基于优化神经网络的微电网故障诊断

王可 李保润

摘要：电网作为世界上最复杂的系统之一，是保障人民生活和促进国民经济发展的重要内容。电网故障诊断作为电网的核心环节，各级规划部门处于监测系统运行和调度控制的前沿，确保日常应急控制工作的及时性、针对性和有效性，始终是能源系统安全防护体系的重中之重。然而，由于社会和电力消费者对电力供应的成本效益、质量、连续性和可靠性的要求越来越高，能源系统向着“高效发电”、“跨领域输电”和“智能配电”的方向发展。因而在该背景下，大型性能优化配置、大规模新能源接入、自然灾害频发等复杂运行条件对电网的规划和运行提出了客观的挑战。

关键词：微电网;故障诊断

引言

电网是一个复杂的互联网络，其中一条线路的跳闸会导致其他线路的跳闸，并引发连锁故障。电网连锁故障的传统分析方法为潮流模型，该模型既能对电网进行稳态分析，又能进行动态分析。随着人工智能技术的发展，利用神经网络、大数据、深度学习等机器学习工具可分析电网在正常和故障情况下的统计特性，生成预警信号，从而为电网故障定位及维护维修提供帮助。

1现有的诊断方法存在的不足

1.1 输电网故障诊断的参数变量复杂

为提高电网传输系统故障诊断和分析模型的准确性和容错性，现有完全分析模型必须分别引入优化变量，以保护断路器的阻断/ 错位，以及报警信息的错误，使分析模型的优化变量尺寸是传统分析模型的数倍。因此，有必要改进模型完整分析的建模方法，及时排除故障。

1.2 拓扑信息在输电网故障诊断中的应用不足

现有的传输网络故障诊断方法，基于 Petri 网络的图形建模，没有充分利用拓扑信息，难以通过单独分析其与每个组件报警信息的相关性来适应网络拓扑的变化，诊断故障。此外，该模型一般采用离线内存、在线应用的诊断类型，需要存储所有组件的诊断模型，硬件内存要求较高，且采用横向模式，诊断速度慢。因此，有必要考虑将系统的拓扑信息引入传输网格故障诊断模型，提高故障诊断模型的在线建模能力，适应网络拓扑和链条故障的变化。

1.3 告警时序信息在输电网故障诊断中的应用不充分

目前，智能变电站的国企设备可以为断路器和断路器动作信息添加统一的基准时间尺度，但对于报警定时信息的应用，现有基于 Petri 网络图形建模的研究必须在正反定时检查预警信息，以评估报警信息的可靠性，缺乏简单高效的正时原因算法，时间系列检查过程是烦琐耗时的。此外，现有的时间系列模糊 Petri 网络仅通过时间推理来纠正报警信息的信任度，信息使用有限，且计时检查过程与 Petri 网络论证过程是分开的，计算量较大。因此，在研究高效的定时推理方法的同时，必须充分利用时间系列推理的结果，提高误差组件定位的准确性^[1]。

2关键技术

因电网故障处理对时效性要求较高，为了既保证时效性还能提高主站信息融合的准确性，就需要思考如何利用现有资源，提升资源的利用率，保障自动上传至主站的数据或采用主动激励后召喚到的数据在限定时间内分析、整理完成。融合前故障信息的可靠性直接决定了融合后故障分析结果的准确性。1）任务的动态调整：当三个主站中任一主站分析出故障后，需要其他两个主站信息验证，就需要将相似时间序列的故障数据提高优先级安排任务的分析、整理工作。在现有电力基础设施投资的基础上，通过主动激励召唤和任务动态调整，合理利用资源来同步处理同源故障任务，保障三个主站故障信息的可靠性;2）主站的信息融合：对于具有较高可信度的同源故障进行信息融合，确保最终发布的故障分析报告的准确性。融合后的故障分析报告，可辅助调度机构直接决策，制定全面的故障抢修方案，减少人力、物力、财力损失^[2]。

3软件设计

软件主要包含信息集成层、信息支撑层、底层分析层和应用层。通过外围通信接口和耦合元件进行录波、保信和行波主站信息的共享，并通过设计灵活的数据接入、标准化作业，适应外部数据系统规范。对不同厂家、不同模型和不同格式的数据做统一处理，在同类故障信息描述统一的基础上进行故障信息分类，完成底层数据分析和故障信息融合。上层应用重点开发主站信息管理应用，支撑多种相关电网数据业务，具有良好的服务性、开放性和扩展性。信息集成层：当电网产生大扰动或故障发生时，厂站侧设备采集数据并生成文件上传至对应主站，主站完成故障数据分析生成故障报告。数据交换总线通过短周期性轮询各分布式主站本地存储的故障列表，一旦检测到有新的文件生成集中到信息集成层。由于保护和行波数据量大，数据整理上传有延迟现象，若未同时收取到这两个主站故障报告，采取主动激励的方式调取与录波分析出的故障时间序列相似的保护和行波数据文件，通过数据交换总线，对故障信息进行集成^[3]。

结束语

现今电网系统的迭代速度远超从前，专家系统难以及时跟进当今复杂的电网系统的诊断要求，由于人工神经网络单一或者 Petri 网诊断侧重点不同，因此会出现误报的情况，单一的分析系统已经不能满足更加复杂的故障诊断需求。只有各个分析系统有机结合才能适应当今电网系统的扩张速度和算力分析要求^[4]。

参考文献：

[1]冷迪，陈瑞，李英，王旭勇.基于深度学习的智能电网故障预警系统研究[J].单片机与嵌入式系统应用，2022，22（01）：9-12.

[2]游昊，石恒初，杨远航，孔德志，陈璟.电网故障多源信息智能融合诊断方法[J].云南电力技术，2021，49（06）：64-70.

[3]谭丽君，邓键锵.基于电网故障诊断方法技术分析[J].中国新技术新产品，2021（22）：88-90.DOI：10.13612/j.cnki.cntp.2021.22.029.

[4]付仙兰，陈海山，李发均，等.基于改进Petri网的电网故障诊断方法[J].空军预警学院学报，2021，35（4）：269-272，278.