李世明, 顧東健, 余志文, 趙瑞鋒, 黎皓彬

(1.廣東電網(wǎng)有限責(zé)任公司,電力調(diào)控控制中心,廣東,廣州 510600;2.國(guó)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(dǎo)致嚴(yán)重的電壓瞬變、設(shè)備故障和電力中斷?？焖贉?zhǔn)確地故障線路區(qū)段檢測(cè)可避免長(zhǎng)時(shí)間停電帶來的經(jīng)濟(jì)損失。配電網(wǎng)故障會(huì)導(dǎo)致整個(gè)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(dòng)[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(shí)別故障線路。相比之下,數(shù)據(jù)驅(qū)動(dòng)技術(shù)不依賴于配電網(wǎng)拓?fù)浣Y(jié)構(gòu),能夠較好地識(shí)別配電網(wǎng)故障線路區(qū)段。

機(jī)器學(xué)習(xí)(ML)作為數(shù)據(jù)驅(qū)動(dòng)技術(shù)常用于配電網(wǎng)故障分類和定位、故障檢測(cè)、安全評(píng)估、狀態(tài)估計(jì)和負(fù)荷預(yù)測(cè)等[3]。文獻(xiàn)[4]設(shè)計(jì)了求和小波極值學(xué)習(xí)機(jī)的配電網(wǎng)故障分類和定位集成系統(tǒng)。文獻(xiàn)[5]采用粒子群優(yōu)化(PSO)方法提高了故障線路區(qū)段檢測(cè)精度。文獻(xiàn)[6]提出了基于深度學(xué)習(xí)(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(cè)。

為了設(shè)計(jì)出不依賴于配電網(wǎng)拓?fù)浣Y(jié)構(gòu)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(chǔ),提出了基于改進(jìn)GRU非迭代無參數(shù)模型的配電網(wǎng)故障線路區(qū)段檢測(cè)方法。通過安裝在配電網(wǎng)節(jié)點(diǎn)處的智能饋線表(SFM)采集區(qū)段線路兩側(cè)的電壓和電流之間的角度,結(jié)合預(yù)訓(xùn)練的改進(jìn)GRU模型檢測(cè)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(cè)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(gè)線路區(qū)段兩側(cè)的電壓和電流之間的角度來檢測(cè)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(dāng)配電網(wǎng)發(fā)生故障時(shí),保護(hù)繼電器會(huì)檢測(cè)到故障并觸發(fā)跳閘命令。同時(shí),SFM以50 Hz的采樣頻率對(duì)線路區(qū)段兩側(cè)所有相的電壓和電流之間的角度進(jìn)行采集。

電源發(fā)送端和負(fù)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(fù)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(fù)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(fù)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(fù)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(fù)載接收端在第i相上的電流角度。

線路區(qū)段兩側(cè)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(cè)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(fù)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(jì)算故障前和故障后樣本的βj,因此,對(duì)于每個(gè)線路區(qū)段j,矩陣βj包含6個(gè)元素。為了準(zhǔn)確檢測(cè)故障發(fā)生的線路區(qū)段,還需計(jì)算所有線路區(qū)段的βj。因此,構(gòu)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(jì)算線路區(qū)段兩側(cè)的電壓和電流之間的角度差矩陣β,將其作為預(yù)訓(xùn)練GRU模型的輸入,從而確定故障發(fā)生的位置。

2 改進(jìn)門控循環(huán)單元模型

2.1 門控循環(huán)單元(GRU)

GRU是一種簡(jiǎn)單的長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)(LSTM)類型,只包含更新門和復(fù)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(chǔ)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(fù)位門(rt)確定當(dāng)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(quán)重和偏置值,σ(·)為Sigmoid激活函數(shù)。GRU的結(jié)構(gòu),如圖2所示。

圖2 GRU的結(jié)構(gòu)

2.2 改進(jìn)GRU模型

在本文提出的改進(jìn)GRU模型中,除了GRU層之外,模型結(jié)構(gòu)還包含Dropout層、批量標(biāo)準(zhǔn)化(BN)層、平坦層、密集層和Softmax層。其中,密集層和Softmax層位于結(jié)構(gòu)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(jī)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(biāo)準(zhǔn)化,從而加速模型的訓(xùn)練。其中,標(biāo)準(zhǔn)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(quán)值連接到每個(gè)輸出,即每個(gè)輸出都是所有輸入神經(jīng)元函數(shù)的結(jié)果。

(5) Softmax層:Softmax函數(shù)將輸入向量轉(zhuǎn)換為概率向量,該概率向量計(jì)算數(shù)據(jù)與特定類別相關(guān)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(zhǎng)度為l的層的輸入向量。

2.3 改進(jìn)GRU模型的體系結(jié)構(gòu)

對(duì)于IEEE-33總線系統(tǒng)共有32個(gè)線路區(qū)段,改進(jìn)GRU模型的輸出用于檢測(cè)真實(shí)線路區(qū)段故障位置。本文提出的用于檢測(cè)故障線路的改進(jìn)GRU模型的體系結(jié)構(gòu),如圖3所示。

圖3 改進(jìn)GRU模型的體系結(jié)構(gòu)

改進(jìn)GRU模型能夠識(shí)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(gè)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(shè)置為0.1。將DIgSILENT PowerFactory軟件中的仿真數(shù)據(jù)應(yīng)用于各種故障場(chǎng)景來創(chuàng)建數(shù)據(jù)庫。

3 故障線路區(qū)段檢測(cè)

本文提出的改進(jìn)GRU模型可實(shí)時(shí)檢測(cè)故障線路區(qū)段,具體的故障線路區(qū)段檢測(cè)流程,如圖4所示。

圖4 故障線路區(qū)段檢測(cè)流程

當(dāng)配電網(wǎng)發(fā)生故障時(shí),保護(hù)繼電器發(fā)出跳閘命令并觸發(fā)改進(jìn)GRU模型運(yùn)行。通過安裝在所有線路區(qū)段兩側(cè)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(shí)間序列。對(duì)于所有SFM,計(jì)算兩種樣本的電壓和電流之間的角度?？紤]到每個(gè)線路區(qū)段都嵌入了兩個(gè)SFM,可以形成式(7)中引入的向量。最終,對(duì)于所有線路區(qū)段,通過構(gòu)建向量形成式(8)中兩側(cè)的電壓和電流之間的角度差矩陣,該矩陣作為預(yù)訓(xùn)練的GRU模型的輸入來檢測(cè)故障線路區(qū)段。

4 仿真研究

4.1 仿真設(shè)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(gè)SFM采集電壓與電流之間的角度。本文提出的改進(jìn)GRU模型在個(gè)人筆記本電腦上用Python 3.8.3進(jìn)行測(cè)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(yàn)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(chǎng)景來生成數(shù)據(jù)庫,其中,配電網(wǎng)線路均按相同比例運(yùn)行。模擬故障場(chǎng)景的設(shè)置,如表1所示。

表1 模擬故障場(chǎng)景的設(shè)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(gè)故障場(chǎng)景中,訓(xùn)練集、驗(yàn)證集和測(cè)試集分別為52.5%、17.5%和30%。

4.2 故障檢測(cè)

在訓(xùn)練改進(jìn)GRU模型時(shí),訓(xùn)練集和驗(yàn)證集的精確度和損失度之間的關(guān)系,如圖6所示。

圖6 訓(xùn)練集和驗(yàn)證集的精確度和損失度

由圖6可見,改進(jìn)GRU模型在檢測(cè)配電網(wǎng)故障線路區(qū)段時(shí),訓(xùn)練數(shù)據(jù)和驗(yàn)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(quán)重值和參數(shù)。在模型的訓(xùn)練過程中,模型對(duì)訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)的準(zhǔn)確率分別達(dá)到99.04%和99.64%。因此。本文提出的改進(jìn)GRU模型能夠較好的檢測(cè)配電網(wǎng)故障線路區(qū)段。將訓(xùn)練后的改進(jìn)GRU模型在測(cè)試集上得到的準(zhǔn)確率為99.56%,則17 280×30%=5184個(gè)測(cè)試場(chǎng)景中可以準(zhǔn)確的檢測(cè)到5184×99.56%=5161個(gè)故障線路區(qū)段。

從故障發(fā)生時(shí)刻到確定故障線路區(qū)段時(shí)刻的整個(gè)檢測(cè)過程中,本文提出的改進(jìn)GRU模型所需的檢測(cè)時(shí)間,如圖7所示。

圖7 故障線路區(qū)段整個(gè)檢測(cè)過程時(shí)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(shí)均為200 ms。從SFM向數(shù)據(jù)中心發(fā)送數(shù)據(jù)的延遲時(shí)間為100 ms。在收集數(shù)據(jù)后,改進(jìn)GRU模型僅用55 ms就位為操作人員檢測(cè)到了故障線路區(qū)段。因此,改進(jìn)GRU模型能夠快速檢測(cè)配電網(wǎng)故障線路區(qū)段,檢測(cè)故障所需的時(shí)間僅為0.56 s,并且每個(gè)故障都可以獨(dú)立檢測(cè)并通過保護(hù)繼電器消除。

4.3 方法比較

為了進(jìn)一步驗(yàn)證本文所提出的改進(jìn)GRU模型檢測(cè)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(luò)(RNN)[8]和基于LSTM[9]的故障線路區(qū)段檢測(cè)性能進(jìn)行比較。為了評(píng)價(jià)模型的檢測(cè)性能,本文采用了平均絕對(duì)百分比誤差(MAPE)和絕對(duì)百分比誤差標(biāo)準(zhǔn)差(SDAPE)兩種檢測(cè)誤差進(jìn)行模型評(píng)價(jià),其定義如下:

(14)

(15)

其中,N為故障場(chǎng)景總數(shù),A(k)為實(shí)際故障數(shù),F(k)為檢測(cè)故障數(shù)。

對(duì)于IEEE-33總線系統(tǒng)模擬故障場(chǎng)景的檢測(cè),本文方法與RNN方法和LSTM方法的檢測(cè)性能比較結(jié)果,如表2所示。

由表2可見,本文提出的改進(jìn)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(jìn)GRU模型的SDAPE值和檢測(cè)時(shí)間僅為0.34%和0.56 s,比其他2種檢測(cè)方法的SDAPE值和檢測(cè)時(shí)間都小。雖然改進(jìn)GRU模型和LSTM方法的檢測(cè)精確度相當(dāng),但改進(jìn)GRU模型所用時(shí)間最短。這是由于改進(jìn)GRU模型和LSTM方法作為RNN方法的子集,通過“門”的內(nèi)部機(jī)制來調(diào)節(jié)配電網(wǎng)中的信息流。然而,由于改進(jìn)GRU模型的參數(shù)較少,而且比LSTM更易于實(shí)現(xiàn)。因此,本文提出的改進(jìn)GRU模型更適用于快速檢測(cè)配電網(wǎng)中的故障線路區(qū)段。

5 總結(jié)

實(shí)時(shí)準(zhǔn)確地檢測(cè)配電網(wǎng)中的故障線路區(qū)段對(duì)電力系統(tǒng)安全穩(wěn)定運(yùn)行至關(guān)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(cè)的電壓與電流之間的角度變化的基礎(chǔ)上。利用改進(jìn)GRU模型實(shí)時(shí)檢測(cè)故障線路區(qū)段。通過安裝在配電網(wǎng)節(jié)點(diǎn)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(jié)合改進(jìn)GRU模型得到最終的故障線路區(qū)段定位,并且改進(jìn)GRU模型具有非迭代性且可實(shí)現(xiàn)實(shí)時(shí)檢測(cè)。最后,在IEEE-33總線系統(tǒng)上進(jìn)行了驗(yàn)證,本文方法達(dá)到了99.56%的檢測(cè)精度且整個(gè)檢測(cè)過程時(shí)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(cè)。在未來的研究中,將致力于設(shè)計(jì)出適用于分布式發(fā)電配電網(wǎng)的檢測(cè)方法。