基于改進GRU模型的配電網故障線路區段檢測

李世明, 顧東健, 余志文, 趙瑞鋒, 黎皓彬

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

0 引言

配電網故障可導致嚴重的電壓瞬變、設備故障和電力中斷。快速準確地故障線路區段檢測可避免長時間停電帶來的經濟損失。配電網故障會導致整個系統中的電壓、電流和角度立即發生變化,且這些變化在故障位置附近具有更高的振幅波動[1]。然而,由于配電網具有高度非線性[2],因此,基于傳統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,數據驅動技術不依賴于配電網拓撲結構,能夠較好地識別配電網故障線路區段。

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

為了設計出不依賴于配電網拓撲結構且不需要線路參數的ML方法,本文以門控循環單元(GRU)為基礎,提出了基于改進GRU非迭代無參數模型的配電網故障線路區段檢測方法。通過安裝在配電網節點處的智能饋線表(SFM)采集區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段。

1 線路區段的電壓和電流角度

配電網發生故障后,故障線路區段兩側的電壓與電流之間的角度將發生顯著變化。本文利用配電網每個線路區段兩側的電壓和電流之間的角度來檢測故障線路區段。配電網線路發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 配電網的三相接地故障圖示

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

電源發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分別為電源發送端和負載接收端在第i相上的電流角度。

線路區段兩側的電壓和電流之間的角度分別為

(5)

(6)

因此,線路區段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采集的數據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,對于每個線路區段j,矩陣βj包含6個元素。為了準確檢測故障發生的線路區段,還需計算所有線路區段的βj。因此,構建所有線路區段的角度差矩陣:

(8)

其中,n為配電網中的線路區段數量。

通過計算線路區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,從而確定故障發生的位置。

2 改進門控循環單元模型

2.1 門控循環單元(GRU)

GRU是一種簡單的長短期記憶人工神經網絡(LSTM)類型,只包含更新門和復位門兩種門[7]。與LSTM相比,減少了模型的參數數量。與LSTM不同的是,GRU使用隱藏狀態(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。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層將每層的輸入數據標準化,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(即數據維度或特征)。

(4) 密集層:在密集層中,所有的輸入神經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元函數的結果。

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

(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總線系統共有32個線路區段,改進GRU模型的輸出用于檢測真實線路區段故障位置。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軟件中的仿真數據應用于各種故障場景來創建數據庫。

3 故障線路區段檢測

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

圖4 故障線路區段檢測流程

當配電網發生故障時,保護繼電器發出跳閘命令并觸發改進GRU模型運行。通過安裝在所有線路區段兩側的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段。

4 仿真研究

4.1 仿真設置

根據故障類型、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總線系統的單線圖

本文在DIgSILENT PowerFactory軟件中仿真IEEE-33總線系統的各種故障場景來生成數據庫,其中,配電網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總線系統形成維度為32×6的角度差矩陣β。在創建的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模型在檢測配電網故障線路區段時,訓練數據和驗證數據在第30次迭代后開始收斂,模型能夠找到最終穩定的權重值和參數。在模型的訓練過程中,模型對訓練數據和驗證數據的準確率分別達到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故障線路區段。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個故障線路區段。

從故障發生時刻到確定故障線路區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向數據中心發送數據的延遲時間為100 ms。在收集數據后,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段。因此,改進GRU模型能夠快速檢測配電網故障線路區段,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模型檢測配電網故障線路區段的有效性,將本文方法與基于循環神經網絡(RNN)[8]和基于LSTM[9]的故障線路區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,A(k)為實際故障數,F(k)為檢測故障數。

對于IEEE-33總線系統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”的內部機制來調節配電網中的信息流。然而,由于改進GRU模型的參數較少,而且比LSTM更易于實現。因此,本文提出的改進GRU模型更適用于快速檢測配電網中的故障線路區段。

5 總結

實時準確地檢測配電網中的故障線路區段對電力系統安全穩定運行至關重要。本文在分析配電網發生故障后,故障線路區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段。通過安裝在配電網節點上的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段定位,并且改進GRU模型具有非迭代性且可實現實時檢測。最后,在IEEE-33總線系統上進行了驗證,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電接入的條件下研究了故障線路區段檢測。在未來的研究中,將致力于設計出適用于分布式發電配電網的檢測方法。