基于深度学习的配电网图形节点数据校核技术研究

丁 俊，吴 刚，阙增培，杨 阜，丁 文

（1.国网湖南省电力有限公司长沙供电分公司，湖南长沙 410000；2.华自科技有限公司长沙配电自动化项目部，湖南 长沙 410000）

配电网图像模型指电网系统连接的抽象化表示，根据该模型可对配电网的各个网络节点加以监控，进而对整个电网系统进行调度[1-3]。为了保证整个电网系统能正常运行，需对电网各个系统进行合理地调度与控制。而传统的电网图模系统无法满足整体性的要求，因此有必要基于实际的配电网络构建现代化的配电网节点调度系统。

当前的电网图模校准系统主要有两种：一种是根据GIS 地理位置系统进行维护，然后将GIS 子系统数据输出封装成API 接口，进而与总系统连接；另一种则是GIS 地理位置系统和配电网协调系统分立[4-5]。这两种方法均存在数据量大、整体性较差的缺陷，由于维护水平存在差异，因此系统的准确性难以保证。该文使用深度神经网络（Deep Neural Networks，DNN）对GIS 图形节点数据进行训练，通过对不同网点的故障特征进行分析与定位，从而快速协调节点送电量，保证电网的有序运行。

1 配电网图形节点分析模型

1.1 电网节点故障特征量分析

假定某个电网节点为使用分布式电源的馈线网络，且在各个线路中节点输出处放置相对应的开关sinωt，进而对线路电气特征进行检测，拓扑图如图1 所示。

图1 电网拓扑图

图1 中，黑色圆形表示电网分布子节点，DG 代表总输电网络，闪电标志为故障点。

为了分析故障点所包含的数据特征，提取电源二次谐波进行分析，则可测得3 个故障点的正序、负序及零序的电压，如图2 所示。

图2 故障点故障示意图

由图2 中可以看出，故障在不同位置的表现形式各不相同，但总体可看作是幅度、相位与波形的不同。因此，需要建立三种形式的噪声信号数据，进而对故障特征信号进行表征。

假设共有n个节点，这些节点的电压幅度矩阵为X=[X1,X2,X3,…,Xn]。其中，n为节点个数，而每一个Xn中均含有M个信号所携带的电压信息，则在n个节点中第i个类别的第j个电压信号数据如式（1）、（2）所示。

式中，Xi为第i个节点的信号幅值，Xij为第i个类别的第j个电压信号数据，δij(t)为第i个类别的第j个电压信号数据的高斯白噪声序列代表幅值的大小。以上两式通过叠加的噪声信号来表示电网节点系统中负荷的变化情况。

1.2 长短时神经网络

长短时神经网络（Long Short-Term Memory，LSTM）[6-9]由RNN神经网络（Recurrent Neural Network）升级而来，但RNN 为循环神经网络，故该网络在处理电网数据时存在一定的弊端。电网数据具有典型的时序特征，若使用RNN 对其进行处理，极易使网络陷入梯度爆炸及出现数据暴增的情况，同时该神经网络也无法对数据的时间特征加以挖掘。而LSTM 由于加入门结构，故可对时间序列数据进行挖掘。LSTM 网络基本结构如图3 所示。

图3 LSTM基本结构

LSTM 包含3 种门结构，分别是遗忘门、输入门与输出门[10-12]。

遗忘门的作用是通过前序数据单元的输出及当前数据单元的输入来对单元状态进行去除，该过程可表征为：

式中，Wf为遗忘门的权重矩阵，bf为权重偏置参数，σ为核函数，矩阵的维数则由参数h进行训练而得到反馈。

输入门通过对前序数据的输出及当前数据的输入，进而对新的信息记忆状态进行更新，计算公式如下：

输出门可通过数据单元的状态值及当前数据的单元值计算得到，公式如下：

由上述公式可知，LSTM 通过三种门结构选择需要记忆的数据单元状态进行计算迭代，每次计算均可根据时间对上一次的数据单元状态完成修正。因此，使用LSTM 能够进行系统状态的提取，并保证序列计算的准确性[13]。

而文中，LSTM 需对电网节点数据进行训练，进而判断故障发生的位置。该文设计的网络结构如图4 所示。

图4 该文设计的网络结构

如图4 所示，网络数据选择节点的电压Vi及电流Ii作为网络的训练项。具体的定位模块由两个LSTM模型组成，通过网络训练得到其权重矩阵与偏置项的值。

同时，当数据在LSTM 网络中训练完成时，在后续加入全连接输出层。随后通过分类器进行分类，可得到最终的区段状态。而区段状态分为故障和正常状态，最终便可对节点的输出状态实行判定。

逻辑门的判断准则为（0,0）、（1,0）、（0,1）及（1,1）。而节点则分为三种，分别为运行正常节点、存疑节点和故障节点，可为神经网络提供辅助性质的逻辑判断。

1.3 系统模型框架

配电网图形节点数据校准系统包括本地服务器训练模块与GIS 故障定位模块。当节点发生故障时，通过GIS 网络进行实时的数据传输，并利用逻辑门进行逻辑判定，进而得到节点的故障情况。最终，对配电网图形节点的数据进行校准。

本地服务器训练过程如图5 所示。

图5 本地服务器训练过程

算法的具体执行流程如下：

1）首先将有源电网切分为多端无分支的模块，再对数据进行采集，以此得到电流与电压模块；

2）对当前的电流及电压模块采样而来的数据进行整理及归一化，将数据切分为训练和测试集合；

3）根据数据集合的维度情况，对电压与电流序列数据进行LSTM 网络训练；

4）计算网络的损失值，同时进行梯度优化，之后再进行学习及训练；

5）当计算值收敛时，停止数据的训练，便可得到训练完毕的LSTM 网络，最终输出数据的状态。

GIS 在线故障定位系统[14-16]如图6 所示。

图6 GIS在线故障定位系统

GIS 故障定位模块的模型执行框架为：

1）当电网节点发生故障时，载入训练完毕的网络中，输出电压与电流的判定值；

2）判定逻辑门，将电压和电流判定的值进行综合判定，并更新区段的状态；

3）判定并输出各个电网节点的区段状态。

2 算法测试及案例分析

2.1 IEEE 33节点系统

该文使用标准的IEEE 33 节点配电网系统进行仿真，在Matlab 中对环境进行搭建。线路共有四条，且使用22 和26 这两个节点作为配电系统的数据采集节点，并采用PyTorch 框架进行环境的搭配。节点配电网系统如图7 所示。

图7 IEEE 33节点系统

数据遍历过程为：在节点22 和节点26 处分别采集三相电的正序、负序与零序电压、电流数据，随机在某个节点处设置故障，观察节点22 和26 处的数据变化。再将数据输入至该文网络中进行不断训练，最后对节点故障加以判断，并与正常节点处的状态进行对比。

2.2 仿真结果分析与对比

首先进行系统功能性测试，图8 显示了加载故障节点时节点22 处采集的三相电数据。

图8 测试结果

从图中可以看出，加载故障信号的三相电波形相比正常信号会发生幅值、相位及频率的变化。

然后进行系统准确性判断，分别训练60、120、240、300 及500 次，对比普通RNN 算法。最终结果如表1 所示。

表1 对比结果

由表可知，随着训练次数的增加，故障定位的准确率也在持续增加，这也符合神经网络的训练规律。但随着训练次数的增多，RNN 算法由于梯度消失及数据量增大的缺点，训练时间相较该文算法大幅延长，同时故障定位准确率相比所提算法也有所降低，证明了该文算法能够有效定位配电网系统中的故障，并实现对配电网图形节点数据的校核。

3 结束语

作为电网系统连接的抽象化表示，配电网图模可对整个电网节点进行状态监控，但传统的电网图模系统无法满足整体性的要求，因此有必要基于实际的配电网络构建现代化的配电网节点调度系统。该文通过对电网节点的建模得到故障特征数据，并建立LSTM 网络对节点的电流及电压数据进行分析，再利用逻辑门对节点的状态加以分析，最终输出节点的故障状态。在实例测试中，该文算法可准确识别目标节点的故障状态，且在系统准确性和效率方面均优于对比算法，能够实现对配电网图形节点数据的准确校核。