基于長短期記憶網絡的電力數據整定計算平臺設計

王曉飛，馮小萍，程新宇，崔大林，花 鳳

（1.國網新疆電力有限公司，新疆烏魯木齊 830002；2.國網新疆電力有限公司伊犁供電公司，新疆伊寧 835000）

隨著我國特高壓電站、新能源電站和智能電網的迅速發展，各級電網的聯系日益緊密，對于繼電保護整定計算的相關方法提出了更高的要求。

人工智能技術的使用，可以減少電力系統的運營成本。智能化系統的應用，例如專家系統、模糊邏輯、機器學習和深度神經網絡徹底改變了配電過程，這些系統為現代智能電網中的設計、仿真、故障診斷和容錯控制提供了有效工具。

該文提出了一種多方向長短期記憶（LSTM）模型。該模型對電網器件模型中的智能網絡數據集進行分類，預測電力系統的穩定性并輔助決策相應的應對策略，且通過實驗論證了平臺的可靠性。

1 整定計算分析建模

該文通過分析不同類型的繼電保護整定計算，建立統一的模型，以實現高效、準確的電網數據計算平臺設計[1]。該設計考慮到以下問題，對模型進行了合理簡化：

1）換能器誤差不是永久性的，且取決于輸入信號的幅度、頻譜以及換能器的負載[2]。

2）通過近似廣義系數考慮直流瞬變的影響[3]。

3）對于一種通用的運行方式，受保護設備的參數是固定的[4]。

在合理簡化的基礎上，建模需要滿足下述要求：

1）模型需要獲取設備（發電機、電動機、變壓器、電力線、負載）的所有正常與異常運行狀況中的穩態和瞬態頻譜[5]。

2）微分方程系統的精確計算方法，可以保證可接受的整定計算精度[6]。

在上述原則的基礎上，構建了電子變壓器差動保護（TDP）和相位比較保護的數學模型，以實現對繼電保護過程中電流互感器與電壓互感器的模擬。TDP 數值模型，如圖1 所示。

圖1 TDP數值模型

Zload是電流互感器的負載，即串聯連接的中間互感器和頻率濾波器的傳遞函數。單級電流互感器的傳遞函數如下：

式中，Y1TAI和Y2TAI為電路分支的電導率；Ye1、Ye2和Ye3為電路節點的等效電導率；K1、K2、K3、K4和K5是TDP 模型的繼電保護參數確定的系數。

根據西門子電氣的7UT51、7UT61 的方法進行TDP 模型數值的設置，差分電流的拾取值如式（2）所示：

式中，IratedHV為電力變壓器高壓側的額定電流；Ibase為基本電流。

若系統中安裝補電器，則通過式（2）計算的差分電流閾值將被校正。高行程的拾取值如式（3）所示：

任意電力曲線的基點脫扣特性可由式（4）得出：

顯然，式（4）簡化了模型的復雜程度，而式（3）中使用的系數是由經驗數據得出，且涵蓋了所有的標準情況。

2 LSTM數據分析平臺

在建立整定計算模型的基礎上，需對其進行準確、有效的分析。由于電力系統中的電氣設備數量種類繁多，同一類型設備參數多數不同并存在性能衰減。因此普通的整定計算方法難以應對，通過引入長短期記憶網絡（LSTM）對模型數據進行分析[7]。

LSTM 具有類似于RNN 的鏈結構，該鏈結構具有多個神經網絡模塊[8]。圖2 說明了選用的LSTM 體系結構由不同的門組成（輸入門、輸出門和遺忘門）[9]，這些門對網絡傳遞的信息進行相關分析運算[10]。

圖2 LSTM體系結構

輸入門it由域值范圍為-1～1 的tanh 函數組成，使用當前輸入xt、參數Ct-1和ht-1。遺忘門ft使用sigmoid 函數和tanh 函數作為激活函數，遺忘門決定了保留來自先前輸出信息的多少[11]。若值為1，則數據將轉換到網絡中；若值為0，則數據將不會通過網絡傳遞。輸出門ot使用sigmoid 函數作為激活函數，取值范圍為-1～1[12]。在每個時間戳上，it、ot、ft通過下式計算：

傳統的LSTM 是雙向工作的，使用了兩個LSTM網絡[13]。一個LSTM 網絡用于向上和向下掃描，另一個LSTM 網絡用于左右掃描。第二個LSTM 網絡的輸入是第一個LSTM 網絡的總和[14]。與傳統的LSTM相比，該文采用的多LSTM（MLSTM）使用了兩倍數量的輸入門、輸出門和遺忘門，提高了準確性但增大了計算成本[15-17]。

引入門控循環單元（GRU），旨在處理LSTM 的短期內存問題。GRU 沒有單元狀態，而是利用隱藏狀態來承載信息[18]。GRU 還包括兩個門：復位門rt和更新門zt，用以下等式表示：

其中，zt表示更新門，σ(·)表示sigmod 型函數，w、U和b是參數矩陣和向量，ht表示輸出向量，xt表示輸入向量。更新門負責決定必須刪除的信息和必須添加的信息，復位門負責確定要忘記的先前數據量。

提出的MLSTM 模型由4個一維空間LSTM 組成，以獨立地沿不同方向掃描每一列和每一行。在每個計算中，均會計算隱藏層并在輸出前將結果求和。垂直方向上的LSTM 網絡A中應用兩個空間一維LSTM，其中在每個步驟中計算隱藏狀態并將結果相加。類似地，在水平方向上的LSTM 網絡B 執行類似的操作。將A與B組合定義了多向LSTM，如圖3所示。

圖3 多向LSTM網絡

考慮到一維空間LSTM 的輸入數據特性，FL是每個空間位置的屬性向量。網絡在從上到下掃描時，用m,n的屬性響應表示特征的維數，并由式（10）估計：

圖4 表示了一維MLSTM sigmod 函數的工作流程。為了處理隱藏層的數據，設計的MLSTM模型使用以下3 種方法，即正向傳播、求和及并置，如下所示：

圖4 一維MLSTM sigmod函數工作流程

3 實驗驗證

為了驗證基于長短期記憶網絡的電力數據整定平臺對電力系統穩定的價值，通過設計實驗進行論證。

首先，使用電力數據分別對GRU、RNN 和LSTM以及該文設計的MLSTM 網絡就精確度、召回率與F1分數3 個指標來測試模型的有效性。該次設計的MLSTM 網絡在8 組不同數據集下進行實驗得到的精確度、召回率與F1分數如圖5 所示。

圖5 模型指標對比實驗

該實驗是在內部和外部三相短路、內部和內部兩相與單相短路以及無載自耦變壓器的連接狀態下進行的。在實驗變電站110 kV 和10 kV 母線上的三相短路，以及220 kV 母線上的兩相短路狀態下，存在保護性誤跳閘。改變跳閘特性的參數可以消除錯誤的跳閘，如圖6 所示。

圖6 跳閘和故障特性

使用MLSTM 數據計算平臺分析可知，產生錯誤動作的主要原因是安裝在受保護的自耦變壓器側面的電流互感器的相移不均等，如圖7 所示。

圖7 A相電流不同側的波形圖

針對MLSTM 平臺分析的隱患原因，設計的保護配置如下：

1）對于相位A：差分的拾取電流Idiff=351.4 A，高設定跳閘的吸合值Idiff＞＞=5 120.4 A，曲線1 的跳閘特性斜率為1，曲線2 的跳閘特性斜率為1.5。

2）對于相位B：Idiff=426.7 A,slope1=1,slope2=1.5,Idiff＞＞=5 421.6 A,Ibasepoint2=1 066.75 A。

3）對于相位C：Idiff=376.5 A,Idiff＞＞=5 120.4 A,Ibasepoint2=941.25 A,slope1=1.1。

新參數設置下的輸出特性，如圖8 所示。可以證明，經過參數的重新設置未出現誤跳閘。

圖8 新參數設置下的跳閘和故障特性

4 結束語

隨著電網向著智能化、大型化發展，電網結構日益復雜，傳統的電力數據整定計算方法難以應對。該文通過建立電力器件的詳細模型，引入長短期記憶網絡對其數據進行分析。通過實驗可以發現，設計的平臺可以有效識別錯誤，并輔助制定應對突發事件的策略。

在模型設計中，對器件模型進行了部分簡化。未來的工作將著重于研究如何使用時變模型，發現電力系統的更多安全問題，從而進一步提高該電力數據分析平臺的價值。