基于深度學習的配電網圖形節點數據校核技術研究

丁 俊，吳 剛，闕增培，楊 阜，丁 文

（1.國網湖南省電力有限公司長沙供電分公司，湖南長沙 410000；2.華自科技有限公司長沙配電自動化項目部，湖南 長沙 410000）

配電網圖像模型指電網系統連接的抽象化表示，根據該模型可對配電網的各個網絡節點加以監控，進而對整個電網系統進行調度[1-3]。為了保證整個電網系統能正常運行，需對電網各個系統進行合理地調度與控制。而傳統的電網圖模系統無法滿足整體性的要求，因此有必要基于實際的配電網絡構建現代化的配電網節點調度系統。

當前的電網圖模校準系統主要有兩種：一種是根據GIS 地理位置系統進行維護，然后將GIS 子系統數據輸出封裝成API 接口，進而與總系統連接；另一種則是GIS 地理位置系統和配電網協調系統分立[4-5]。這兩種方法均存在數據量大、整體性較差的缺陷，由于維護水平存在差異，因此系統的準確性難以保證。該文使用深度神經網絡（Deep Neural Networks，DNN）對GIS 圖形節點數據進行訓練，通過對不同網點的故障特征進行分析與定位，從而快速協調節點送電量，保證電網的有序運行。

1 配電網圖形節點分析模型

1.1 電網節點故障特征量分析

假定某個電網節點為使用分布式電源的饋線網絡，且在各個線路中節點輸出處放置相對應的開關sinωt，進而對線路電氣特征進行檢測，拓撲圖如圖1 所示。

圖1 電網拓撲圖

圖1 中，黑色圓形表示電網分布子節點，DG 代表總輸電網絡，閃電標志為故障點。

為了分析故障點所包含的數據特征，提取電源二次諧波進行分析，則可測得3 個故障點的正序、負序及零序的電壓，如圖2 所示。

圖2 故障點故障示意圖

由圖2 中可以看出，故障在不同位置的表現形式各不相同，但總體可看作是幅度、相位與波形的不同。因此，需要建立三種形式的噪聲信號數據，進而對故障特征信號進行表征。

假設共有n個節點，這些節點的電壓幅度矩陣為X=[X1,X2,X3,…,Xn]。其中，n為節點個數，而每一個Xn中均含有M個信號所攜帶的電壓信息，則在n個節點中第i個類別的第j個電壓信號數據如式（1）、（2）所示。

式中，Xi為第i個節點的信號幅值，Xij為第i個類別的第j個電壓信號數據，δij(t)為第i個類別的第j個電壓信號數據的高斯白噪聲序列代表幅值的大小。以上兩式通過疊加的噪聲信號來表示電網節點系統中負荷的變化情況。

1.2 長短時神經網絡

長短時神經網絡（Long Short-Term Memory，LSTM）[6-9]由RNN神經網絡（Recurrent Neural Network）升級而來，但RNN 為循環神經網絡，故該網絡在處理電網數據時存在一定的弊端。電網數據具有典型的時序特征，若使用RNN 對其進行處理，極易使網絡陷入梯度爆炸及出現數據暴增的情況，同時該神經網絡也無法對數據的時間特征加以挖掘。而LSTM 由于加入門結構，故可對時間序列數據進行挖掘。LSTM 網絡基本結構如圖3 所示。

圖3 LSTM基本結構

LSTM 包含3 種門結構，分別是遺忘門、輸入門與輸出門[10-12]。

遺忘門的作用是通過前序數據單元的輸出及當前數據單元的輸入來對單元狀態進行去除，該過程可表征為：

式中，Wf為遺忘門的權重矩陣，bf為權重偏置參數，σ為核函數，矩陣的維數則由參數h進行訓練而得到反饋。

輸入門通過對前序數據的輸出及當前數據的輸入，進而對新的信息記憶狀態進行更新，計算公式如下：

輸出門可通過數據單元的狀態值及當前數據的單元值計算得到，公式如下：

由上述公式可知，LSTM 通過三種門結構選擇需要記憶的數據單元狀態進行計算迭代，每次計算均可根據時間對上一次的數據單元狀態完成修正。因此，使用LSTM 能夠進行系統狀態的提取，并保證序列計算的準確性[13]。

而文中，LSTM 需對電網節點數據進行訓練，進而判斷故障發生的位置。該文設計的網絡結構如圖4 所示。

圖4 該文設計的網絡結構

如圖4 所示，網絡數據選擇節點的電壓Vi及電流Ii作為網絡的訓練項。具體的定位模塊由兩個LSTM模型組成，通過網絡訓練得到其權重矩陣與偏置項的值。

同時，當數據在LSTM 網絡中訓練完成時，在后續加入全連接輸出層。隨后通過分類器進行分類，可得到最終的區段狀態。而區段狀態分為故障和正常狀態，最終便可對節點的輸出狀態實行判定。

邏輯門的判斷準則為（0,0）、（1,0）、（0,1）及（1,1）。而節點則分為三種，分別為運行正常節點、存疑節點和故障節點，可為神經網絡提供輔助性質的邏輯判斷。

1.3 系統模型框架

配電網圖形節點數據校準系統包括本地服務器訓練模塊與GIS 故障定位模塊。當節點發生故障時，通過GIS 網絡進行實時的數據傳輸，并利用邏輯門進行邏輯判定，進而得到節點的故障情況。最終，對配電網圖形節點的數據進行校準。

本地服務器訓練過程如圖5 所示。

圖5 本地服務器訓練過程

算法的具體執行流程如下：

1）首先將有源電網切分為多端無分支的模塊，再對數據進行采集，以此得到電流與電壓模塊；

2）對當前的電流及電壓模塊采樣而來的數據進行整理及歸一化，將數據切分為訓練和測試集合；

3）根據數據集合的維度情況，對電壓與電流序列數據進行LSTM 網絡訓練；

4）計算網絡的損失值，同時進行梯度優化，之后再進行學習及訓練；

5）當計算值收斂時，停止數據的訓練，便可得到訓練完畢的LSTM 網絡，最終輸出數據的狀態。

GIS 在線故障定位系統[14-16]如圖6 所示。

圖6 GIS在線故障定位系統

GIS 故障定位模塊的模型執行框架為：

1）當電網節點發生故障時，載入訓練完畢的網絡中，輸出電壓與電流的判定值；

2）判定邏輯門，將電壓和電流判定的值進行綜合判定，并更新區段的狀態；

3）判定并輸出各個電網節點的區段狀態。

2 算法測試及案例分析

2.1 IEEE 33節點系統

該文使用標準的IEEE 33 節點配電網系統進行仿真，在Matlab 中對環境進行搭建。線路共有四條，且使用22 和26 這兩個節點作為配電系統的數據采集節點，并采用PyTorch 框架進行環境的搭配。節點配電網系統如圖7 所示。

圖7 IEEE 33節點系統

數據遍歷過程為：在節點22 和節點26 處分別采集三相電的正序、負序與零序電壓、電流數據，隨機在某個節點處設置故障，觀察節點22 和26 處的數據變化。再將數據輸入至該文網絡中進行不斷訓練，最后對節點故障加以判斷，并與正常節點處的狀態進行對比。

2.2 仿真結果分析與對比

首先進行系統功能性測試，圖8 顯示了加載故障節點時節點22 處采集的三相電數據。

圖8 測試結果

從圖中可以看出，加載故障信號的三相電波形相比正常信號會發生幅值、相位及頻率的變化。

然后進行系統準確性判斷，分別訓練60、120、240、300 及500 次，對比普通RNN 算法。最終結果如表1 所示。

表1 對比結果

由表可知，隨著訓練次數的增加，故障定位的準確率也在持續增加，這也符合神經網絡的訓練規律。但隨著訓練次數的增多，RNN 算法由于梯度消失及數據量增大的缺點，訓練時間相較該文算法大幅延長，同時故障定位準確率相比所提算法也有所降低，證明了該文算法能夠有效定位配電網系統中的故障，并實現對配電網圖形節點數據的校核。

3 結束語

作為電網系統連接的抽象化表示，配電網圖模可對整個電網節點進行狀態監控，但傳統的電網圖模系統無法滿足整體性的要求，因此有必要基于實際的配電網絡構建現代化的配電網節點調度系統。該文通過對電網節點的建模得到故障特征數據，并建立LSTM 網絡對節點的電流及電壓數據進行分析，再利用邏輯門對節點的狀態加以分析，最終輸出節點的故障狀態。在實例測試中，該文算法可準確識別目標節點的故障狀態，且在系統準確性和效率方面均優于對比算法，能夠實現對配電網圖形節點數據的準確校核。