基于人工神經(jīng)網(wǎng)絡(luò)的智能變電站保護(hù)系統(tǒng)故障診斷

王洪彬, 何 荷, 黃睿靈, 高 鵬, 周念成, 任 博

(1. 國網(wǎng)重慶市電力公司電力科學(xué)研究院, 重慶 401123; 2. 重慶理工大學(xué)電氣與電子工程學(xué)院, 重慶 400054; 3.國網(wǎng)重慶市電力公司豐都供電分公司, 重慶 408200; 4. 輸配電裝備及系統(tǒng)安全與新技術(shù)國家重點實驗室(重慶大學(xué)), 重慶 400044)

1 引言

區(qū)別于常規(guī)變電站,智能變電站的主要特點是網(wǎng)絡(luò)化的二次部分[1,2]。作為二次部分的核心,安全可靠的保護(hù)系統(tǒng)支撐著電網(wǎng)的穩(wěn)定運行?，F(xiàn)如今針對保護(hù)系統(tǒng)的故障診斷仍依賴于網(wǎng)絡(luò)報文和過往經(jīng)驗判斷缺陷位置[3]。但隨著站內(nèi)設(shè)備智能化程度的不斷提升,缺乏有效的數(shù)據(jù)分析方法處理海量的故障信息極容易導(dǎo)致重要的特征被遺漏,因此難以實現(xiàn)精確識別保護(hù)系統(tǒng)中發(fā)生的故障。

傳統(tǒng)的故障分析方法中,文獻(xiàn)[4]基于采樣值(Sample Value, SV)報文和變電站事件 (Generic Object Oriented Substation Event, GOOSE)報文的傳輸機制,結(jié)合Petri網(wǎng)模型判斷常見的保護(hù)系統(tǒng)故障,但針對結(jié)構(gòu)復(fù)雜的智能變電站,人工搭建模型帶來了龐大的工作量,使得此方法成本較高;文獻(xiàn)[5-8]基于全站配置描述文件(Substation Configuration Description, SCD)實現(xiàn)保護(hù)系統(tǒng)的故障診斷,值得注意是,現(xiàn)有智能變電站的集成方式和配置工具與廠商密切相關(guān),這使得不同變電站的SCD文件不具備規(guī)范性,此外保護(hù)系統(tǒng)可采用多種拓?fù)浣Y(jié)構(gòu),除常見的“直采直跳”外,還有“網(wǎng)采直跳”和“網(wǎng)采網(wǎng)跳”,因此基于SCD文件的方法不具備通用性;文獻(xiàn)[9]充分挖掘網(wǎng)絡(luò)分析裝置的信息流處理功能,通過配置保護(hù)系統(tǒng)與關(guān)鍵報文的對應(yīng)關(guān)系判斷設(shè)備運行狀態(tài),但僅能辨識裝置故障,難以發(fā)現(xiàn)保護(hù)系統(tǒng)中的通信鏈路問題。

隨著人工智能的不斷發(fā)展,其應(yīng)用于智能變電站保護(hù)系統(tǒng)的研究也在不斷深入。文獻(xiàn)[10]提出融合學(xué)習(xí)的方法評估保護(hù)系統(tǒng)的運行狀態(tài),雖然在評估過程中考慮到了影響保護(hù)系統(tǒng)運行的多方面因素,但權(quán)重取值主觀性較強的問題仍未得到有效解決;文獻(xiàn)[11]基于深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Network, DNN)提出智能變電站通信網(wǎng)絡(luò)故障分析方法,文獻(xiàn)[12]基于循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)提出智能變電站二次設(shè)備故障分析方法,上述2篇文獻(xiàn)分別研究了通信網(wǎng)絡(luò)和二次設(shè)備的狀態(tài)感知,但針對保護(hù)系統(tǒng)整體的故障診斷仍有待開展。

綜上所述,當(dāng)前智能變電站保護(hù)系統(tǒng)的故障診斷方法主要存在以下問題:

(1)保護(hù)系統(tǒng)配置了多種二次裝置,導(dǎo)致出現(xiàn)的故障類型復(fù)雜多樣,但能直接診斷故障的特征較少,且依靠傳統(tǒng)方法很難尋找故障特征間的關(guān)聯(lián)。

(2)間隔內(nèi)以及間隔間二次設(shè)備的廣泛連接使得通信網(wǎng)絡(luò)日趨復(fù)雜,故障時將會產(chǎn)生海量特征信息,但現(xiàn)有方法無法快速分析。

針對上述問題,本文提出了基于人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network, ANN)的保護(hù)系統(tǒng)故障診斷方法,從人工智能的角度為保護(hù)系統(tǒng)的穩(wěn)定運行構(gòu)筑新的防線。首先基于保護(hù)系統(tǒng)內(nèi)不同裝置插件故障時的特征信息,得到了故障診斷所必備的推理知識庫;其次結(jié)合保護(hù)系統(tǒng)內(nèi)報文的發(fā)布/訂閱關(guān)系、裝置的自檢信息和交換機端口的流量狀態(tài)提出了故障特征信息的表征方式;最后結(jié)合人工神經(jīng)網(wǎng)絡(luò)搭建保護(hù)系統(tǒng)故障診斷模型并給出具體步驟;根據(jù)某110 kV智能變電站保護(hù)系統(tǒng)的數(shù)據(jù)樣本,實例驗證了本文所提方法的有效性。

2 保護(hù)系統(tǒng)的故障特征

當(dāng)前智能變電站二次系統(tǒng)中絕大部分設(shè)備均配置了網(wǎng)絡(luò)通信和在線自檢功能[13],因此僅需通過網(wǎng)絡(luò)分析裝置和交換機捕捉關(guān)鍵特征信息即可獲悉保護(hù)系統(tǒng)的運行狀態(tài)。關(guān)于保護(hù)系統(tǒng)的故障診斷目標(biāo),本文根據(jù)實際變電站的保護(hù)信息流傳輸過程,選取線路間隔保護(hù)裝置、母線間隔保護(hù)裝置、變壓器間隔保護(hù)裝置以及光纖鏈路作為主要研究對象。

2.1 故障推理知識庫

當(dāng)某間隔保護(hù)裝置的不同插件發(fā)生故障時,將產(chǎn)生不同類型的告警報文[14],報文信息分析作為故障診斷模型中的重要環(huán)節(jié),需要梳理出其與故障插件之間的映射關(guān)系,通過查閱相關(guān)技術(shù)規(guī)范和現(xiàn)場運行資料,列出主要的推理規(guī)則見表1。

表1 保護(hù)系統(tǒng)故障診斷推理知識庫

2.2 故障特征的表征方式

當(dāng)不同保護(hù)裝置或其間的通信網(wǎng)絡(luò)發(fā)生故障時,保護(hù)系統(tǒng)內(nèi)將產(chǎn)生不同的特征信息。利用這些特征信息組成的集合Xi即可描述保護(hù)系統(tǒng)的故障狀態(tài),如式(1)所示:

Xi=[XSPiXSTiXFLi]

(1)

式中,Xi為第i(i=1,2,…,N)個故障樣本的特征信息集合,包括SV報文和GOOSE報文的發(fā)布/訂閱關(guān)系XSPi、各間隔內(nèi)保護(hù)裝置的自檢信息XSTi、關(guān)鍵交換機節(jié)點的流量狀態(tài)XFLi;N為故障樣本總數(shù)。

XSP綜合了與保護(hù)信息傳輸相關(guān)的測控裝置、合并單元、智能終端、線路/變壓器/母線保護(hù)裝置的SV報文和GOOSE報文的接收狀態(tài),如式(2)所示:

(2)

式中,D1～Dz為接入保護(hù)系統(tǒng)的z個二次設(shè)備,由前述測控裝置、合并單元等組成;Dj為設(shè)備j(j=1,2,…,z)訂閱的SV/GOOSE報文的接收狀態(tài);t為設(shè)備j訂閱的報文總數(shù),若設(shè)備j未能成功接收其訂閱的報文x(x=1,2,…,t),則向系統(tǒng)廣播斷鏈信息,此時Mjx=1,否則Mjx=0。

XST綜合了線路保護(hù)裝置、變壓器保護(hù)裝置和母線保護(hù)裝置的自檢信息,如式(3)所示:

(3)

式中,XLP、XTP、XBP分別為線路保護(hù)裝置、變壓器保護(hù)裝置和母線保護(hù)裝置的自檢信息集合;下標(biāo)k、m和n分別為二次系統(tǒng)中線路保護(hù)裝置、變壓器保護(hù)裝置和母線保護(hù)裝置的總數(shù);XLPα、XTPβ和XBPγ分別為第α(α=1,2,…,k)個線路保護(hù)裝置、第β(β=1,2,…,m)個變壓器保護(hù)裝置和第γ(γ=1,2,…,n)個母線保護(hù)裝置的自檢信息,包括存儲器錯誤EM、開入開出異常EIO等表1所列特征,若運行時監(jiān)控后臺收到某一特征信息,則該信息所對應(yīng)的位置元素置為1,否則為0。

XFL綜合了保護(hù)系統(tǒng)中交換機端口的流量狀態(tài),如式(4)所示:

(4)

式中,下標(biāo)nt為保護(hù)系統(tǒng)中通信交換機的總數(shù);Sc為第c(c=1,2,…,n)臺交換機的流量狀態(tài);Pj為第c臺交換機端口j(j=1,2,…,w)的流量狀態(tài),包含流經(jīng)此端口的m條報文的流量信息F,若在運行過程中流經(jīng)端口j的報文e的流量過低(以正常運行時最小流量值的10%作為閾值),則Fe=1,若流量正常,則Fe=0。

3 基于ANN的保護(hù)系統(tǒng)故障診斷模型

由前述可知,智能變電站保護(hù)系統(tǒng)故障時不僅會產(chǎn)生大量的故障信息,而且數(shù)據(jù)維度極高,為了能快速處理故障信息并能準(zhǔn)確診斷故障,本文采用ANN建立故障位置與特征信息的映射模型。

ANN的組成包括輸入層、隱藏層和輸出層,圖1展示了典型ANN的拓?fù)浣Y(jié)構(gòu)[15]。其中,輸入層為保護(hù)系統(tǒng)故障時采集的特征集合Xi=[x1x2…xp],p為選取的特征數(shù)量;輸出層為保護(hù)系統(tǒng)中可能的故障位置編碼Yi=[y1y2…yq],q為可能的故障位置數(shù)量,若編號為i的位置發(fā)生故障,則yi=1,否則yi=0。

圖1 典型ANN的拓?fù)浣Y(jié)構(gòu)

(5)

在誤差的反向傳播中,損失函數(shù)J用于描述預(yù)測輸出與真實標(biāo)簽之間的差距,結(jié)合保護(hù)系統(tǒng)的數(shù)據(jù)類型,本文選用交叉熵作為損失函數(shù)如式(6)所示。通過反向傳播算法(Back Propagation, BP)求解損失函數(shù)的最小值即可得到神經(jīng)網(wǎng)絡(luò)中的權(quán)重參數(shù)ω和偏倚參數(shù)b。

(6)

式中,θ為參數(shù)ω和b;N為故障樣本總數(shù);tlr為樣本的真實標(biāo)簽;ylr為ANN的預(yù)測輸出;下標(biāo)l為樣本索引;下標(biāo)r為樣本內(nèi)的數(shù)據(jù)索引。

為了優(yōu)化ANN的訓(xùn)練過程并提高模型的泛化能力,本文還引入了Dropout正則化、學(xué)習(xí)率的指數(shù)衰減策略以及適應(yīng)性矩估計(Adaptive moment estimation, Adam)優(yōu)化[16]。

4 基于ANN的保護(hù)系統(tǒng)故障診斷步驟

基于選定的故障特征和ANN的原理,建立智能變電站保護(hù)系統(tǒng)故障定位框架如圖2所示。

圖2 基于ANN的保護(hù)系統(tǒng)故障診斷框架

具體步驟如下:

離線訓(xùn)練階段中,首先準(zhǔn)備包含大量故障樣本的結(jié)構(gòu)化數(shù)據(jù)庫,故障樣本應(yīng)涵蓋可能的裝置插件及光纖鏈路;其次將故障樣本及對應(yīng)標(biāo)簽送入ANN中進(jìn)行訓(xùn)練,在信息前向傳播和誤差反向傳播的共同作用下得到權(quán)重參數(shù)和偏倚參數(shù)的值;最后根據(jù)訓(xùn)練效果選取超參數(shù)組合并保存最優(yōu)模型。

在線診斷階段中,為了排除可能出現(xiàn)的極個別錯誤信息的干擾,避免頻繁計算,應(yīng)設(shè)置激活診斷模塊的判斷過程,當(dāng)監(jiān)控后臺檢測到故障特征信息的總數(shù)大于設(shè)定的閾值時,則可進(jìn)入下一步驟,判斷過程的閾值應(yīng)小于數(shù)據(jù)庫中所有樣本的故障特征信息總數(shù)的最小值;當(dāng)診斷模塊被成功激活后,通過監(jiān)控后臺調(diào)取報文接收狀態(tài)XSP、保護(hù)裝置自檢信息XST和交換機流量狀態(tài)XFL形成故障特征集X,隨后將X送入事先保存的最優(yōu)ANN模型得到診斷結(jié)果。

5 算例分析

5.1 算例簡介

以典型的110 kV智能變電站為例驗證本文所提故障診斷方法的有效性。該智能變電站的二次拓?fù)浣Y(jié)構(gòu)如圖3所示,包括1個母線間隔、2個變壓器間隔和2個線路間隔,每個間隔內(nèi)均配置了必要的合并單元、保護(hù)裝置、智能終端、測控裝置和交換機;保護(hù)信息流的傳輸方式為“網(wǎng)采網(wǎng)跳”;圖3中已給出各設(shè)備名稱、端口編號和鏈路編號;解析SCD文件得到的SV/GOOSE報文見表2。

圖3 110 kV智能變電站保護(hù)系統(tǒng)拓?fù)浣Y(jié)構(gòu)

表2 SV/GOOSE報文

5.2 ANN模型的搭建及優(yōu)化

如圖3所示,依據(jù)表1、表2選擇的故障特征和式(2)～式(4)的表征方式可知,報文接收狀態(tài)XSP包含102個元素,保護(hù)裝置自檢信息XST包含133個元素,交換機流量狀態(tài)XFL包含179個元素,因此ANN輸入層的神經(jīng)元數(shù)量設(shè)置為414;依據(jù)前述故障診斷對象可知,圖3中5個間隔內(nèi)保護(hù)裝置包含的30個插件和30條光纖鏈路均為可能的故障位置,因此ANN輸出層的神經(jīng)元數(shù)量設(shè)置為60。

通過在實驗環(huán)境中模擬故障以獲取數(shù)據(jù)樣本,在此過程中分別對每個故障位置進(jìn)行70～90次模擬,共獲取4 963組數(shù)據(jù)樣本構(gòu)成故障樣本庫。將每個故障位置得到的樣本劃分為訓(xùn)練集(80%)和測試集(20%)。通過設(shè)置不同的超參數(shù)優(yōu)化ANN,以訓(xùn)練過程的準(zhǔn)確率作為參考指標(biāo),結(jié)果如圖4和圖5所示。

圖4 神經(jīng)元和隱藏層的影響

圖5 初始學(xué)習(xí)率和批處理參數(shù)的影響

圖4顯示當(dāng)隱藏層的數(shù)量為1以及神經(jīng)元的數(shù)量為512時訓(xùn)練效果最優(yōu),增加隱藏層的數(shù)量和神經(jīng)元的數(shù)量雖然可以快速收斂,但考慮到整個訓(xùn)練過程是離線的,因此更快的收斂速度并不具有很強的吸引力;圖5顯示當(dāng)初始學(xué)習(xí)率α0=0.07以及批處理參數(shù)bsize=256時訓(xùn)練效果最優(yōu),過大或過小的初始學(xué)習(xí)率α0將導(dǎo)致最終訓(xùn)練準(zhǔn)確率降低,增大批處理參數(shù)bsize雖然有助于提高準(zhǔn)確率,但增加到一定程度時對準(zhǔn)確率的影響將會大幅度減少;綜合考慮訓(xùn)練效果、計算負(fù)擔(dān)等多方面因素,最終選擇超參數(shù)的組合見表3,在此基礎(chǔ)上,迭代計算46次后訓(xùn)練準(zhǔn)確率可達(dá)到96.58%。

表3 最優(yōu)ANN模型的超參數(shù)

5.3 故障診斷結(jié)果

為驗證本文所提故障診斷方法的泛化能力,調(diào)用得到的最優(yōu)ANN模型用于判斷測試集,結(jié)果如圖6所示。

圖6 測試集的驗證結(jié)果

圖6(a)顯示ANN模型面對不同間隔的保護(hù)裝置故障和光纖鏈路故障均有良好的診斷效果,總體準(zhǔn)確率達(dá)到97.68%,其中變壓器保護(hù)裝置故障診斷的準(zhǔn)確率相對較低,這是由于變壓器間隔內(nèi)二次設(shè)備的數(shù)量相對較多,保護(hù)的信息傳輸更加復(fù)雜。從插件的角度來看,圖6(b)顯示ANN模型針對各類插件故障均保持93%以上的診斷準(zhǔn)確率,其中I/O插件故障、SV插件故障和GOOSE插件故障時的精度相對較低,這是由于在保護(hù)信息流的傳輸過程中,I/O插件、SV插件和GOOSE插件的鏈接關(guān)系十分緊密,導(dǎo)致模型相對容易誤分類。

5.4 與現(xiàn)有方法的對比

為比較不同方法的故障診斷效果,引入預(yù)測故障與真實故障間的誤差作為參考指標(biāo),如下所示:

(7)

式中,Y′為真實的故障范圍;Y為各種方法預(yù)測的故障范圍;規(guī)定|·|為統(tǒng)計集合內(nèi)非零元素的數(shù)量。

傳統(tǒng)的故障診斷方法以文獻(xiàn)[9]為例,文獻(xiàn)[9]利用兩方面特征分析保護(hù)系統(tǒng)運行狀態(tài),一是對比保護(hù)裝置的采樣值和網(wǎng)絡(luò)分析裝置的采樣值;二是分析事先選擇的關(guān)鍵報文,具體見表4。結(jié)合式(7),使用文獻(xiàn)[9]所提方法判斷前述測試集的結(jié)果見表5。

表4 文獻(xiàn)[9]選擇的關(guān)鍵報文

表5 與文獻(xiàn)[9]的對比

由表5可知,文獻(xiàn)[9]僅能正確識別保護(hù)裝置整體是否發(fā)生故障,但如果將故障診斷的目標(biāo)深入到模塊級,則在誤差和準(zhǔn)確率方面均不如本文所提方法。究其原因,一是僅依靠采樣值和選擇的關(guān)鍵報文并不能準(zhǔn)確描述故障狀態(tài);二是未采取有效的數(shù)據(jù)處理手段,導(dǎo)致無法準(zhǔn)確感知特征信息與故障類型間的關(guān)聯(lián);三是應(yīng)對光纖鏈路故障時沒有相應(yīng)的分析方法。

基于人工智能的方法以文獻(xiàn)[17]為例,該方法選擇三種類型的特征表征故障狀態(tài),一是裝置自檢信息,二是設(shè)備端口狀態(tài),三是網(wǎng)絡(luò)流量值。在此基礎(chǔ)上,利用圖神經(jīng)網(wǎng)絡(luò)識別保護(hù)系統(tǒng)的故障位置。結(jié)合式(7),使用文獻(xiàn)[16]所提方法判斷前述測試集的結(jié)果見表6。

表6 與文獻(xiàn)[17]的對比

由表6可知,基于人工智能的方法在故障診斷效果上較傳統(tǒng)方法有了大幅度提升,但在選擇的特征上,文獻(xiàn)[17]并沒有囊括可能的裝置自檢信息,僅選擇了53個常見的告警,而本文選擇的133個告警能夠全方面描述保護(hù)系統(tǒng)的運行狀態(tài);此外,以發(fā)送功率為主的端口狀態(tài)和網(wǎng)絡(luò)流量值具有重復(fù)性,而本文選擇的報文接收狀態(tài)和交換機流量狀態(tài)能夠產(chǎn)生更好的疊加效果。

6 結(jié)論

為提高智能變電站保護(hù)系統(tǒng)的運維效率,本文提出了一種基于人工神經(jīng)網(wǎng)絡(luò)的智能變電站保護(hù)系統(tǒng)故障診斷方法。依據(jù)SV/GOOSE報文的發(fā)布/訂閱關(guān)系、保護(hù)裝置的自檢信息以及交換機端口的流量狀態(tài)提出了故障特征信息的表征方式,結(jié)合ANN搭建了故障診斷模型并給出了相應(yīng)步驟。算例結(jié)果表明,本文所提出的基于ANN的保護(hù)系統(tǒng)故障診斷模型能夠應(yīng)對海量高維度故障數(shù)據(jù),并具有準(zhǔn)確識別故障的能力,在獨立測試集上的準(zhǔn)確率能夠達(dá)到97.68%。與基于交叉對比的傳統(tǒng)方法和基于圖神經(jīng)網(wǎng)絡(luò)的智能方法相比,本文選擇的特征能夠更好地描述故障狀態(tài),平均誤差僅為前述兩種方法的1.61%和14.8%。