電力數(shù)據(jù)信息網(wǎng)絡(luò)阻塞故障節(jié)點快速辨識研究

方 圓，沈越欣，許靜萱，丁 鑫，唐志斌

（1.國網(wǎng)安徽省電力有限公司信息通信分公司，安徽合肥 230022；2.北京簡易網(wǎng)安科技有限公司，北京 100000）

由于電力系統(tǒng)受到熱容量和穩(wěn)定性限制以及運 行環(huán)境和復雜控制參數(shù)的不確定性的影響，導致電力數(shù)據(jù)信息網(wǎng)絡(luò)出現(xiàn)了嚴重阻塞問題，路由節(jié)點故障頻發(fā)。為提高網(wǎng)絡(luò)壽命，必須對網(wǎng)絡(luò)中路由故障節(jié)點進行有效檢測。為此，對電力數(shù)據(jù)信息網(wǎng)絡(luò)阻塞故障節(jié)點進行辨識具有重要意義。

文獻[1]提出了基于改進生成式對抗網(wǎng)絡(luò)的辨識方法，該方法對生成式對抗網(wǎng)絡(luò)進行改進，生成異常數(shù)據(jù)樣本，獲取數(shù)據(jù)分布特性，由此確定樣本擴充比例。在擴充得到的數(shù)據(jù)集上，利用孤立森林算法，實現(xiàn)故障節(jié)點辨識。文獻[2]提出了基于高頻測試信號注入的識別方法，該方法通過智能電表，獲取阻抗參數(shù)，根據(jù)阻抗特性，辨識故障節(jié)點。然而由于故障節(jié)點中包括脆弱性節(jié)點，上述方法的辨識效果較差。

為此，提出了電力數(shù)據(jù)信息網(wǎng)絡(luò)阻塞故障節(jié)點快速辨識方法。通過構(gòu)建網(wǎng)絡(luò)阻塞故障節(jié)點跟蹤模型，形成故障節(jié)點跟蹤集合。采用層次分析法和極差法，構(gòu)造比較矩陣和判斷矩陣，計算辨識指標權(quán)重向量。定量分析故障數(shù)據(jù)特征，獲取故障節(jié)點信息特征矢量。利用神經(jīng)網(wǎng)絡(luò)模型，構(gòu)建分析矩陣，得到故障節(jié)點分布結(jié)果，縮短了辨識時間，加快了辨識速率。通過量化指標，辨識故障節(jié)點，計算節(jié)點繼電保護脆弱貢獻度，實現(xiàn)了脆弱故障節(jié)點辨識。

1 基于神經(jīng)網(wǎng)絡(luò)的阻塞故障節(jié)點快速辨識

1.1 網(wǎng)絡(luò)阻塞故障節(jié)點跟蹤模型構(gòu)建

在電力數(shù)據(jù)信息網(wǎng)絡(luò)阻塞故障節(jié)點跟蹤過程中，需要建立跟蹤模型，如圖1 所示。

圖1 網(wǎng)絡(luò)阻塞故障節(jié)點跟蹤模型

由圖1 可知，該模型用于描述網(wǎng)絡(luò)中信息傳輸時節(jié)點的能量和負載轉(zhuǎn)移情況[3]。在模型分析中，假定中間節(jié)點數(shù)目與邊界數(shù)目相等的情況下，對電力數(shù)據(jù)信息網(wǎng)絡(luò)阻塞原因進行了如下分析：在網(wǎng)絡(luò)發(fā)生堵塞時，節(jié)點會超負荷，將其從電網(wǎng)中剔除，然后再重復，形成一組故障節(jié)點跟蹤集合。整合全部跟蹤數(shù)據(jù)，為目標辨識提供數(shù)據(jù)支持。

1.2 辨識指標權(quán)重向量計算

假設(shè)存在i、k兩個節(jié)點，為了確定這個節(jié)點的指標權(quán)重，使用層次分析法[4-6]，首先構(gòu)造比較矩陣E，然后利用設(shè)定(1，0.5，0)三標度作為權(quán)重對比依據(jù)，最后將比較矩陣轉(zhuǎn)換為判斷矩陣后，獲取辨識指標權(quán)重向量。構(gòu)造的比較矩陣E可表示為式（1）：

設(shè)定(1，0.5，0)三標度作為權(quán)重對比依據(jù)表示為：

使用極差法構(gòu)造的判斷矩陣R可表示為：

式中，xik表示電力數(shù)據(jù)信息網(wǎng)絡(luò)阻塞程度值[7-9]。通過對判定矩陣的一致性檢驗，采用矢量規(guī)格化方法得到辨識指標權(quán)重向量。

1.3 故障數(shù)據(jù)特征數(shù)字化

通過對電網(wǎng)歷史故障數(shù)據(jù)的采集，對其進行定量化，得出初始故障數(shù)據(jù)和最終故障規(guī)模[10]；初始故障信息矢量代表了節(jié)點數(shù)量和初始故障的嚴重性，如式（4）所示：

式中，xm、ym分別表示第m次模擬初始的網(wǎng)絡(luò)阻塞故障時的位置所在節(jié)點號；Δrim、Δrjm分別表示第m次模擬初始的網(wǎng)絡(luò)阻塞故障時的節(jié)點電壓下降程度[11-13]。將模擬所得的故障數(shù)據(jù)進行特征數(shù)字化處理，以含有初始故障信息的矢量為輸入，以含有最終故障規(guī)模分布概率的矢量為輸出。

1.4 網(wǎng)絡(luò)阻塞故障節(jié)點快速辨識

以初始故障節(jié)點與最終故障節(jié)點之間的高度非線性映射關(guān)系為基礎(chǔ)，對不同故障類型下各節(jié)點的連鎖故障風險進行了定量分析[14]。為了加快辨識速率，提出了一種基于神經(jīng)網(wǎng)絡(luò)分析模型，其節(jié)點分布如圖2 所示。

圖2 節(jié)點分布示意圖

為了方便存儲分析結(jié)果，在神經(jīng)網(wǎng)絡(luò)最內(nèi)層設(shè)置一個循環(huán)層[15]。針對該原理，計算神經(jīng)網(wǎng)絡(luò)輸出結(jié)果，公式為：

式中，λ(·)表示激活函數(shù)；ωi表示層與層之間的權(quán)重；zi表示隱藏層遺忘門數(shù)值。將歷史電壓數(shù)據(jù)劃分為訓練組和測試組，并由此構(gòu)建分析矩陣，可表示為：

結(jié)合預處理后的Gm和分析矩陣，根據(jù)不同節(jié)點之間的非線性映射關(guān)系，估算出任何一次故障后的最終故障規(guī)模分布，可描述成如下公式：

式中，qloss、qall分別表示丟失負荷和總負荷，通過多次模擬能夠得到最終概率分布矩陣[16]。根據(jù)所有節(jié)點在不同故障類型下的風險，通過量化指標辨識故障節(jié)點，各個節(jié)點故障風險量化值，如下所示：

式中，Wo表示包含節(jié)點i的初始故障位置向量；ho表示故障時不同節(jié)點故障嚴重程度向量；W表示所有故障位置集合；h表示所有故障嚴重程度集合；I表示索引函數(shù)。比較各個節(jié)點故障風險量化值，可確定各個節(jié)點故障程度。

2 脆弱性故障節(jié)點辨識

脆弱性易受電力數(shù)據(jù)信息網(wǎng)絡(luò)拓撲影響，網(wǎng)絡(luò)在遭受攻擊時，會因滲透作用而擴展故障范圍，從而造成整個系統(tǒng)的崩潰。由此可見，電網(wǎng)中脆弱性故障節(jié)點辨識的重要性。

脆弱性故障節(jié)點辨識流程，如下所示：

步驟1：區(qū)分電源節(jié)點和負荷節(jié)點，將具有網(wǎng)絡(luò)通信特點的節(jié)點劃分到待辨識節(jié)點范疇；

步驟2：利用基于映射分區(qū)的無功電壓控制分區(qū)法，將電源節(jié)點和負荷節(jié)點進行分區(qū)，分別找出各個主要范疇的關(guān)鍵節(jié)點；

步驟3：在系統(tǒng)中，當一個節(jié)點發(fā)生故障時，它會立刻做出響應(yīng)，并通過切換后備線路或跳閘來減少或避免節(jié)點故障所帶來的損失，使非故障部件快速恢復到正常狀態(tài)。基于此，計算節(jié)點i的繼電保護脆弱貢獻度，如式（9）所示：

式中，?i表示j個節(jié)點的度。該公式表示了與節(jié)點i連接的網(wǎng)絡(luò)節(jié)點的脆弱貢獻度。

節(jié)點的脆弱貢獻度可以較好地反映出節(jié)點脆弱性受保護裝置影響的程度，數(shù)值愈大，則愈說明保護裝置對節(jié)點脆弱性影響程度越大。

步驟4：選擇最短路徑傳輸節(jié)點間的信息。對于某一個無向無權(quán)網(wǎng)絡(luò)，節(jié)點介數(shù)數(shù)學表達式為：

式中，nik表示i、k兩個節(jié)點之間的有效路徑數(shù)量；nik(e)表示i、k兩個節(jié)點之間的有效路徑經(jīng)過邊e的數(shù)量，通過該公式能夠更加合理有效辨識出脆弱故障節(jié)點。

3 實 驗

為了驗證電力數(shù)據(jù)信息網(wǎng)絡(luò)阻塞故障節(jié)點快速辨識性能，進行實驗驗證。

3.1 實驗準備

使用兩臺計算機進行電力數(shù)據(jù)信息網(wǎng)絡(luò)路由通信，該通信主要為MAC 協(xié)議，通過IEEE 802.15.4 路由協(xié)議模型進行電力數(shù)據(jù)傳輸。采用Matlab 仿真工具，在簇頭生成過程中形成25 個幀，時間間隔為100 ms，信道帶寬為2 ms，對自動控制電力網(wǎng)路阻塞故障節(jié)點進行平均采樣，節(jié)點樣本值為41 個，節(jié)點分布如圖2 所示。

根據(jù)上述節(jié)點分布結(jié)構(gòu)，進行節(jié)點故障辨識，對采集到的故障信號樣本分類后，得到100 個故障狀態(tài)樣本和100 個正常狀態(tài)樣本，由此能夠獲取200 個樣本。將樣本按照2∶1 分成訓練集和測試集，由此得到的故障節(jié)點信息特征，如圖3 所示。

圖3 故障節(jié)點信息特征

由圖3 可知，該故障特征具有2 個明顯峰值，其中第2 個峰值是由3 個小峰值組成的，以此為依據(jù)進行實驗對比分析。

3.2 實驗指標

對于故障節(jié)點快速辨識，需先計算節(jié)點間加權(quán)最短路徑位移平均值，計算公式為：

式中，M表示網(wǎng)絡(luò)節(jié)點總數(shù)；lik表示兩個節(jié)點最短加權(quán)路徑長度；μ表示故障節(jié)點集合。在確定位移平均值的情況下，對最短路徑耗時平均值計算后，得到計算公式為：

式中，v表示辨識速度。將平均耗時作為實驗指標，以此評價不同方法的辨識速率。

3.3 實驗結(jié)果與分析

對于辨識精度問題，分別使用文獻[1]方法、文獻[2]方法和所提方法，對比分析故障節(jié)點信息特征統(tǒng)計情況，如圖4 所示。

圖4 不同方法故障節(jié)點信息特征統(tǒng)計結(jié)果

由圖4 可知，文獻[1]方法具有5 個明顯峰值，其中第4、5 個峰值是由兩個小峰值組成的；文獻[2]方法具有7個明顯峰值，其中第2、3、6個峰值是由兩個小峰值組成的，第7 個峰值是由3 個小峰值組成的；所提方法具有兩個明顯峰值，其中第2 個峰值是由3 個小峰值組成的，這與實際故障節(jié)點信息特征一致。

對于辨識速率問題，對比3 種方法的平均耗時，對比結(jié)果如圖5 所示。

圖5 不同方法辨識速率對比分析

由圖5 可知，隨著故障節(jié)點數(shù)量的增加，3 種方法的平均耗時均隨之增加。當故障節(jié)點數(shù)量為120個時，文獻[1]方法和文獻[2]方法的辨識時間分別為22.5 s 和30 s，而所提方法的辨識時間僅為10 s。由此可知，所提方法能夠快速辨識故障節(jié)點。

通過上述對比結(jié)果可知，使用所提方法故障節(jié)點信息特征與實際特征一致，且辨識耗時短，加快了故障節(jié)點的辨識速率。

4 結(jié)束語

辨識電力數(shù)據(jù)信息網(wǎng)絡(luò)阻塞故障節(jié)點時，需要充分考慮脆弱性故障節(jié)點，由此提出的電力數(shù)據(jù)信息網(wǎng)絡(luò)阻塞故障節(jié)點快速辨識方法，通過構(gòu)建跟蹤模型，計算辨識指標權(quán)重向量，獲取故障節(jié)點信息特征矢量，能夠快速辨識故障節(jié)點。通過實驗分析結(jié)果可知，該辨識方法能夠在短時間內(nèi)快速完成故障節(jié)點辨識。