CN109932617A - 一种基于深度学习的自适应电网故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的自适应电网故障诊断方法，首先，根据电网结构图设计新颖的电网结构知识表示；其次，设计T步迭代算法自适应地融合有效信息，并构造设备高级特征，从而实现设备的特征提取；最后，使用全连接神经网络融合设备高级特征，构造全网高级特征，综合全网高级特征和设备高级特征作为输入，实现电网的多故障诊断，从而有效提高模型的可移植性与多故障诊断性能。本发明可实现复杂电网故障诊断功能，并显著提升电网故障诊断方法的可移植性和多故障诊断的性能。

Description

一种基于深度学习的自适应电网故障诊断方法

所属领域

本发明属于电网技术领域，具体涉及一种基于深度学习的自适应电网故障诊断方法。

背景技术

随着社会的发展，电能对于制造业系统，照明系统，交通管理系统和通信系统等有着不可替代的重要性，是科学以及国民经济发展的主要推动力。社会经济高速发展的同时，电能在国民社会生活中的重要性已经上升到国家安全的高度。电网的规模越来越大，运行越来越复杂，对大规模电力系统提出了严峻的供电考验。虽然国内外电力系统的建设工作不断推进，但电力系统自身，自然气候变化，人为因素等不确定性因素的存在，电力系统仍然会发生各种故障。故障发生时，如不及时处理故障并做出决策，可能造成连锁故障，导致电网的失稳甚至崩溃，产生无法预估的损失。面对愈加复杂的电网结构，以及更高的电网稳定性需求，只有采用更先进的故障诊断方法，才能更高效地诊断电网故障。

电网故障诊断系统是以故障后表现出的征兆信息为基础。电网发生故障时，电力系统的变化过程主要分为三个阶段。最初是故障设备附近线路的电压、电流等电气量发生突变；之后故障元件关联的继电保护装置检测到线路中的异常电气量，发出保护动作信号；最后在保护动作信号的驱动下，相关的断路器跳闸；由此保护系统切除故障区域，进而起到保护电网的作用。电力系统故障诊断是利用保护系统的告警信息，来判断故障元件的过程。调度人员在诊断结果的基础上做出调控决策，防止严重影响周边正常区域的运行，甚至进一步扩大故障范围。

随着社会的发展，电网结构越来越复杂，传统电网故障诊断方法逐渐暴露出自身的不足。如：适应电网拓扑变化的能力较弱；多故障诊断性能差；算法性能严重依赖于专家经验和人工设计特征，实现难度高等。本发明提出了T步迭代特征提取方法和基于深度学习故障诊断模型，以适应电网拓扑变化和故障诊断等问题。

发明内容

发明目的：本发明提出一种基于深度学习的自适应电网故障诊断方法，能充分挖掘电网告警和结构信息，实现多故障诊断功能。

技术方案：本发明所述的一种基于深度学习的自适应电网故障诊断方法，包括以下步骤：

(1)设计新颖的电网结构知识表示方式，将电网结构和保护系统转化为特别的无向图结构；

(2)设计T步迭代算法实现设备高级特征提取：使用T步迭代特征提取算法自适应地融合设备自身和邻域的抽象化的故障信息到设备特征中，从而实现设备高级特征的提取；

(3)根据步骤(2)中所提取的设备高级特征，使用全连接神经网络融合设备特征，构建全网高级特征，结合全网高级特征和设备高级特征作为输入，设计多故障诊断模型，判断电网故障状况。

步骤(1)所述电网结构使用独热编码方式编码。

步骤(1)所述的保护系统以0/1编码表示。

所述步骤(2)通过以下公式实现：

其中，C_d_emb是设备d的类别嵌入编码，P_d_emb是设备d相关保护状态集的嵌入编码，B_d_emb是设备d相关断路器状态集的嵌入编码，是设备d邻域设备集的嵌入编码，t是迭代步变量，t表示上一次迭代过程的结果，t+1表示当前迭代过程，p_b是设备的关联保护，b_p为保护设备b和保护p关联路径上断路器集合，act是非线性激活函数，B(d,h)表示设备d和设备h之间的断路器，表示上次迭代后设备h所得到的特征向量，且初始化为k维全零向量，w₀至w₇是模型参数，经过T次迭代后得到所有设备的高级特征

所述步骤(3)通过以下公式实现：

其中，G_emb表示全网高级特征，F_d为模型对设备d的诊断结果，ω分别表示两个模型的可学习参数。

有益效果：与现有技术相比，本发明的有益效果：1、通过设计新颖的电网结构知识表示方式及设计T步迭代算法，在充分挖掘电网结构及保护系统的有效信息的基础上(与设备相关保护系统的信息，设备之间、设备与保护系统之间、保护系统之间以及电网结构信息)，提取结构相关的高级特征，加强了特征提取过程的可移植性，也进一步加强了发明的可移植性；2、本发明以二分类为基础，设计故障诊断模型，综合全网高级特征和设备高级特征作为输入，可以显著提升本发明的多故障诊断性能。

附图说明

图1为本发明的流程图；

图2为电网结构示例图；

图3为新颖的电网结构知识表示方式图；

图4为全网高级特征提取图；

图5为故障诊断模型图；

图6为本发明与基于神经网络的故障诊断方法和基于解析模型的电网故障诊断方法的电网故障诊断可移植性对比图；

图7为本发明与基于神经网络的故障诊断方法和基于解析模型的电网故障诊断方法的多故障诊断性能对比图。

具体实施方式

下面结合附图对本发明作进一步详细描述。如图1所示，本发明包括以下步骤：

1、设计新颖的电网结构知识表示。

如图2所示是一个典型的电网结构图，其中1～5是总线，G1～G2是发电机，T1～T2是变压器，以上统称为电网中的设备(D)。每个设备连接的线路上均配备有断路器(B)，并为每个设备配有一级保护、二级保护和三级保护(P)，统称电网中的保护(P)和断路器(B)为保护系统。

为电网结构知识设计新颖的表示方式。根据电网结构特点，作如下转换与定义，图的节点表示电网中的设备，边的权值表示断路器的状态，使用特定的无向图表示电网结构知识。将电网中设备保护系统等全部表示为0-1状态的变量，设置如下初始特征编码：

①设备类别编码C_d：使用独热编码(one_hot)，包含三类(发电机，变压器，母线)。

②断路器状态编码b：表示断路器是否跳闸(0/1)；即表示图中边的权值。

③保护状态编码p：表示保护是否动作(0/1)。

根据上述方式，以图2为例，转化为如图3所示的特殊的无向图结构。

2、使用T步迭代算法自适应地融合有效信息，提取设备高级特征。

使用T步迭代算法提取设备高级特征，提过程上文所述的如式(1)所示。式(1)中的详细计算方式如式(2)。其中pb是设备的关联保护，b_p为保护设备b和保护p关联路径上断路器集合，act是非线性激活函数，B(d,h)表示设备d和设备h之间的断路器，表示上次迭代后设备h所得到的特征向量，且初始化为k维全零向量。w₀至w₇是模型参数，参数的详细信息如式(3)所示。

式(1)、(2)、(3)展示了T步迭代算法的执行流程，分析本发明的T步迭代算法，可以发现对于电网中各设备而言，随着迭代算法的执行，其特征中融入的信息范围半径越来越大(初始化时值全为零特征向量)，以设备1为例，第一步迭代后，设备1的特征向量中融入了{1,2,3}的信息；第二步迭代后，设备1的特征向量中融入了{1,2,3,5,T1,T2}的相关信息；第三步迭代后，设备1的特征向量中融入了{1,2,3,4,5,T1,T2,G1,G2}的相关信息，即电网中所有相关设备的特征向量。此外本文的T步迭代特征提取算法，在具有前文所述的优点(以指数速度融合邻域、保护系统、电网结构等信息到设备特征向量)的同时。观察前文流程和算法公式，可以发现，本算法还可以自适应电网拓扑结构，在特征融合的过程中，距离越远的信息对本设备特征提取的影响越小，反之影响越大。如此提取的高级特征，可更好的适应电网拓扑结构的变化，因为其提取的高级特征是动态的，即与电网结构相关的。

3、构造全网高级特征，设计故障诊断模型：

在上述T步迭代算法后，得到自适应电网结构的设备高级特征，使用全连接神经网融合设备高级特征，进而构建全网高级特征。其流程如图4所示，流程的数学表示如式(4)所示，其中w₈是模型可学习参数。

上述得到全网高级特征和设备高级特征，组合两者作为故障诊断模型的输入判断设备故障情况。本发明的故障诊断模型是基于多层感知机实现的，如图5所示。数学表达式如前文所述的式(5)所示。其中ω₉至ω₁₁是模型可学习参数。

本发明的完整执行流程如表1所示：本发明的输入主要包括：电网结构数据G(D,B,P)，保护系统的告警信号Signal(B,P)。后者主要包括保护和断路器的0-1状态信号。输出是本发明对于各设备故障状态诊断结果。第一步，初始化设备的特征向量为全零向量，初始化迭代步计数为0。第二步，执行T步迭代算法提取设备高级特征，共循环T次，每次循环分别执行如下处理：嵌入设备类别特征C_d_emb，嵌入保护告警信息P_d_emb，嵌入相关断路器告警信息B_d_emb，嵌入邻域设备信息堆叠上述嵌入向量stack_vec，使用卷积神经网络处理堆叠向量，获得设备高级特征第三步，使用全连接神经网络提取全网高级特征G_emb，第四步，使用故障诊断模型分别诊断设备d的故障状态F_d。输出本发明的诊断结果{F_d}，结束算法流程。

表1自适应的电网故障诊断算法流程

通过本发明可以实现自适应电网拓扑提取设备高级特征和电网高级特征，并实现电网的多故障诊断。通过实验比较本发明与传统电网故障诊断方法，可发现本发明的可移植性以及多故障诊断性能具有明显的优势。如图6和图7所示，前者为电网故障诊断方法可移植性对比，后者为多故障诊断性能对比。其中AFD_DL(Adaptive Fault Diagnosis ofPower Grid based on Deep Learning)表示本文的发明，FDNN(Fault Diagnosis ofPower Grid based on Neural Network)和FDAM(Fault Diagnosis of Power GridbasedonAnalytical Model)表示对比方法，分别是基于神经网络的故障诊断方法和基于解析模型的电网故障诊断方法。

图6中IEEE 10bus～IEEE 145bus是不同电网拓扑结构，Train表示训练集，且测试的拓扑结构在Train训练集中没有出现过，以保证对比的有效性。如图6所示，可以发现FDNN和FADM模型在进行新的电网结构的故障诊断时，其性能损失严重，然而本发明(AFD_DL)表现稳定，没有明显的性能损失。因此表明本发明相较与传统的方法，具有良好的可移植性。

从图7可以发现随着电网中同时故障的数目上调，FDNN和FADM方法均出现比较严重的性能损失，然而本发明依然保持着较稳定的诊断准确率。表明本发明有着良好的多故障诊断性能。综合上述两组对比实验，表明本发明(AFD_DL)具有良好的综合故障诊断性能。

Claims (5)

1.一种基于深度学习的自适应电网故障诊断方法，其特征在于，包括以下步骤：

(1)设计新颖的电网结构知识表示方式，将电网结构和保护系统转化为特别的无向图结构；

(2)设计T步迭代算法实现设备高级特征提取：使用T步迭代特征提取算法自适应地融合设备自身和邻域的抽象化的故障信息到设备特征中，从而实现设备高级特征的提取；

(3)根据步骤(2)中所提取的设备高级特征，使用全连接神经网络融合设备特征，构建全网高级特征，结合全网高级特征和设备高级特征作为输入，设计多故障诊断模型，判断电网故障状况。

2.根据权利要求1所述的一种基于深度学习的自适应电网故障诊断方法，其特征在于，步骤(1)所述电网结构使用独热编码方式编码。

3.根据权利要求1所述的一种基于深度学习的自适应电网故障诊断方法，其特征在于，步骤(1)所述的保护系统以0/1编码表示。

4.根据权利要求1所述的一种基于深度学习的自适应电网故障诊断方法，其特征在于，所述步骤(2)通过以下公式实现：

其中，C_d_emb是设备d的类别嵌入编码，P_d_emb是设备d相关保护状态集的嵌入编码，B_d_emb是设备d相关断路器状态集的嵌入编码，是设备d邻域设备集的嵌入编码，t是迭代步变量，t表示上一次迭代过程的结果，t+1表示当前迭代过程，p_b是设备的关联保护，b_p为保护设备b和保护p关联路径上断路器集合，act是非线性激活函数，B(d,h)表示设备d和设备h之间的断路器，表示上次迭代后设备h所得到的特征向量，且初始化为k维全零向量，w₀至w₇是模型参数，经过T次迭代后得到所有设备的高级特征

5.根据权利要求1所述的一种基于深度学习的自适应电网故障诊断方法，其特征在于，所述步骤(3)通过以下公式实现：

其中，G_emb表示全网高级特征，F_d为模型对设备d的诊断结果，ω分别表示两个模型的可学习参数。