《Scientific Reports》:Optimized data-driven strategy for fault region identification, type classification, and location prediction in a multi-source wide area power system under practical conditions
编辑推荐:
大规模多机电力系统中的故障识别仍是维持电网稳定性与可靠性的关键挑战。现有方法通常假设理想化的金属性短路(solid fault)故障条件,难以适用于故障电阻显著影响系统行为的实际场景。本文提出了一种综合的两阶段深度学习框架,同时处理理论金属性短路故障与实用非金
大规模多机电力系统中的故障识别仍是维持电网稳定性与可靠性的关键挑战。现有方法通常假设理想化的金属性短路(solid fault)故障条件,难以适用于故障电阻显著影响系统行为的实际场景。本文提出了一种综合的两阶段深度学习框架,同时处理理论金属性短路故障与实用非金属性短路(non-solid fault)故障场景。第一阶段开发了增强型长短期记忆(Long Short-Term Memory, LSTM)架构,显著改进了近期文献报道的研究结果。此外,第二阶段在大规模多机电力系统中引入故障建模,考虑了0.1–50 Ω的宽故障电阻范围。该模型采用具有优化超参数的双向长短期记忆(bidirectional LSTM, BiLSTM)架构。在两区域11节点(two-area 11-bus)基准系统上的广泛验证表明,所提出的框架能够成功检测、分类并定位理想与实际电力系统故障。所提出的数据预处理方法以及对LSTM设计的优化,显著提高了广域电力系统的故障识别精度。
**研究背景与现存问题**
现代电力系统是当代文明的基础设施,支撑关键基础设施与经济活动的可靠电力供应。故障检测与诊断能力是维持系统可靠性、保障公共安全与防止灾难性失效的根本保障。据统计,美国每年因停电造成的经济损失约为800亿美元;全球范围内,电力系统可靠性每下降1%可导致约116亿美元的经济损失。传统故障检测方法依赖阻抗测量、保护继电器与基于规则的专家系统,易受线路负荷变化与故障电阻影响,难以应对复杂故障场景。离散小波变换(Discrete Wavelet Transform, DWT)方法虽能分解故障信号的不同频率成分,但计算复杂且受实时性限制;行波法定位精度高但实现成本高且易受噪声影响。近年来,深度学习技术因其从历史数据中学习复杂模式并适应系统条件变化的能力而受到广泛关注,LSTM网络在电力系统故障分类中已展现出优于传统机器学习方法的性能。然而,现有研究仍存在三方面关键空白:第一,针对广域多机系统的深度学习故障识别框架几乎仅在金属性短路假设下评估,故障电阻范围很少超过20 Ω,与实际电力系统中广泛存在的非金属性(电阻性)故障不符;第二,现有LSTM架构缺乏双向时序处理与系统化超参数优化,导致Belagoune等报道中R7-8与R8-9等区域的故障区域识别精度仅为73%–76%;第三,将故障区域信息作为下游分类与定位模型的条件输入尚未被探索。上述空白共同限制了现有方法在实际故障条件下的适用性,亟需开发可处理宽故障电阻范围的优化数据驱动故障识别框架。
**研究内容与实施方案**
针对上述问题,研究人员以Kundur四机两区域11节点基准系统(两区域各含两台同步发电机,经两条220 km联络线互联,母线5–11构成输电网络)为对象,提出了两阶段深度学习框架。第一阶段遵循Belagoune等的金属性短路故障建模方法,在六个输电区域(R5-6至R10-11)上模拟十种金属性短路故障(AG、BG、CG、AB、AC、BC、ABG、ACG、BCG、ABC)及无故障条件,共生成1,081个训练样本与1,481个测试样本。第二阶段专门针对占实际故障约80%的单相接地(single-line-to-ground, SLG)故障,在0.1–50 Ω宽故障电阻范围内生成3,672个样本,并以80/20智能划分策略确保测试集中的故障电阻与位置组合在训练中完全未见,从而严格评估模型对未见过实际场景的泛化能力。第一阶段分别构建改进LSTM架构的故障区域识别(Fault Region Identification, FRI)、故障类型分类(Fault Type Classification, FTC)与故障定位预测(Fault Location Prediction, FLP)模型;第二阶段采用双向LSTM(BiLSTM)架构并通过贝叶斯优化确定网络深度、隐藏单元数、dropout率、学习率与正则化系数。为保证级联系统真实性,测试时下游模型接收上游预测输出而非真实标签,以忠实模拟实际端到端流水线行为。
**关键技术方法**
样本全部来自Kundur四机两区域11节点基准系统的MATLAB/Simulink仿真数据,相量测量单元(PMU)以60 Hz采样记录母线5–11的电压电流相量。第一阶段FRI模型采用三层200单元堆叠LSTM结合批归一化与dropout 0.5;FTC采用双层128单元BiLSTM;FLP采用两层150单元LSTM。第二阶段FRI与FLP均采用BiLSTM架构,以高斯过程代理模型(Matérn 5/2核)与期望改进采集函数执行贝叶斯超参数优化(约200次迭代预算)。预处理方面,第一阶段采用零均值单位方差归一化,第二阶段采用中位数-中位数绝对偏差(median-MAD)鲁棒归一化,并配合相角解卷绕与±5尺度离群值裁剪。
**研究结果**
**金属性短路故障FRI模型:**通过混淆矩阵分析,整体分类精度达99.56%,六个区域中五个区域实现100%准确率,R8-9区域为98.52%,较文献基线87.7%提升11.86个百分点,其中此前性能最差的R7-8与R8-9区域分别达到100%与98.52%。
**FTC模型:**整体精度为89.97%,六类故障实现完美分类,相似不对称故障(如BCG与BG)之间存在最大混淆。
**金属性短路FLP模型:**整体平均绝对误差(Mean Absolute Error, MAE)为0.0588 km,决定系数R
2为0.9982,83.5%的预测误差在100 m以内且全部预测误差低于0.5 km;R10-11区域MAE为0.0244 km,较文献报道的0.50 km大幅改善。
**电阻性故障FRI模型:**在0.1–50 Ω宽故障电阻范围内,对未见过样本的分类精度保持99.56%,仅R8-9区域在高阻条件下出现轻微退化。
**电阻性故障FLP模型:**所有输电区域的平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)均低于2%,绝对误差多数集中于0.2 km以下且不随真实故障位置显著变化,预测值与实际位置高度吻合。
**讨论与结论**
性能提升归因于多项架构增强的累积效应:批归一化稳定了深层循环网络中的梯度流,使三层架构可稳定训练;第二阶段BiLSTM双向处理能力可同时捕获故障波形的前向与后向时序依赖;中位数-MAD鲁棒归一化在宽幅值变化下优于标准z-score归一化;贝叶斯优化系统化搜索高维设计空间,发现了如FRI模型66单元、FLP模型184单元等非直观最优配置。局限性方面,研究仅针对Kundur基准系统,第二阶段仅考虑SLG电阻性故障,且假设静态运行条件;仿真数据未包含测量噪声、PMU校准误差、通信延迟与设备老化等因素,可能导致性能估计偏乐观。此外,缺少逐组件消融研究与对CNN-LSTM、GRU等替代架构的系统比较。研究结论表明:所提出的两阶段框架在金属性短路故障下实现了99.56%的区域识别精度与0.0588 km的定位MAE,在0.1–50 Ω宽故障电阻范围内保持99.56%的区域识别精度与低于2%的定位误差,验证了优化数据驱动策略在广域多机电力系统实际故障条件下的可行性与有效性,为深度学习作为广域保护补充分析工具提供了有力支撑。