深度学习在电力系统继电保护故障诊断中的应用研究

2023-10-18国网恩施供电公司谢赫淅杨怡然

电力设备管理 2023年18期

国网恩施供电公司王锡田斌谢赫淅杨怡然

1 电力系统继电保护概述

电力系统继电保护是电力系统安全稳定运行的关键环节，其是一种自动化控制系统，主要目的是在电力系统发生故障时，迅速、准确地检测故障位置和类型，实现对故障部分的隔离，最大限度地减小故障对系统的影响，确保电力系统的安全稳定运行。继电保护的作用包括提高电力系统的可靠性，减少故障对设备的损害，降低对用户供电的影响，以及提高电力系统的自动化程度。

电力系统继电保护主要由传感器、继电保护装置和辅助设备组成。其工作流程一般包括数据采集、信号处理、故障检测与判断、控制指令以及故障记录与通信等步骤。首先，通过传感器实时监测电力系统的电气参数。然后，对采集到的信号进行处理，滤除噪声、抗干扰，并进行模拟量转数字量转换。接下来，在处理后的信号和预设保护逻辑的基础上，继电保护装置根据收到的信号判断是否存在故障，若存在故障，则进行故障类型和位置判断。随后，根据故障判断结果，向辅助设备发送控制指令，实现故障部分的隔离。最后，将故障信息记录下来，并通过通信系统传输给监控中心。

2 深度学习技术的原理及特点

深度学习是机器学习的一个分支，通过构建深层神经网络模型实现对数据特征的自动学习和抽象。其借鉴了人类大脑神经元之间的连接方式，将数据通过多层神经网络进行处理，使模型能够自动地学习数据中的复杂模式。深度学习的特点包括以下几点。

一是自动提取特征：传统的机器学习方法通常需要手动设计特征提取方法，这通常需要对数据领域有丰富的经验和知识。而深度学习能够自动地学习数据中的特征，降低了特征工程的复杂性，减少了对专业知识的依赖。

二是强大的表征能力：深度学习模型可通过多层次的非线性变换将原始数据映射到一个高层次的抽象空间，使得模型具有更强大的数据表示能力。这使得深度学习在处理复杂任务时具有很高的准确性。

表1 深度学习在不同领域的表现

三是端到端的学习方式：深度学习模型可直接从原始数据中学习到目标任务的映射关系，无需进行复杂的预处理和特征提取。这使得深度学习方法具有更高的自适应性和泛化能力。

四是处理大规模数据的能力：深度学习模型具有很强的扩展性，能够有效地处理大规模的数据。同时，深度学习算法可以充分利用现代计算硬件（如GPU）的并行计算能力，进一步加速模型的训练过程。

3 电力系统继电保护故障诊断中的深度学习应用

3.1 传统继电保护故障诊断问题分析

传统的继电保护故障诊断方法主要包括模式识别、专家系统和模糊逻辑等。模式识别：模式识别方法主要通过对电力系统的运行数据进行分类，实现对故障的检测与识别。然而，这类方法通常需要手动设计特征提取器，依赖于专家知识。此外，模式识别方法对于非线性、多变量及复杂的故障数据处理能力有限，可能导致故障类型识别不够准确。

机器人的编程学习是一个综合性的过程中，可以有效地提高学生的动手能力，关于机器人的贬称搞学习阶段可以分成六个阶段，首先，是进行初级程序的编写学习，初级编程主要是进行开始和结束图标的学习，此外还学习各种程序的控制图标，所以高中生可以通过初级程序的变成来控制马达。

专家系统：专家系统通过模拟人类专家的知识和推理过程来实现故障诊断。虽然专家系统可以利用领域专家的经验进行故障诊断，但其推理过程通常基于预定义的规则，导致系统在面对新型故障，或复杂故障场景时缺乏自适应性和泛化能力。

模糊逻辑：模糊逻辑方法通过模糊集合和模糊推理实现对故障的诊断。模糊逻辑方法在处理不确定性信息方面具有优势，但由于其处理过程依赖于领域专家制定的模糊规则，因此在面对复杂故障场景时，可能难以准确判断故障类型。

上文方法在一定程度上可实现故障诊断，但仍存在一定的局限性。例如：对故障类型识别不够准确：由于这些方法在处理非线性、多变量及复杂的故障数据方面能力有限，可能导致故障类型识别不够准确。对故障数据处理能力有限：传统方法通常需要手动设计特征提取器，这不仅需要专家知识，而且可能导致数据处理效率较低。缺乏自适应性和泛化能力：这些方法在面对新型故障或复杂故障场景时，可能难以准确判断故障类型，缺乏自适应性和泛化能力。

3.2 基于深度学习的继电保护故障诊断模型

采用深度学习技术，如卷积神经网络（CNN）、循环神经网络（RNN）和长短时记忆网络（LSTM）等，构建继电保护故障诊断模型。这些模型可以自动学习和抽象故障信号的特征，提高故障诊断的准确性和效率。以下将详细描述这些模型的应用。

卷积神经网络（CNN）：CNN主要用于处理具有网格结构的数据，如图像和时间序列信号。在电力系统继电保护故障诊断中，CNN可以用于提取故障信号的局部特征，如振幅、频率和相位等。通过多层卷积和池化操作，CNN可以学习到更高层次的特征表示，从而提高故障识别的准确性。

循环神经网络（RNN）：RNN是一种用于处理序列数据的神经网络结构，具有处理变长输入序列的能力。在继电保护故障诊断中，RNN可以用于捕捉故障信号的时序特征。由于电力系统故障信号具有显著的时序性，RNN可以在识别故障类型时考虑故障信号的时序变化，提高诊断准确性。

长短时记忆网络（LSTM）：LSTM是一种特殊的RNN，通过引入门控机制解决了RNN在处理长序列时的梯度消失问题。在继电保护故障诊断中，LSTM可以捕捉故障信号中的长期依赖关系，从而提高故障诊断的准确性和鲁棒性。

在实际应用中，可以根据故障信号的特点和实际需求选择合适的神经网络结构。例如，对于具有显著局部特征的故障信号，可以采用CNN进行特征提取；而对于具有明显时序特征和长期依赖关系的故障信号，可以考虑使用RNN或LSTM进行建模。此外，还可以尝试将不同类型的神经网络结构进行融合，以充分挖掘故障信号中的多层次信息，进一步提高故障诊断的性能。

3.3 试验设计

通过收集大量的电力系统继电保护故障数据，对比分析传统方法和深度学习模型在故障诊断中的表现。试验中，将数据集分为训练集、验证集和测试集，以便对模型的性能进行评估。

一是数据集。收集了一个包含1000个样本的电力系统继电保护故障数据集。这个数据集包括五种故障类型：A（线路短路）、B（过载）、C（接地故障）、D（设备故障）和E（谐波问题）。每个样本包含输入特征（如电压、电流、相角等测量数据）以及对应的故障类型标签。数据集被分为训练集（700个样本，70%）、验证集（150个样本，15%）和测试集（150个样本，15%）。

二是试验方法。传统方法：支持向量机（SVM）；深度学习方法：a.卷积神经网络（CNN）b.长短时记忆网络（LSTM）

三是性能评估指标。将使用分类准确率、精确率、召回率和F1分数作为评估指标，见表2。

表2 传统方法与深度学习实验结果对比

3.4 结果分析与评价

试验结果表明，在训练集、验证集和测试集上，基于深度学习的故障诊断方法（CNN和LSTM）相较于传统方法（支持向量机）表现出了更高的准确率、精确率、召回率和F1分数。这说明深度学习方法在电力系统继电保护故障诊断任务上具有较强的性能。具体来说，与传统方法相比，深度学习模型能够更准确地识别故障类型，更迅速地定位故障位置。这一优势主要源于深度学习模型能够自动学习和抽象故障信号的特征，使其在处理复杂和多变的故障情况时具有较高的准确率和鲁棒性。

此外，CNN在故障信号的时空特征提取上表现出较强的能力，能够识别出故障信号中的局部模式，从而提高故障诊断的准确性。而LSTM由于其具有记忆单元，能够更好地处理时序数据，捕捉长时依赖关系，因此在故障诊断中也表现出较高的准确性。由此可见。不同的深度学习模型在故障诊断中有不同的优势，可以根据具体问题和故障信号特点选择合适的模型，这对于实际应用具有重要意义。

4 深度学习在电力系统继电保护故障诊断中的应用展望

虽然基于深度学习的继电保护故障诊断模型在一定程度上已经取得了较好的效果，但在实际应用中仍然面临一些挑战，例如模型的泛化能力有限，对于复杂故障场景的适应性不足。随着深度学习技术的不断发展和进步，电力系统继电保护故障诊断领域将呈现出一些新的趋势，包括优化与创新模型结构以提高诊断准确率，将跨领域技术融合到现有方法中，例如引入迁移学习、强化学习等先进技术，以便在不同场景下提高模型性能，以及逐步实现在线实时故障诊断，从而提高电力系统的智能化水平，降低故障对电力系统的影响。