CN111812450B - 一种电网危险故障的识别方法 - Google Patents

Abstract

本发明属于电力系统安全防护技术领域，具体为一种电网危险故障的识别方法。本发明通过交流线数据构建电力系统的图结构，据此构建快速识别模型，并使用样本来训练模型；最后通过将电网状态输入快速识别模型，获得故障严重度预测值，并根据预测值对故障进行筛选。本方法较之基线方法在准确率和速度上都得到极大提升，能满足电网安全保护系统的实时性、可靠性要求。

Description

一种电网危险故障的识别方法

技术领域

本发明属于电力系统安全防护技术领域，具体涉及一种电网危险故障的识别方法。

背景技术

电力系统安全防护是关系到国计民生的重要技术，有着非常重要的战略意义。

电力系统安全防护的基础是对电网潜在故障的预测和分析，其中包括在各种故障条件下的电网危险程度的预测。电网故障危险程度的预测技术，是指根据给定电网状态条件下，预测出电网在不同故障条件下的故障严重程度，并筛选出最严重的若干种故障的一种技术，要解决的主要问题包括：计算过程复杂等。

电网故障危险程度的预测方法可分为传统方法和基于深度学习的方法。传统方法一般使用统计学分类预测技术，通过建立诸如线性回归之类的简单模型来建立电网状态和故障严重度值之间的映射，这类方法无法拟合具有高度非线性的电网状态-故障严重度映射关系。基于深度学习的方法使用深度学习模型，通过在模型中引入非线性的成分来提升模型拟合的效果。这类方法一般仅针对欧式空间内的数据，对于电网结构这样的拓扑信息无法加以利用和建模，同时这类方法需要大量的训练样本。

发明内容

为了克服现有技术的不足，本发明的目的在于提供一种新的电网危险故障快速识别的方法。该方法分为2个阶段：离线训练阶段和在线识别阶段，在离线训练阶段构建图卷积模型，并使用大量样本进行训练；在在线识别阶段，将电网状态输入训练好的图卷积模型即可获得各种故障的严重程度，并据此识别出电网的危险故障。本发明基于深度学习的算法准确性和速度都大幅提升，使得电网安全防护系统具有实时鲁棒等诸多优点。其应用于电力安全防护系统，能对电网危险故障快速识别，满足系统实时性和准确性的要求。

本发明的技术方案具体介绍如下。

本发明提供一种电网危险故障快速识别的方法，具体步骤如下：

在离线训练阶段，构建基于图卷积的故障严重度预测模型结构，并将电网状态-故障严重度值对作为样本来训练图卷积模型；在在线识别阶段，将电网状态输入故障严重度预测模型并预测出故障严重度值，并根据严重度值筛选出最严重的若干个故障。

具体步骤为：

1.离线训练阶段

(1)构建图

将电网表示为图结构，G＝(V,E)，其中

是顶点的集合，每一个顶点v_t代表一条交流线，其中，n是电网中交流线的总条数，t是该交流线图中的顶点编号；E＝{(v_p,v_q)|v_p和v_q具备邻接关系，v_p∈V，v_q∈V，p≠q}，其中v_p和v_q具备邻接关系定义为交流线v_p和交流线v_q的两侧母线至少有一条是相同的，并且交流线的两侧分别定义为i侧和j侧，如：交流线v₁的i侧母线编号和交流线v₂的j侧母线编号相同，则认为顶点v₁和顶点v₂之间存在一条边；根据以上定义，获得初步的电网节点图；如果图G不是一个连通图，则首先向V中添加虚拟顶点v_x，然后进行以下两步操作：

I、对每个极大连通子图，从中选择度数最小的顶点,如果这样的顶点不止一个，(则从中随机挑选一个顶点)，并在该顶点和虚拟顶点v_x之间添加一条边；

II、在每个孤立顶点和虚拟顶点v_x之间添加一条边；

经过上述两步之后，即可获得一个连通的图结构；

(2)构建快速识别网络

网络的基础结构是残差卷积块，其中每个残差卷积块中包含7层，依次是图卷积层、批归一化层、线性整流层、Dropout层(Dropout率设为0.5)、图卷积层、批归一化层和线性整流层。在同一个残差卷积块中，图卷积层的滤波器个数是相同的，同时为了保留更多的输入信息及使得训练过程更加稳定，还从输入引出一个残差连接到输出。

整个网络由7个残差卷积块组成，各个残差卷积块的滤波器个数分别为64、64、64、128、128、256、256。在输入和第一个残差块之间插入一个批归一化层，来对输入数据进行归一化。在最后一个残差块之后紧着一个全局平均池化层和全连接层，全连接层的输出是一个K维的向量，K和故障集的数量相同，故障集的数量是电网出现的故障数量。

(3)训练网络

网络的训练样本集

共包含N个样本，每个样本T_i＝(S_i,m_i)，其中S_i＝(s₁,s₂,...,s_W)，是一个C×W的节点状态矩阵，C是单个节点状态向量的维度，W是G中顶点的总数，如果图G中不包含虚拟顶点，则W＝交流线总数，否则W＝交流线总数+1；每个节点的状态向量为s＝(s₁,s₂,...,s₇)^T，其中s₁,s₂,s₃,s₄代表交流线的有效标志，可以看作是一个one-hot向量，即这四个值有且仅有一个为1，其余都是0。s₅,s₆,s₇分别是该交流线的电阻、电抗和充电电纳值；特别地，虚拟顶点的状态向量为零向量；m_i＝(m₁,m₂,...,m_K)^T表示S_i所对应的故障严重度向量，K为故障集的数量；为方便计算，在训练前需先将m_i进行归一化，即：

在优化策略上使用随机梯度下降(SGD)和Nesterov Momentum(0.9)，batch_size设为64。在反向传播过程中使用Huber Loss损失函数来度量预测值和真实值的差异。权重衰减因子设为1E-5。学习速率在训练开始时设为0.1，在第40个epoch时调整为0.01，在第50个epoch时调整为0.001，整个训练过程终止于第60个epoch。

2.在线识别阶段

(1)预测故障严重度，将待预测的电网状态值输入快速识别网络模型，获取故障严重程度的预测向量(m₁,m₂,...,m_K)，其中K是故障集的数量，m_i(i＝1,2,...,K)表示第i个故障的严重程度。

(2)故障筛选，对故障严重程度的预测向量中的所有分量m_i(i＝1,2,...,K)按从大到小进行排序，并获取排序后的分量号作为最终输出。

和现有技术相比，本发明的有益效果如下：

通过模型一次性输出多个故障严重度的预测值，可以有效地降低计算量和计算时间。

附图说明

图1是本发明电网危险故障快速识别方法的流程图。

图2是残差卷积块的结构示意图。

图3是快速识别网络的结构图。

具体实施方式

下面结合附图和实施例对本发明的技术方案进行详细阐述。

实施例1

本发明提供一种电网危险故障快速识别方法，其流程图如图1所示，分为2个阶段：离线训练阶段，在线识别阶段。具体如下：

一、离线训练阶段

(1)构建图

将电网表示为图结构，G＝(V,E)，其中

是顶点的集合，每一个顶点v_t代表一条交流线，其中，n是电网中交流线的总条数，t是该交流线图中的顶点编号；E＝{(v_p,v_q)|v_p和v_q具备邻接关系，v_p∈V，v_q∈V，p≠q}，其中v_p和v_q具备邻接关系定义为交流线v_p和交流线v_q的两侧母线至少有一条是相同的，并且交流线的两侧分别定义为i侧和j侧，如：交流线v₁的i侧母线编号和交流线v₂的j侧母线编号相同，则认为顶点v₁和顶点v₂之间存在一条边；根据以上定义，获得初步的电网节点图；如果图G不是一个连通图，则首先向V中添加虚拟顶点v_x，然后进行以下两步操作：

I、对每个极大连通子图，从中选择度数最小的顶点,如果这样的顶点不止一个，(则从中随机挑选一个顶点)，并在该顶点和虚拟顶点v_x之间添加一条边；

II、在每个孤立顶点和虚拟顶点v_x之间添加一条边；

经过上述两步之后，即可获得一个连通的图结构；

(2)构建快速识别网络

网络的基础结构是残差卷积块，其中每个残差卷积块中包含7层，依次是图卷积层、批归一化层、线性整流层、Dropout层(Dropout率设为0.5)、图卷积层、批归一化层和线性整流层。在同一个残差卷积块中，图卷积层的滤波器个数是相同的，同时为了保留更多的输入信息及使得训练过程更加稳定，还从输入引出一个残差连接到输出。残差卷积块的结构如图2所示。

整个网络由7个残差卷积块组成，各个残差卷积块的滤波器个数分别为64、64、64、128、128、256、256。在输入和第一个残差块之间插入一个批归一化层，来对输入数据进行归一化。在最后一个残差块之后紧着一个全局平均池化层和全连接层，全连接层的输出是一个K维的向量，K和故障集的数量相同，故障集的数量是电网出现的故障数量。

(3)训练网络

网络的训练样本集

共包含N个样本，每个样本T_i＝(S_i,m_i)，其中S_i＝(s₁,s₂,...,s_W)，是一个C×W的节点状态矩阵，C是单个节点状态向量的维度，W是G中顶点的总数，如果图G中不包含虚拟顶点，则W＝交流线总数，否则W＝交流线总数+1；每个节点的状态向量为s＝(s₁,s₂,...,s₇)^T，其中s₁,s₂,s₃,s₄代表交流线的有效标志，可以看作是一个one-hot向量，即这四个值有且仅有一个为1，其余都是0。s₅,s₆,s₇分别是该交流线的电阻、电抗和充电电纳值；特别地，虚拟顶点的状态向量为零向量；m_i＝(m₁,m₂,...,m_K)^T表示S_i所对应的故障严重度向量，K为故障集的数量；为方便计算，在训练前需先将m_i进行归一化，即：

在优化策略上使用随机梯度下降(SGD)和Nesterov Momentum(0.9)，batch_size设为64。在反向传播过程中使用Huber Loss损失函数来度量预测值和真实值的差异。权重衰减因子设为1E-5。学习速率在训练开始时设为0.1，在第40个epoch时调整为0.01，在第50个epoch时调整为0.001，整个训练过程终止于第60个epoch。

二、在线识别阶段

(1)预测故障严重度，将待预测的电网状态值输入快速识别网络模型，获取故障严重程度的预测向量(m₁,m₂,...,m_K)，其中K是故障集的数量，m_i(i＝1,2,...,K)表示第i个故障的严重程度。

(2)故障筛选，对故障严重程度的预测向量中的所有分量m_i(i＝1,2,...,K)按从大到小进行排序，并获取排序后的分量号作为最终输出。

为研究本发明提出方法在准确率和速度上的提升，共做3组对比实验，其中①为PCA+线性回归方法；②为多层感知机方法；③为本发明提出的方法。各实验采用相同的训练集和测试集，训练集大小为20万，测试集大小为2万。

表1对比实验各方面性能参照表

性能\对比实验编号	(1)	(2)	(3)
				均方误差	0.0075	0.0055	0.0029
速度(秒)	1.31	6.81	0.79

对比实验①和②，本研究在准确性和速度上均为最优。

Claims (1)

1.一种电网危险故障快速识别方法，其特征在于，其分为2个阶段：离线训练阶段和在线识别阶段；其中：

在离线训练阶段，构建基于图卷积的故障严重度预测模型结构，并将电网状态-故障严重度值对作为样本来训练图卷积模型；

在在线识别阶段，将电网状态输入故障严重度预测模型并预测出故障严重度值，并根据严重度值筛选出最严重的若干个故障；

具体步骤如下：

一、离线训练阶段

(1)构建图

将电网表示为图结构，G＝(V,E)，其中

是顶点的集合，每一个顶点v_t代表一条交流线，其中，n是电网中交流线的总条数，t是该交流线图中的顶点编号；E＝{(v_p,v_q)|v_p和v_q具备邻接关系，v_p∈V，v_q∈V，p≠q}，其中v_p和v_q具备邻接关系定义为交流线v_p和交流线v_q的两侧母线至少有一条是相同的，并且交流线的两侧分别定义为i侧和j侧，如：交流线v₁的i侧母线编号和交流线v₂的j侧母线编号相同，则认为顶点v₁和顶点v₂之间存在一条边；根据以上定义，获得初步的电网节点图；如果图G不是一个连通图，则首先向V中添加虚拟顶点v_x，然后进行以下两步操作：

I、对每个极大连通子图，从中选择度数最小的顶点，如果这样的顶点不止一个，则从中随机挑选一个顶点，并在该顶点和虚拟顶点v_x之间添加一条边；

II、在每个孤立顶点和虚拟顶点v_x之间添加一条边；

经过上述两步之后，即可获得一个连通的图结构；

(2)构建快速识别网络

网络的基础结构是残差卷积块，其中每个残差卷积块中包含7层，依次是图卷积层、批归一化层、线性整流层、Dropout层，Dropout率设为0.5、图卷积层、批归一化层和线性整流层，在同一个残差卷积块中，图卷积层的滤波器个数是相同的，同时为了保留更多的输入信息及使得训练过程更加稳定，还从输入引出一个残差连接到输出；

整个网络由7个残差卷积块组成，各个残差卷积块的滤波器个数分别为64、64、64、128、128、256、256，在输入和第一个残差卷积块之间插入一个批归一化层，来对输入数据进行归一化，在最后一个残差卷积块之后紧着一个全局平均池化层和全连接层，全连接层的输出是一个K维的向量，K和故障集的数量相同，故障集的数量是电网出现的故障数量；

(3)训练网络

网络的训练样本集

共包含N个样本，每个样本T_i＝(S_i,m_i)，其中S_i＝(s₁,s₂,...,s_W)，是一个C×W的节点状态矩阵，C是单个节点状态向量的维度，W是G中顶点的总数，如果图G中不包含虚拟顶点，则W＝交流线总数，否则W＝交流线总数+1；每个节点的状态向量为s＝(s₁,s₂,...,s₇)^T，其中s₁,s₂,s₃,s₄代表交流线的有效标志，被看作是一个one-hot向量，即这四个值有且仅有一个为1，其余都是0；s₅,s₆,s₇分别是该交流线的电阻、电抗和充电电纳值；虚拟顶点的状态向量为零向量；m_i＝(m₁,m₂,...,m_K)^T表示S_i所对应的故障严重度向量，K为故障集的数量；为方便计算，在训练前需先将m_i进行归一化，即：

在优化策略上使用随机梯度下降和Nesterov Momentum为0.9，batch_size设为64，在反向传播过程中使用Huber Loss损失函数来度量预测值和真实值的差异，权重衰减因子设为1E-5，学习速率在训练开始时设为0.1，在第40个epoch时调整为0.01，在第50个epoch时调整为0.001，整个训练过程终止于第60个epoch；

二、在线识别阶段

(1)预测故障严重度，将待预测的电网状态值输入快速识别网络模型，获取故障严重程度的预测向量(m₁,m₂,...,m_K)，其中K是故障集的数量，m_i(i＝1,2,...,K)表示第i个故障的严重程度；

(2)故障筛选，对故障严重程度的预测向量中的所有分量m_i(i＝1,2,...,K)按从大到小进行排序，并获取排序后的分量号作为最终输出。

Images