基于物理信息表征与噪声增强训练的构网型馈线反孤岛检测

《Scientific Reports》：Physics-informed learning detects islanding and discriminates power-quality disturbances in grid-forming inverter-dominated distribution networks

　　

摘要

现代配电网络中构网型（GFM）逆变器的快速普及从根本上改变了孤岛检测问题。与跟网型变流器不同，采用下垂控制和虚拟同步发电机（VSG）控制的GFM机组会主动调节电压和频率，从而抑制了传统被动检测方案所依赖的偏差量，并在接近平衡的功率条件下扩大了非检测区域（NDZ）。本文提出了一种物理信息驱动的闪电搜索优化时间注意力网络（PI-LSO-TAN），用于联合检测GFM主导馈线中的非计划孤岛，并将其与电能质量扰动（PQD）和非孤岛故障区分开来。该框架将物理信息特征集——由解析信号估计的频率变化率（ROCOF）、总谐波畸变、相位突变和电流不平衡描述子——与经自注意力池化层处理的原始窗口卷积嵌入相结合。闪电搜索算法（LSA）同时优化网络超参数和物理信息决策阈值，消除了手动调参的需求。在10次独立数据集实现中，对一台有完整记录、完全可复现的合成GFM馈线在接近平衡的NDZ工作模式下进行测试，PI-LSO-TAN实现了96.34%的四类测试准确率（标准差0.96个百分点），宏平均F1为0.9636，孤岛检测召回率为93.49%，误报率为0.70%，仅将175个电能质量窗口中的2.40个错误判为孤岛。两项发现界定了该方法的贡献范围与局限性。首先，当十种跨越核方法、集成方法、卷积方法、循环方法、注意力机制方法和图架构的基线模型被赋予相同的物理信息辅助通道时，全部11个模型之间的差距在1.20个百分点以内；在Holm校正的Wilcoxon检验下，6种深度序列架构没有一种与所提模型存在显著差异；在十种基线中，仅有一种存在显著差异——MLP-SVM混合模型，其准确率最高高出0.73个百分点，而该模型恰是本次比较中最简单的特征空间分类器之一。在此任务中，判别能力源于物理信息表征本身，而非时间建模机制。替代为另一种十四维表征可直接验证这一点：原始窗口的主成分达到52.37%，小波带能量达到73.60%，通用统计量达到62.94%，纯学习嵌入仅达30.17%，而物理信息特征集达到96.20%。其次，抗噪声能力是训练分布的特性，而非架构的特性：在单一信噪比下训练，当测量噪声水平降至30dB时，准确率仅为52.18%；而将训练信噪比采样范围设为15dB至50dB，则在30dB下恢复至88.79%、20dB下恢复至84.54%，代价是在标称工作点下降6.14个百分点。其实际贡献在于保护性能，而非架构创新。经安全校准的被动式过/欠频率、ROCOF和过/欠电压继电器未能检测到3872个扫描的接近平衡孤岛事件中的任何一个，非检测面积为100.0%，而所提检测器将其降低至0.00%，功率失配平面上没有任何区域低于87.5%的检测率。实测滑动窗口检测延迟平均为80毫秒，第95百分位数为130毫秒，处于IEEE 1547-2018和IEC 62116规定的2秒范围内，每窗口计算量为337微秒，参数量为28.7kB。结果表明，在逆变器主导的电网中，可靠的反孤岛保护可通过将物理信息表征与噪声增强训练相结合来实现，且所得检测器所覆盖的运行区域是传统被动保护从结构上完全无法探测的盲区。