基于深度学习的变电站继电保护系统故障诊断与预测

尚浩然 王丁丑

（国电南瑞科技股份有限公司）

0 引言

电网建设的重要目标之一是实现对电网的精准管控，而确保电网的安全运行则是实现这一目标的前提。因此，如何保证电力系统正常稳定的运作，成为当前电力企业关注的重点问题之一。确保电网安全可靠运行的关键在于快速而准确地识别继电保护装置的潜在风险、位置和故障模式。

1 变电站继电保护系统

1.1 工作原理

变电站继电保护系统是电力系统中保障正常运行、避免故障事故的重要部件之一。其主要工作原理是在电力系统中监测电气参数，如电流、电压等，当出现电气故障或异常情况时，继电保护系统会通过采集电气参数，并根据事先设置的保护逻辑，立即发出信号，切断具体故障部件，保护电力系统的安全运行。在此过程中，继电保护系统要求具有快速响应、高精度、高鲁棒性等特性，有效地保护电力系统的正常运行［1］。因此，为了确保继电保护系统的性能和可靠性，需要对其进行故障诊断与预测，及时发现故障、预测故障发生的时间，避免事故的发生和严重后果的产生。

1.2 重要性

变电站继电保护系统是保障电力系统正常运行和安全稳定的重要组成部分。继电保护系统能够对电力系统中发生的各种故障进行及时、准确的识别和隔离，保护电力系统设备不受过电流、过电压等因素的损害，从而保障了电力系统的可靠性、稳定性和安全性。在现代电网中，继电保护系统的可靠性和精度对保障电力系统的供电质量和供电安全至关重要。因此，继电保护系统的性能和功能持续改进和提升，对电力系统的发展和运行具有重要意义。

1.3 局限性和不足之处

在变电站继电保护系统的故障诊断与预测中，现有的方法存在诸多局限性和不足之处。首先，传统的基于规则和统计的方法需要依靠先前的知识和经验去分析故障的原因和特征，面对新的故障类型时需要不断地更新和完善规则库，难以应对复杂多变的故障情况。其次，常规的机器学习方法往往需要人工去提取特征、选择算法和调整参数，存在人为因素影响和时间成本过高等问题。此外，传统方法的准确度和稳定性也受到噪声、数据质量和标注误差等因素的影响，难以实现高效可靠的故障诊断与预测［2］。因此，本文提出了一种基于深度学习的变电站继电保护系统故障诊断与预测模型，通过深度学习算法自动提取时序特征，实现更为精确和稳定的故障诊断与预测，具有明显优势。

2 深度学习方法简介

深度学习是人工智能领域中的一个重要分支，在故障诊断中也得到了广泛的应用。深度学习模型是由多层神经网络组成的，可以对大量的数据进行学习并自主进行特征提取和预测。其中，卷积神经网络（CNN）和长短时记忆网络（LSTM）是深度学习中应用最广泛的两种模型。

卷积神经网络主要用于图像识别、对象检测和语音识别等任务，通过对输入数据进行卷积、池化等操作，提取图像的内部特征。而长短时记忆网络则主要用于序列数据的处理，可以有效地捕捉数据中的时序信息，如音频、文本等。

人工智能是一项具有前瞻性的技术，其目的在于利用机器实现人类认知、分类、识别和决策，从而对人类行为进行建模、扩展和优化。随着电力技术不断发展及电力系统规模不断扩大，电网中的设备越来越多，而继电保护装置作为保障电网安全稳定运行的关键设备，其可靠性直接关系到整个电网系统的安全性和稳定性［3］。深度学习是一种基于多层隐含网络和反馈修正功能的多输入神经网络，其中长短期记忆网络系统单元（Long Short Term Memory，LSTM）如图1所示。

图1 深度学习LSTM 内部结构图

3 变电站继电保护故障诊断方法

在电力系统中，故障诊断一直是一个重要的领域。在传统的故障诊断方法中，常用的方法包括模型匹配、基于规则的诊断和数据驱动的方法等。模型匹配方法是指将实际数据与对应的数学模型进行匹配，从而判断系统中是否存在故障。基于规则的诊断方法则是根据专家经验和规则进行故障判断。而数据驱动的方法则是通过对实际数据进行建模来实现故障诊断。

随着深度学习的发展，越来越多的研究者开始将其应用于故障诊断领域。通过深度学习算法的自动特征提取和模式识别能力，可以更好地对系统中的故障进行诊断和预测。特别地，卷积神经网络和循环神经网络被广泛应用于故障诊断领域。卷积神经网络可以对传感器数据进行卷积操作，从而提取数据的特征信息；循环神经网络则可以对时序数据进行处理，实现对系统状态的预测。此外，自编码器也可以对数据进行降维处理，从而实现更好的聚类。

在变电站故障设备发生故障时，首要任务是获取故障前、故障中以及故障后的时间序列信息；其次通过分析得到相应的特征量来进行故障诊断。在此基础上，提出了一种基于时间序列的全新电力网络拓扑建模思路，为电力网络的建模提供了一种创新性的方法。

借助模拟各种故障元件及其保护动作的手段，我们能够获取大量变电站设备故障数据，这些数据可以被输入到LSTM学习中，以获取相应的学习权重。利用该权重对新出现的误差进行检测，可有效将误差检测出来［4］。通过引入Adam自适应学习核函数以及应用Dropout超拟合和其他方法，成功地克服了学习结果的渐进性，从而显著提升了模型的推广能力和学习效率，同时也大幅度加快了收敛速度。

为了解决上述问题，我们在本文中设定了LSTM网络的结构参数，具体参数详见表1。

表1 LSTM 网络结构参数

4 基于深度学习的变电站继电保护系统故障诊断

4.1 数据处理和特征提取方法的设计

在该论文中，为了解决变电站继电保护系统故障诊断和预测的问题，设计了一组适用于该系统的数据处理和特征提取方法，并结合深度学习模型进行故障诊断和预测。首先，使用卷积神经网络和循环神经网络对多个传感器数据进行处理，并对故障进行分类。其次，使用自编码器对数据进行降维处理，使得可对不同类别的故障数据集进行更好的聚类。通过实验数据的展示和分析，证明了所提出的基于深度学习的方法在变电站继电保护系统故障诊断和预测中的有效性和优越性。该方法的使用可以大幅度提高该系统的准确性和可靠性，为电力系统的稳定运行保驾护航。

4.2 卷积神经网络和循环神经网络的应用

卷积神经网络（CNN）和循环神经网络（RNN）是深度学习领域中常用的模型，本文将它们应用于变电站继电保护系统故障诊断中。

在故障诊断过程中，我们需要对多个传感器收集的数据进行处理，并将其分类为相应的故障类型。这时，我们可以使用CNN模型来对数据进行特征提取和多任务分类。CNN可以通过卷积和池化等操作对数据进行处理，并自动学习到数据中的特征，从而提高准确性和效率。

而在故障预测中，我们需要考虑数据的时序性，并对未来可能发生的故障进行预测。这时，我们可以使用RNN模型来对时序数据进行处理。RNN可以通过循环结构实现对数据的逐个处理，并自动学习到数据中的时序关系，从而实现预测。

5 算例分析

我们在一个典型电力网络架构上做了试验，深入探讨以上方法。经仿真及实际测量验证，所建模型成功显示了系统整体动态特性，可为电网安全平稳运行分析提供可靠参考依据。电力系统中共有13根母线，10根输电线路，3根变压器支路，6台发电机节点，4台负荷节点，每一个节点都有相应防护设备来保证系统稳定工作。电网系统结构图如图2所示。

图2 某电网系统结构图

通过使用MATLAB，Python以及其他工具，本文在Windows环境中对以上方法做了较为深入的研究，取得了相关研究结果。

要实现LSTM深度训练首先要仿真多种失效场景才能保证最大训练效果。为在实际运行环境下仿真短路、短路故障，文中使用一种以图论理论为基础的求解方法。模拟故障时，图3中电压设为1500V、负载侧电压设为380V、输电线路电阻设为0.164Ω／km、电感设为0.24mH／km。依据这些参数并结合实际确定各点所需电流及对应开关量。把K1，K2位置分成2个独立区，K1在发电端，K2在负载端。基于这2组参数，对不同条件下故障点进行了仿真。对以上2种不同部位故障分别进行多状态仿真，其中有但不局限于单相接地短路，两相短路，两相接地短路，单相断线和两相断线五种故障形态，而继电保护设备表现出不同动作方式，故障数据涵盖1000个时间间隔。

为检验文中确定的故障位置，设计了造成输电线路K1与K2及6～7与7～12同时失效的复杂故障场景，使得该电网存在保护拒动与误动，相关断路器拒动与误动等各种复杂故障场景。针对以上问题，首先构建了系统模型。K1、K2输电线路、6～7、7～12输电线路建立三相接的短路机制。针对上述分析提出一种基于继电保护整定计算程序进行输电线路故障测距的方法。一旦发生故障，1～5号线路上母线5号线路的备用保护、1～5号线路母线1号线路上的主要保护，以及11～12线路和6～7号线路、7～12号线路上的主要保护均会启动；表2中呈现了1～5线两侧的断路器，以及11～12线两侧的开关，以及6～7线两侧和7～12线边缘的开关。

表2 断路器编码

将短路开关跳闸警告信号与停电情况进行全面分析得到短路开关故障准确部位。

在此基础上利用LSTM先验知识与后验知识、利用后验知识与先验知识、然后利用后验知识验证后验知识。

在样本集中故障类型及情况数目达到一定大小并涵盖全部情况下，采用最小二乘方法可以得到准确诊断结果。

6 结束语

基于此，结合变电站的拓扑结构、继电保护的位置和动作等信息，我们建立了一个时间序列模型，该模型与真实电网高度吻合。应用该算法于LSTM，可实现对系统的高精度诊断。