基于深度學習的智能變電站二次系統(tǒng)故障定位研究

張 藝 ， 李 萬 銀， 付 根

(1.華電金沙江上游水電開發(fā)有限公司，四川 成都 610041；2.華電金沙江上游水電開發(fā)有限公司蘇洼龍分公司，四川 成都 610041)

0 引 言

從上個世紀九十年代初開始發(fā)展至今，我國變電站系統(tǒng)一直朝著智能化系統(tǒng)發(fā)展方向進行不懈的努力，目前，已經(jīng)進入全面推廣階段。在傳統(tǒng)變電站中，為了實現(xiàn)設備信息之間的互通，往往依靠大量的硬開入連線，這一弊端使變電站的二次回路接線復雜，且往往依靠人工才能實現(xiàn)一定程度的信息交互。目前，智能變電站二次系統(tǒng)數(shù)字信號傳輸方式替代了傳統(tǒng)變電站依靠電纜傳輸?shù)奈锢硇盘?，實現(xiàn)了智能變電站二次設備的網(wǎng)絡化[1]。

智能變電站二次狀態(tài)監(jiān)測是實現(xiàn)智能電網(wǎng)穩(wěn)定運行的基礎，傳統(tǒng)意義上的智能變電站二次狀態(tài)監(jiān)測是現(xiàn)場運維人員依據(jù)運維經(jīng)驗進行報文信息的讀取與翻譯。但是，目前智能變電站二次網(wǎng)絡最大程度實現(xiàn)了信息網(wǎng)絡化，監(jiān)測數(shù)據(jù)在規(guī)模、結構、種類方面都大幅增長，數(shù)據(jù)在平臺上的存儲和吞吐問題也急需解決。簡單地依靠人工判斷來實現(xiàn)智能變電站的二次狀態(tài)監(jiān)測以及基于告警的故障定位是無法形成完整的二次回路預警和決策系統(tǒng)[2]。

本文對智能變電站的網(wǎng)絡架構、監(jiān)測信息、告警信息的預處理方案進行研究，對基于深度學習的智能變電站二次狀態(tài)監(jiān)測及故障定位算法進行仿真驗證，并分析總結了深度學習在智能變電站二次狀態(tài)監(jiān)測及故障定位的應用前景。

1 智能變電站的網(wǎng)絡架構

早期的智能化變電站是利用IEC 61850協(xié)議將變電站設備模型化[3]，智能化程度很低，僅僅實現(xiàn)了間隔層和站控層設備的網(wǎng)絡化，過程層設備仍為傳統(tǒng)模擬信號設備。早期智能變電站網(wǎng)絡結構見圖1。

圖1 早期智能變電站網(wǎng)絡結構

理想的智能變電站會采用智能開關和EVCT等智能設備，構成雙網(wǎng)冗余結構的獨立過程網(wǎng)絡，但是，理想的智能變電站目前無法完全實現(xiàn)，只能通過智能終端與傳統(tǒng)的二次開關進行結合鏈接來填補實際的技術缺陷以達到較高的網(wǎng)絡數(shù)字化程度。實踐中，將一路采樣值和跳閘信號(不包括過程層組網(wǎng))采用“直跳直采”方式直接接收保護裝置信號來實現(xiàn)過程層信息共享，以加強測控保護裝置的可靠性。目前智能變電站實用網(wǎng)絡結構見圖2。

圖2 目前智能變電站實用網(wǎng)絡結構

2 告警信息的預處理方案

2.1 告警信息的分類與過濾

智能告警輔助分析系統(tǒng)數(shù)據(jù)來源主要是根據(jù)合并單元、保護裝置、智能終端等所測控裝置采集的信息值[4]。斷路器的電流值、保護動作出口信息、智能設備狀態(tài)異常告警等，這些基本信息大多數(shù)包含在遙測、遙信數(shù)據(jù)中。隨著智能變電站技術的不斷更新?lián)Q代，采集信息的輔助設備功能也逐漸完善。因此，大多智能設備都具有自檢的功能，對于本設備控制系統(tǒng)內(nèi)的一些故障異常進行自我反饋與處理。這些措施都極大限度提高了數(shù)據(jù)信息的準確性。該故障系統(tǒng)總體結構見圖3。

圖3 故障系統(tǒng)總體結構

建立告警信息的邏輯知識庫是該預處理方案的重要環(huán)節(jié)。經(jīng)過查閱大量文獻后進行整理，列出智能變電站二次系統(tǒng)主要故障類型(表1)。

表1 智能變電站二次系統(tǒng)主要故障類型

經(jīng)過多方文獻查證，以及現(xiàn)場實際運維經(jīng)驗總結分析，將智能變電站故障告警分為兩類：

(1)將可根據(jù)告警信號直接定位的信息類別歸為第一大類，這一類數(shù)據(jù)信息是在長時間、多經(jīng)驗的生產(chǎn)運維基礎上，或是基于智能設備的自檢反饋得到單一、典型的可直接溯源定位故障告警信號。比如PT、CT檢修不一致，零序電流保護，重合閘壓板的停用，保護裝置的SV、GOOSE鏈路中斷等。

(2)在智能站運維系統(tǒng)中，考慮到現(xiàn)地生產(chǎn)設備在運行過程中導致故障的根本因素綜合多樣，故將此類無法直接溯源的信息類別劃分為第二大類。此類告警信號主要表現(xiàn)在合并單元、保護裝置、智能終端三者之間的信號傳輸或接收過程中[5]，常見的GOOSE總告警，保護裝置GOOSE數(shù)據(jù)異常，合并單元SV采樣數(shù)據(jù)異常，智能終端對時異常、就地控制等[6]。

2.2 圖論光纖鏈路監(jiān)測及故障定位系統(tǒng)

以典型的220 kV的智能變電站220 kV線路間隔為例來進行說明，其智能變電站單間隔線路結構(圖4)中的網(wǎng)絡報文分析儀通過交換機以數(shù)字信號為載體，實現(xiàn)與合并單元、保護裝置、智能終端之間的信息交互。由于通信故障較為特殊復雜，在預處理方案中，我們將前面所分的第二大類告警信息中通信鏈路故障告警信息建立單獨的故障定位系統(tǒng)。

圖4 智能變電站單間隔線路結構

基于上述優(yōu)化思路，對220 kV智能變電站220 kV線路間隔進行驗證。把圖作為數(shù)學的一個分支，以若干給定點及兩點之間的連接線所構成的圖形，該圖形常常用來描述一些事物之間的某種特定的關系，用定點描述事物，用連接線描述相應事物之間具有某種關系[7]，根據(jù)圖之間的聯(lián)系得到相應的鄰接矩陣與關聯(lián)矩陣。

SCD文件經(jīng)過報文解析得到IEDname，將此間隔內(nèi)的所有IED設備進行編號，得數(shù)集X：

X={x1,x2…xn}

(1)

SCD文件中對每一個設備的輸入端子進行關系搜索，并多次節(jié)點訪問。因此，是可以溯源到IED設備所包含的信息源頭，通過對所有IED設備的所有訂閱關系進行集結組合，建立起一個關于IED訂閱關系的數(shù)據(jù)集Q：

(2)

該數(shù)據(jù)集合中的q(x1,xn)表示：編號為x1的裝置與編號為xn的裝置之間的訂閱關系。若x1裝置對xn裝置之間產(chǎn)生了訂閱關系，那么置q(x1,xn)值為1，反之，q(x1,xn)的值為0。通過以上規(guī)則邏輯我們可以得到該裝置xn的訂閱關系數(shù)據(jù)集合Qn為：

Qn=[q(xn,x1)q(xn,x2) …q(xn,xn)]

(3)

在繼電保護測試過程中出現(xiàn)光纖鏈路異常的情況時，各個裝置的告警信息數(shù)據(jù)集合用集合P表示：

P=[p1p2…pn]T

(4)

若保護裝置xn告警，pn取值為1，反之，pn取值為0。

定義完成相關數(shù)據(jù)集合后，則IED設備xn出現(xiàn)故障的可能性Fn就可以通過如下的公式進行計算：

Fn=Qn·P

(5)

通過對數(shù)據(jù)集合pn進行由大到小的排序，就可以得到故障可能性較大的幾個IED設備，給出診斷的結果。

3 RNN循環(huán)神經(jīng)網(wǎng)絡在智能變電站二次系統(tǒng)監(jiān)測與故障定位

循環(huán)神經(jīng)網(wǎng)絡本質是通過大量數(shù)據(jù)學習進而得到記憶能力，RNN循環(huán)神經(jīng)網(wǎng)絡結構見圖5，是一種節(jié)點定向連接成環(huán)的網(wǎng)絡結構。

圖5 RNN循環(huán)神經(jīng)網(wǎng)絡結構

按時間序列展開，圖5中的右側每個圓環(huán)都可以看作是一個單元，每行的每個單元所做的工作相同，因此，可以折疊成左側的樣子。其中，x(t)為t時刻的訓練樣本輸入，h(t)表示t時刻模型的隱藏狀態(tài)，由x(t)和h(t-1)共同決定，o(t)表示t時刻模型的輸出，L(t)表示t時刻模型的損失函數(shù)，y(t)表示t時刻訓練樣本的真實輸出，U,W,V是模型的線性關系參數(shù)，由整個RNN網(wǎng)絡共享[8-10]。

3.1 RNN網(wǎng)絡的前向傳播方式

對于任意一個時刻t，隱藏狀態(tài)h(t)由x(t)和h(t-1)得到：

h(t)=σ(z(t))=σ(Ux(t)+Wh(t-1)+b)

(6)

其中σ為激活函數(shù)，用來完成對信息的過濾，一般為tanh；b為現(xiàn)線性關系的偏倚。

t時刻模型輸出o(t)的表達式為：

o(t)=Vh(t)+c

(7)

最終t時刻所預測的輸出為：

(8)

3.2 RNN網(wǎng)絡的反向傳播方式

RNN網(wǎng)絡的參數(shù)W,U,V,b,c由反向傳播進行更新。根據(jù)RNN在數(shù)據(jù)平臺仿真的數(shù)據(jù)合理性，我們將損失函數(shù)取為對數(shù)損失函數(shù)，softmax函數(shù)為輸出函數(shù)，tanh函數(shù)為隱藏層激活函數(shù)。

考慮倒時間序列的每個位置都存在損失函數(shù)，因此，最終的損失L定義為：

(9)

RNN反向傳播算法采用梯度下降法進行迭代，其中V和c的梯度計算相對簡單：

(10)

(11)

但是W,U,b的梯度計算較上者就比較復雜，通過RNN模型可以得出，網(wǎng)絡在進行反向傳播時，某一時間序列位置t的損失不僅與t時刻輸出的梯度損失有關還和t+1時刻輸出的梯度損失有關，因此，對于W在某一時間序列位置t的梯度損失需要一步步進行計算。

定義某一時間序列位置t的隱藏狀態(tài)梯度為：

(12)

從δ(t+1)遞推到δ(t)：

(13)

對于δ(t)而言，由于其為時間序列的最后一個位置，因此：

(14)

此時，W,U,b的梯度計算為：

(15)

(16)

(17)

4 實驗仿真及驗證

4.1 實驗仿真

算法主要分為模型建立、訓練模塊、故障預測定位模塊三大模塊。

模型建立中數(shù)據(jù)歸一化處理，目的是為了盡量縮減進行深度學習時的訓練量，同時將訓練數(shù)據(jù)按比例縮小到[0,1]的范圍內(nèi)，使循環(huán)神經(jīng)網(wǎng)絡的參數(shù)值得到優(yōu)化，提升模型的收斂速度和模型的精度。訓練模塊中我們將確定的數(shù)據(jù)長度L_len為1300；batch為13，最后輸出五位0或1數(shù)字集合來實現(xiàn)故障定位。

在最終獲得的循環(huán)神經(jīng)網(wǎng)絡權值進行驗證，即對單間隔內(nèi)二次故障定位模型進行驗證。對仿真實驗共三十二組測試集數(shù)據(jù)進行驗證，分別是25組交叉驗證集、3組新的故障數(shù)據(jù)集，考慮到在進行單間隔繼電保護測試過程中可能出現(xiàn)的告警信息不完備的情況，還設置了4組告警信息不完備的故障數(shù)據(jù)集，其中3組僅考慮單個告警信息缺省的情況，剩余1組為多個告警信息缺省的情況。其中故障模式數(shù)字標識見表2。

表2 故障模式數(shù)字標識

利用上述所獲得的前100組故障數(shù)據(jù)進行深度學習，閥值選擇為0.63其最終得到的三層網(wǎng)絡的權值存入t3中，總體訓練時間為13 min，迭代次數(shù)為58 000次，最終誤差(MSE)Loss= 0.000 073。

采用10折交叉驗證(交叉驗證一般選用十折交叉)，訓練集為100組，驗證集為3組，分別進行了十次交叉驗證，共25組，這里僅給出一組交叉驗證的結果，交叉數(shù)據(jù)集驗證數(shù)字標識結果見表3。

表3 交叉數(shù)據(jù)集驗證數(shù)字標識結果

采用新的故障數(shù)據(jù)集進行驗證就是模擬實際智能變電站在進行單間隔保護測試過程中出現(xiàn)故障時，整個故障定位模型對故障模式定位的能力。新數(shù)據(jù)集驗證數(shù)字標識結果見表4。

表4 新數(shù)據(jù)集驗證數(shù)字標識結果

其次考慮到現(xiàn)場可能出現(xiàn)告警信息缺省的情況，故設置了三組出現(xiàn)一個告警信息缺省的故障數(shù)據(jù)集進行模型驗證。單缺省數(shù)據(jù)集驗證數(shù)字標識結果見表5。

表5 單缺省數(shù)據(jù)集驗證數(shù)字標識結果

為了進一步驗證模型的適用性設置了一組多個告警信息缺省的故障數(shù)據(jù)集，見表6。

表6 多個告警信息缺省的故障數(shù)據(jù)集

為了計算該模型預測的準確性，我們對在此模型下的交叉數(shù)據(jù)集、新數(shù)據(jù)集、單項缺省數(shù)據(jù)集與多項缺省數(shù)據(jù)集的準確率進行計算，見表7。

表7 交叉數(shù)據(jù)集、新數(shù)據(jù)集、單項缺省數(shù)據(jù)集與多項缺省數(shù)據(jù)集的準確率

4.2 驗證結果分析

4.2.1 交叉數(shù)據(jù)集驗證

隨機取三組交叉驗證結果與表2中故障模式數(shù)字標識進行比對，我們可以得到該故障定位方法是可以正確識別智能變電站二次狀態(tài)監(jiān)測中80種告警信號下13種故障。準確率接近100%。具有較高的適用性和可操作性。

4.2.2 新數(shù)據(jù)集驗證

新數(shù)據(jù)集的驗證具有較高的準確率。說明該數(shù)據(jù)模型具有良好的適用性。

4.2.3 單項告警缺失數(shù)據(jù)集驗證

在單項告警信息缺失的情況下，即在測試過程中出現(xiàn)了故障且告警信息存在不完備的情況，該模型仍然具有較高的準確率。通過深入研究，發(fā)現(xiàn)三組缺省數(shù)據(jù)集的準確率不一致的原因，可以歸結于缺省的告警信息不同，當缺省的告警信息是由故障設備發(fā)出時，具有較大概率會定位錯故障模式，反之當缺省的告警信息是由非故障設備發(fā)出時，定位錯故障模式的概率就較小。

4.2.4 多項告警缺失數(shù)據(jù)集驗證

該組測試集數(shù)據(jù)的準確率為61.54%，則表明該模型對多告警信息缺省的情況仍具有一定的故障定位能力。

通過測試，總體故障定位的準確率為82.02%，說明基于循環(huán)神經(jīng)網(wǎng)絡的單間隔保護測試故障定位模型達到了比較高的準確度，能夠較好地滿足現(xiàn)場實際測試過程中確定故障位置和類型的要求，有效地提高了測試過程中故障排查的效率，提高了整個智能變電站故障定位的效率，具有一定的實用性。

5 結 語

智能變電站二次系統(tǒng)實時的狀態(tài)監(jiān)測與故障定位是智能電網(wǎng)穩(wěn)定運行的基礎，RNN循環(huán)神經(jīng)網(wǎng)絡算法在智能變電站二次狀態(tài)監(jiān)測與故障定位系統(tǒng)中經(jīng)過模型的建立、參數(shù)的優(yōu)化以及數(shù)據(jù)的深度訓練學習，實現(xiàn)了智能變電站二次系統(tǒng)的故障定位與溯源。另一方面，本次仿真實驗還存在著一定缺陷，比如本文所獲得的數(shù)據(jù)全部來自于歷史數(shù)據(jù)，無法真正做到實時狀態(tài)監(jiān)測與故障定位，具有一定的延時性。為了最大程度實現(xiàn)智能變電站實時狀態(tài)監(jiān)測與故障溯源，需要進一步將深度學習理論應用到實踐當中，是后續(xù)的學習研究方向。