基于深度学习的预防性继电器整定校准增强高分布式能源渗透电网保护协调鲁棒性

《Systems》：Enhancing Protection Coordination Robustness in DER-Rich Grids Through Deep Learning-Based Preventive Relay Setting Calibration

　　

分布式能源（DERs）渗透率的不断提高引入了显著的运行不确定性，对配电网中传统保护协调的可靠性和鲁棒性提出了挑战。传统优化方法能够获得高质量的继电器整定值，但其迭代计算负担限制了其在实时自适应中的直接应用。为解决这一问题，研究人员提出了一种基于深度学习的预防性继电器整定校准框架，用于增强高DER渗透配电网的保护协调鲁棒性。所提出的方法采用离线-在线架构。在离线阶段，研究人员将一种改进的启发式算法与基于ETAP的故障分析相结合，在广泛的DER发电和负荷需求场景下生成高质量优化的时间倍数设置（TMSs）和启动电流设置（PCSs）的综合数据集。随后，训练一个卷积神经网络（CNN）学习从多维故障电流特征到相应优化继电器整定向量的非线性映射。在在线阶段，训练好的CNN作为预测替代模型，快速为当前运行条件推荐协调的继电器整定值。该框架使用一个16节点配电系统和IEEE 37节点测试馈线进行验证。结果表明，在所研究的高DER运行场景下，所提出的方法能够恢复正确的主-后备继电器动作顺序，并将协调时间间隔（CTIs）维持在所需的0.2–0.4 s范围内。这种基于CNN的预防性校准方法提供了一种快速、自适应的决策支持工具，用于提高保护协调对DER引起的运行不确定性的鲁棒性。

**论文解读：基于深度学习的预防性继电器整定校准增强高分布式能源渗透电网保护协调鲁棒性**

**研究背景**

随着全球能源转型加速，分布式能源（DERs）的渗透率不断提高，传统配电网从无源、单向的被动系统转变为有源、双向的复杂系统。DERs固有的间歇性和双向潮流特性引入了显著的运行不确定性，导致传统过电流保护方案在故障电流幅值、方向及分布上发生剧烈变化，进而引发保护协调失效，如主后备继电器动作顺序错乱或协调时间间隔（CTI）超出允许范围（0.2–0.4 s）。现有研究多采用启发式优化算法（如改进粒子群算法MPSO、改进免疫算法RIA）获取高质量继电器整定值，但这些算法迭代计算负担重，难以直接用于在线实时自适应调整。基于人工智能的方法虽能快速预测继电器动作时间或进行故障分类，但多数研究未直接预测所有协调继电器的完整整定参数（时间倍数设置TMS与启动电流设置PCS），且缺乏对物理协调性能（如主后备动作序列与CTI约束）的验证。因此，有必要开发一种既能保证整定质量又能满足在线快速响应需求的预防性整定校准框架。

**研究内容与结论**

为此，研究人员提出了一种基于深度学习的预防性继电器整定校准框架，采用离线-在线架构。在离线阶段，利用改进的启发式算法（RIA和MPSO）结合ETAP软件进行故障分析，在广泛的DER发电与负荷需求场景下生成大量高质量优化TMS和PCS标签数据；随后训练一个轻量级卷积神经网络（CNN）学习多维故障电流矩阵到完整整定向量的非线性映射。在在线阶段，已训练的CNN作为快速替代模型，根据当前运行条件即时推荐协调的继电器整定值。该框架在16节点配电系统和IEEE 37节点测试馈线上验证。结果表明：CNN预测的整定值能够恢复正确的主-后备继电器动作序列，并将CTI维持在0.2–0.4 s范围内；在16节点系统中消除了固定整定下的12个误协调事件，在IEEE 37节点系统中消除了6个关键误协调事件。该研究桥接了离线优化质量与在线响应速度之间的计算鸿沟，为高DER配电网提供了实用的保护协调鲁棒性增强工具。论文发表在《Systems》。

**主要关键技术方法**

（不超过250字）
主要关键技术包括：（1）基于改进免疫算法（RIA）和改进粒子群算法（MPSO）的离线启发式优化，用于生成高质量TMS和PCS标签；（2）基于ETAP的故障分析，通过预定故障位置构建R×M维故障电流矩阵（R为协调继电器数，M为故障位置数）；（3）卷积神经网络（CNN）架构，由两个卷积块（32个3×3核和64个3×3核，ReLU激活）和两个全连接层（128神经元）组成，输入为故障电流矩阵，输出为2R维TMS/PCS向量，使用均方误差（MSE）损失和Adam优化器训练，并采用早停策略；（4）数据集在场景级划分，避免数据泄漏。样本来源：16节点系统共4680个可行场景，IEEE 37节点系统共6277个可行场景，均基于DER发电与负荷需求在±50%范围内随机采样并经潮流可行性筛选。

**研究结果**

**4.1 案例研究与实验设置**
研究人员建立了两个测试系统：16节点22.8 kV实际配电网络（含6台分布式发电机DG）和IEEE 37节点标准测试馈线（含9台DG）。通过设定不同DER渗透率（16节点：10%、30%、50%、70%；IEEE 37节点：50%、65%、82%）并结合负荷变化，生成覆盖广泛运行条件的场景数据集。数据集经潮流可行性筛选后用于模型训练、验证和测试（场景级划分）。

**4.2 模型训练与验证结果**
CNN训练损失曲线快速收敛，验证损失与训练损失紧密跟随，未出现明显过拟合。输入扰动敏感性测试（对故障电流矩阵施加±3%随机扰动）显示，CNN预测的TMS和PCS值分布集中，表明模型对小幅测量变化具有容忍度。与多层感知机（MLP）基线对比，CNN在16节点系统中将TMS的MAE从0.023降至0.015，MAPE从2.68%降至1.72%；在IEEE 37节点系统中将TMS的MAE从0.037降至0.021，MAPE从3.01%降至2.30%，证明保留故障电流矩阵结构进行卷积特征提取对整定预测更有利。

**4.3 案例研究1：16节点系统性能分析**
固定整定下，三个测试案例（分别对应不同DER渗透率）共出现12个误协调事件（CTI违规）。应用CNN预测整定后，所有误协调均被消除，主后备继电器在预期顺序下动作，CTI值在0.2–0.4 s范围内。TCC曲线可视化验证了协调结果。

**4.4 案例研究2：IEEE 37节点系统性能分析**
固定整定下，三个测试案例共出现6个关键误协调事件（如后备继电器比主继电器更快跳闸）。CNN预测整定后，所有误协调被消除，CTI恢复至协调裕度内。TCC曲线进一步验证了主后备动作序列的正确性。

**4.5 计算效率对比**
离线优化阶段，RIA和MPSO对单一场景平均耗时约300 s和250 s；而在线CNN推理仅需约0.05 s。该离线-在线架构将计算负担从在线运行转移至离线训练，支持近实时继电器整定决策支持。

**讨论总结**
讨论部分指出，DER渗透导致保护误协调的机制主要是故障电流幅值、方向和分布的重新分配，使固定整定值失效。CNN通过学习系统级故障电流签名与优化整定之间的映射，可有效恢复协调。实际部署中，CNN输出应视为决策支持建议，需通过整定边界检查、CTI验证、继电器序列确认及安全工程程序后实施；永久性拓扑变更需重新生成数据集并微调模型。局限性包括：模型性能依赖离线数据集的代表性；未考虑缺失测量、通信延迟等更广泛鲁棒性；启发式优化标签为高质量解而非全局最优。未来工作将探索迁移学习、增量学习及硬件在环验证。

**结论翻译**
DER渗透率的不断提高引入了故障电流幅值、方向和分布的显著变化，使得传统固定整定过电流保护方案越来越容易发生误协调。为解决这一问题，本文提出并评估了一种基于深度学习的预防性继电器整定校准框架，用于增强高DER配电网的保护协调鲁棒性。该框架采用离线-在线架构。在离线阶段，结合RIA和MPSO等启发式优化算法与基于ETAP的故障分析，在多种DER发电和负荷需求场景下生成高质量优化TMS和PCS值的综合数据集。训练数据集由在预定变化范围内随机采样的DG/负荷运行场景构建，经潮流可行性分析筛选，并在运行场景级划分以减少数据泄漏。在在线阶段，训练一个轻量级CNN作为快速替代模型，学习系统故障电流签名与相应优化继电器整定向量的非线性映射。该框架使用16节点配电系统和IEEE 37节点测试馈线进行评估。结果显示，训练好的CNN模型在训练过程中平稳收敛，并在±3%故障电流输入扰动下表现出稳定的预测行为。CNN还实现了比MLP基线更低的预测误差，表明通过卷积特征提取保留继电器-故障位置故障电流矩阵结构对继电器整定预测有利。ETAP验证结果进一步表明，CNN预测的整定值能够恢复预期的主-后备继电器动作顺序，并在所研究的高DER场景下维持CTI约束。在16节点系统中，所提出的方法消除了固定整定下观察到的12个误协调事件。在IEEE 37节点测试馈线中，该方法也消除了基线案例中识别的6个关键误协调事件，表明其适用于更大、更复杂的配电测试系统。基于IEEE 37节点测试系统的计算结果进一步显示，RIA和MPSO在离线优化阶段为单一运行场景生成优化继电器整定标签分别需要约300 s和250 s，而训练好的CNN替代模型在在线推理中可在约0.05 s内提供继电器整定建议。这些结果表明，所提出的离线-在线架构将主要计算负担从在线运行转移至离线训练，并支持近实时继电器整定决策支持。总之，本研究桥接了启发式优化与实时保护决策支持之间的计算鸿沟。通过快速推荐协调的TMS和PCS值，所提出的基于CNN的预防性校准框架为改善高DER配电网的保护协调鲁棒性提供了实用工具。实际部署中，CNN输出应作为决策支持建议，并在实施前通过整定边界检查、CTI验证、继电器序列确认和安全工程程序进行验证。此外，重大的永久性拓扑变更需要在应用已训练CNN到修改后的网络之前更新数据集并重新训练或微调模型。