基于TensorFlow 機(jī)器學(xué)習(xí)的交流輸電線路故障辨識方法

張浩然

（廣東省水利電力勘測設(shè)計(jì)研究院有限公司，廣東 廣州 510000）

1 三相交流線路故障識別研究現(xiàn)狀

常見的電力輸電系統(tǒng)短路故障主要分為四種故障類型，三相短路故障，兩相相間短路故障，兩相接地短路故障和單向接地短路故障。實(shí)際情況下單向接地短路是統(tǒng)計(jì)到的發(fā)生次數(shù)最多的故障類型，約占短路故障總發(fā)生次數(shù)的65%，但是危害性遠(yuǎn)不及三相短路故障，三相短路故障發(fā)生次數(shù)不到短路故障總發(fā)生次數(shù)的10%，然而三相短路故障一旦發(fā)生，如果處理不及時可能會造成嚴(yán)重的后果，甚至導(dǎo)致電力系統(tǒng)失去平衡發(fā)生解列。

2 傳統(tǒng)故障類型識別方法

高壓輸電線路一旦發(fā)生各類故障，只有在查明故障原因、故障類型、故障位置等主要信息后，才能實(shí)施有效的維修和恢復(fù)手段。因此，故障類型識別一直是高壓交流輸電線路故障綜合診斷系統(tǒng)中最重要的部分之一。通常情況下，三相短路故障對系統(tǒng)的危害性最大，其次是兩相短路接地故障，單向接地短路的危害相對較小，但是短路持續(xù)時間越長，對系統(tǒng)的影響越深、危害越大，這就需要盡快確定線路發(fā)生故障的類型。

經(jīng)過幾十年來高壓輸電系統(tǒng)的發(fā)展，當(dāng)前已經(jīng)有一套較為成熟的高壓交流線路故障類型識別方法。主要分為故障初期的相電流差突變量選相和穩(wěn)定時期的穩(wěn)態(tài)故障量選相。

2.1 相電流差突變量選相

突變量選相元件往往用在微機(jī)保護(hù)中的故障初期，選相元件通過測量兩相電流工頻變化率之差的幅值ΔIAB、ΔIBC、ΔICA，來確定故障相。當(dāng)發(fā)生單向接地短路故障時，必然存在一個反應(yīng)兩個非故障相電流差突變量的選相元件不發(fā)生任何動作，由此可以確定發(fā)生接地短路故障是哪一相。

2.2 序分量選相元件

在非突變量元件啟動或突變量元件啟動40 ms后,如果故障相仍未選定而突變量已不能獲得,需采用穩(wěn)態(tài)序分量選相元件繼續(xù)選相。對于故障點(diǎn)兩側(cè)的保護(hù)裝置來說,假設(shè)負(fù)序(正序)和零序電流的分配系數(shù)C1m、C2m的相位相同,則滿足以下關(guān)系[1]。

2.3 阻抗選相元件

距離保護(hù)通常由三個相間距離和三個接地距離元件實(shí)現(xiàn)。可根據(jù)距離保護(hù)各元件的動作情況決定故障類型[1-4]。

3 研究思路

傳統(tǒng)的高壓輸電線路故障類型識別方法，原理上無論是相電流差突變量選相，還是基于穩(wěn)態(tài)量的選相，在原理上都是通過設(shè)置一定的基準(zhǔn)值來規(guī)定元件的動作，再根據(jù)一定的邏輯判斷故障類型。實(shí)際情況下，發(fā)生故障后，根據(jù)各級二次設(shè)備的狀態(tài)信息，以及電壓電流等電氣量的信息，通過運(yùn)行維護(hù)人員的經(jīng)驗(yàn)并基于一些邏輯分析來判斷故障類型。但是不同運(yùn)行方式下、不同故障類型、不同故障位置以及不同短路過渡電阻都會對各種故障信息造成影響，故障發(fā)生瞬間各種二次保護(hù)裝置動作，大量信息生成，運(yùn)行維護(hù)人員很難在短時間內(nèi)通過經(jīng)驗(yàn)從眾多信息中快速準(zhǔn)確的判斷出故障類型。本文嘗試通過TensorFlow 機(jī)器學(xué)習(xí)平臺，搭建一個簡單的基于人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network-ANN）算法的訓(xùn)練模型，通過PSCAD/EMTDC 電磁暫態(tài)仿真軟件，搭建一個3 發(fā)電機(jī)9 節(jié)點(diǎn)的220 kV 系統(tǒng)模型，仿真220 kV 交流輸電線路的各種故障類型，并收集單端電氣量故障數(shù)據(jù)用于訓(xùn)練。在訓(xùn)練過程中，依次加入故障類型、故障位置、故障點(diǎn)過渡電阻、故障切入合閘角等相關(guān)影響因素下的訓(xùn)練數(shù)據(jù)，通過不斷調(diào)整模型參數(shù)與相關(guān)函數(shù)，以期得到一個能取得較好辨識結(jié)果的模型，并分析各種因素對于訓(xùn)練結(jié)果的影響，以及該方法的適用性。

4 模型搭建

本文使用PSCAD/EMTDC 電磁暫態(tài)仿真軟件，進(jìn)行交流輸電線路系統(tǒng)的仿真，并仿真各種情況下的故障情況，收集相應(yīng)故障數(shù)據(jù)，作為訓(xùn)練數(shù)據(jù)，同時收集測試數(shù)據(jù)用于檢驗(yàn)故障類型識別機(jī)器學(xué)習(xí)平臺的辨識情況。本文采用的是IEEE 3 發(fā)電機(jī)9 節(jié)點(diǎn)系統(tǒng)模型，為了便于針對輸電線路的研究，將變壓器轉(zhuǎn)換為簡單的恒定阻抗模型，發(fā)單機(jī)采用較為簡單的二階模型，負(fù)載也設(shè)置為恒定阻抗。主要用于研究輸電線路發(fā)生各類短路時，線路本身的瞬時電流、電壓數(shù)值等電氣量的變化以及波形圖[5]。

圖1 IEEE 三發(fā)電機(jī)九節(jié)點(diǎn)模型

在機(jī)器學(xué)習(xí)工作站安裝Anaconda 環(huán)境管理器，然后在Anaconda 上建立TensorFlow 環(huán)境。在TensorFlow 環(huán)境下對電氣故障仿真數(shù)據(jù)進(jìn)行特性提取與模型訓(xùn)練。用最簡單的深度神經(jīng)網(wǎng)絡(luò)模型，即有兩個隱藏層的神經(jīng)網(wǎng)絡(luò)模型。

本文對于神經(jīng)網(wǎng)絡(luò)模型引入函數(shù)庫，訓(xùn)練數(shù)據(jù)的導(dǎo)入，定義數(shù)據(jù)格式，數(shù)據(jù)向量化，定義標(biāo)簽以及數(shù)據(jù)提取等訓(xùn)練過程代碼不做展示[6-8]。

5 故障點(diǎn)設(shè)置

在PSCAD 模型中進(jìn)行A 相短路接地、B 相短路接地、C 相短路接地、AB 兩相短路接地、AC 兩相短路接地、BC 兩相短路接地、AB 兩相相間短路、AC 兩相相間短路、BC 兩相相間短路、ABC 三相短路共十種故障類型的模擬仿真，并收集故障點(diǎn)電流電壓數(shù)據(jù)作為訓(xùn)練學(xué)習(xí)數(shù)據(jù)。

6 不同故障位置下的故障類型辨識

針對PSCAD 中200 km 長的輸電線路A，選取5 個分布點(diǎn)分別距離母線0 km，50 km，100 km，150 km，200 km 依次作為故障點(diǎn)。基本可以代表該線路可能發(fā)生故障的大多數(shù)情況，并在每個故障點(diǎn)分別設(shè)置上節(jié)提出的十種短路故障類型，其中故障切入線路的合閘角與過渡電阻都為系統(tǒng)默認(rèn)值，0°合閘角和0.01 Ω 過渡電阻，即先不考慮這兩種因素對故障類型辨識的影響。共收集到50 組故障數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，數(shù)據(jù)以TXT 文本格式儲存。

測試數(shù)據(jù)隨機(jī)選擇輸電線路A 距離母線距離分別為25 km，115 km，175 km 三個故障點(diǎn)的故障數(shù)據(jù),其中故障切入線路的合閘角與過渡電阻都為系統(tǒng)默認(rèn)值，0°合閘角和0.01 Ω 過渡電阻，共收集到30 組訓(xùn)練數(shù)據(jù)，并分別導(dǎo)入測試數(shù)據(jù)進(jìn)行訓(xùn)練。測試數(shù)據(jù)位置的選取具有很強(qiáng)的隨機(jī)性。

25 km 處十種故障類型辨識結(jié)果為，ABC 三相短路辨識概率0.999 77，AB 兩相短路辨識概率0.937 18，AB 兩相接地短路辨識概率0.995 60，AC兩相短路辨識概率0.999 42，AC 兩相接地短路辨識概率0.953 31，A 相接地短路辨識概率0.944 56，BC兩相短路辨識概率0.999 81，BC 兩相接地短路辨識概率0.994 22，B 相接地短路辨識概率0.999 91，C相接地短路辨識概率0.998 92，顯示該神經(jīng)網(wǎng)絡(luò)精確度接近100%，故障辨識符合預(yù)期，即25 km 故障測試數(shù)據(jù)的十種故障類型被辨識出來。

經(jīng)過50 次迭代訓(xùn)練，故障辨識誤差被控制在小數(shù)點(diǎn)后兩位。增加迭代次數(shù)，發(fā)現(xiàn)經(jīng)過200 次迭代訓(xùn)練，該神經(jīng)網(wǎng)絡(luò)模型可以把誤差控制在小數(shù)點(diǎn)后六位。同時該模型對于115 km，175 km 處的短路故障類型都做出了很好的判別。說明該神經(jīng)網(wǎng)絡(luò)可以很好的完成同一輸電線路不同位置下的各種故障類型辨識。

7 故障過渡電阻的影響

故障過渡電阻是當(dāng)線路發(fā)生相間短路或者短路接地故障時，短路電流從一相到另一相或者從一相到大地時經(jīng)過的瞬間狀態(tài)的電阻，屬于一種接觸電阻。故障過渡電阻通常對于距離保護(hù)有很大的影響，同時會影響故障判別。

首先收集一組測試數(shù)據(jù)，在線路B 上距離母線25 km，采用與之前測試樣本不同的故障過渡電阻（150 Ω），分別設(shè)置十種短路故障，并收集故障數(shù)據(jù)，嘗試增大訓(xùn)練數(shù)據(jù)的樣本量和樣本類型，再進(jìn)行故障類型辨識。

為了擴(kuò)大訓(xùn)練數(shù)據(jù)集，針對200 km 長的輸電線路A，選取5 個分布點(diǎn)分別距離母線0 km，50 km，100 km，150 km，200 km 依次作為故障點(diǎn)。同時過渡電阻設(shè)為150 Ω，故障合閘角在沒有考慮的情況下仍然設(shè)置為0°。得到50 組新的訓(xùn)練數(shù)據(jù)。然后將新的訓(xùn)練數(shù)據(jù)與50 組過渡電阻為0.01 Ω 的訓(xùn)練數(shù)據(jù)一起重新訓(xùn)練一個新的模型。

測試數(shù)據(jù)隨機(jī)選擇輸電線路A 距離母線距離分別為25 km，115 km，175 km 3 個故障點(diǎn)的故障數(shù)據(jù),其中故障切入線路的合閘角為系統(tǒng)默認(rèn)值0°合閘角，但是過渡電阻設(shè)置為75 Ω，共收集到30 組測試數(shù)據(jù)，并分別導(dǎo)入測試數(shù)據(jù)進(jìn)行訓(xùn)練。測試數(shù)據(jù)位置的選取和測試數(shù)據(jù)過渡電阻的選取仍然具有很強(qiáng)的隨機(jī)性。

運(yùn)行結(jié)果顯示經(jīng)過200 次迭代訓(xùn)練，該神經(jīng)網(wǎng)絡(luò)損失值降到1.0294×10-7，精確度accuracy ≈100%，平均辨識誤差在在小數(shù)點(diǎn)后5 位，辨識結(jié)果矩陣是一個對角線各元素接近1 的矩陣，從模型運(yùn)行結(jié)果分析，故障辨識符合預(yù)期，即25 km處75 Ω 過渡電阻的十種故障類型、115 km 處75 Ω過渡電阻的十種故障類型、175 km 處75 Ω 過渡電阻的十種故障類型被很好的辨識出來。

8 故障合閘角的影響

由于三相交流線路A、B、C 各相電氣量以相差120°的周期往復(fù)，不同故障合閘角情況下的故障擁有顯著不同的電氣量故障特征。選取線路50 km,100 km,150 km 處，0 Ω 和150 Ω 過渡電阻，0°，18°，45°三種故障合閘角情況下的各短路類型共180 組故障數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，嘗試辨識9°，27°兩種故障合閘角下的故障類型。在PSCAD 仿真模型中，通過改變故障切入系統(tǒng)的時間來改變切入系統(tǒng)的合閘角。

對80 km 35 Ω 9°故障合閘角，170 km 80 Ω 27°故障合閘角的故障類型進(jìn)行辨識，兩次辨識的辨識精確度都很高，平均誤差控制在小數(shù)點(diǎn)后3 位，故障測試數(shù)據(jù)的10 種故障類型被很好的辨識出來。說明在本文中辨識模型可以辨識出不同故障合閘角情況下的故障類型。

9 其他因素的影響

通常影響短路故障類型判斷的因素還有故障發(fā)生時的系統(tǒng)運(yùn)行情況，輸電線路參數(shù)，系統(tǒng)功角等等。實(shí)際情況下，可以收集大量線路故障電氣量實(shí)例，在考慮故障發(fā)生位置、故障過渡電阻、故障合閘角，系統(tǒng)功角，線路參數(shù)等的因素下，仍然將訓(xùn)練數(shù)據(jù)故障按照十種常見短路故障分類，再進(jìn)行學(xué)習(xí)訓(xùn)練。

本文運(yùn)用上文使用的訓(xùn)練數(shù)據(jù)，嘗試辨識不同線路參數(shù)，不同過渡電阻，不同故障合閘角，不同運(yùn)行情況下的線路故障類型。測試結(jié)果仍顯示該神經(jīng)網(wǎng)絡(luò)模型可以準(zhǔn)確的辨識出不同故障線路的故障類型。

10 結(jié)語

基于TensorFlow 機(jī)器學(xué)習(xí)平臺，搭建了一個深度神經(jīng)網(wǎng)絡(luò)算法的線路故障類型識別模型。該識別模型工作方式與傳統(tǒng)線路故障識別方法不同，無需經(jīng)過復(fù)雜的邏輯計(jì)算，利用機(jī)器自主學(xué)習(xí)提取已發(fā)生的故障數(shù)據(jù)特征，能夠較為準(zhǔn)確的辨識出正常故障情況下的各種故障類型。在優(yōu)化模型的過程中，通過增加合適的訓(xùn)練集和測試集數(shù)據(jù)，更換激活函數(shù)，增加迭代次數(shù)等方式，提高了該模型對不同類型的交流輸電線路故障判別的辨識效果。