适用于带有转换点的主动配电网的两阶段混合保护框架
《Results in Engineering》:A Two-Stage Hybrid Protection Framework for Active Distribution Network with Switching Points
【字体:
大
中
小
】
时间:2026年05月13日
来源:Results in Engineering 7.9
编辑推荐:
拉赫马特·阿扎米|萨吉德·德希亚·莫辛|萨曼·埃斯玛伊尔贝吉|穆罕默德·贾瓦迪
智能电力分配网络实验室,电气工程系,伊兰伊拉姆大学
摘要
主动式配电网络(ADNs)由于存在分布式发电(DG)单元和动态拓扑变化,除了众所周知的控制、管理和需求响应问题外,还引入了新的保
拉赫马特·阿扎米|萨吉德·德希亚·莫辛|萨曼·埃斯玛伊尔贝吉|穆罕默德·贾瓦迪
智能电力分配网络实验室,电气工程系,伊兰伊拉姆大学
摘要
主动式配电网络(ADNs)由于存在分布式发电(DG)单元和动态拓扑变化,除了众所周知的控制、管理和需求响应问题外,还引入了新的保护挑战。此外,主动式配电网络中存在包括连接点在内的切换点,进一步增加了网络保护的复杂性。本研究旨在开发一个先进的保护框架,提出了一种基于非深度神经网络(DNN)和本地DNN的双阶段混合保护框架。本研究中使用的测试系统是IEEE 34节点标准系统,配备了DGs和预定义的连接点以实现网络重构。这些切换点允许负荷重新分配、减少损耗和改善电压;然而,它们也需要一种新的保护策略来适应连接点状态和继电器设置的变化。所提出的框架包括两个主要组成部分:
(1)拓扑识别代理(TIA):使用连接点开关的状态检测网络配置,并根据连接点状态的变化和故障后的条件自适应地更新继电器设置;
(2)基于DNN的本地备份保护代理(LBPA):设计为与网络中安装的智能电子设备(IEDs)互补的备份,无需任何通信即可传输测量参数。
鉴于传统保护设备在检测单相接地故障时面临的挑战,本研究中的备份保护代理专门设计为通过IEDs在一阶段内或通过LBPA在最多两阶段内检测单相接地故障。仿真和编码工作在DIgSILENT、MATLAB和Python环境中进行。
1. 引言
随着主动式配电网络的发展,保护挑战已成为这些网络最佳运行的主要障碍之一。传统保护系统无法有效应对网络中的动态变化,如反向功率流动、由于连接点引起的拓扑变化以及孤岛现象。这可能导致继电器故障、不必要的停电,甚至设备损坏。此外,缺乏能够同时确保稳定性、可靠性和效率的自适应保护系统的综合框架仍然是一个重要的研究课题。
许多研究人员在研究中探讨了保护系统的挑战,并提出了各种保护方法,以实现具有分布式发电资源(DGRs)的配电网络的弹性保护框架。在这方面,[1]的作者回顾了具有绿色分布式发电资源的电气配电网络的保护方法和故障检测技术的重要方面。[2]的作者提出了一种多代理保护方案,用于检测、分类和定位微电网中的不同故障。在该研究中,每个保护代理都使用深度神经网络(DNNs)来检测和隔离故障。在[3]中,提出了一个集成交流和直流微电网的主动式配电网络的多层保护方案。该研究利用4个层次、不同层次的代理、IEDs和深度神经网络来分类单相接地故障。在[4]中,提出了一个分层保护系统,作为多代理系统(MAS)的补充策略,能够管理基于转换器的DGRs的输出,并限制其对配电网络保护协调的影响。这种方法的主要优势是减少了代理的数量,因为只需要使用继电器代理而无需通信。[5]中通过继电器代理之间的数据交换和继电器操作时间的调整实现了初级保护和备份保护设备之间的协调。
本研究的主要局限性在于在没有使用优化方法的情况下选择了风力涡轮机的位置、大小和数量。[6]的作者提出了一种用于微电网的混合自适应多代理保护方案。在该方案中,设备层负责检测单事件故障,如果随后发生其他故障,则由更高层次的保护系统检测。此外,该方案不考虑故障定位过程。[7]提出了一种自适应保护方案,用于恢复具有集成DG资源的配电网络中的保护协调。该方案采用多代理系统,并结合了IEDs和网络中的分布式熔断器。熔断器的操作时间由IEDs估计,控制重合器的IED确定其操作时间以保持协调。[8]提出了一个针对面临拓扑变化的具有可再生能源资源的微电网的自适应保护方案。该方法使用IEC-61850协议在代理之间进行通信以识别适当的保护算法。[9]提出了一种去中心化的点对点保护协调方案,用于具有高DG渗透率的配电网络中的快速故障隔离。在该方法中,保护设备作为代理彼此通信以隔离故障部分。[10]提出了一种基于多代理的保护策略,利用传统的过电流继电器和IEDs。这些保护设备配备了IEC-61850通信协议以确保系统保护。
一些研究调查了与优化策略和继电器协调相关的工作。例如,在[11]中,开发了一种优化策略,以最小化继电器的时间设置、故障清除时间和捕捉电流。该方法使用粒子群优化(PSO)算法在IEEE 14节点系统上实施分析。[12]通过使用时间-电流-电压特征集和双配置方案改进了互联配电网络中的保护协调指数(PCI),用于定向过电流继电器。[13]提出了一种动态混合方法,用于最小化跳闸延迟并改善过电流继电器和接地故障继电器之间的协调,使用新的混合和动态跳闸特性。
还有一些研究提出了基于机器学习的保护方法。[14]提出了一种无需通信基础设施的分布式自适应保护方案。在该研究中,使用神经网络训练智能电子设备(IEDs)进行故障分类,采用Cuckoo Search算法。该研究专注于识别低阻抗故障,未涉及高阻抗故障的检测、定位或相位识别。[15]提出了一种基于新型深度强化学习算法的无模型在线方法,用于动态形成多个微电网,以增强电网弹性。该研究使用拓扑转换方法和解耦的Q值来减少灵活切换操作导致的大动作空间。[16]提出了基于机器学习的优化方法,用于使用PMU数据(包括频率和电压)在电网线路中进行故障检测、分类和定位。该研究使用模糊方法进行故障检测,决策树和随机森林进行故障类型分类,神经模糊推理系统用于故障定位估计。[17]提出了一种基于卷积神经网络(CNN)的故障分类方法,用于具有DG的配电网络,使用原始的采样三相电压和电流数据,在各种故障和非故障条件下进行故障分类,无需特征提取。该方法仅进行故障分类,未考虑研究网络内的故障定位。另外,这种方法的集中式特性可能在可靠性和数据安全方面带来挑战。[18]提出了一种联邦学习(FL)的应用,用于提高资源有限的 Critical 基础设施的弹性。该方法利用高效的本地代理数据进行学习过程,无需与外部实体共享数据来预测网络停电。[19]提出了一种混合数据驱动和分析模型,用于使用广域监控系统(WAMS)检测高阻抗故障。该方法估计系统状态变量,分析特征值矩阵,使用kmeans聚类等机器学习工具创建保护区,如果特征值超出预定义的保护区,则识别故障。该研究的局限性包括缺乏故障定位模块和检测高阻抗故障(超过500 Ω)的弱点。
还有一些研究专注于直流微电网中的故障检测和分类。[20]提出了一种基于机器学习的多代理平台的智能保护方案,用于直流网络。[22]提出了一种基于在两点测量电压的故障定位方法。研究对象是一个带有架空线的测试主动式配电系统。[23]提出了一种基于Hilbert-hung变换的故障检测和定位方法,适用于IEEE 13节点系统作为主动式配电网络。[24]提出了一种基于故障成分原理的故障检测和隔离方案,研究对象是一个具有三个馈线的10 kV主动式配电模型。[25]提出了一种基于卷积神经网络的故障分类和定位方案,适用于美国中西部的一个真实配电网络。[26]提出了一种基于经验小波变换和CRNN的故障检测和定位方案,适用于IEEE 13节点系统。[27]提出了一种基于分布式电压测量的低电流故障检测和定位方案,适用于一个测试的34节点配电网络。[28]提出了一种基于证据推理的故障选择方法,适用于IEEE 13节点系统作为配电网络。[29]专注于使用时间和阻抗方法的低压配电网络中的间歇性故障定位。[30]提出了一种基于LSTM网络的低阻抗和高阻抗故障检测和分类方案,适用于IEEE 14节点系统。[31]提出了一种基于深度学习和LSTM网络的故障检测和高效配电系统管理方法,适用于IEEE 33节点系统作为主动式配电网络。[32]提出了一种集成框架,结合了相位解耦的负荷流、基于模糊的严重性评估、基于混合粒子群优化的分布式发电布局和基于追踪的损耗分配,适用于不平衡的放射式配电网络。研究对象是一个19节点的不平衡放射式配电网络。
考虑到最新研究,表1列出了在该领域进行的一些研究的特点。表2总结了不同保护方案的优点和局限性。
表1. 最新研究中进行的研究的特点
| 参考文献 | 应用 | 系统类型 | 仿真 | 机器学习 |
|--------|------|---------|-------|---------|
| [2] | 基于深度学习的故障检测和定位 | 交流微电网 | DIgSILENT | 深度神经网络 |
| [3] | 多代理和自适应保护 | 故障检测和隔离 | 交流微电网 | MATLAB | 否 |
| [8] | 自适应保护 | 故障检测和隔离 | 交流微电网 | MATLAB和ETAP | 否 |
| [10] | 多代理保护 | 故障检测和隔离 | 交流微电网 | ETAP | 否 |
| [22] | 在两点测量电压 | 故障定位 | 一个测试的主动式配电网络 | MATLAB | 否 |
| [25] | 基于CNN的故障分类和定位 | 位于美国中西部的一个真实配电网络 | MATLAB和OpenDSS | 卷积神经网络 |
| [26] | 基于经验小波变换和CRNN的故障检测和定位 | IEEE 13节点系统 | MATLAB | 混合卷积递归神经网络 |
| [30] | 基于LSTM的低压和高阻抗故障分类 | IEEE 14节点系统 | MATLAB | 长短期记忆神经网络 |不同保护方案的优点和局限性
| 保护方案 | 优点 | 局限性 |
|---------|------|------|
| 基于物理模型的 | 提供系统的准确动态,适用于复杂网络,并在故障情况下提高性能 | 计算负荷高,计算复杂 |
| 广域测量系统 | 改进了监控和保护设备之间的协调 | 需要通信,容易受到网络攻击,成本高 |
| 基于机器学习的 | 高精度故障检测和分类,定义网络的不同运行状态 | 存在过拟合的挑战,依赖于高质量和多样化的数据 |
| 基于多智能体和机器学习的结合 | 更具适应性和可扩展性,提供模式识别,提高故障检测和系统管理 | 智能体之间的通信挑战,定义智能体的角色和需求,成本高 |
**提出的工作**
提出了一种两阶段保护方案,使用非深度神经网络(non-DNN)和局部备份保护代理(LBPA)来支持连接点的状态变化,并使用本地参数进行深度神经网络(DNN)的处理。这种方案依赖于通信来确定连接点的状态,并且在使用的数据集方面存在挑战。
**本文提出的框架**
在本文中,介绍了一种针对带有切换点的主动配电网络的两阶段混合保护框架,该框架结合了非DNN和基于DNN的代理。本研究的一些关键组成部分如下:
**研究空白和动机**:
带有切换点的主动配电网络面临多个保护挑战。其中最显著的挑战包括当切换点和连接点因任何原因改变状态时网络拓扑的变更。此外,当网络与主电网隔离时,网络结构可能会发生重大变化,导致先前分配的保护设置不再适合新的配置,最终导致协调性丧失。此外,使用通信基础设施传输网络参数数据需要高昂的投资成本,并且对网络安全和可靠性有严格要求,以抵御网络攻击和通信渠道中断。现有继电器在某些条件下也可能无法正常工作,例如线路末端故障,导致误操作或保护不足。
**研究内容**:
考虑到上述问题,本文提出了一个用于带有切换点的主动配电网络的保护系统框架,该框架包括连接点。主要目标是设计一个能够利用从这些点传输的二进制数据来识别网络拓扑和连接点状态的系统,并据此自适应地更新继电器设置。此外,该框架不依赖于通信基础设施,而是采用基于人工智能的技术和本地备份保护代理来检测复杂的故障情况,从而提高保护可靠性。这种方法通过消除对通信系统的依赖来满足现代配电网络的需求,并改进了保护性能。在提出的框架中,通信仅用于将切换点和连接点的二进制状态传输给拓扑识别代理,而备份保护代理不需要将网络参数传输到远程节点,从而避免了数据安全性的降低。
**贡献**:
本研究的主要贡献包括:
- 提出了一种用于检测带有切换点和分布式发电资源(DG)的主动配电网络中故障的两阶段混合保护框架。
- 提出了一种包括拓扑识别代理(TIA)和本地备份保护代理(LBPA)的两部分保护方案,后者用于检测故障。
- 利用拓扑识别代理和智能电表(IEDs)进行不同故障的检测和隔离,并使用基于DNN的本地备份保护代理来检测单相接地故障,无需任何通信。
**后续内容**
以下部分首先讨论了连接点的作用和重要性,然后描述了所提出框架的细节,重点介绍了所提出的算法和建模方法。之后,展示了仿真结果以及图形和数值结果。最后,进行了比较、讨论、结论以及潜在的未来工作。
**2. 主动配电网络中的切换点**
主动配电网络中的切换点包括通常处于开启状态(连接点)或关闭状态的开关或互连线路,它们可以在特定条件下(如故障事件或需要减少损耗时)改变状态,以修改网络拓扑。这些点使得网络重构成为可能,并有助于负载再分配、损耗减少和可靠性提高。连接点的主要优点包括:
(1) 通过优化电流流向减少功率损耗,从而可能提高效率;
(2) 通过将电压降较大的母线连接到网络更稳定的部分来改善电压分布,保持电压在0.95至1.05 p.u.的范围内;
(3) 在故障条件下提供备用供电路径,提高可靠性;
(4) 在馈线之间平衡负载,从而减轻设备压力;
(5) 通过管理双向功率流来支持分布式发电。
然而,连接点也引入了一些挑战,例如:
(1) 网络拓扑的动态变化会破坏传统的保护协调;
(2) 依赖于通信系统来监控开关状态;
(3) 双向电流导致保护复杂性,可能引起不必要的继电器操作;
(4) 需要额外的安装和维护成本;
(5) 易受针对通信系统的网络攻击的影响。因此,需要解决在主动配电网络中设计连接点所引发的问题和挑战。
**3. 研究的网络**
本节介绍了用于实施所提出保护框架的测试网络——修改后的IEEE 34母线系统。在分析了多个基准系统后,选择了修改后的IEEE 34母线标准配电网络[33]作为研究对象。该网络由配电线路、负载和DG单元组成。对原始网络的修改包括添加带连接点的切换点以及集成三个分布式发电单元(两个光伏系统和一个小型同步发电机)。网络运行在20 kV电压下,标称频率为50 Hz。假设光伏单元的渗透率为总负载的20%,而同步发电机的渗透率至少为10%。由于所提出的框架关注配备DG单元的配电网络,因此本研究中逆变器操作的主要焦点是网格跟随模式。图1显示了测试系统的单线图。网络的额外数值参数将在后续部分提供。
**4. 研究网络中的切换点和保护设备**
在可重构的测试网络中,根据[34]中介绍的分析和网络布局,定义了连接点和分段开关的位置,并进行了一些调整。总共设计并集成了三个切换点和一组连接点,包括两个连接点和一个分段开关。这些切换点及其相应母线的详细信息如下:
**5. 所提出的框架方法**
所提出的框架是一种针对主动配电网络的分布式和基于代理的保护系统。它仅依靠通信渠道将切换点的二进制状态传输给拓扑识别代理(TIA),而故障检测则由局部备份保护代理(LBPA)在需要时独立于通信渠道进行。值得注意的是,传输二进制信号造成的通信负荷可以忽略不计,而发送网络参数进行集中式故障检测则需要大量的数据交换。在所提出的方法中,故障检测是在本地独立于通信渠道进行的。因此,该保护框架由两个主要部分组成:
- 使用通过低带宽信号传输的切换点二进制状态来进行网络拓扑识别,随后根据识别的拓扑自适应地更新和协调继电器设置;
- 使用深度神经网络作为本地备份保护代理(第二阶段)来本地检测单相接地故障,以防安装的保护设备无法检测到故障。
**6. 总结**
所提出的保护系统在IEEE 34母线网络上实现,该网络具有预定义的切换点。图4和图5提供了所提出工作各组成部分的示意图和图形表示,图6展示了整个框架的算法。以下部分详细描述了每个组成部分,包括技术流程、算法和其他步骤。由于连接点状态的变化,测试系统的网络拓扑结构也随之改变。以下是不同拓扑结构下的示意图:
| 拓扑结构 | 连接点状态 |
|---------|-------------------------|
| Topology 1 | 开放 | 开放 | 关闭 |
| Topology 2 | 关闭 | 开放 | 开放 |
| Topology 3 | 开放 | 关闭 | 开放 |
| Topology 4 | 开放 | 开放 | 开放 |
| Topology 5 | 关闭 | 关闭 | 关闭 |
| Topology 6 | 开放 | 关闭 | 关闭 |
| Topology 7 | 关闭 | 开放 | 开放 |
| Topology 8 | 关闭 | 开放 | 关闭 |
基于这些定义的拓扑结构,我们建立了一个查找表(表4),用于确定IED(智能电子设备)的拾取电流设置,以确保每个网络拓扑的IED设置都能得到适当的更新。由于减少IED设置组的数量可以简化设置变更过程,因此一些设置在不同拓扑结构之间进行了修改,如表5所示。这种调整减少了每个IED的设置组数量,并有助于在拓扑结构变化时的协调。需要注意的是,在实现的协调方案中,光伏分布式发电单元在发生故障后,会通过两种保护程序(包括内部保护和DG母线的IED)立即从网络中断开。
**表4. 不同拓扑结构下IED的预定拾取电流设置(A为20 kV):**
| IED | Topology | 设置值 |
|---------|--------|-------------|
| IED-1 | T1 | 99.6 |
| IED-2 | T2 | 98.4 |
| IED-3 | T3 | 94.8 |
| IED-4 | T4 | 57.6 |
| IED-5 | T5 | 94.8 |
| IED-6 | T6 | 57.6 |
| IED-7 | T7 | 94.8 |
| IED-8 | T8 | 98.4 |
| IED-9 | T9 | 99.6 |
| IED-10 | T10 | 13.2 |
**表5. 为促进设置组变更,修改后的不同拓扑结构下IED的预定拾取电流设置(A为20 kV):**
| IED | Topology | 设置值 |
|---------|--------|-------------|
| IED-1 | T1 | 100 |
| IED-2 | T2 | 100 |
| IED-3 | T3 | 100 |
| IED-4 | T4 | 100 |
| IED-5 | T5 | 100 |
| IED-6 | T6 | 100 |
| IED-7 | T7 | 100 |
| IED-8 | T8 | 100 |
| IED-9 | T9 | 100 |
| IED-10 | T10 | 100 |
从实际部署的角度来看,通过现代IED中的多个设置组功能来管理TIA生成的适应性设置。每个由开关点的二进制状态确定的可信网络配置都映射到IED内部存储器中存储的特定设置组。接收到拓扑变化信号(例如通过IEC-61850 GOOSE消息)时,代理会触发一个逻辑操作来切换活动设置组。
**基于DNN的本地备份保护代理(LBPA)用于故障检测:**
LBPA是一个作为主要IED补充支持的本地模块。利用DNN,该代理可以检测故障;如果主要IED由于某种原因未能识别故障,则会在预定义的时间延迟后发出跳闸信号。设计这个备份保护代理的主要目的是在不同拓扑结构中提高保护框架的可靠性,而无需依赖通信通道来传输网络参数。LBPA与安装的IED之间的交互方式如下:IED及其相应的LBPA都在安装点获取网络电流测量值。故障检测的主要责任仍由安装的IED承担,它们之间通过曲线进行协调。然而,如果使用DNN训练的LBPA检测到故障,它会等待一段短暂的时间(根据其在网络中的位置确定),之后再发出跳闸命令。如果故障在保护区内持续存在超过这个时间窗口,LBPA会向其所在区域的相关断路器发出跳闸信号以支持安装的IED。由于单相接地故障在配电网络中较为常见,因此本地备份保护代理专门设计用于检测这种类型的故障。在主要保护装置无法正常工作时,LBPA会确保及时发现故障并根据其角色发出跳闸命令。
**图7.** IED-1在单相接地故障(A相)期间的延迟检测示例,故障电阻为35 Ω。如图所示,IED在主要保护协调后的1秒多才检测到故障,这表示在主要保护区内有明显的延迟。在更严重的情况下,IED可能在某些网络中长时间无法检测到故障,从而导致严重的后果,例如网络火灾。然而,对于在线路6上、保护区末端发生的三相故障,IED-1可以在较短的时间内检测到故障(见图8)。
在提出的框架中,LBPA被本地添加到检测和隔离单相接地故障的过程中。因此,如果发生单相接地故障且IED未能在适当的时间检测到,LBPA首先会作为本地备份;如果故障未被清除,那么其他线路上的备份IED将根据它们的协调分别负责隔离故障线路。这些代理的优点在于它们可以在所有由开关点创建的拓扑结构中有效运行,因为正如后续章节中将介绍的,这些代理基于深度神经网络,针对开关点状态变化的各种情况进行了训练和评估。表6展示了在下游线路(zone-n)发生故障时,每个IED关联的LBPA的位置和角色。绿色房子表示保护元件的激活,红色房子表示保护元件的故障操作,蓝色房子表示保护元件未正常工作。
因此,在这个过程中,LBPA仅作为同一位置IED的备份,防止通过通信通道传输数据,并为单相接地故障提供本地备份,从而提高保护的可靠性。在提出的框架的故障检测过程中,LBPA从IED获取电流测量值后,对信号进行离散小波变换(DWT),以获得细节和近似系数。随后,提取这些系数的统计特征(包括均值、标准差、最大值、最小值、偏度和峰度),以提高过程的准确性,并将这些特征向量存储起来。最终使用这个特征向量来训练DNN,DNN分析电压和电流变化的模式以及其他相关参数。主要目标是消除对通信系统的依赖,实现每个IED的本地故障检测,并提高检测过程的鲁棒性和泛化能力。所提出的DNN模型包括门控循环单元(GRU)和密集层,非常适合分类任务。
为了基于本地数据进行有效故障检测,离线模拟了大量覆盖各种开关点状态和负载条件的场景,并在每个IED记录了故障和正常情况下的本地测量值(以波形形式)。这导致了一个包含不同网络拓扑下标记的故障和正常实例的全面数据集。虽然这些原始数据可以直接用于DNN训练,但操作条件的变化可能会降低网络的稳定性和准确性。因此,应用了信号处理和特征提取步骤,对记录的数据进行分类和处理,以提取相关特征。在本研究中,使用DWT计算细节和近似系数。这种方法降低了数据对噪声的敏感性,并提高了深度学习模型信号模式的可解释性。对于每个信号和每个分解级别,获得两个系数(细节和近似值)。接下来,从这些系数计算统计特征(如均值、标准差等),并将其存储为特征向量。这些向量作为DNN模型的输入。表7展示了所使用的离散小波变换家族、分解级别和考虑的统计特征。考虑到五个电流参数、6个统计特征和12个小波系数,每个故障和正常实例的输入特征总数达到360个,用于训练和评估DNN模型。除了表中提到的小波家族外,我们还测试了一些其他具有不同分解级别的小波家族,包括db4(L=8)、sym5(L=6)、coif3(L=5)、db5(L=9)、sym3(L=8)、db2(L=4)、db10(L=5)和sym4(L=3)。
**表7. 离散小波变换家族的规格、分解级别和特征提取类型:**
- 小波变换家族 | 分解级别(L)
- db4 | 3 |
- sym5 | 3 |
- coif3 | 3 |
- 总DWT系数数 | 24 |
- 使用的系数数:12 |
**LBPA用于故障检测过程的本地IED数据输入包括:**
- 三相电流参数(Ia、Ib、Ic)
- 电流序列分量;零分量和正分量(I0、I1)
下一步涉及设计深度学习模型的架构。在本研究中,由于GRU和密集层在数据分类方面的有效性能,因此采用了它们进行故障检测。所使用的DNN包括一个包含特征向量的输入层、四个隐藏的GRU和密集层、一个输出密集层,以及必要时的Dropout层来规范数据并防止过拟合。每个隐藏层使用Relu激活函数,输出层使用Sigmoid激活函数。输出是一个神经元,表示网络中是否存在故障,用二进制值“1”或“0”表示。从模拟数据中提取的所有特征都根据故障和正常情况进行标记,并组织成特征向量,反映模拟期间的网络状态和相应信号特性。使用的损失函数是二元交叉熵,适用于二元分类任务。在训练过程中应用了诸如Adam和RMSprop之类的优化器,学习率(LR)分别为0.00001、0.0001和0.001。
DNN嵌入在LBPA中,输入包括三相电流和电流序列分量,输出提供二进制故障检测结果。如所述,DNN结构包括隐藏的GRU和密集层来分类故障。备份DNN模型使用不同的开关点状态下的各种故障和正常场景进行离线训练,评估过程与训练同时进行。下一节将提供训练和评估过程的详细描述。图9展示了LBPA中使用的DNN架构。
在本节中,描述了本研究提出的框架。所提出的保护框架能够识别由开关点创建的网络拓扑结构,从而可以将相应的自适应设置应用于IED。此外,该框架还包括一个本地备份保护代理,它在不依赖通信通道的情况下支持安装的IED的决策,确保如果主要IED未能检测到故障,LBPA可以识别故障并发出跳闸命令。该框架由两个主要部分组成:第一部分是TIA,它确定由开关点创建的网络拓扑并制定拾取电流设置和协调的调度表;第二部分是LBPA,它使用深度神经网络在本地检测故障,无需通信,支持由开关点操作在不同拓扑结构中的主要IED。下一节将提供模拟、相关场景和结果的详细描述。
### 6. 仿真和数值结果
本节介绍了测试网络的详细信息,定义了用于训练本地备份保护代理深度神经网络的模拟故障和正常场景,描述了所提出框架第二部分中使用的DNN结构,并展示了从各种模拟场景获得的数值结果,以评估所提出的工作效果。用于实现所提出框架的软件工具包括DIgSILENT Power Factory及其编程环境(DPL)、MATLAB以及Python编程环境(TensorFlow平台和Keras库)。表8概述了根据不同软件和编程环境组织的所提出工作的实现步骤。表8. 所提出框架各组成部分的实现步骤和软件环境。所提出的框架部分实施环境研究的网络仿真DIgSILENT P.F.应用故障和非故障场景DPL预处理、处理、应用DWT和特征提取MATLAB设计和创建深度神经网络Python:Tensorflow平台和Keras库深度学习模型的训练和验证过程Python:Tensorflow平台和Keras库6.1. 研究的网络细节图3显示了测试网络的简化单线图。如前所述,研究的网络是一个运行在20 kV和50 Hz下的主动配电网络,永久连接到主电网。因此,在这项研究中,没有定义孤岛运行模式作为电网的主要运行模式,与控制和能源管理相关的主题,即在电网与主电网断开连接的情况下,可以在未来的工作中进行研究。网络连接有三个分布式发电单元,包括光伏系统和容量分别为320 KW和205 KW到1 MW的小型同步发电机。光伏单元基于逆变器,而同步发电机通过交流电压连接到网络。网络中使用的保护设备包括线路IED、DG IED和熔断器。此外,在每个IED位置还安装了TIA、LBPA和断路器。测试网络包括三个主要的切换点,其细节在前面的章节中已经提供。这些切换点可以根据网络条件和操作员的决定打开或关闭。表9展示了测试网络的规格,图10展示了在DIgSILENT仿真环境中建模的网络单线图。表9. 研究的网络特性。参数值DG-PV1容量320 KWDG-PV2容量320 KWDG-SG容量205 KW – 1 MW功率因数0.8超前,0.8滞后系统电压20 kV频率50 HzDG-PV类型基于电压源的逆变器保护设备智能电子设备(IED)采样频率1 kHz下载:下载高分辨率图像(384KB)下载:下载全尺寸图像图10. DIgSILENT环境中的研究网络单线图。6.2. 网络中的故障发生场景及继电器性能在本节中,介绍了网络中不同线路发生故障的一些示例以及第一阶段保护中保护IED的性能。由于本研究的重点不在于继电器协调优化方法,后续章节将更多地关注备用保护代理。图11展示了测试网络第30条线路50%处发生Rf=10欧姆的三相故障。观察到,保护系统成功清除了网络中的故障。图12显示了故障清除过程和相关IED及断路器的操作。光伏分布式发电单元通过其内部保护从网络中断开,与IED-6关联的断路器在短暂延迟后成功清除了故障。此外,图13展示了在第6条线路50%处发生Rf=40欧姆的二相故障的结果。观察到,位于(线路)的IED-1在大约495毫秒内检测到故障并隔离了故障线路。下载:下载高分辨率图像(250KB)下载:下载全尺寸图像图11. RMS仿真中的故障电流波形及其清除。下载:下载高分辨率图像(464KB)下载:下载全尺寸图像图12. 故障清除过程中与IED-1关联的断路器操作。下载:下载高分辨率图像(271KB)下载:下载全尺寸图像图13. 使用瞬时特性曲线保护在RMS仿真中的故障电流波形及其清除。基于前面章节的讨论以及保护系统在网络中存在电阻的单相接地故障时表现不佳的情况,现有的协调机制也可能无法正确清除故障,使网络易于受到某些故障的影响。因此,在所提出的保护框架中引入了LBPA。当主要IED未能在指定时间内清除故障时,LBPA会采用基于DNN的方法来检测故障并向本地断路器发出跳闸命令。以下章节将介绍本地备用保护代理的设计过程。6.3. 为数据收集定义不同的网络场景由于本研究中的LBPA使用DNN进行故障检测,因此需要准备相关数据集以使深度学习模型能够进行训练和验证。为此,为LBPA的DNN生成了两种类型的数据集:一种用于训练,另一种用于验证。以下部分介绍并描述了用于创建这些数据集的离线模拟的各种网络场景。6.3.1. 用于故障检测的故障和非故障场景本节介绍用于训练和评估LBPA-1 DNN的故障和非故障场景。除了非故障场景外,还模拟了在各种条件和网络拓扑下由切换点引起的故障情况,并将相应的IED电流参数记录在Excel文件中。模拟是使用DIgSILENT及其DPL环境离线进行的。表10展示了模拟的故障场景,表11展示了用于数据处理步骤以及最终用于LBPA DNN故障检测训练和评估的非故障场景。其他备用保护代理的故障和非故障场景的一般规格与LBPA-1相同。表10. 备用保护代理训练数据模拟中故障场景的特性。参数场景结构案例数量故障线路1-3434拓扑和运行模式与连接点相关的拓扑8故障位置每条线路的50%2负载连接1故障电阻3种故障电阻(0、8和16欧姆)3故障类型单相对地故障3总故障场景4,896个故障场景表11. 用于本地备用保护代理模拟中的非故障场景的特性。参数场景结构案例数量主要拓扑放射形1运行模式并网模式1拓扑变更和非故障条件下的不同模拟(案例1)以及与负载和电容器切换相关的条件(案例2)8种与连接点相关的拓扑(案例1)以及与负载和电容器切换相关的条件(案例2)1,688个总非故障场景1,688个非故障场景6.4. 训练和验证数据划分如前所述,深度神经网络需要训练和验证过程,在此过程中使用准备好的数据集来训练网络,而验证数据用于评估模型的性能。有一些使用数据的方法,如下所述:•使用数据集的一部分作为验证数据:在这种方法中,数据集的一个子集(通常为25–30%)被分离出来用于验证。由于没有使用新数据,DNN可能会记住训练数据而不是泛化未见过的场景。•使用新数据作为评估数据:这里从一开始就独立准备了一个与训练模拟不同的条件的数据集。这种方法的优点是评估使用完全新的数据,提供了更可靠的DNN验证。然而,它需要准备额外的数据集。在本研究中,数据集的一部分被用作验证数据,用于评估DNN性能的数据与训练数据集不同,确保网络的输出准确性可靠,并减少数据泄露的可能性。6.5. 深度神经网络架构的详细信息在前面的章节中讨论了本研究中提出的深度神经网络的一般概念。在本节中,表12展示了与LBPA相关的DNN的详细架构。由于故障检测需要使用大量的故障和非故障数据进行训练,因此相应的DNN架构更为复杂,包含更多的参数。表12. 用于备用保护代理的深度神经网络的规格。参数描述层数6层层类型GRU和Dense(全连接)激活函数Sigmoid和ReLu训练周期50-150优化器函数RMSprop和Adam批量大小32和64损失函数二元交叉熵(如需要,还包括分类交叉熵)6.6. 数据记录过程中的故障电流波形(拓扑1)在本节中,展示了几种在数据记录过程中用于数据集收集的故障电流波形。这些波形展示了五个参数:相电流(Ia)、(Ib)和(Ic)、正序电流(I1)和零序电流(I0)。图14展示了第6条线路A相发生8 Ω故障电阻的单相接地故障的电流。图15展示了第6条线路B相发生零故障电阻的单相接地故障的电流。图16对应于第6条线路C相发生16 Ω故障电阻的单相接地故障。在所有情况下,故障都在一定时间后从网络中清除。下载:下载高分辨率图像(366KB)下载:下载全尺寸图像图14. RMS仿真中第6条线路A相的故障电流波形。下载:下载高分辨率图像(362KB)下载:下载全尺寸图像图15. RMS仿真中第6条线路B相的故障电流波形。下载:下载高分辨率图像(399KB)下载:下载全尺寸图像图16. RMS仿真中第6条线路C相的故障电流波形。6.7. LBPA性能的数值结果(故障检测)在本节中,表13展示了LBPA DNN的性能结果。准确性指标用于评估这些代理在训练和验证数据集上的输出。准确性定义为正确预测的案例数量与总案例数量之比,是评估LBPA故障检测性能的主要指标。该指标为操作员提供了所提出保护框架有效性的全面视图。此外,图17展示了训练数据的混淆矩阵(案例1的数据集),图18展示了验证数据的混淆矩阵(案例2的数据集)。准确性指数(%)=正确分类的事件数量/总事件数量×100表13. LBPA的准确性。指数准确性和值对于案例1的数据集训练数据中的故障案例数量3427训练数据中的非故障案例数量761验证数据中的故障案例数量1469验证数据中的非故障案例数量327验证数据的准确性100%验证数据中正确分类的故障数量(对于验证数据)1469验证数据中正确分类的非故障数量(对于验证数据)327验证数据中错误分类的故障数量(对于验证数据)0验证数据中的非故障数量(对于验证数据)0对于案例2的数据集训练数据中的故障案例数量3427训练数据中的非故障案例数量1211验证数据中的故障案例数量1469验证数据中的非故障案例数量477验证数据的准确性100%下载:下载高分辨率图像(162KB)下载:下载全尺寸图像图17. 训练数据和验证数据的混淆矩阵(案例1的数据集)。下载:下载高分辨率图像(100KB)下载:下载全尺寸图像图18. 验证数据的混淆矩阵(案例2的数据集)。图19展示了案例2数据集中用于LBPA的DNN的训练过程和性能,显示了前100个训练周期内的平均绝对误差、损失函数值和验证数据的准确性。本研究提出的框架中故障检测的高准确性部分归因于选择了最佳参数组合,用于特征提取和深度学习过程。这些结果表明,深度神经网络能够准确检测由切换点引起的各种拓扑结构中的故障,实现了全面的故障识别。下载:下载高分辨率图像(328KB)下载:下载全尺寸图像图19. 验证数据中DNN模型在100个训练周期内的性能(对于案例2的数据集)。7. 比较在本节中,对研究中不同的保护方案进行了比较。在表14中展示的比较中,考虑了几项内容以阐明所提出框架的优越性和劣势。表14. 所提出框架与现有研究成果的比较。使用的方法故障检测准确性故障定位准确性数据传输类型研究的网络[6]多代理和自适应保护仅隔离分析-基于通信的配电网络[35]基于叠加电压能量的96.60%(对于Monitor 3)6.5%(对于GRNN 3)基于本地的配电网络[36]定制的人工神经网络96.08%4.92基于通信的配电网络[3]多层保护方案99.92%2.51%基于通信的装有MGs的主动配电网络[2]深度神经网络99.25%3.20%基于本地的AC微电网[21]决策树和循环神经网络99.11%1.69%(对于5个测试数据)基于通信的DC微电网所提出的工作两阶段保护框架100%-基于本地的测量参数配备有DGs的34母线配电系统8. 讨论、结论和未来研究方向本节致力于总结研究的发现,并根据获得的结果提供一个定性的结论。考虑到前几节中介绍的方法论,该方法论重点关注在具有切换点的主动配电网络中开发保护系统,使用了TIA和LBPA代理。本文讨论了研究的总体结果。所提出的混合框架包括网络拓扑识别、继电设置的自适应更新以及使用无需通信的本地备份保护代理(对于LBPA)进行故障检测。本研究旨在解决具有切换点的主动配电网络中的保护问题。研究的网络是一个经过修改的IEEE 34节点网络,该网络具备一组允许网络重构的指定切换点。研究方法基于使用从切换点接收到的信号来检测网络拓扑的TIA。此外,继电设置进行了自适应更新,并考虑了基于深度神经网络的LBPA用于故障检测。结果表明,尽管存在切换点,这种方法仍能够准确检测故障;而在没有故障检测通信通道的情况下,它还缩短了保护响应时间。这些成就有助于提高主动配电网络的运行效率,并为管理分布式发电带来的挑战提供了实用的解决方案。该方法不仅降低了成本,还在关键条件下(例如在传输大型非二进制网络参数时通信网络发生故障)保持了保护的稳定性。由于切换点导致的拓扑变化后继电设置的自适应更新改善了保护协调性,减少了不必要的停电和错误决策。本地备份保护代理(第二阶段)通过弥补初级IED(第一阶段)的覆盖盲区,增强了系统安全性。这些发现凸显了将智能技术(如DNN)与传统继电器结合在主动配电网络中的巨大潜力,并为整合分布式发电提供了可持续的解决方案。然而,对离线训练的依赖可能是一个限制;这一挑战可以通过使用先进的学习方法来克服,特别是如果考虑了多种故障和非故障场景。此外,在所有保护方案中,可扩展性也可能是一个挑战;但是,所提出框架的第二阶段(涉及LBPA)也可以应用于更大的网络,前提是深度神经网络根据新网络的数据进行训练。另一方面,与集中式方案(使用更多IED参数)相比,本地方案中可用的测量数据多样性有限,这可能会成为深度神经网络训练过程中的另一个限制。基于研究主题和结果,对未来研究方向提出以下建议:
- 扩展到更大规模的网络:研究系统在具有100个以上节点和额外切换点的网络中的性能,以评估可扩展性。
- 与新兴技术的整合:使用现代和先进的学习方法,并将DNN与物联网(IoT)相结合。
- 实地测试:在小型配电网络中实施该系统,以评估实际性能和相关成本。
- 可以在未来的独立工作中研究所研究网络的控制和能源管理需求,以及由于切换点和故障后配置而产生的各种拓扑结构下的分布式发电(DGRs)。
CRediT作者贡献声明:
Rahmat Aazami:撰写——原始草稿、验证、方法论、调查、概念化。
Sajjad Dehyaa Mohsin:撰写——原始草稿、软件、数据管理、概念化。
Saman Esmaeilbeigi:验证、软件、方法论、调查。
Mohammad Javadi:撰写——审稿与编辑、验证、监督、数据管理。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号