基于深度學習的電力系統(tǒng)故障自動預(yù)警方法研究

【摘要】隨著電力系統(tǒng)規(guī)模的持續(xù)擴大及新能源的高比例接入，電網(wǎng)運行特性日趨復(fù)雜，傳統(tǒng)的故障預(yù)警方法已難以滿足實際需求。文章提出一種基于深度學習的電力系統(tǒng)故障自動預(yù)警方法，通過構(gòu)建深度神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)對海量電力系統(tǒng)運行數(shù)據(jù)的深入挖掘與分析。研究設(shè)計了基于長短期記憶（Long ShortTerm Memory，LSTM）網(wǎng)絡(luò)及卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）的混合深度學習架構(gòu)，結(jié)合注意力機制提取關(guān)鍵特征，建立了一套完整的故障預(yù)警框架。該方法具有較高的預(yù)警精度及實時性，預(yù)警準確率達到92.5%，平均提前預(yù)警時間為8.5分鐘，誤報率低于1.2%。該研究對提高電力系統(tǒng)運行的可靠性及預(yù)防重大事故的能力具有重要意義。

【關(guān)鍵詞】深度學習；電力系統(tǒng)；故障預(yù)警；LSTM；CNN

引言

電力系統(tǒng)運行環(huán)境日趨復(fù)雜，特高壓電網(wǎng)規(guī)模的擴大及新能源并網(wǎng)比例的提升，為電力系統(tǒng)正常運行帶來了新的安全挑戰(zhàn)。傳統(tǒng)的基于閾值判斷及專家系統(tǒng)的故障預(yù)警方法存在預(yù)警精度低與適應(yīng)性差等問題，深度學習技術(shù)憑借其強大的數(shù)據(jù)處理能力及特征提取能力，為電力系統(tǒng)故障預(yù)警提供了新的研究思路，但在預(yù)警及時性及可解釋性等關(guān)鍵問題上仍有待突破。

一、電力系統(tǒng)故障預(yù)警技術(shù)分析

電力系統(tǒng)運行特性正經(jīng)歷深刻變革，特高壓電網(wǎng)規(guī)模的擴大與新能源并網(wǎng)比例的提高使系統(tǒng)穩(wěn)定性機理日趨復(fù)雜。大規(guī)模風電與光伏發(fā)電的隨機波動性與間歇性顯著改變了電網(wǎng)的瞬態(tài)穩(wěn)定特性，傳統(tǒng)基于閾值判斷及專家系統(tǒng)的故障預(yù)警技術(shù)難以滿足新型電力系統(tǒng)的運行需求。IEEE 39節(jié)點系統(tǒng)實際運行數(shù)據(jù)分析表明，新能源滲透率每提升10%，系統(tǒng)暫態(tài)穩(wěn)定裕度平均下降5.8%，傳統(tǒng)預(yù)警方法準確率降低12.3%。深度學習技術(shù)憑借其強大的數(shù)據(jù)處理能力及自適應(yīng)特征提取能力，在電力系統(tǒng)故障預(yù)警領(lǐng)域展現(xiàn)出獨特優(yōu)勢。當前研究主要圍繞特征量評估與數(shù)據(jù)挖掘及預(yù)警模型構(gòu)建等方向，但多場景自適應(yīng)預(yù)警與預(yù)警結(jié)果可解釋性方面仍存技術(shù)瓶頸。構(gòu)建基于深度學習的故障預(yù)警模型，結(jié)合電力系統(tǒng)運行機理與數(shù)據(jù)驅(qū)動方法，有望實現(xiàn)系統(tǒng)故障的精準識別及及時預(yù)警，為電網(wǎng)的安全穩(wěn)定運行提供技術(shù)支撐[1]。

二、深度學習預(yù)警模型設(shè)計方法

（一）電力系統(tǒng)數(shù)據(jù)分析處理

電力系統(tǒng)數(shù)據(jù)分析采用多階段特征處理方法。第一階段針對原始數(shù)據(jù)進行時序分解，基于系統(tǒng)物理特性構(gòu)建狀態(tài)向量，構(gòu)建過程如式（1）所示：

Si（t）=［δi（t），ωi（t），ai（t），Ii（t），Vi（t）］，i∈G，t∈T（1）

其中，Si（t）為第i個發(fā)電機在t時刻的狀態(tài)向量；G為發(fā)電機數(shù)量（臺）；T為預(yù)警時間段；δi（t）、ωi（t）、ai（t）、Ii（t）及Vi（t）分別為第i個發(fā)電機t時刻的功角（rad）、轉(zhuǎn)速（rad/s）、轉(zhuǎn)子加速度（rad/s2）、母線電流（kA）及母線電壓（kV）。

在數(shù)據(jù)處理方面，先借助小波變換對原始數(shù)據(jù)開展多尺度分解工作，具體選取db4小波基函數(shù)并進行5層分解，以此分離出不同頻率成分。在頻域特征提取環(huán)節(jié)采用功率譜密度分析方法來計算各頻段能量分布特征，對于瞬態(tài)分量設(shè)置50 ms滑動窗口開展短時傅里葉變換操作[2]。針對工頻分量采用200 ms窗口來提取基波特征，對于低頻振蕩分量使用1 s窗口捕捉振蕩模式特征，在圖1所示的IEEE 39節(jié)點系統(tǒng)里實現(xiàn)特征篩選時，基于Spearman等級相關(guān)系數(shù)構(gòu)建特征相關(guān)性矩陣，設(shè)置相關(guān)系數(shù)閾值為0.85以剔除高度相關(guān)的冗余特征。采用條件互信息最大化準則對特征重要性進行量化排序，通過設(shè)定信息增益閾值形成特征候選集，為保證特征集的魯棒性引入Bootstrap采樣方法，通過重復(fù)采樣及驗證確定最終的特征子集。

（二）深度學習網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

深度學習網(wǎng)絡(luò)結(jié)構(gòu)采用多層級架構(gòu)設(shè)計。在底層實現(xiàn)時序依賴關(guān)系處理單元，其實現(xiàn)過程如公式（2）所示：

f（t） = σ（Wf［h（t-1）， x（t）］ + bf）（2）

其中，f（t）為遺忘門輸出，取值范圍[0，1]；σ為“S型”激活函數(shù)；Wf為權(quán)重矩陣，其元素為實數(shù)；h（t-1）為t-1時刻的隱藏狀態(tài)，大小為隱藏層維度；x（t）為當前t時刻輸入，大小為輸入層維度；bf為偏置項。

網(wǎng)絡(luò)采用雙時間尺度并行結(jié)構(gòu)：短時間尺度分支由6層LSTM構(gòu)成，時間步長設(shè)為10 ms，每層神經(jīng)元數(shù)量為128，使用雙曲正切激活函數(shù)；長時間尺度分支采用4層深層網(wǎng)絡(luò)，時間步長為100 ms，配置帶有跳躍連接的殘差塊，防止梯度消失。在特征提取層引入自適應(yīng)注意力機制，通過可訓練的注意力權(quán)重矩陣動態(tài)分配不同特征的重要性，中間層設(shè)計多頭注意力結(jié)構(gòu)，頭數(shù)設(shè)為8，注意力維度為64，增強對關(guān)鍵時序點的識別能力。每個隱藏層后配置批歸一化層，學習率設(shè)為0.001，使用Adam優(yōu)化器進行參數(shù)更新，輸出層采用全連接網(wǎng)絡(luò)，通過歸一化指數(shù)函數(shù)映射到預(yù)警概率空間。為增強網(wǎng)絡(luò)的魯棒性與適應(yīng)性，采用多任務(wù)學習策略，使網(wǎng)絡(luò)同時學習故障預(yù)警與系統(tǒng)狀態(tài)評估任務(wù)，共享底層特征提取層參數(shù)。通過分別優(yōu)化兩個任務(wù)的損失函數(shù)，使網(wǎng)絡(luò)在學習故障特征的同時，能夠更好地理解系統(tǒng)正常運行狀態(tài)，提升對故障的識別精度與預(yù)警的可靠性。

（三）故障預(yù)警策略判決

預(yù)警策略判決采用多層級概率推理機制，構(gòu)建綜合獎勵函數(shù)R（t）如式（3）所示：

R（t）= α·rs（t）- β·ra（t）（3）

其中，rs（t）為故障狀態(tài)獎勵，系統(tǒng)穩(wěn)定時取值為1，發(fā)生故障時取值為-1；ra（t）為預(yù)警行動懲罰項，取值[0，1]；α與β為獎勵函數(shù)系數(shù)，取值（0，1]。

策略構(gòu)建過程分為狀態(tài)評估與判據(jù)設(shè)計及閾值調(diào)整三個環(huán)節(jié)，狀態(tài)評估階段采用核密度估計方法，使用高斯核函數(shù)計算系統(tǒng)狀態(tài)的概率分布特征，核帶寬通過Silverman準則自適應(yīng)確定。判據(jù)設(shè)計環(huán)節(jié)將狀態(tài)空間劃分為穩(wěn)定、亞穩(wěn)定及不穩(wěn)定三個區(qū)域，每個區(qū)域配置獨立的預(yù)警策略。通過分析系統(tǒng)能量函數(shù)與暫態(tài)能量耗散速率等物理量，建立狀態(tài)轉(zhuǎn)移概率矩陣。策略判決采用貝葉斯推理框架，結(jié)合先驗知識及觀測數(shù)據(jù)計算后驗概率。閾值調(diào)整機制基于指數(shù)移動平均方法處理歷史數(shù)據(jù)，平滑系數(shù)根據(jù)數(shù)據(jù)波動性自適應(yīng)調(diào)整，同時引入遺忘因子處理非平穩(wěn)特征。系統(tǒng)參數(shù)更新采用遞歸最小二乘算法，通過最大后驗概率準則確定最優(yōu)閾值[3]。

三、預(yù)警系統(tǒng)實現(xiàn)與驗證

（一）實驗環(huán)境數(shù)據(jù)構(gòu)建

實驗環(huán)境構(gòu)建采用分層遞進式設(shè)計方法，在IEEE 39節(jié)點系統(tǒng)基礎(chǔ)上融入新能源發(fā)電特性。實驗系統(tǒng)選取3號與32號及35號節(jié)點配置風電及光伏機組，通過潮流計算確定各節(jié)點的初始運行參數(shù)。在實驗數(shù)據(jù)的構(gòu)建過程中，基于實測風電場出力特性建立風電機組的動態(tài)模型，包括雙饋感應(yīng)發(fā)電機的機械特性與變流器控制特性以及無功補償裝置的動態(tài)響應(yīng)特性；光伏發(fā)電系統(tǒng)的建模則考慮了逆變器的電壓支撐能力與有功功率調(diào)節(jié)特性及低電壓穿越能力。故障場景設(shè)置采用分層抽樣方法，將系統(tǒng)運行工況劃分為輕載、中載及重載三種類型，負荷水平分別設(shè)置為0.85倍與1.0倍及1.15倍額定值；新能源出力水平按照實測數(shù)據(jù)的概率分布特性進行抽樣，考慮風電與光伏的互補特性；故障類型包括三相短路與單相接地及兩相短路等多種形式，故障持續(xù)時間在100 ms～300 ms范圍內(nèi)隨機設(shè)置。

通過Monte Carlo方法生成4 000組不同的故障場景，其中2 000組用于模型訓練，1 000組用于驗證，1 000組用于測試，確保數(shù)據(jù)集具有充分的代表性及多樣性。

（二）預(yù)警模型訓練測試

預(yù)警模型的訓練過程分為數(shù)據(jù)預(yù)處理、參數(shù)優(yōu)化及性能驗證三個階段。數(shù)據(jù)預(yù)處理階段針對時序數(shù)據(jù)進行歸一化處理，采用滑動時間窗口進行數(shù)據(jù)分段，窗口長度根據(jù)系統(tǒng)暫態(tài)過程特性設(shè)置為2 s，滑動步長為100 ms。模型訓練采用圖2所示的深度確定性策略梯度（Deep Deterministic Policy Gradient，DDPG）算法框架，包含Actor網(wǎng)絡(luò)及Critic網(wǎng)絡(luò)兩個主要組成部分。其中，Actor網(wǎng)絡(luò)負責根據(jù)當前狀態(tài)St生成預(yù)警動作，Critic網(wǎng)絡(luò)評估動作價值；目標Actor網(wǎng)絡(luò)及目標Critic網(wǎng)絡(luò)用于提供穩(wěn)定的學習目標。訓練過程中，將環(huán)境交互產(chǎn)生的經(jīng)驗元組（rt+1， st+1）存入經(jīng)驗回放池，通過隨機采樣進行批量學習，有效降低了數(shù)據(jù)相關(guān)性。參數(shù)優(yōu)化采用基于經(jīng)驗回放機制的策略梯度方法，通過引入目標網(wǎng)絡(luò)更新機制提高訓練穩(wěn)定性。在訓練過程中，針對不同類型的故障場景設(shè)置差異化的獎勵函數(shù)，強化模型對關(guān)鍵故障特征的識別能力[4]。驗證階段采用交叉驗證方法，通過調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)與優(yōu)化算法超參數(shù)等手段提高模型性能，測試階段采用獨立的測試數(shù)據(jù)集；通過修改系統(tǒng)運行工況與改變故障類型及位置等方式驗證模型的泛化能力[5]。

（三）系統(tǒng)性能綜合評估

為全面評估深度學習預(yù)警方法的實際應(yīng)用效果，構(gòu)建了分層次與多維度的評估指標體系。在IEEE 39節(jié)點系統(tǒng)及實際電網(wǎng)中進行測試，分別從預(yù)警準確性、實時性及可靠性三個維度設(shè)置評估指標，通過對比實驗驗證預(yù)警方法的有效性[6]。預(yù)警系統(tǒng)性能評估結(jié)果對比如表1所示。

通過表1的性能評估結(jié)果可以發(fā)現(xiàn)，該預(yù)警方法在IEEE 39節(jié)點系統(tǒng)及實際電網(wǎng)中均表現(xiàn)出良好的預(yù)警效果。在標準算例中，預(yù)警準確率達到92.5%，平均預(yù)警提前量為8.5 s，能夠為系統(tǒng)提供充足的防控時間。在實際電網(wǎng)應(yīng)用中，盡管系統(tǒng)規(guī)模及復(fù)雜度顯著提升，預(yù)警準確率仍維持在89.8%的水平，計算時延控制在17.2 ms以內(nèi)，滿足實時預(yù)警要求。特征提取效率與狀態(tài)預(yù)測精度等指標表明，該方法能夠有效處理大規(guī)模電力系統(tǒng)的預(yù)警任務(wù)，具有較強的工程應(yīng)用價值[7]。進一步分析表明，該方法在處理復(fù)雜故障場景時，其預(yù)警性能優(yōu)勢更為顯著。尤其在多故障源與故障耦合等復(fù)雜工況下，憑借深度學習模型強大的特征提取與模式識別能力，能夠更準確地捕捉故障特征，提前發(fā)出預(yù)警信號，為電網(wǎng)的安全穩(wěn)定運行提供有力保障[8]。

結(jié)語

基于深度學習的電力系統(tǒng)故障自動預(yù)警方法的研究成果充分驗證了深度學習技術(shù)在電力系統(tǒng)預(yù)警領(lǐng)域的應(yīng)用價值。通過構(gòu)建混合深度學習架構(gòu)，實現(xiàn)了對電力系統(tǒng)復(fù)雜運行狀態(tài)的有效監(jiān)測及預(yù)警。在IEEE標準算例及實際電網(wǎng)案例中的實驗驗證表明，該方法在預(yù)警準確率、時效性及適應(yīng)性等方面均優(yōu)于傳統(tǒng)方法。針對研究中發(fā)現(xiàn)的問題，未來將重點圍繞預(yù)警模型的輕量化設(shè)計與多場景自適應(yīng)能力提升以及預(yù)警結(jié)果可解釋性增強等方向展開，以進一步提高該技術(shù)在實際工程中的應(yīng)用價值。相關(guān)理論成果及技術(shù)方法為電力系統(tǒng)故障預(yù)警領(lǐng)域的發(fā)展提供了新的思路及參考。

參考文獻：

[1] 吳文博，阿咪娜.電網(wǎng)系統(tǒng)調(diào)度故障自動識別處理方法研究[J].農(nóng)村電氣化，2019（09）：3739.

[2] 陳維，王程，付智鑫，等.基于一鍵順控的智能變電站刀閘故障自動化檢測系統(tǒng)[J].自動化與儀表，2025，40（04）：9598+103.

[3] 高翔宇.基于深度學習的電力系統(tǒng)故障檢測與智能診斷技術(shù)研究[J].電氣技術(shù)與經(jīng)濟，2025（01）：350352.

[4] 楊霄，袁帥，宋少帥.基于YOLOv6CWD的電力故障自動檢測系統(tǒng)研究[J].自動化與儀表，2025，40（04）：99103.

[5] 于榮榮.基于大數(shù)據(jù)的電力系統(tǒng)故障診斷技術(shù)研究[J].燈與照明，2025，49（02）：154156.

[6] 張子楊，李丹.基于深度置信網(wǎng)絡(luò)的電力通信系統(tǒng)故障診斷與預(yù)防技術(shù)研究[J].信息與電腦，2024，36（24）：117119.

[7] 曾超.光纖通信在電力系統(tǒng)中的數(shù)據(jù)傳輸可靠性提升策略研究[J].信息與電腦，2024，36（23）：8385.

[8] 劉劍磊，尹麗鵑，宋超.基于物聯(lián)網(wǎng)的電力系統(tǒng)后勤保障信息化管理平臺研究[J].信息與電腦（理論版），2024，36（20）：1518.