(wǎng)系統(tǒng)能正常運(yùn)行，需對(duì)電網(wǎng)各個(gè)系統(tǒng)進(jìn)行合理地調(diào)度與控制。而傳統(tǒng)的電網(wǎng)圖模系統(tǒng)無(wú)法滿(mǎn)足整體性的要求，因此有必要基于實(shí)際的配電網(wǎng)絡(luò)構(gòu)建現(xiàn)代化的配電網(wǎng)節(jié)點(diǎn)調(diào)度系統(tǒng)。

當(dāng)前的電網(wǎng)圖模校準(zhǔn)系統(tǒng)主要有兩種：一種是根據(jù)GIS 地理位置系統(tǒng)進(jìn)行維護(hù)，然后將GIS 子系統(tǒng)數(shù)據(jù)輸出封裝成API 接口，進(jìn)而與總系統(tǒng)連接；另一種則是GIS 地理位置系統(tǒng)和配電網(wǎng)協(xié)調(diào)系統(tǒng)分立[4-5]。這兩種方法均存在數(shù)據(jù)量大、整體性較差的缺陷，由于維護(hù)水平存在差異，因此系統(tǒng)的準(zhǔn)確性難以保證。該文使用深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks，DNN）對(duì)GIS 圖形節(jié)點(diǎn)數(shù)據(jù)進(jìn)行訓(xùn)練，通過(guò)對(duì)不同網(wǎng)點(diǎn)的故障特征進(jìn)行分析與定位，從而快速協(xié)調(diào)節(jié)點(diǎn)送電量，保證電網(wǎng)的有序運(yùn)行。

1 配電網(wǎng)圖形節(jié)點(diǎn)分析模型

1.1 電網(wǎng)節(jié)點(diǎn)故障特征量分析

假定某個(gè)電網(wǎng)節(jié)點(diǎn)為使用分布式電源的饋線(xiàn)網(wǎng)絡(luò)，且在各個(gè)線(xiàn)路中節(jié)點(diǎn)輸出處放置相對(duì)應(yīng)的開(kāi)關(guān)sinωt，進(jìn)而對(duì)線(xiàn)路電氣特征進(jìn)行檢測(cè)，拓?fù)鋱D如圖1 所示。

圖1 電網(wǎng)拓?fù)鋱D

圖1 中，黑色圓形表示電網(wǎng)分布子節(jié)點(diǎn)，DG 代表總輸電網(wǎng)絡(luò)，閃電標(biāo)志為故障點(diǎn)。

為了分析故障點(diǎn)所包含的數(shù)據(jù)特征，提取電源二次諧波進(jìn)行分析，則可測(cè)得3 個(gè)故障點(diǎn)的正序、負(fù)序及零序的電壓，如圖2 所示。

圖2 故障點(diǎn)故障示意圖

由圖2 中可以看出，故障在不同位置的表現(xiàn)形式各不相同，但總體可看作是幅度、相位與波形的不同。因此，需要建立三種形式的噪聲信號(hào)數(shù)據(jù)，進(jìn)而對(duì)故障特征信號(hào)進(jìn)行表征。

假設(shè)共有n個(gè)節(jié)點(diǎn)，這些節(jié)點(diǎn)的電壓幅度矩陣為X=[X1,X2,X3,…,Xn]。其中，n為節(jié)點(diǎn)個(gè)數(shù)，而每一個(gè)Xn中均含有M個(gè)信號(hào)所攜帶的電壓信息，則在n個(gè)節(jié)點(diǎn)中第i個(gè)類(lèi)別的第j個(gè)電壓信號(hào)數(shù)據(jù)如式（1）、（2）所示。

式中，Xi為第i個(gè)節(jié)點(diǎn)的信號(hào)幅值，Xij為第i個(gè)類(lèi)別的第j個(gè)電壓信號(hào)數(shù)據(jù)，δij(t)為第i個(gè)類(lèi)別的第j個(gè)電壓信號(hào)數(shù)據(jù)的高斯白噪聲序列代表幅值的大小。以上兩式通過(guò)疊加的噪聲信號(hào)來(lái)表示電網(wǎng)節(jié)點(diǎn)系統(tǒng)中負(fù)荷的變化情況。

1.2 長(zhǎng)短時(shí)神經(jīng)網(wǎng)絡(luò)

長(zhǎng)短時(shí)神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）[6-9]由RNN神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network）升級(jí)而來(lái)，但RNN 為循環(huán)神經(jīng)網(wǎng)絡(luò)，故該網(wǎng)絡(luò)在處理電網(wǎng)數(shù)據(jù)時(shí)存在一定的弊端。電網(wǎng)數(shù)據(jù)具有典型的時(shí)序特征，若使用RNN 對(duì)其進(jìn)行處理，極易使網(wǎng)絡(luò)陷入梯度爆炸及出現(xiàn)數(shù)據(jù)暴增的情況，同時(shí)該神經(jīng)網(wǎng)絡(luò)也無(wú)法對(duì)數(shù)據(jù)的時(shí)間特征加以挖掘。而LSTM 由于加入門(mén)結(jié)構(gòu)，故可對(duì)時(shí)間序列數(shù)據(jù)進(jìn)行挖掘。LSTM 網(wǎng)絡(luò)基本結(jié)構(gòu)如圖3 所示。

圖3 LSTM基本結(jié)構(gòu)

LSTM 包含3 種門(mén)結(jié)構(gòu)，分別是遺忘門(mén)、輸入門(mén)與輸出門(mén)[10-12]。

遺忘門(mén)的作用是通過(guò)前序數(shù)據(jù)單元的輸出及當(dāng)前數(shù)據(jù)單元的輸入來(lái)對(duì)單元狀態(tài)進(jìn)行去除，該過(guò)程可表征為：

式中，Wf為遺忘門(mén)的權(quán)重矩陣，bf為權(quán)重偏置參數(shù)，σ為核函數(shù)，矩陣的維數(shù)則由參數(shù)h進(jìn)行訓(xùn)練而得到反饋。

輸入門(mén)通過(guò)對(duì)前序數(shù)據(jù)的輸出及當(dāng)前數(shù)據(jù)的輸入，進(jìn)而對(duì)新的信息記憶狀態(tài)進(jìn)行更新，計(jì)算公式如下：

輸出門(mén)可通過(guò)數(shù)據(jù)單元的狀態(tài)值及當(dāng)前數(shù)據(jù)的單元值計(jì)算得到，公式如下：

由上述公式可知，LSTM 通過(guò)三種門(mén)結(jié)構(gòu)選擇需要記憶的數(shù)據(jù)單元狀態(tài)進(jìn)行計(jì)算迭代，每次計(jì)算均可根據(jù)時(shí)間對(duì)上一次的數(shù)據(jù)單元狀態(tài)完成修正。因此，使用LSTM 能夠進(jìn)行系統(tǒng)狀態(tài)的提取，并保證序列計(jì)算的準(zhǔn)確性[13]。

而文中，LSTM 需對(duì)電網(wǎng)節(jié)點(diǎn)數(shù)據(jù)進(jìn)行訓(xùn)練，進(jìn)而判斷故障發(fā)生的位置。該文設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)如圖4 所示。

圖4 該文設(shè)計(jì)的網(wǎng)絡(luò)結(jié)構(gòu)

如圖4 所示，網(wǎng)絡(luò)數(shù)據(jù)選擇節(jié)點(diǎn)的電壓Vi及電流Ii作為網(wǎng)絡(luò)的訓(xùn)練項(xiàng)。具體的定位模塊由兩個(gè)LSTM模型組成，通過(guò)網(wǎng)絡(luò)訓(xùn)練得到其權(quán)重矩陣與偏置項(xiàng)的值。

同時(shí)，當(dāng)數(shù)據(jù)在LSTM 網(wǎng)絡(luò)中訓(xùn)練完成時(shí)，在后續(xù)加入全連接輸出層。隨后通過(guò)分類(lèi)器進(jìn)行分類(lèi)，可得到最終的區(qū)段狀態(tài)。而區(qū)段狀態(tài)分為故障和正常狀態(tài)，最終便可對(duì)節(jié)點(diǎn)的輸出狀態(tài)實(shí)行判定。

邏輯門(mén)的判斷準(zhǔn)則為（0,0）、（1,0）、（0,1）及（1,1）。而節(jié)點(diǎn)則分為三種，分別為運(yùn)行正常節(jié)點(diǎn)、存疑節(jié)點(diǎn)和故障節(jié)點(diǎn)，可為神經(jīng)網(wǎng)絡(luò)提供輔助性質(zhì)的邏輯判斷。

1.3 系統(tǒng)模型框架

配電網(wǎng)圖形節(jié)點(diǎn)數(shù)據(jù)校準(zhǔn)系統(tǒng)包括本地服務(wù)器訓(xùn)練模塊與GIS 故障定位模塊。當(dāng)節(jié)點(diǎn)發(fā)生故障時(shí)，通過(guò)GIS 網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)的數(shù)據(jù)傳輸，并利用邏輯門(mén)進(jìn)行邏輯判定，進(jìn)而得到節(jié)點(diǎn)的故障情況。最終，對(duì)配電網(wǎng)圖形節(jié)點(diǎn)的數(shù)據(jù)進(jìn)行校準(zhǔn)。

本地服務(wù)器訓(xùn)練過(guò)程如圖5 所示。

圖5 本地服務(wù)器訓(xùn)練過(guò)程

算法的具體執(zhí)行流程如下：

1）首先將有源電網(wǎng)切分為多端無(wú)分支的模塊，再對(duì)數(shù)據(jù)進(jìn)行采集，以此得到電流與電壓模塊；

2）對(duì)當(dāng)前的電流及電壓模塊采樣而來(lái)的數(shù)據(jù)進(jìn)行整理及歸一化，將數(shù)據(jù)切分為訓(xùn)練和測(cè)試集合；

3）根據(jù)數(shù)據(jù)集合的維度情況，對(duì)電壓與電流序列數(shù)據(jù)進(jìn)行LSTM 網(wǎng)絡(luò)訓(xùn)練；

4）計(jì)算網(wǎng)絡(luò)的損失值，同時(shí)進(jìn)行梯度優(yōu)化，之后再進(jìn)行學(xué)習(xí)及訓(xùn)練；

5）當(dāng)計(jì)算值收斂時(shí)，停止數(shù)據(jù)的訓(xùn)練，便可得到訓(xùn)練完畢的LSTM 網(wǎng)絡(luò)，最終輸出數(shù)據(jù)的狀態(tài)。

GIS 在線(xiàn)故障定位系統(tǒng)[14-16]如圖6 所示。

圖6 GIS在線(xiàn)故障定位系統(tǒng)

GIS 故障定位模塊的模型執(zhí)行框架為：

1）當(dāng)電網(wǎng)節(jié)點(diǎn)發(fā)生故障時(shí)，載入訓(xùn)練完畢的網(wǎng)絡(luò)中，輸出電壓與電流的判定值；

2）判定邏輯門(mén)，將電壓和電流判定的值進(jìn)行綜合判定，并更新區(qū)段的狀態(tài)；

3）判定并輸出各個(gè)電網(wǎng)節(jié)點(diǎn)的區(qū)段狀態(tài)。

2 算法測(cè)試及案例分析

2.1 IEEE 33節(jié)點(diǎn)系統(tǒng)

該文使用標(biāo)準(zhǔn)的IEEE 33 節(jié)點(diǎn)配電網(wǎng)系統(tǒng)進(jìn)行仿真，在Matlab 中對(duì)環(huán)境進(jìn)行搭建。線(xiàn)路共有四條，且使用22 和26 這兩個(gè)節(jié)點(diǎn)作為配電系統(tǒng)的數(shù)據(jù)采集節(jié)點(diǎn)，并采用PyTorch 框架進(jìn)行環(huán)境的搭配。節(jié)點(diǎn)配電網(wǎng)系統(tǒng)如圖7 所示。

圖7 IEEE 33節(jié)點(diǎn)系統(tǒng)

數(shù)據(jù)遍歷過(guò)程為：在節(jié)點(diǎn)22 和節(jié)點(diǎn)26 處分別采集三相電的正序、負(fù)序與零序電壓、電流數(shù)據(jù)，隨機(jī)在某個(gè)節(jié)點(diǎn)處設(shè)置故障，觀察節(jié)點(diǎn)22 和26 處的數(shù)據(jù)變化。再將數(shù)據(jù)輸入至該文網(wǎng)絡(luò)中進(jìn)行不斷訓(xùn)練，最后對(duì)節(jié)點(diǎn)故障加以判斷，并與正常節(jié)點(diǎn)處的狀態(tài)進(jìn)行對(duì)比。

2.2 仿真結(jié)果分析與對(duì)比

首先進(jìn)行系統(tǒng)功能性測(cè)試，圖8 顯示了加載故障節(jié)點(diǎn)時(shí)節(jié)點(diǎn)22 處采集的三相電數(shù)據(jù)。

圖8 測(cè)試結(jié)果

從圖中可以看出，加載故障信號(hào)的三相電波形相比正常信號(hào)會(huì)發(fā)生幅值、相位及頻率的變化。

然后進(jìn)行系統(tǒng)準(zhǔn)確性判斷，分別訓(xùn)練60、120、240、300 及500 次，對(duì)比普通RNN 算法。最終結(jié)果如表1 所示。

表1 對(duì)比結(jié)果

由表可知，隨著訓(xùn)練次數(shù)的增加，故障定位的準(zhǔn)確率也在持續(xù)增加，這也符合神經(jīng)網(wǎng)絡(luò)的訓(xùn)練規(guī)律。但隨著訓(xùn)練次數(shù)的增多，RNN 算法由于梯度消失及數(shù)據(jù)量增大的缺點(diǎn)，訓(xùn)練時(shí)間相較該文算法大幅延長(zhǎng)，同時(shí)故障定位準(zhǔn)確率相比所提算法也有所降低，證明了該文算法能夠有效定位配電網(wǎng)系統(tǒng)中的故障，并實(shí)現(xiàn)對(duì)配電網(wǎng)圖形節(jié)點(diǎn)數(shù)據(jù)的校核。

3 結(jié)束語(yǔ)

作為電網(wǎng)系統(tǒng)連接的抽象化表示，配電網(wǎng)圖模可對(duì)整個(gè)電網(wǎng)節(jié)點(diǎn)進(jìn)行狀態(tài)監(jiān)控，但傳統(tǒng)的電網(wǎng)圖模系統(tǒng)無(wú)法滿(mǎn)足整體性的要求，因此有必要基于實(shí)際的配電網(wǎng)絡(luò)構(gòu)建現(xiàn)代化的配電網(wǎng)節(jié)點(diǎn)調(diào)度系統(tǒng)。該文通過(guò)對(duì)電網(wǎng)節(jié)點(diǎn)的建模得到故障特征數(shù)據(jù)，并建立LSTM 網(wǎng)絡(luò)對(duì)節(jié)點(diǎn)的電流及電壓數(shù)據(jù)進(jìn)行分析，再利用邏輯門(mén)對(duì)節(jié)點(diǎn)的狀態(tài)加以分析，最終輸出節(jié)點(diǎn)的故障狀態(tài)。在實(shí)例測(cè)試中，該文算法可準(zhǔn)確識(shí)別目標(biāo)節(jié)點(diǎn)的故障狀態(tài)，且在系統(tǒng)準(zhǔn)確性和效率方面均優(yōu)于對(duì)比算法，能夠?qū)崿F(xiàn)對(duì)配電網(wǎng)圖形節(jié)點(diǎn)數(shù)據(jù)的準(zhǔn)確校核。