于 洋，王同文，汪 偉，楊瑞金

（1.國(guó)網(wǎng)安徽省電力有限公司電力調(diào)度控制中心，安徽合肥 230022；2.國(guó)網(wǎng)安徽省電力有限公司超高壓分公司，安徽 合肥 230009）

近年來(lái)隨著電力企業(yè)數(shù)字化轉(zhuǎn)型的推進(jìn)，電力 系統(tǒng)發(fā)、輸、變、配等環(huán)節(jié)均經(jīng)歷著巨大變革。傳統(tǒng)變電站中的信息系統(tǒng)相互隔絕，缺乏關(guān)聯(lián)。而隨著數(shù)字化變電站的建設(shè)，站內(nèi)一次、二次設(shè)備的參量與模型均朝著數(shù)字化及標(biāo)準(zhǔn)化的方向轉(zhuǎn)變[1-8]。當(dāng)前，我國(guó)的繼電保護(hù)、電力自動(dòng)化設(shè)備廠家已迭代了成熟的產(chǎn)品，但各個(gè)系統(tǒng)間缺乏有效、歸一化的數(shù)據(jù)接口及檢測(cè)識(shí)別算法。

針對(duì)上述分析，文中對(duì)變電站內(nèi)繼電保護(hù)裝置的故障智能檢測(cè)識(shí)別技術(shù)進(jìn)行了研究。由于保護(hù)裝置的保護(hù)動(dòng)作實(shí)施應(yīng)精準(zhǔn)正確，因此必須要確保從“互感器-光纖-交換機(jī)-保護(hù)裝置”的所有環(huán)節(jié)中進(jìn)行正確的信息采集與傳輸，這就要求算法能夠識(shí)別因數(shù)據(jù)采集、傳輸而造成的異常數(shù)據(jù)。同時(shí)在數(shù)字化場(chǎng)景下，保護(hù)裝置的動(dòng)作實(shí)施應(yīng)滿足智能化，即根據(jù)采集的線路信息，智能地判斷線路的故障類型并實(shí)施保護(hù)動(dòng)作。該文詳細(xì)闡述了一種基于灰色關(guān)聯(lián)分析(Grey Relation Analysis，GRA)的堆棧自動(dòng)編碼器(Stacked Autoencoder，SAE)網(wǎng)絡(luò)設(shè)計(jì)方案，其可實(shí)現(xiàn)繼電保護(hù)裝置數(shù)據(jù)的特征提取。此外，還面向?qū)嶋H的電力運(yùn)行網(wǎng)絡(luò)進(jìn)行了線路仿真與數(shù)據(jù)采集，進(jìn)而驗(yàn)證了該算法在場(chǎng)景中的可用性。

1 理論基礎(chǔ)

1.1 堆棧自動(dòng)編碼器

自動(dòng)編碼器(Autoencoder，AE)是一種常見的三層結(jié)構(gòu)網(wǎng)絡(luò)模型[9-12]，其結(jié)構(gòu)如圖1 所示。該網(wǎng)絡(luò)主要包含編碼器及解碼器兩個(gè)部分。

圖1 三層結(jié)構(gòu)網(wǎng)絡(luò)模型結(jié)構(gòu)

相較于普通的三層神經(jīng)網(wǎng)絡(luò)，AE 的輸入層和輸出層節(jié)點(diǎn)數(shù)量一致。其中，編碼器將輸入特征映射至低維，而解碼器則實(shí)現(xiàn)低維特征的重構(gòu)。該結(jié)構(gòu)可充分提取數(shù)據(jù)中的隱含特征，其數(shù)學(xué)模型如下：

記樣本數(shù)據(jù)集X={pi|1≤i≤S}，且其樣本總數(shù)為S。在編碼器中，設(shè)H為隱藏層的輸出集，則有：

式中，W為輸入層到隱藏層的連接權(quán)重，b為兩層間的截距，sf為編碼器的激活函數(shù)。解碼器是編碼器的逆運(yùn)算，在解碼器中存在：

自動(dòng)編碼器的誤差函數(shù)是輸入輸出向量間的重構(gòu)誤差，其表達(dá)式為：

該網(wǎng)絡(luò)可采用梯度下降法(Gradient Descent，GD)進(jìn)行參數(shù)的調(diào)整，即：

其中，l是網(wǎng)絡(luò)的學(xué)習(xí)率。將多個(gè)自動(dòng)編碼器疊加，即可獲得堆棧自動(dòng)編碼器(SAE)[13-14]。相較于AE，SAE 具有更強(qiáng)的泛化性能，其基本結(jié)構(gòu)如圖2 所示。在SAE 中，使用采集的繼電保護(hù)裝置電流、電壓等樣本信息訓(xùn)練第一個(gè)AE，然后將樣本映射至隱含層的輸出h(1)i中：

圖2 SAE結(jié)構(gòu)

與單一的AE 相似，在SAE 的第一個(gè)AE 中，解碼器的輸出為：

1.2 基于灰色關(guān)聯(lián)度分析的SAE

在SAE 算法中，AE 的輸入節(jié)點(diǎn)與輸出節(jié)點(diǎn)數(shù)量相等，而隱藏層的數(shù)量及結(jié)構(gòu)則需人工依據(jù)經(jīng)驗(yàn)確定，由此便造成了SAE 泛化性能的不穩(wěn)定。為此，文中引入了一種基于灰色關(guān)聯(lián)度分析(GRA)[15-16]的SAE隱藏層結(jié)構(gòu)自適應(yīng)算法。

關(guān)聯(lián)度能度量不同因素間的關(guān)聯(lián)性，記長(zhǎng)度為p的序列Yi，該序列的q+1 個(gè)特征行為可以記為：

以Y0為參考序列，可得到：

式中，ξ是一個(gè)(0,1)之間的常數(shù)。ξ越大，特征間的差異便越明顯且越容易被辨識(shí)，反之亦然?；诨疑P(guān)聯(lián)度分析的SAE 隱藏層結(jié)構(gòu)自適應(yīng)算法流程如圖3 所示。

圖3 算法流程

從圖3 中可以看出，在該文繼電保護(hù)裝置故障智能檢測(cè)算法中：首先，使用GRA 算法優(yōu)化SAE 的結(jié)構(gòu)；然后，基于SAE 進(jìn)行保護(hù)裝置采集數(shù)據(jù)的特征提??；再將最終的數(shù)據(jù)輸入支持向量機(jī)以獲得識(shí)別結(jié)果。

2 方法實(shí)現(xiàn)

2.1 仿真數(shù)據(jù)集設(shè)計(jì)

為了評(píng)估算法性能，需要先構(gòu)建算法仿真的數(shù)據(jù)集。在變電站運(yùn)行中，數(shù)據(jù)失幀、異常值等均會(huì)產(chǎn)生與真實(shí)故障相似的虛假特征，進(jìn)而影響變電站二次設(shè)備的保護(hù)動(dòng)作。故該次對(duì)站用保護(hù)三相電流電壓的綜合信息進(jìn)行采集，進(jìn)而訓(xùn)練上文中的算法模型。訓(xùn)練完成后，該模型可以區(qū)分電流電壓中的真實(shí)、虛假故障特征。此外，文中還基于PSCAD(Power Systems Computer Aided Design)仿真程序中的Multrium 組件進(jìn)行數(shù)據(jù)集的構(gòu)建。

此次以單電源、單回路輸電線向負(fù)載供電的模型為建模對(duì)象，該線路的相關(guān)參數(shù)如表1 所示。

表1 線路參數(shù)值

在數(shù)據(jù)采集時(shí)，共設(shè)計(jì)了11 個(gè)故障類型，具體如表2 所示。

表2 故障編號(hào)釋義

在進(jìn)行數(shù)據(jù)采集時(shí)，通過調(diào)整系統(tǒng)參數(shù)獲得更多的采樣值。具體參數(shù)及其調(diào)整范圍如表3 所示。

在表3 的參數(shù)變化下，將線路系統(tǒng)按照表2 所示的11 種故障類型，分別以250 μs 為步長(zhǎng)進(jìn)行采樣，共獲得有故障的樣本101 200 個(gè)。此外，向系統(tǒng)引入92 000 個(gè)無(wú)故障樣本，并將每個(gè)樣本都依據(jù)表4 中的異常類型生成相對(duì)應(yīng)的數(shù)據(jù)。最終，構(gòu)成的數(shù)據(jù)集共包含653 200 個(gè)樣本。

2.2 仿真實(shí)驗(yàn)

在進(jìn)行算法仿真時(shí)，采用表5 所示的軟硬件環(huán)境。模型仿真的相關(guān)參數(shù)如表6 所示。

表6 模型仿真參數(shù)

為了評(píng)估算法模型的性能，此次將SVM、AESVM 與SAE-SVM 算法作為對(duì)比，以評(píng)估該文算法的性能。首先，評(píng)估模型在全量樣本中對(duì)于表4 內(nèi)錯(cuò)誤樣本的識(shí)別精度。具體結(jié)果如表7 所示。

表7 算法對(duì)錯(cuò)誤樣本的識(shí)別精度

由表7 可知，引入自動(dòng)編碼器后SVM 算法的計(jì)算精度提升了3.69%，證明AE 算法在特征提取時(shí)具備有效性。再對(duì)比GRA-SAE-SVM(n=2)與SAESVM(n=2)的計(jì)算結(jié)果可看出，引入灰色關(guān)聯(lián)度分析后識(shí)別精度提升了4%。由此表明，灰度關(guān)聯(lián)算法能有效確認(rèn)最優(yōu)的隱藏層結(jié)構(gòu)。而對(duì)比GRA-SAESVM 在不同層數(shù)AE 的計(jì)算精度能看出，當(dāng)AE 層數(shù)為4 時(shí)，算法的錯(cuò)誤樣本識(shí)別精度可達(dá)到最優(yōu)值；當(dāng)n=5 時(shí)，識(shí)別精度較n=4 略有下降，說明此時(shí)網(wǎng)絡(luò)結(jié)構(gòu)過于復(fù)雜，且出現(xiàn)了過擬合。剔除錯(cuò)誤樣本后的故障識(shí)別精度如表8 所示。

表8 剔除錯(cuò)誤樣本后的故障識(shí)別精度

比較表8 中不同算法的識(shí)別精度可知，文中AE、SAE、GRA 等算法對(duì)于SVM 分類器的精度均有顯著提升。其中，AE 算法引入后AE-SVM 算法較SVM 算法可以提升4.63%。GRA 算法引入后GRA-SAESVM(n=2)較SAE-SVM(n=2)可以提升10.27%。當(dāng)n=5 時(shí)，GRA-SAE-SVM 可以取得97.79%的識(shí)別精度。

通過將表7-8 算法的應(yīng)用場(chǎng)景進(jìn)行比較可知，表7 的異常數(shù)據(jù)識(shí)別中共有6 個(gè)類別，而表8 則有11個(gè)類別，故后者的任務(wù)相對(duì)復(fù)雜。從表中的計(jì)算結(jié)果可以看出，GRA 算法對(duì)于復(fù)雜場(chǎng)景的提升為10.27%，對(duì)簡(jiǎn)單場(chǎng)景的提升為4%。由此證明了，該算法在復(fù)雜場(chǎng)景下更具優(yōu)勢(shì)。此外，在復(fù)雜場(chǎng)景下可通過引入更多層的AE 來(lái)提升SAE 算法的計(jì)算精度，使模型避免產(chǎn)生過擬合。

3 結(jié)束語(yǔ)

該文對(duì)繼電保護(hù)裝置中的相關(guān)故障檢測(cè)方法進(jìn)行了研究，設(shè)計(jì)了基于灰色關(guān)聯(lián)分析的深度堆棧編碼器網(wǎng)絡(luò)。該網(wǎng)絡(luò)既能剔除保護(hù)裝置數(shù)據(jù)傳輸過程中的異常樣本，又可根據(jù)線路電壓、電流信息識(shí)別線路的異常狀態(tài)。未來(lái)，隨著數(shù)字化變電站地進(jìn)一步建設(shè)，該文算法還將有更為廣闊的應(yīng)用前景。