基于时空演化特性的自适应故障重构与保护协同机制，应用于输配电集成电网

《Electric Power Systems Research》：Spatiotemporal evolution-aware adaptive fault reconfiguration and protection coordination for transmission-distribution integrated grids

　　

• •
  全链故障处理过程中熔断器的演变预测、联合决策及推导。
• •
  在凸化模型下，基于KKT互补性的双层协调性证明。
• •
  通过参数敏感性验证电弧热首次传播的演变规律。
• •
  在闭环SCADA框架中对通信延迟和数据包丢失进行建模。
• •
  128毫秒的演变提前时间，故障处理时间缩短67.3%，推导精度达到毫秒级别。

引言

随着分布式发电的高渗透率，输电-配电集成电网的故障瞬态特性变得越来越复杂。最常见的单一相接地故障会通过电弧焦耳热效应迅速演变为相间短路，而串行故障处理链响应缓慢，离线电磁瞬态仿真对于在线决策来说成本过高；因此，需要一个具备故障演变感知、协作决策和超实时推导能力的全链框架。早期的故障诊断研究使用了小波包熵和径向基函数网络[1]以及行波测距技术，这些方法的时间矩阵形式能够消除分布式发电机的干扰[2,3]。卷积网络和循环网络提高了诊断精度，但忽略了电网拓扑结构，这促使人们开发了图神经网络用于故障分类和定位[4,5]，包括多头图注意力机制[6,7]、动态分层注意力[8]和代价敏感变体[9]；时空循环图网络能够同时建模故障在空间和时间上的演变[5]。然而，这些方法都是在故障发生后才发挥作用，很少能够预测故障的演变过程。分布式发电的高渗透率还会导致故障电流分布失真，从而引起传统三阶段过流保护装置的误动作[10]。

现有研究开发了自适应保护设置，包括在拓扑变化下的多级协调[11]、基于同步相量的保护和控制协调[12]以及分布式协作保护[13]，并使用混合整数规划[14]、贝叶斯优化[15]和深度强化学习[16]来解决故障后的重新配置问题。然而，大多数研究仍将保护和重新配置视为两个独立的阶段，没有进行联合优化。

保护-重新配置协调是一个典型的双层混合整数非线性问题，但现有研究缺乏严格的全局最优性证明。对于瞬态仿真，基于物理信息的神经网络将控制方程嵌入到损失函数中[17]，DAE-PINN将其扩展到微分代数模型[18]，梯度增强变体提高了精度[19]，Stiasny等人量化了它们在时域仿真中的局限性[20]。

移动资源也参与了故障后的恢复工作[21]：它们协同优化运输网络和电力网络[22]，在极端高温条件下协调电网-氢能车辆系统[23]，利用车辆-电网的灵活性提升台风抵御能力[24]，并在两个阶段安排分布式资源的调度[24]。这些工作是在故障后恢复负载的，而本框架则能够预测故障演变，并共同决策保护和重新配置；将移动资源纳入这一循环的过程将在第5.3节中讨论。

最近的全链方案结合了图学习和强化学习，但仅在故障识别后进行处理；它们既不能预测单一相接地故障演变为相间短路的进程，也不能为联合决策提供最优性证明，其瞬态验证仍然依赖于离线方式。

PINNs（概率积分神经网络）是针对特定场景设计的，泛化能力较弱。神经运算符学习无限维函数空间之间的映射；深度运算符网络和傅里叶神经运算符能够更快地预测故障后的轨迹和设备热场[25,26]，基于物理信息的变体能够模拟电力系统组件[27]，而全局谱卷积能够捕捉长时间尺度的物理场[28]。现有的运算符很少结合电网拓扑结构，也很少有研究将超实时推导与决策结合起来形成一个闭环。因此，目前还存在三个局限性：故障感知仅停留在故障识别之后，缺乏电弧热演变机制；保护和重新配置仍然采用串行方式，没有双层最优性证明；瞬态仿真无法在速度和跨拓扑泛化之间取得平衡。为了解决这些问题，本文提出了一种具有时空演变感知能力的自适应故障重新配置和保护协调方法，涵盖故障演变感知、协作决策和超实时推导。

主要贡献如下：

1.

通过多尺度时空图卷积网络，利用多带因果膨胀卷积和规范化图卷积预测单一相接地阶段的故障恶化过程。

2.

一个协调的深度强化学习框架将保护-重新配置协调问题表述为双层混合整数非线性问题，通过KKT互补性证明了其单层等价性，并利用对抗性DQN优化了联合保护-重新配置的动作空间。

3.

一种考虑电网拓扑结构的傅里叶神经运算符将电网拓扑结构嵌入到谱学习中，实现了跨拓扑的泛化并大幅提升了计算速度。本文的其余部分结构如下：第2节建立数学基础，第3节介绍方法论，第4节报告实验结果，第5节讨论结果，第6节进行总结。

章节摘录

术语表

本文涉及的主要数学符号和参数在表1中定义，包括线路瞬态、电弧热演变、双层优化和神经运算符学习相关的物理量。

频率依赖的瞬态线路动态

对于具有频率依赖参数的三相线路（这些参数由表皮效应和邻近效应引起），瞬态过程由以下一阶双曲系统控制，采用紧凑的运算符形式表示：$$表示

整体闭环架构

所提出的框架采用了与现有SCADA系统兼容的四层闭环架构[12]。高频场测量数据用于故障识别和演变预测；推导模块生成多场景瞬态预测；决策模块输出同步的保护和重新配置指令；执行结果被反馈用于在线模型更新。如图2所示。

SCADA测量数据通过四个环节进行处理

实验设置和测试系统

该平台配备了Intel i9-13900K CPU、64 GB内存和双NVIDIA RTX 4090 GPU；MATLAB/Simulink结合Simscape Electrical和MATPOWER用于电力系统仿真，PyTorch 2.3.1用于深度学习模型。SCADA采样、控制字编码和闭环交互使用自定义脚本；基准测试使用种子42，统计运行使用种子1–5。

评估指标如下：识别和定位的准确性是指正确识别的窗口比例

创新分析

本文在三个维度上推动了故障处理范式的进步，并提供了严格的数学支持。在感知层面，它从单时刻稳态识别发展为基于电弧热耦合机制的动态趋势预测，而非基于黑盒数据拟合。在决策层面，它将独立的串行工作流程转变为集成的协作优化，并通过双层规划建立了最优性证明

结论

本文提出了一种适用于输电-配电集成电网的时空演变感知自适应故障重新配置和保护协调方法。在理论方面，它建立了频率依赖的瞬态动态模型、电弧热演变模型、双层优化理论和运算符映射理论。在方法论方面，它提出了MS-STGCN演变预测、协调的DRL决策机制和TA-FNO推导方法。多尺度实验验证了这些方法的优势

CRediT作者贡献声明

高峰:软件开发、项目管理和调查、形式化分析、概念构思。何谢:撰写初稿、可视化、验证、方法论设计。张涛:调查、写作-审核与编辑。梅虹:监督工作。

Zihan Gao|何谢|张涛|梅虹