CN115144694A - 基于s-tgcn的有源配电网故障定位方法 - Google Patents
基于s-tgcn的有源配电网故障定位方法 Download PDFInfo
- Publication number
- CN115144694A CN115144694A CN202210748031.XA CN202210748031A CN115144694A CN 115144694 A CN115144694 A CN 115144694A CN 202210748031 A CN202210748031 A CN 202210748031A CN 115144694 A CN115144694 A CN 115144694A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- time
- layer
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000011176 pooling Methods 0.000 claims abstract description 51
- 230000007246 mechanism Effects 0.000 claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 43
- 239000013598 vector Substances 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 230000002123 temporal effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 30
- 230000004069 differentiation Effects 0.000 abstract description 8
- 238000000605 extraction Methods 0.000 abstract description 7
- 108091006146 Channels Proteins 0.000 description 13
- 238000012360 testing method Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000012706 support-vector machine Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于S‑TGCN的有源配电网故障定位方法,引入时‑空注意力机制及时‑空卷积层,从图形结构的时间序列中提取配电网故障时段的全局时‑空特征,提升了模型在高比例分布式电源接入场景下的全局故障特征提取能力,其故障定位精度达到98.76%。通过S‑TGCN的特征汇聚及差异化池化函数,增强了新方法在数据缺失及数据噪声场景下的鲁棒性。
Description
技术领域
本发明属于配电网故障定位技术领域,具体涉及基于S-TGCN的有源配电网故障定位方法。
背景技术
配电网短路故障易导致供电中断,带来巨大的经济损失和社会影响。为提高配电网运行的可靠性,应对配电网故障位置进行及时准确的定位,便于隔离故障区域并快速恢复供电。近年来,基于大量微型相量测量单元的广域量测系统有效提高配电系统的可观测性,使基于机器学习的配电网故障定位成为可能。
机器学习方法具有良好的学习能力,可以利用故障前后的量测装置采集的电压、电流对故障位置做出准确判断。Sapountzoglou N,Lago J,De Schutter B,et al提出一种基于深度神经网络的有源配电网故障定位方法,利用故障前后各节点电压、电流及配电网中的发电量和负荷作为模型的输入对故障区段进行定位,取得了较好的效果。Deng X,YuanR,Xiao Z,et al利用小波变换从零序电流中提取特征值。然后使用支持向量机(SupportVector Machine,SVM)识别配电网中的故障区段。但该方法仅针对单相接地故障进行分析。Jin Q,Ju R提出将配电系统分为主支路和独立区域。用遗传算法寻找主支路故障和独立区域故障。现有机器学习方法在配电网故障定位方面已经有了一定的研究成果,但上述方法以欧式空间数据作为输入对故障定位模型进行训练,未考虑配电网的真实拓扑结构,忽略了节点间的相关性特征。
随着图神经网络(graph neural network,GNN)出现,神经网络方法扩展到了非欧式空间的图数据分析中。初步实现了深度学习与图数据的结合。时-空图卷积网络(Spatial-Temporal Graph Convolutional Network,S-TGCN)在图卷积的基础上引入了时间卷积,在处理各节点属性动态变化的场景中具有良好的分类性能。Chen K,Hu J,ZhangY,et al提出了将图卷积网络(Graph Convolutional Network,GCN)用于配电网的故障定位,由于考虑了系统拓扑的同时集成了不同总线上的多个测量,其具有较高的故障定位精度。为提高故障定位模型对拓扑变化的适应能力,李佳玮,王小君,和敬涵,张永杰,张大海于基于图注意力网络的配电网故障定位方法中提出利用图注意力网络(Graph AttentionNetwork,GAT)实现了配电网的故障定位。通过改变邻接矩阵及动态更新相邻顶点之间注意力系数提高配电网拓扑变化下的故障定位准确率。但上述方法未考虑分布式电源对配电网故障定位的影响。大功率分布式电源接入配电网后,故障时段各节点电压及电流值受到显著影响[12],降低了样本间的可分性。
此外,实际工况中存在量测及通信误差,导致配电网各节点故障时段量测数据存在数据噪声及缺失问题。Sapountzoglou N,Lago J,De Schutter B,et al在Ageneralizable and sensor-independent deep learning method for fault detectionand location in low-voltage distribution grids[J]中提出通过加入带方向的故障判据改进矩阵算法,提高矩阵法的计算效率及信息容错能力。Patel B在A new FDOSTentropy based intelligent digital relaying for detection,classification andlocalization of faults on the hybrid transmission line[J]中提出采用快速离散正交S变换对故障电流特征提取,以SVM作为分类器,提高了故障定位的容错性。Mishra D P,Ray P.在Fault detection,location and classification of a transmission line[J]中提出利用多种机器学习算法,通过结果聚合降低噪声和异常值对故障定位精度的影响。但上述方法其定位容错能力易受数据噪声及数据缺失的节点位置和类型的影响。因此仍需研究高容错的故障定位方法。
发明内容
本发明的目的是提供基于S-TGCN的有源配电网故障定位方法,能够增强在数据缺失及数据噪声场景下的鲁棒性。
本发明所采用的技术方案是,基于S-TGCN的有源配电网故障定位方法,具体按照以下步骤实施:
步骤1、建立S-TGCN模型,包括输入层、2层时-空卷积层、池化层、并联双通道差异化池化层、全连接层、输出层;
步骤2、将配电网拓扑信息、故障前后各节点测量数据相结合,构建反应配电网真实拓扑的时-空图序列数据;
步骤3、利用时-空注意力机制及时-空卷积层在自适应提取配电网故障时段的全局时-空特征;
步骤4、采用并联双通道差异化池化函数,联合提取多个全局特征并进行综合,通过全连接层、输出层输出有源配电网故障位置。
本发明的特点还在于:
步骤2中故障前后各节点测量数据具体是指故障前后各节点的三相电压、三相电流、各节点注入的有功和无功功率。
步骤1中并联双通道差异化池化层包括最大池化特征层、差异化池化特征层,最大池化特征层为第一通道,差异化池化特征层为第二通道,
最大池化特征层全局特征向量为:
M{ρ1,ρ2,…,ρN}=
max(F(h1),F(h2),…,F(hn)) (1)
式中,(F(h1),F(h2),…,F(hn))为经过时-空卷积层后的中层特征矩阵,max为最大值函数;
差异化池化特征层的特征向量表示为:
A{ρ1,ρ2,…,ρN}=
avg(F(h1),F(h2),…,F(hn)) (2)
式中,avg为均值函数。
步骤2配电网拓扑信息是指节点之间的连接关系,若某一节点与相邻节点连接则标记为1,否则标记为0,将由1和0形成的表示配电网内节点连接关系的矩阵作为邻接矩阵。
时-空卷积层包括图卷积和标准2D卷积,图卷积通过聚合配电网节点中邻居节点的信息提取空间特征,标准2D卷积利用相邻时间帧间各节点特征的时序依赖性提取时间特征。
图卷积定义为:
gθ表示卷积核。*G表示图卷积操作,表示一个切比雪夫系数向量,x为输入数据,L=D-A表示拉普拉斯矩阵,为度数矩阵,λmax为拉普拉斯矩阵的最大特征值,IN为单位矩阵,Tk(x)=2xTk-1(x)-Tk-2(x)为递归定义的切比雪夫多项式,且T0(x)=1,T1(x)=x。
步骤3具体过程为:
步骤3.1、通过时-空卷积层对配电网全局时-空故障特征进行提取;
步骤3.2、在空间域上,空间注意力机制通过空间注意力矩阵参与图卷积层的运算,获得故障线路表达能力的图结构表示;
步骤3.3、在时间域上,利用时间注意机制来捕获动态时间维度信息。
步骤3.2中空间注意力机制定义如下:
P=Vp·σ((χ(l-1)Z1)Z2(Z3χ(l-1))T+bp) (4)
P′m,n=softmax(Pm,n) (5)
根据节点间的相关性得到故障线路表达能力的图结构表示。
步骤3.3中时间注意机制的定义如下:
Q=Vq·σ(((χ(l-1))TM1)M2(M3χ(l-1))+bq) (6)
Q′m,n=softmax(Qm,n) (7)
步骤4中具体过程为:
每个通道的差异化池化函数提取的全局特征表示为:
联合提取多个全局特征并进行综合得到:
将综合后的全局特征输入全连接层,最后通过输出层输出有源配电网故障位置。
本发明有益效果是:
(1)引入时-空注意力机制及时-空卷积层,从图形结构的时间序列中提取配电网故障时段的全局时-空特征,提升了模型在高比例分布式电源接入场景下的全局故障特征提取能力,其故障定位精度达到98.76%。
(2)通过S-TGCN的特征汇聚及差异化池化函数,增强了在数据缺失及数据噪声场景下的鲁棒性。
附图说明
图1是本发明S-TGCN模型总体框架结构的示意图;
图2是本发明输入数据示意图;
图3是本发明案例中含分布式光伏IEEE33节点配电网接线示意图。
图4是本发明案例中使用t-SNE对四种方法的隐层特征可视化对比图。
图5是本发明案例中不同模型对差异分布式光伏总有功出力值占总负荷有功值的比例场景下的故障线路定位能力图。
图6是本发明案例中S-TGCN模型在强数据噪声及缺失场景下的准确率及一跳准确率图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于S-TGCN的有源配电网故障定位方法,具体按照以下步骤实施:
步骤1、建立S-TGCN模型总体架构如图1所示,包括输入层、2层时-空卷积层、池化层、并联双通道差异化池化层、全连接层、输出层;
其中,并联双通道差异化池化层包括最大池化特征层、差异化池化特征层,最大池化特征层为第一通道,差异化池化特征层为第二通道;
在故障定位模型中,池化层对提取的故障定位时-空特征进行池化操作并生成全局特征向量;
其中一点hj经卷积后映射到中层特征为ΓN=F(hj)。式中,ΓN为映射后的特征向量,N为特征向量长度,F为特征映射函数。最大池化特征层全局特征向量为:
M{ρ1,ρ2,…,ρN}=
max(F(h1),F(h2),…,F(hn)) (1)
式中,(F(h1),F(h2),…,F(hn))为经过时-空卷积层后的中层特征矩阵,max为最大值函数;
差异化池化特征层是将某一维数据的均值作为该维度的特征值,差异化池化特征层的特征向量表示为:
A{ρ1,ρ2,…,ρN}=
avg(F(h1),F(h2),…,F(hn)) (2)
式中,avg为均值函数。
时-空卷积层包括图卷积和标准2D卷积,图卷积通过聚合配电网节点中邻居节点的信息提取空间特征,标准2D卷积利用相邻时间帧间各节点特征的时序依赖性提取时间特征。
图卷积定义为:
gθ表示卷积核。*G表示图卷积操作,表示一个切比雪夫系数向量,x为输入数据,L=D-A表示拉普拉斯矩阵,为度数矩阵,λmax为拉普拉斯矩阵的最大特征值,IN为单位矩阵,Tk(x)=2xTk-1(x)-Tk-2(x)为递归定义的切比雪夫多项式,且T0(x)=1,T1(x)=x。
在有源配电网故障定位中,各部分的作用为:
输入层输入由故障时段各节点量测数据及邻接矩阵构成的时-空图序列数据,图中利用颜色差异体现该节点是否接入分布式电源。在时-空卷积层,首先利用空间注意力及谱方法图卷积层聚合相邻节点间的空间相关性特征。其中,基于谱方法的图卷积是通过傅里叶变换将图结构数据投影到谱域空间再进行卷积运算,避免了因图数据不满足平移不变性而造成的卷积定义困难问题,适用于对全局特征的感知和分析;由于配电网拓扑结构相对稀疏,各节点的入度较低,因此采用基于谱方法的图卷积运算方法聚合相邻节点特征;然后各节点特征在时间维度上通过时间注意力机制及标准2D卷积来提取配电网节点时变特征。在池化层,为保证模型在数据噪声及缺失场景下的鲁棒性,采用并联双通道池化层提取差异化全局特征,实现高容错的精准故障定位,第一通道由最大池化函数提取全局特征,另一通道采用差异性池化函数,其全局特征由最大池化和均值池化两种函数提取。池化后的全局特征经Flatten层展平为一维向量并传递给全连接层,全连接层的输出通过softmax操作得到故障线路。
步骤2、将配电网拓扑信息、故障前后各节点测量数据相结合,构建反应配电网真实拓扑的时-空图序列数据;其中,故障前后各节点测量数据具体是指故障前后各节点的三相电压、三相电流、各节点注入的有功和无功功率;
配电网拓扑信息是指节点之间的连接关系,若某一节点与相邻节点连接则标记为1,否则标记为0,将由1和0形成的表示配电网内节点连接关系的矩阵作为邻接矩阵。
反应配电网真实拓扑的时-空图序列数据输入至输入层:
定义一个无向图G={ν,ε,A}。ν为配网节点集合,|v|=N,N为配网节点数。ε为边集合。A为邻接矩阵,体现了配电网中各节点间的连接关系。各图像帧包含邻接矩阵A和反应配电网故障线路信息的节点特征X。
各节点特征的采样频率为100Hz。节点特征由各节点三相电压时间序列Va,Vb,Vc、三相电流时间序列Ia,Ib,Ic、各节点电源出力的有功时间序列PG及无功时间序列QG组成。
其中L表示每个节点的特征个数,TS表示每个样本的图像帧个数。TS=30,即取故障发生前0.1s到故障发生后0.2s的时间段内的全部节点特征数据组成故障样本。这样设计主要有两点原因。一是确保故障处于其稳态的早期阶段,二是假设在故障发生后的0.2s内没有保护元件动作,隔离故障。Xi∈X(i∈{1,2,…,TS})表示i时刻各节点上的特征。
其中Ia,k(k∈{1,2,…,N})表示k节点的A相电流的有效值,Ib,k表示k节点的B相电流的有效值,Ic,k表示k节点的C相电流的有效值,Ua,k表示k节点的A相电压的有效值,Ub,k表示k节点的B相电压的有效值,Uc,k表示k节点的C相电压的有效值,PG,k表示k节点电源的有功出力值,QG,k表示k节点电源的无功出力值,若该节点无电源,则PG,k及QG,k为0。
为了让模型学习到配电网的真实拓扑结构,构建邻接矩阵A作为模型的输入。当配电网的拓扑发生变化时,邻接矩阵也随之变化,从而适应拓扑的变化。
其中i,j∈{1,2,…,N}。如图2所示为网络拓扑发生变化时S-TGCN模型的输入。输出y为样本的分类标签,表示样本对应的故障线路或正常运行状态。
步骤3、利用时-空注意力机制及时-空卷积层在自适应提取配电网故障时段的全局时-空特征;具体过程为:
步骤3.1、通过时-空卷积层对配电网全局时-空故障特征进行提取;时-空图卷积层由图卷积和标准2D卷积组成。图卷积通过聚合配电网节点中邻居节点的信息提取空间特征,2D卷积利用相邻时间帧间各节点特征的时序依赖性提取时间特征。
采用基于谱的图卷积运算提取配电网各节点空间维度上的空间特征,根据配电网的真实拓扑结构构建邻接矩阵A。利用图拉普拉斯算子的切比雪夫展开式来降低计算复杂度。基于K-1阶切比雪夫图卷积的定义为:
gθ表示卷积核。*G表示图卷积操作。表示一个切比雪夫系数向量。x为输入数据。L=D-A表示拉普拉斯矩阵。为度数矩阵。λmax为拉普拉斯矩阵的最大特征值。IN为单位矩阵。Tk(x)=2xTk-1(x)-Tk-2(x)为递归定义的切比雪夫多项式,且T0(x)=1,T1(x)=x。
利用切比雪夫多项式的近似展开,提取以每个节点为中心的0到K-1个邻居的信息。
将上述定义推广到具有多个特征的节点。第l层的输入为Cl-1表示每个节点的通道个数。Tl-1表示第l层的时间维度。对于每一个Xi都利用Cl个卷积核对其进行卷积操作得到gθ*GXi。为卷积核参数。因此,0到K-1个相连节点的信息被聚合到每个节点。
为了获取故障时段各节点信息随时间的变化特征,在图卷积运算充分提取了每个时刻的空间特征后,利用一个标准的2D卷积层来提取节点信息随时间的变化特征。第l层上的时域卷积运算定义为:
其中ReLU是激活函数,Φ表示卷积核的参数,*表示标准卷积运算。
步骤3.2、在空间域上,空间注意力机制通过空间注意力矩阵参与图卷积层的运算,获得故障线路表达能力的图结构表示;
在空间域上,由于故障位置是随机的,不同线段故障对配电网各节点的故障特征影响不同。空间注意力机制通过空间注意力矩阵参与图卷积层的运算,获得更具故障线路表达能力的图结构表示,空间注意力机制定义如下:
P=Vp·σ((χ(l-1)Z1)Z2(Z3χ(l-1))T+bp) (5)
P′m,n=softmax(Pm,n) (6)
当执行图卷积时,模型会结合反应配电网真实拓扑结构的邻接矩阵A及空间注意力矩阵P对节点权值进行动态更新。
根据节点间的相关性得到故障线路表达能力的图结构表示。
步骤3.3、在时间域上,相邻时间帧间的节点特征变化存在相关性,并且相关性在不同情况下会发生变化。因此,利用时间注意机制来捕获动态时间信息;
时间注意机制的定义如下:
Q=Vq·σ(((χ(l-1))TM1)M2(M3χ(l-1))+bq) (7)
Q′m,n=softmax(Qm,n) (8)
步骤4、采用并联双通道差异化池化函数,联合提取多个全局特征并进行综合,通过全连接层、输出层输出有源配电网故障位置;具体过程为:
最大池化特征层和差异化池化特征层可获得各节点量测数据的不同显著性特征。采用并联双通道池化层提取全局特征。第一通道由最大池化函数提取全局特征,另一通道采用差异性池化函数,其全局特征由最大池化和差异化池化两种函数提取,提升模型的鲁棒性,每个通道的差异化池化函数提取的全局特征表示为:
联合提取多个全局特征并进行综合得到:
将综合后的全局特征输入全连接层,最后通过输出层输出有源配电网故障位置。
实施例
利用PSCAD/EMTDC平台搭建接入分布式光伏的IEEE33节点配电网系统。配电网的总体拓扑结构如图3所示,电压等级为12.66kV,频率为60Hz,总负荷有功为3.725MW,无功为2.3MVar。值得注意的是,此处拓扑中的连接线段仅代表总线间的连接关系,其长度并非总线间的几何连接距离。
系统共有33个节点、32个负荷、5个分布式光伏及32条配电线路及5条联络线。分布式光伏的功率因数为1,其具体接入位置及容量如表1所示,如此配置分布式光伏可降低配电系统的功率损耗及改善其电压分布。
表1
PV编号 | 1 | 2 | 3 | 4 | 5 |
接入位置总线编号 | 5 | 8 | 15 | 17 | 27 |
接入容量(kW) | 1430 | 233 | 275 | 370 | 335 |
分布式光伏由光伏阵列、光伏发电的最大功率跟踪控制模块、逆变器、LC滤波电路组成。逆变器通过瞬时无功理论得到参考电压,并用空间矢量脉宽调制(Space VectorPulse Width Modulation,SVPWM)方法得到控制开关所需要的脉冲,达到控制逆变器的目的。
通过仿真生成大量所描述的故障时段模型输入数据样本用于训练故障定位模型,并对其在不同工况下的鲁棒性进行验证。仿真案例配置如表2所示。配电网的故障仿真考虑了以下不同影响。
(1)故障线路:由于配电网实际运行中,发生短路故障的位置是随机的,因此分别仿真模拟IEEE33节点配电网中的某条配电线路作为故障线路。
(2)故障位置:考虑了故障点据故障线路首端节点(定义相邻接点中节点标号较大的节点为首端节点,例:(1、18)节点间的配电线路首端节点为18节点)的距离。利用故障点与故障线路的首端节点间的阻抗与故障线路阻抗的比值反应故障点据故障线路首端节点的距离比例。
(3)故障类型:考虑了单相接地、两相短路接地、两相短路、三相短路接地、三相短路共5类10种故障类型。
(4)故障阻抗:为了研究故障阻抗对故障定位的影响,设置了表2中8种故障阻抗值。
(5)分布式光伏电源出力状态:以光伏装机容量为标准值。由于分布式光伏出力波动性较大,考虑6种分布式光伏出力状态,各光伏出力在总出力状态数值的±15%区间内随机波动。
(6)负荷水平:负荷在总负荷状态数值的±15%区间内随机波动,但总负荷出力状态保持在规定水平。
因此仿真生成共138240个故障样本(故障样本参数取值如表2所示)。此外,仅考虑各不同分布式光伏及各不同负荷水平状态下分别仿真生成100个正常样本,共生成1800个正常运行样本。
总数据集共有140040个故障及正常样本,参与模型的训练、验证及测试。
表2
S-TGCN模型训练过程的具体实施步骤如下:70%的样本用于训练,10%的样本用于验证,20%的样本用于测试。同时采用10倍交叉验证方法训练模型。选取最优模型作为配电网故障定位模型。以Softmax Loss作为损失函数,更新模型的可训练参数。本模型基于Tensorflow框架搭建,硬件平台为Windows10,CPU为AMD Ryzen9 5900X 12-CoreProcessor,GPU为Nvidia GeForce RTX 3060,RAM大小为32G。
该模型时间卷积核和空间卷积核的大小为10。批次大小为66。为了避免过拟合,加入了dropout层,其丢失率为50%。初始学习率为0.001,并利用adam优化器在训练过程中对其实时优化。循环次数为500次。
在保证训练及测试数据保持一致的基础上实现了3个基线模型并进行比较:
(1)支持向量机(Support vector machine,SVM)。通过主成分分析法(Principalcomponent analysis,PCA)将量测数据降为100维,输入到支持向量机中,确定故障位置。采用高斯核函数作为SVM的核函数。
(2)卷积神经网络(Convolutional neural network,CNN)。CNN共有4层卷积层,2层全连接层及1层输出层,特征提取采用最大化池化函数。
(3)图卷积神经网络(Graph convolutional network,GCN)。GCN有3层图卷积层,2层全连接层及1层输出层。
故障定位实际上为图分类问题,利用准确率作为评价指标对故障定位模型进行评估。定义tp为故障线段被正确辨识的样本数,tn为健康运行样本被正确辨识的样本数。fp为故障线段被错误辨识的样本数,fn为健康运行样本被错误辨识的样本数,则准确率Accuracy被定义为:
除了准确率外,还使用一跳准确率作为衡量模型性能的指标,即如果预测故障线路与实际故障总线直接相连则认为故障线路定位正确。
表3
表3显示了各种方法在测试集下的准确率及一跳准确率,S-TGCN模型具有最高的定位精度,验证了所提方法的有效性。PCA+SVM和CNN方法的精度相对较低,但其一跳精度仍然令人满意。
由于故障随机发生在差异化的负荷需求-分布式电源出力场景下,使得各节点故障时段电压、电流大小具有高水平的不确定性,降低了故障样本间,故障样本与正常运行样本间的可分性。这对故障定位模型捕捉故障线路特征,提升其分类能力提出了更高的要求。
为评估分布式电源出力对故障定位的影响,定义分布式光伏总有功出力值占总负荷有功值的比例为Prate。
式中PPV为分布式光伏总有功出力,PLoad为总负荷有功值。根据表2的故障样本仿真配置,将测试集数据按Prate数值间隔分为4组:[0,20%),[20%,40%),[40%,60%),[60,80%)。
为了评估模型从输入数据中提取特征的能力。利用t-分布随机邻域嵌入(t-distributed stochastic neighbor embedding,t-SNE)将高维数据进行降维并在二维空间中进行可视化。为评估分布式电源接入对故障定位的影响,取如图3所示分布式电源接入位置相邻线路故障样本进行展示,共10条故障线路。在保证4组Prate数值间隔样本数相同的前提下,在测试样本中每条故障线路随机抽取2500个样本进行展示。为验证不同方法的特征提取能力,分别提取PCA后数据、经CNN第4卷积层后的故障数据、经GCN第3图卷积层后的故障数据、经S-TGCN第2时-空图卷积层后的故障数据降到二维空间进行展示。结果如图4所示。同一故障线路的样本分布越紧密则模型提取特征的效果越好。
根据实验结果可知,对于在分布式电源接入配电网场景下短路故障数据,S-TGCN的故障特征提取能力更好,样本间的可分性更强,提高了模型的故障定位能力。
图5展现了不同模型对差异分布式光伏总有功出力值占总负荷有功值的比例场景下的故障线路定位能力。根据图5,在不同Prate数值间隔的场景下,S-TGCN均有最高的故障定位精度。GCN模型的故障定位精度随着分布式电源出力占比的增加而快速下降。CNN及PCA+SVM方法相对而言故障定位精度较低。
配电系统量测装置在实际工况中存在测量和通讯误差等问题,导致各节点数据存在数据噪声及潜在数据缺失。为验证所提方法在实际工况中的有效性,对测试集的仿真数据进行如下修改:
(2)模拟点数据缺失(Node Data Missing,NDM):每个样本中随机去掉Ndrop个节点的数据,将去掉的数据用0值补充。Ndrop=[1,2,3,4,5]。
(3)设置数据随机缺失(Random Data Missing,RDM):所有量测数据以概率P丢失。丢失的数据用0值补充。P=[0.01,0.02,0.03,0.04,0.05]。
表4中展示了S-TGCN模型及其它基线模型在上述噪声和数据丢失水平下对故障线路定位准确率及一跳准确率。根据表4所示,S-TGCN模型在各种数据噪声及数据缺失的场景下与其他方法相比都有最高的准确率。其中,节点数据缺失对各模型的故障准确率及一跳准确率影响最大。GCN及S-TGCN由于聚合了相邻节点间的特征信息,在节点缺失场景中其一跳准确率均能达到90%以上,但PCA+SVM及CNN方法定位精度较低。
表4
为评估S-TGCN模型在强数据噪声及缺失场景下的鲁棒性。根据σ,Ndrop,P值得不同,分别对测试集数据进行修改,创建5个不同场景:
图6展示了S-TGCN模型在强数据噪声及缺失场景下的准确率及一跳准确率。根据实验结果可知,随着数据噪声及缺失程度增加,S-TGCN的故障定位精度下降。但由于利用时-空卷积层及时-空注意力机制提取了故障时段的全局特征,并进行了差异化池化特征的提取,在数据噪声及缺失程度最严重的场景5中,新模型一跳准确率仍能达到90.18%。
通过上述方式,本发明基于S-TGCN的有源配电网故障定位方法,引入时-空注意力机制及时-空卷积层,从图形结构的时间序列中提取配电网故障时段的全局时-空特征,提升了模型在高比例分布式电源接入场景下的全局故障特征提取能力,其故障定位精度达到98.76%。通过S-TGCN的特征汇聚及差异化池化函数,增强了新方法在数据缺失及数据噪声场景下的鲁棒性。
Claims (10)
1.基于S-TGCN的有源配电网故障定位方法,其特征在于,具体按照以下步骤实施:
步骤1、建立S-TGCN模型,包括输入层、2层时-空卷积层、池化层、并联双通道差异化池化层、全连接层、输出层;
步骤2、将配电网拓扑信息、故障前后各节点测量数据相结合,构建反应配电网真实拓扑的时-空图序列数据;
步骤3、利用时-空注意力机制及时-空卷积层在自适应提取配电网故障时段的全局时-空特征;
步骤4、采用并联双通道差异化池化函数,联合提取多个全局特征并进行综合,通过全连接层、输出层输出有源配电网故障位置。
2.根据权利要求1所述基于S-TGCN的有源配电网故障定位方法,其特征在于,步骤2中所述故障前后各节点测量数据具体是指故障前后各节点的三相电压、三相电流、各节点注入的有功和无功功率。
3.根据权利要求1所述基于S-TGCN的有源配电网故障定位方法,其特征在于,步骤1中所述并联双通道差异化池化层包括最大池化特征层、差异化池化特征层,最大池化特征层为第一通道,差异化池化特征层为第二通道,
所述最大池化特征层全局特征向量为:
M{ρ1,ρ2,…,ρN}=
max(F(h1),F(h2),…,F(hn)) (1)
式中,(F(h1),F(h2),…,F(hn))为经过时-空卷积层后的中层特征矩阵,max为最大值函数;
所述差异化池化特征层的特征向量表示为:
A{ρ1,ρ2,…,ρN}=
avg(F(h1),F(h2),…,F(hn)) (2)
式中,avg为均值函数。
4.根据权利要求1所述基于S-TGCN的有源配电网故障定位方法,其特征在于,步骤2所述配电网拓扑信息是指节点之间的连接关系,若某一节点与相邻节点连接则标记为1,否则标记为0,将由1和0形成的表示配电网内节点连接关系的矩阵作为邻接矩阵。
5.根据权利要求1所述基于S-TGCN的有源配电网故障定位方法,其特征在于,所述时-空卷积层包括图卷积和标准2D卷积,所述图卷积通过聚合配电网节点中邻居节点的信息提取空间特征,所述标准2D卷积利用相邻时间帧间各节点特征的时序依赖性提取时间特征。
7.根据权利要求1所述基于S-TGCN的有源配电网故障定位方法,其特征在于,步骤3具体过程为:
步骤3.1、通过时-空卷积层对配电网全局时-空故障特征进行提取;
步骤3.2、在空间域上,空间注意力机制通过空间注意力矩阵参与图卷积层的运算,获得故障线路表达能力的图结构表示;
步骤3.3、在时间域上,利用时间注意机制来捕获动态时间维度信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210748031.XA CN115144694A (zh) | 2022-06-29 | 2022-06-29 | 基于s-tgcn的有源配电网故障定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210748031.XA CN115144694A (zh) | 2022-06-29 | 2022-06-29 | 基于s-tgcn的有源配电网故障定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115144694A true CN115144694A (zh) | 2022-10-04 |
Family
ID=83409447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210748031.XA Pending CN115144694A (zh) | 2022-06-29 | 2022-06-29 | 基于s-tgcn的有源配电网故障定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115144694A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115494349A (zh) * | 2022-11-04 | 2022-12-20 | 国网浙江省电力有限公司金华供电公司 | 有源配电网单相接地故障区段定位方法 |
-
2022
- 2022-06-29 CN CN202210748031.XA patent/CN115144694A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115494349A (zh) * | 2022-11-04 | 2022-12-20 | 国网浙江省电力有限公司金华供电公司 | 有源配电网单相接地故障区段定位方法 |
CN115494349B (zh) * | 2022-11-04 | 2023-04-07 | 国网浙江省电力有限公司金华供电公司 | 有源配电网单相接地故障区段定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Moradzadeh et al. | Hybrid CNN-LSTM approaches for identification of type and locations of transmission line faults | |
Liang et al. | Two-terminal fault location method of distribution network based on adaptive convolution neural network | |
CN109614981B (zh) | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 | |
WO2022067562A1 (zh) | 一种故障电弧的诊断方法、装置和计算机可读存储介质 | |
Tong et al. | Detection and classification of transmission line transient faults based on graph convolutional neural network | |
CN110943453B (zh) | 面向迁移学习的电力系统故障样本生成和模型构建方法 | |
Zhang et al. | A graph attention networks-based model to distinguish the transient rotor angle instability and short-term voltage instability in power systems | |
CN111652479A (zh) | 一种针对电力系统动态安全评估的数据驱动方法 | |
Uddin et al. | On the protection of power system: Transmission line fault analysis based on an optimal machine learning approach | |
Jia et al. | Validity evaluation of transformer DGA online monitoring data in grid edge systems | |
CN115144694A (zh) | 基于s-tgcn的有源配电网故障定位方法 | |
CN113610119B (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
CN107462810A (zh) | 一种适用于有源配电网的故障区段定位方法 | |
CN118152945A (zh) | 一种基于组件拓扑图的水电站辅助设备故障定位方法 | |
Zhou et al. | Fault locating and severity assessment for power distribution systems based on elasticity network topology mapping | |
Wang et al. | An Automatic Identification Framework for Complex Power Quality Disturbances Based on Ensemble CNN | |
Hassani et al. | Design of a cost-effective deep convolutional neural network–based scheme for diagnosing faults in smart grids | |
Nithiyananthan et al. | Enhanced R package-based cluster analysis fault identification models for three phase power system network | |
CN113435575B (zh) | 基于不平衡数据的门图神经网络暂态稳定性评估方法 | |
Lu et al. | Anomaly detection method for substation equipment based on feature matching and multi-Semantic classification | |
He et al. | Application and comparative analysis of traditional machine learning and deep learning in transmission line fault classification | |
Long et al. | Recognition of Internal Overvoltage in Distribution Network Based on Convolutional Neural Network. | |
Bais et al. | Faulty line localization in ieee 30 bus system using cnn-lstm | |
Li et al. | A new deep learning method for classification of power quality disturbances using DWT-MRA in utility smart grid | |
Ruirong et al. | Research on Fault Location Technology of Intelligent Distribution Network based on Neural Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |