基于優化神經網絡的微電網故障診斷

王可 李保潤

摘要：電網作為世界上最復雜的系統之一，是保障人民生活和促進國民經濟發展的重要內容。電網故障診斷作為電網的核心環節，各級規劃部門處于監測系統運行和調度控制的前沿，確保日常應急控制工作的及時性、針對性和有效性，始終是能源系統安全防護體系的重中之重。然而，由于社會和電力消費者對電力供應的成本效益、質量、連續性和可靠性的要求越來越高，能源系統向著“高效發電”、“跨領域輸電”和“智能配電”的方向發展。因而在該背景下，大型性能優化配置、大規模新能源接入、自然災害頻發等復雜運行條件對電網的規劃和運行提出了客觀的挑戰。

關鍵詞：微電網;故障診斷

引言

電網是一個復雜的互聯網絡，其中一條線路的跳閘會導致其他線路的跳閘，并引發連鎖故障。電網連鎖故障的傳統分析方法為潮流模型，該模型既能對電網進行穩態分析，又能進行動態分析。隨著人工智能技術的發展，利用神經網絡、大數據、深度學習等機器學習工具可分析電網在正常和故障情況下的統計特性，生成預警信號，從而為電網故障定位及維護維修提供幫助。

1現有的診斷方法存在的不足

1.1 輸電網故障診斷的參數變量復雜

為提高電網傳輸系統故障診斷和分析模型的準確性和容錯性，現有完全分析模型必須分別引入優化變量，以保護斷路器的阻斷/ 錯位，以及報警信息的錯誤，使分析模型的優化變量尺寸是傳統分析模型的數倍。因此，有必要改進模型完整分析的建模方法，及時排除故障。

1.2 拓撲信息在輸電網故障診斷中的應用不足

現有的傳輸網絡故障診斷方法，基于 Petri 網絡的圖形建模，沒有充分利用拓撲信息，難以通過單獨分析其與每個組件報警信息的相關性來適應網絡拓撲的變化，診斷故障。此外，該模型一般采用離線內存、在線應用的診斷類型，需要存儲所有組件的診斷模型，硬件內存要求較高，且采用橫向模式，診斷速度慢。因此，有必要考慮將系統的拓撲信息引入傳輸網格故障診斷模型，提高故障診斷模型的在線建模能力，適應網絡拓撲和鏈條故障的變化。

1.3 告警時序信息在輸電網故障診斷中的應用不充分

目前，智能變電站的國企設備可以為斷路器和斷路器動作信息添加統一的基準時間尺度，但對于報警定時信息的應用，現有基于 Petri 網絡圖形建模的研究必須在正反定時檢查預警信息，以評估報警信息的可靠性，缺乏簡單高效的正時原因算法，時間系列檢查過程是煩瑣耗時的。此外，現有的時間系列模糊 Petri 網絡僅通過時間推理來糾正報警信息的信任度，信息使用有限，且計時檢查過程與 Petri 網絡論證過程是分開的，計算量較大。因此，在研究高效的定時推理方法的同時，必須充分利用時間系列推理的結果，提高誤差組件定位的準確性^[1]。

2關鍵技術

因電網故障處理對時效性要求較高，為了既保證時效性還能提高主站信息融合的準確性，就需要思考如何利用現有資源，提升資源的利用率，保障自動上傳至主站的數據或采用主動激勵后召喚到的數據在限定時間內分析、整理完成。融合前故障信息的可靠性直接決定了融合后故障分析結果的準確性。1）任務的動態調整：當三個主站中任一主站分析出故障后，需要其他兩個主站信息驗證，就需要將相似時間序列的故障數據提高優先級安排任務的分析、整理工作。在現有電力基礎設施投資的基礎上，通過主動激勵召喚和任務動態調整，合理利用資源來同步處理同源故障任務，保障三個主站故障信息的可靠性;2）主站的信息融合：對于具有較高可信度的同源故障進行信息融合，確保最終發布的故障分析報告的準確性。融合后的故障分析報告，可輔助調度機構直接決策，制定全面的故障搶修方案，減少人力、物力、財力損失^[2]。

3軟件設計

軟件主要包含信息集成層、信息支撐層、底層分析層和應用層。通過外圍通信接口和耦合元件進行錄波、保信和行波主站信息的共享，并通過設計靈活的數據接入、標準化作業，適應外部數據系統規范。對不同廠家、不同模型和不同格式的數據做統一處理，在同類故障信息描述統一的基礎上進行故障信息分類，完成底層數據分析和故障信息融合。上層應用重點開發主站信息管理應用，支撐多種相關電網數據業務，具有良好的服務性、開放性和擴展性。信息集成層：當電網產生大擾動或故障發生時，廠站側設備采集數據并生成文件上傳至對應主站，主站完成故障數據分析生成故障報告。數據交換總線通過短周期性輪詢各分布式主站本地存儲的故障列表，一旦檢測到有新的文件生成集中到信息集成層。由于保護和行波數據量大，數據整理上傳有延遲現象，若未同時收取到這兩個主站故障報告，采取主動激勵的方式調取與錄波分析出的故障時間序列相似的保護和行波數據文件，通過數據交換總線，對故障信息進行集成^[3]。

結束語

現今電網系統的迭代速度遠超從前，專家系統難以及時跟進當今復雜的電網系統的診斷要求，由于人工神經網絡單一或者 Petri 網診斷側重點不同，因此會出現誤報的情況，單一的分析系統已經不能滿足更加復雜的故障診斷需求。只有各個分析系統有機結合才能適應當今電網系統的擴張速度和算力分析要求^[4]。

參考文獻：

[1]冷迪，陳瑞，李英，王旭勇.基于深度學習的智能電網故障預警系統研究[J].單片機與嵌入式系統應用，2022，22（01）：9-12.

[2]游昊，石恒初，楊遠航，孔德志，陳璟.電網故障多源信息智能融合診斷方法[J].云南電力技術，2021，49（06）：64-70.

[3]譚麗君，鄧鍵鏘.基于電網故障診斷方法技術分析[J].中國新技術新產品，2021（22）：88-90.DOI：10.13612/j.cnki.cntp.2021.22.029.

[4]付仙蘭，陳海山，李發均，等.基于改進Petri網的電網故障診斷方法[J].空軍預警學院學報，2021，35（4）：269-272，278.