陳桂芳，董秀成，鄭永康，徐洪海

基于長短期記憶網(wǎng)絡(luò)的繼電保護(hù)測試故障診斷研究

陳桂芳1，董秀成1，鄭永康2，徐洪海3

(1.西華大學(xué)電氣與電子信息學(xué)院，四川 成都 610039；2.國網(wǎng)四川省電力公司電力科學(xué)研究院，四川 成都 610041；3.江蘇宏源電氣有限責(zé)任公司，江蘇 南京 211103)

為提高智能變電站繼電保護(hù)測試效率，解決數(shù)字式繼電保護(hù)試驗裝置無法對整個測試過程中出現(xiàn)的故障自動進(jìn)行診斷的問題，提出基于長短期記憶(Long Short-Term Memory, LSTM)網(wǎng)絡(luò)的繼電保護(hù)測試故障診斷方法。梳理了故障斷面特征信息和故障類別，建立了多故障診斷模型，構(gòu)建了故障診斷流程。以典型220 kV繼電保護(hù)測試為例，通過將LSTM與循環(huán)神經(jīng)網(wǎng)絡(luò)、BP網(wǎng)絡(luò)和深度神經(jīng)網(wǎng)絡(luò)進(jìn)行對比，得到輸入實際故障信息和部分不可靠信息時LSTM模型的三項評價標(biāo)準(zhǔn)(平均絕對誤差、準(zhǔn)確率和綜合評價指標(biāo))值均最優(yōu)。通過實驗仿真驗證了基于LSTM網(wǎng)絡(luò)的繼電保護(hù)測試故障診斷方法具有較高的精度與良好的容錯性能。

智能變電站；繼電保護(hù)測試；數(shù)字式繼電保護(hù)試驗裝置；長短期記憶網(wǎng)絡(luò)；故障自動診斷

0 引言

繼電保護(hù)裝置對電力系統(tǒng)運行的穩(wěn)定性和可靠性起著舉足輕重的作用，對保護(hù)裝置的測試檢驗是確保其安全可靠的重要環(huán)節(jié)[1-9]。智能變電站繼電保護(hù)裝置的現(xiàn)場調(diào)試以及出廠聯(lián)調(diào)階段中，最主要的調(diào)試工具是數(shù)字式繼電保護(hù)試驗裝置(后面簡稱試驗裝置)。目前試驗裝置可以在使用時對自身故障進(jìn)行診斷，但無法實現(xiàn)對測試過程中整個系統(tǒng)特別是被測保護(hù)裝置出現(xiàn)的異?；蚬收线M(jìn)行自動診斷，人工進(jìn)行故障排查需要耗費大量時間。

變電站傳統(tǒng)故障診斷主要是技術(shù)人員依據(jù)通信報文裝置輔助判別異常原因，由于數(shù)據(jù)量太大且缺乏有效手段分析故障特征，很難對繼電保護(hù)測試過程中的故障進(jìn)行高效診斷[10]。而機器學(xué)習(xí)可以快速處理大量數(shù)據(jù)，分析提取有用信息，應(yīng)對數(shù)據(jù)缺失、異常以及噪聲等情況，在電力系統(tǒng)故障分析及定位中受到了越來越多的關(guān)注[11-15]。文獻(xiàn)[16]將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于變電站繼電保護(hù)裝置狀態(tài)監(jiān)督中；文獻(xiàn)[17-18]將深度學(xué)習(xí)應(yīng)用于電機故障診斷中；文獻(xiàn)[19]將機器學(xué)習(xí)應(yīng)用于配網(wǎng)線路巡檢、配網(wǎng)設(shè)備運維和配網(wǎng)故障診斷中；文獻(xiàn)[20]將機器學(xué)習(xí)應(yīng)用于配電自動化開關(guān)柜故障診斷。

本文為提高智能變電站繼電保護(hù)測試效率，解決數(shù)字式繼電保護(hù)試驗裝置無法對整個測試過程中出現(xiàn)的故障自動進(jìn)行診斷的問題，提出一種基于LSTM網(wǎng)絡(luò)的繼電保護(hù)測試故障診斷方法。利用平均絕對誤差(Mean Absolute Error, MAE)、綜合評價指標(biāo)(F-Score)和準(zhǔn)確率(Accuracy)三種評價標(biāo)準(zhǔn)對模型效果進(jìn)行評價。以智能變電站220 kV繼電保護(hù)測試為例，將LSTM網(wǎng)絡(luò)模型與循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)、BP神經(jīng)網(wǎng)絡(luò)(Back Propagation, BP)和深度神經(jīng)網(wǎng)絡(luò)(Deep Neural Networks, DNN)模型進(jìn)行對比，結(jié)果表明LSTM網(wǎng)絡(luò)模型可有效地診斷繼電保護(hù)測試過程中出現(xiàn)的故障且效果最優(yōu)。

1 繼電保護(hù)測試故障診斷建模

1.1 LSTM神經(jīng)網(wǎng)絡(luò)

LSTM神經(jīng)網(wǎng)絡(luò)是特殊的RNN，它的內(nèi)部存在著循環(huán)，用來保持信息的延續(xù)性，適用于較長時間間隔和較長延遲的重要時間序列處理和預(yù)測，擁有非線性特征挖掘能力[21-24]。由于繼電保護(hù)測試出現(xiàn)故障時的大量特征信息擁有序列性，故障特征與故障類型的關(guān)系為非線性，因此本文選取LSTM搭建繼電保護(hù)測試故障診斷模型。

LSTM結(jié)構(gòu)如圖1所示，包括遺忘門、輸入門、輸出門及細(xì)胞狀態(tài)[25]，這些結(jié)構(gòu)可以解決RNN的梯度消失等問題。

圖1 LSTM結(jié)構(gòu)圖

式中：f、f和f為線性關(guān)系的系數(shù)和偏倚；激活函數(shù)為Sigmoid。

式中，⊙表示Hadamard積。

1.2 繼電保護(hù)測試故障診斷模型建立

基于LSTM網(wǎng)絡(luò)的智能變電站繼電保護(hù)測試故障診斷模型建立過程如圖2所示。

故障樣本集是從歷史故障診斷樣本庫中獲得的；刪除重復(fù)數(shù)據(jù)是用于防止相同數(shù)據(jù)重復(fù)訓(xùn)練；零均值是將每一維原始數(shù)據(jù)減去每一維數(shù)據(jù)的平均值，將結(jié)果代替原始數(shù)據(jù)；歸一化是將不同維度的數(shù)據(jù)歸一到相同的數(shù)值區(qū)間，

本文將每一維數(shù)據(jù)的最大最小值設(shè)為1和0，此時認(rèn)為不同維度的數(shù)據(jù)具有相同的重要性，即min-max法歸一化。

本文樣本數(shù)在萬級別以內(nèi)，設(shè)置訓(xùn)練集為故障樣本集70%、測試集為故障樣本集30%。給試驗裝置增加了故障診斷功能并應(yīng)用于實際繼電保護(hù)測試后，故障樣本總數(shù)將逐漸增加并到達(dá)新的數(shù)量級，此時再重新對訓(xùn)練集和測試集進(jìn)行劃分。

圖2 LSTM故障診斷模型建立過程

在LSTM網(wǎng)絡(luò)中引入Dropout，神經(jīng)元隨機失活概率設(shè)定為0.2，Dropout通過使隱藏單元隨機選擇其他單元樣本來有效避免小數(shù)據(jù)集下神經(jīng)網(wǎng)絡(luò)過擬合的發(fā)生[26]，提高了神經(jīng)網(wǎng)絡(luò)對測試數(shù)據(jù)集的預(yù)測效果。引入Adam(Adaptive Moment Estimation)算法來解決傳統(tǒng)梯度下降法在迭代過程中學(xué)習(xí)率為常數(shù)的問題。經(jīng)多次實驗，LSTM模型的預(yù)測準(zhǔn)確率并沒有隨LSTM層數(shù)的增加得到提升，反而訓(xùn)練時間大幅度增加。最終確定LSTM層數(shù)為2，神經(jīng)元數(shù)為1 024，基于LSTM網(wǎng)絡(luò)的繼電保護(hù)故障診斷模型結(jié)構(gòu)如圖3所示。

1.3模型評估標(biāo)準(zhǔn)

本文對模型評估主要參考3個標(biāo)準(zhǔn)：MAE、Accuracy、F1-Score。

圖3 故障診斷模型拓?fù)?/p>

1.3.1 MAE評價標(biāo)準(zhǔn)

MAE表示預(yù)測值和真實值之間絕對誤差的平均值，計算公式為

1.3.2 F-Score和Accuracy評價標(biāo)準(zhǔn)

模型樣本的預(yù)測結(jié)果有4種：

TP：正樣本被正確預(yù)測為正樣本；FP：負(fù)樣本被錯誤預(yù)測為正樣本；TN：負(fù)樣本被正確預(yù)測為負(fù)樣本；FN：正樣本被錯誤預(yù)測為負(fù)樣本。

F-Score由精確率(Precision)和召回率(Recall)組成，其計算公式分別如下。

2 繼電保護(hù)測試故障診斷

2.1 繼電保護(hù)測試簡介

智能變電站繼電保護(hù)可以分為單間隔保護(hù)(線路保護(hù)和母聯(lián)保護(hù)等)、跨間隔保護(hù)(母線保護(hù)和主變壓器)[27-28]。數(shù)字式繼電保護(hù)試驗裝置替代智能終端、合并單元等裝置，對保護(hù)裝置進(jìn)行單體試驗。測試過程中將試驗裝置與保護(hù)裝置相連接，保護(hù)裝置可直接獲取站控層和過程層信號。智能變電站繼電保護(hù)測試拓?fù)鋱D如圖4所示。

圖4 繼電保護(hù)測試拓?fù)?/p>

本文提出可以在智能變電站繼電保護(hù)試驗裝置上增加從網(wǎng)上直接獲取站控層信號的功能，使信號獲取更全面、便捷，且能提高智能變電站繼電保護(hù)試驗裝置自動測試的智能化水平。

2.2繼電保護(hù)測試故障診斷樣本集構(gòu)成

繼電保護(hù)測試故障診斷樣本集由故障斷面特征量、故障斷面采樣值(雙通道三相電壓電流)與故障類型標(biāo)簽3部分組成，其中故障斷面特征量和故障斷面采樣值構(gòu)成故障斷面特征信息。

2.2.1 故障斷面特征信息表征

將智能變電站繼電保護(hù)測試的故障斷面特征信息歸納為95個，包括83個特征量和12個采樣值，部分故障斷面特征信息見表1。

表1 部分故障斷面特征信息

任一繼電保護(hù)測試故障斷面的特征信息集可表征為，如式(12)所示。

式中：TZ為繼電保護(hù)測試故障斷面特征量；CY為繼電保護(hù)測試故障斷面采樣值。

2.2.2 故障類型分類

本文智能變電站繼電保護(hù)測試故障診斷對象主要包括試驗裝置、保護(hù)裝置、通信網(wǎng)絡(luò)以及通信設(shè)備。根據(jù)故障診斷對象可以將故障分為35類，部分故障類型可通過現(xiàn)有知識庫簡單推理得到，例如保護(hù)裝置失電時測控裝置會發(fā)出失電告警提示，可直接推理出故障為保護(hù)裝置失電故障。因此為提高模型的收斂速度，后續(xù)診斷研究中不涉及該類型故障，其余需用神經(jīng)網(wǎng)絡(luò)模型診斷的有27種故障類型，部分故障類型見表2。

表2 部分故障類型

繼電保護(hù)測試中發(fā)生的故障可編碼為，如式(13)所示。

2.3 繼電保護(hù)測試故障診斷實現(xiàn)流程

將樣本集用于LSTM網(wǎng)絡(luò)模型訓(xùn)練與測試，得到理想模型后應(yīng)用于試驗裝置，實現(xiàn)繼電保護(hù)測試故障診斷，診斷流程如圖5所示。具體步驟如下。

1) 智能變電站進(jìn)行繼電保護(hù)測試，啟動試驗裝置，同時故障診斷模塊開始工作。

2) 收集測試過程中出現(xiàn)的相關(guān)特征信號，并提取出相關(guān)特征信號中故障斷面特征量和采樣值，構(gòu)成故障斷面特征信息集。

3) 判斷能否利用現(xiàn)有知識庫進(jìn)行推理找到故障類型。能則用專家系統(tǒng)進(jìn)行推理，輸出故障原因，診斷結(jié)束；不能則將故障斷面特征信息集輸入歷史評估最優(yōu)LSTM網(wǎng)絡(luò)故障診斷模型中進(jìn)行診斷，輸出故障類型后將新的故障樣本存入歷史故障診斷樣本庫中用于模型更新，診斷結(jié)束。

圖5故障診斷流程

3 實驗驗證與分析

3.1 實驗環(huán)境與數(shù)據(jù)

實驗建模環(huán)境為python3.5，tensorflow1.2.1框架。由圖2可知智能變電站的繼電保護(hù)測試故障診斷模型用于訓(xùn)練的樣本集是從歷史故障診斷樣本庫中獲得，樣本庫中原始數(shù)據(jù)是試驗裝置在220 kV繼電保護(hù)測試27類故障情況下多次重復(fù)測試得到。由圖5可知當(dāng)試驗裝置添加實時故障診斷模塊并在測試過程中遇到故障時，將會把得到的故障斷面特征信息和對應(yīng)故障類型擴充進(jìn)歷史故障診斷樣本庫中，用于之后模型優(yōu)化。

實際繼電保護(hù)測試過程中主要發(fā)生單故障和雙故障，于是實驗中采集27種單故障類型和214種主要雙故障類型數(shù)據(jù)，每種故障訓(xùn)練樣本數(shù)和測試樣本數(shù)都分別為21和9，總故障樣本數(shù)為7 230。對應(yīng)部分故障樣本數(shù)據(jù)情況如表3所示。

表3 部分樣本數(shù)據(jù)統(tǒng)計

3.2 設(shè)置不同超參數(shù)時網(wǎng)絡(luò)優(yōu)化狀況

利用故障樣本集訓(xùn)練LSTM模型過程中，通過調(diào)整LSTM層數(shù)、設(shè)置Dropout優(yōu)化網(wǎng)絡(luò)，以測試樣本集的F1-Score作為網(wǎng)絡(luò)參數(shù)的優(yōu)化指標(biāo)。網(wǎng)絡(luò)輸出層的閾值設(shè)置為0.6，即輸出層的神經(jīng)元大于0.6時對應(yīng)位置元素為1，否則為0，batch_size設(shè)置為300，測試結(jié)果如圖6所示。

由圖6可知，經(jīng)過5 000次迭代后，LSTM層數(shù)為2時網(wǎng)絡(luò)優(yōu)化效果均最佳，LSTM層數(shù)為1時神經(jīng)網(wǎng)絡(luò)擬合性能欠佳，LSTM層數(shù)為3時整個神經(jīng)網(wǎng)絡(luò)訓(xùn)練難度反而增加，且引入Dropout后測試集效果略有提升，由此確定基于LSTM網(wǎng)絡(luò)的故障診斷模型結(jié)構(gòu)如圖3所示。

圖6 迭代5 000次后的LSTM網(wǎng)絡(luò)優(yōu)化情況

3.3 實驗結(jié)果分析

為研究基于LSTM網(wǎng)絡(luò)故障診斷模型的有效性，將本文所提方法與基于RNN網(wǎng)絡(luò)、BP網(wǎng)絡(luò)和DNN網(wǎng)絡(luò)的故障診斷模型進(jìn)行對比。

為比較文中所提LSTM網(wǎng)絡(luò)模型的性能，對RNN、BP和DNN網(wǎng)絡(luò)模型采用相同的樣本集進(jìn)行訓(xùn)練和測試，同時網(wǎng)絡(luò)結(jié)構(gòu)相同。模型評估標(biāo)準(zhǔn)為1.3節(jié)所述的3個標(biāo)準(zhǔn)：MAE、Accuracy和F1-Score。

3.3.1 實際故障情況下模型的診斷效果分析

基于上述內(nèi)容，將5 061組訓(xùn)練樣本分別用于4種神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，統(tǒng)一迭代10 000次，將2 169組測試樣本用以驗證模型在實際故障情況下的診斷效果。

迭代前10 000次4種神經(jīng)網(wǎng)絡(luò)的F1-Score變化曲線如圖7所示，迭代前10 000次4種神經(jīng)網(wǎng)絡(luò)的MAE變化曲線如圖8所示，迭代前10 000次4種神經(jīng)網(wǎng)絡(luò)的訓(xùn)練用時如表4所示。

圖7 4種神經(jīng)網(wǎng)絡(luò)F1-Score曲線

圖8 4種神經(jīng)網(wǎng)絡(luò)MAE曲線

表4 4種神經(jīng)網(wǎng)絡(luò)訓(xùn)練用時

從圖7中可以看出，LSTM網(wǎng)絡(luò)的F1-Score曲線波動最小且穩(wěn)定后值最高，前期收斂速度略低于DNN，最后都在迭代次數(shù)為4 000左右趨于穩(wěn)定。而RNN和BP的F1-Score值穩(wěn)定后明顯低于LSTM，且曲線波動較大。

從圖8中可以看出，LSTM網(wǎng)絡(luò)的MAE收斂速度相對較慢，但曲線波動最小，穩(wěn)定后值低于另外3種網(wǎng)絡(luò)。RNN和BP的MAE值穩(wěn)定后明顯高于LSTM和RNN，且曲線波動較大。

從表4中可以看出，LSTM網(wǎng)絡(luò)結(jié)構(gòu)最復(fù)雜導(dǎo)致訓(xùn)練用時也最長。

通過對各個網(wǎng)絡(luò)訓(xùn)練過程中的F1-Score和MAE曲線分析，可以得出LSTM網(wǎng)絡(luò)優(yōu)化效果最佳。

最后將訓(xùn)練好的4種模型用同樣的測試集進(jìn)行多次測試后，各項評價標(biāo)準(zhǔn)平均值對比情況如圖9所示。

圖9 實際故障下不同神經(jīng)網(wǎng)絡(luò)故障診斷效果

從圖9可以看出：測試集上LSTM網(wǎng)絡(luò)的MAE值明顯低于BP和RNN網(wǎng)絡(luò)，略低于DNN網(wǎng)絡(luò)，達(dá)到0.005 7；F1-Score值和Accuracy值也明顯高于BP和RNN網(wǎng)絡(luò)，高于DNN網(wǎng)絡(luò)，達(dá)到92.69%和99.69%。

由此可知，LSTM神經(jīng)網(wǎng)絡(luò)模型的長時記憶和解決梯度消失等能力在智能變電站繼電保護(hù)測試實際故障情況的診斷中得到很好發(fā)揮。

3.3.2 信息不可靠情況下模型容錯性分析

信息不可靠指的是故障特征集中出現(xiàn)特征信息畸變或丟失的情況[29]，將2 169組測試樣本集中217組樣本集換為不可靠樣本集，用之前訓(xùn)練好的4種模型重新進(jìn)行測試。通過觀察輸入部分不可靠數(shù)據(jù)情況下4種模型的MAE上升率、Accuracy和F1-Score下降率來分析各個模型的容錯性，診斷效果如表5所示。

表5 特殊故障下不同神經(jīng)網(wǎng)絡(luò)故障診斷效果

對表5分析可以得到以下結(jié)論：

1) 不可靠信息對所有神經(jīng)網(wǎng)絡(luò)都有影響，其中影響最大的是MAE值。

2) 在所有評價標(biāo)準(zhǔn)值變差后LSTM網(wǎng)絡(luò)模型的MAE、Accuracy和F1-Score值依舊很好且明顯優(yōu)于RNN和BP。

3) LSTM評價標(biāo)準(zhǔn)值平均變化率最低，其次是DNN、RNN和BP。

根據(jù)以上結(jié)論得出在信息不可靠情況下基于LSTM的模型依舊具備很好的故障診斷能力，且受不可靠信息的影響最小，容錯性能良好，滿足工程要求。表明LSTM網(wǎng)絡(luò)通過其內(nèi)部的遺忘門、輸入門、輸出門和自身循環(huán)結(jié)構(gòu)可對前面的信息進(jìn)行選擇性記憶并應(yīng)用于當(dāng)前輸出，對歷史信息有更好的選擇性[30]，可以明顯降低不可靠數(shù)據(jù)對診斷效果的影響，擁有良好的容錯性。

4 結(jié)論

本文建立了基于LSTM網(wǎng)絡(luò)的多故障診斷模型。以典型的智能變電站220 kV繼電保護(hù)測試為例，將LSTM與RNN、BP和DNN網(wǎng)絡(luò)模型對比，經(jīng)過10 000次迭代后：實際故障情況下，LSTM模型的準(zhǔn)確率可達(dá)到 99.69%，同時平均誤差下降到0.005 7；在特征信息丟失或誤報的情況下，LSTM模型的準(zhǔn)確率仍可達(dá)到99.51%，智能變電站運行環(huán)境日趨復(fù)雜，此故障診斷模型可以降低信息本身不可信程度對故障診斷的影響。通過實驗仿真驗證了基于LSTM網(wǎng)絡(luò)的繼電保護(hù)測試故障診斷方法具有較高的精度與良好的容錯性能。

[1] 李保恩. 智能變電站繼電保護(hù)裝置自動測試平臺的研究和應(yīng)用[J]. 電力系統(tǒng)保護(hù)與控制, 2017, 45(7): 131-135.

LI Baoen. Research and application of automatic test platform for intelligent substation relay protection device[J]. Power System Protection and Control, 2017, 45(7): 131-135.

[2] 楊帥, 王開科, 南東亮, 等. 繼電保護(hù)裝置自動化檢測系統(tǒng)的研究及應(yīng)用[J]. 電氣技術(shù), 2020, 21(4): 116-121.

YANG Shuai, WANG Kaike, NAN Dongliang, et al. Research and application of automatic detection system for relay protection devices[J]. Electrical Technology, 2020, 21(4): 116-121.

[3] 申洪明, 宋璇坤, 姚玉海, 等. 規(guī)?；娏﹄娮友b置接入對換流變保護(hù)策略的影響分析及對策研究[J]. 高壓電器, 2020, 56(3): 230-233, 252.

SHEN Hongming, SONG Xuankun, YAO Yuhai, et al. Effect of large-scale power electronic equipment on converter transformer protection strategy and countermeasure[J]. High Voltage Apparatus, 2020, 56(3): 230-233, 252.

[4] 張羲海, 張葛祥, 王健, 等. 計及繼電保護(hù)與油氣信息的變壓器故障推理[J]. 高壓電器, 2020, 56(9): 136-143.

ZHANG Xihai, ZHANG Gexiang, WANG Jian, et al. Transformer fault reasoning under relay protection and gas dissolved in oil information[J]. High Voltage Apparatus, 2020, 56(9): 136-143.

[5] 陳鶴沖, 陳軒恕, 劉波, 等. 一種發(fā)電機保護(hù)用斷路器布置方案的動穩(wěn)定校核及仿真分析[J]. 高壓電器, 2020, 56(7): 86-93.

CHEN Hechong, CHEN Xuanshu, LIU Bo, et al. Dynamic stability check and simulation analysis of a circuit breaker layout scheme for generator protection[J]. High Voltage Apparatus, 2020, 56(7): 86-93.

[6] 陳海濤, 張學(xué)敏, 戴偉康, 等. 基于GA優(yōu)化SVM參數(shù)與云模型的繼電保護(hù)裝置狀態(tài)評估方法[J]. 智慧電力, 2020, 48(7): 88-92, 117.

CHEN Haitao, ZHANG Xuemin, DAI Weikang, et al. State assessment method of relay protection device based on GA optimizaztion SVM parameters and cloud model[J]. Smart Power, 2020, 48(7): 88-92, 117.

[7] 李靜, 湯大海, 陳永明, 等. 基于改進(jìn)當(dāng)?shù)毓收闲畔⒌?20 kV變壓器死區(qū)故障保護(hù)裝置的研制[J]. 廣東電力, 2021, 34(9): 87-97.

LI Jing, TANG Dahai, CHEN Yongming, et al. Development of dead zone fault protection device for 220 kV transformer based on improved local fault information[J]. Guangdong Electric Power, 2021, 34(9): 87-97.

[8] 薛鐘, 董貝, 張云, 等. 繼電保護(hù)裝置研發(fā)的資源配置技術(shù)研究[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(4): 144-149.

XUE Zhong, DONG Bei, ZHANG Yun, et al. Resource configuration technical research for relay protection device[J]. Power System Protection and Control, 2018, 46(4): 144-149.

[9] 黃鳴宇, 祁升龍, 蘆翔, 等. 面向配網(wǎng)保護(hù)的集分聯(lián)合饋線自動化控制方法[J]. 河南師范大學(xué)學(xué)報(自然科學(xué)版), 2020, 48(5): 49-54.

HUANG Mingyu, QI Shenglong, LU Xiang, et al. Combined centralized and distributed control method for distribution network protection[J]. Journal of Henan Normal University (Natural Science Edition) , 2020, 48(5): 49-54.

[10]翟嘉琪, 楊希祥, 程玉強, 等. 機器學(xué)習(xí)在故障檢測與診斷領(lǐng)域應(yīng)用綜述[J]. 計算機測量與控制, 2021, 29(3): 1-9.

ZHAI Jiaqi, YANG Xixiang, CHENG Yuqiang, et al. Overview of application of fault detection and diagnosis based on machine learning[J]. Computer Measurement and Control, 2021, 29(3): 1-9.

[11]王文煥, 郭鵬, 祝潔, 等. 基于故障樹及貝葉斯網(wǎng)絡(luò)的繼電保護(hù)系統(tǒng)風(fēng)險評估及故障定位方法[J]. 電力科學(xué)與技術(shù)學(xué)報, 2021, 36(4): 81-90.

WANG Wenhuan, GUO Peng, ZHU Jie, et al. Fault positioning and risk assessment method of relay protection based on fault tree and Bayesian network[J]. Journal of Electric Power Science and Technology, 2021, 36(4): 81-90.

[12]袁文海, 劉彪, 徐浩, 等. 基于復(fù)合神經(jīng)網(wǎng)絡(luò)的GIS局放故障類型識別[J]. 電力科學(xué)與技術(shù)學(xué)報, 2021, 36(4): 157-164.

YUAN Wenhai, LIU Biao, XU Hao, et al. Partial discharge fault type identification of GIS based on composite neural network[J]. Journal of Electric Power Science and Technology, 2021, 36(4): 157-164.

[13]任守綱, 張景旭, 顧興健, 等. 時間序列特征提取方法研究綜述[J]. 小型微型計算機系統(tǒng), 2021, 42(2): 271-278.

REN Shougang, ZHANG Jingxu, GU Xingjian, et al. Overview of feature extraction algorithms for time series[J]. Small Microcomputer System, 2021, 42(2): 271-278.

[14]李春林, 熊建斌, 蘇乃權(quán), 等. 深度學(xué)習(xí)在故障診斷中的應(yīng)用綜述[J]. 機床與液壓, 2020, 48(13): 174-184.

LI Chunlin, XIONG Jianbin, SU Naiquan, et al. Application review of deep learning in fault diagnosis[J]. Machine Tool & Hydraulics, 2020, 48(13): 174-184.

[15] HAMDI H, REDAYA C B, ZAAFOURI A. A sliding- neural network control of induction-motor-pump supplied by photovoltaic generator[J]. Protection and Control of Modern Power Systems, 2019, 4(4): 306-322.

[16]吳迪, 湯小兵, 李鵬, 等. 基于深度神經(jīng)網(wǎng)絡(luò)的變電站繼電保護(hù)裝置狀態(tài)監(jiān)測技術(shù)[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(5): 81-85.

WU Di, TANG Xiaobing, LI Peng, et al. State monitoring technology of substation relay protection device based on deep neural network[J]. Power System Protection and Control, 2020, 48(5): 81-85.

[17]丁石川, 厲雪衣, 杭俊, 等. 深度學(xué)習(xí)理論及其在電機故障診斷中的研究現(xiàn)狀與展望[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(8): 172-187.

DING Shichuan, LI Xueyi, HANG Jun, et al. Deep learning theory and its application to fault diagnosis of an electric machine[J]. Power System Protection and Control, 2020, 48(8): 172-187.

[18]馬立玲, 劉瀟然, 沈偉, 等. 基于一種改進(jìn)的一維卷積神經(jīng)網(wǎng)絡(luò)電機故障診斷方法[J]. 北京理工大學(xué)學(xué)報, 2020, 40(10): 1088-1093.

MA Liling, LIU Xiaoran, SHEN Wei, et al. Motor fault diagnosis method based on an improved one-dimensional convolutional neural network[J]. Transactions of Beijing Institute of Technology, 2020, 40(10): 1088-1093.

[19]安靈旭, 唐其筠, 李中成, 等. 人工智能在配電網(wǎng)運維中的應(yīng)用研究[J]. 電氣技術(shù), 2019, 20(10): 103-106.

AN Lingxu, TANG Qiyun, LI Zhongcheng, et al. Research on the application of artificial intelligence in operation maintenance of distribution system[J]. Electrical Technology, 2019, 20(10): 103-106.

[20]韓學(xué)森, 劉博文, 李永杰, 等. 基于模糊和灰色關(guān)聯(lián)的配電自動化開關(guān)柜故障診斷方法[J]. 電力科學(xué)與技術(shù)學(xué)報, 2021, 36(2): 107-115.

HAN Xuesen, LIU Bowen, LI Yongjie, et al. A fault diagnosis method for distribution automation switch cabinet based on fuzzy and gray correlation[J]. Journal of Electric Power Science and Technology, 2021, 36(2): 107-115.

[21] SHI, XU H, LI M, et al. Deep learning for household load forecasting—a novel pooling deep RNN[J]. IEEE Transactions on Smart Grid, 2018, 9(5): 5271-5280.

[22] HOU B, ZHOU Z. Learning with interpretable structure from gated RNN[J]. IEEE Transactions on Neural Networks and Learning Systems, 2020, 31(7): 2267-2279.

[23] MA J, LIU H, PENG C, et al. Unauthorized broadcasting identification: a deep LSTM recurrent learning approach[J]. IEEE Transactions on Instrumentation and Measurement, 2020, 69(9): 5981-5983.

[24]李鵬, 何帥, 韓鵬飛, 等. 基于長短期記憶的實時電價條件下智能電網(wǎng)短期負(fù)荷預(yù)測[J]. 電網(wǎng)技術(shù), 2018, 42(12): 4045-4052.

LI Peng, HE Shuai, HAN Pengfei, et al. Short-term load forecasting of smart grid based on long-short-time memory recurrent neural networks in condition of real-time electricity price[J]. Power System Technology, 2018, 42(12): 4045-4052.

[25]王子馨, 胡俊杰, 劉寶柱. 基于長短期記憶網(wǎng)絡(luò)的電力系統(tǒng)量測缺失數(shù)據(jù)恢復(fù)方法[J]. 電力建設(shè), 2021, 42(5): 1-8.

WANG Zixin, HU Junjie, LIU Baozhu. Recovery method for missing measurement data of power systems based on long short-term memory networks[J]. Electric Power Construction, 2021, 42(5): 1-8.

[26] 劉皓琪, 高飛, 王耀力, 等. 基于Dropout-ILSTM網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測[J]. 電測與儀表, 2021, 58(5): 105-111.

LIU Haoqi, GAO Fei, WANG Yaoli, et al. Short-term power load forecasting based on dropout-ILSTM network[J]. Electrical Measurement & Instrumentation, 2021, 58(5): 105-111.

[27]李亮玉, 唐寶鋒, 趙賢龍, 等. 智能變電站就地化保護(hù)研究現(xiàn)狀及應(yīng)用展望[J]. 華電技術(shù), 2018, 40(5): 17-24.

LI Liangyu, TANG Baofeng, ZHAO Xianlong, et al. Research on status and application prospect of locally installed protection of intelligent substation[J]. Huadian Technology, 2018, 40(5): 17-24.

[28]王德林, 裘愉濤, 凌光, 等. 變電站即插即用就地化保護(hù)的應(yīng)用方案和經(jīng)濟性比較[J]. 電力系統(tǒng)自動化, 2017, 41(16): 12-19.

WANG Delin, QIU Yutao, LING Guang, et al. Application scheme and economical comparison of plug & play and outdoor installation protection in substation[J]. Automation of Electric Power Systems, 2017, 41(16): 12-19.

[29]陳家超, 張勇軍, 黃國權(quán), 等. 計及保護(hù)和斷路器告警信息可信度的電網(wǎng)故障診斷優(yōu)化模型[J].電力系統(tǒng)保護(hù)與控制, 2021, 49(4): 28-36.

CHEN Jiachao, ZHANG Yongjun, HUANG Guoquan, et al. Optimal model of power grid fault diagnosis considering reliability of protection and circuit breaker alarm information[J]. Power System Protection and Control, 2021, 49(4): 28-36.

[30]楊智偉, 劉灝, 畢天姝, 等. 基于長短期記憶網(wǎng)絡(luò)的PMU不良數(shù)據(jù)檢測方法[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(7): 1-9.

YANG Zhiwei, LIU Hao, BI Tianshu, et al. PMU bad data detection method based on long short-term memory network[J]. Power System Protection and Control, 2020, 48(7): 1-9.

Fault diagnosis of a relay protection test based on a long short-term memory network

CHEN Guifang1, DONG Xiucheng1, ZHENG Yongkang2, XU Honghai3

(1. School of Electrical & Electronic Information, Xihua University, Chengdu 610039, China;2. State Grid Sichuan Electric Power Research Institute, Chengdu 610041, China;3. Jiangsu Hongyuan Electric Co., Ltd., Nanjing 211103, China)

The efficiency of intelligent substation relay protection test needs improvement. There is also a problem in that a digital relay protection test device cannot automatically diagnose faults during the whole test process. Thus a relay protection test fault diagnosis method based on long short-term memory (LSTM) network is proposed. In this paper, the fault section characteristic information and fault categories are first established. Then a multi-fault diagnosis model is established, and a fault diagnosis process is constructed. Taking the typical 220 kV relay protection test as an example, by comparing LSTM with cyclic neural, a BP and a deep neural networks, the three evaluation criteria (mean absolute error, accuracy and comprehensive evaluation index) of the LSTM model are found to be optimal when the actual fault information and partial unreliable information are two different inputs.Simulation results show that the relay protection test fault diagnosis method based on the LSTM network has high precision and good fault-tolerant performance.

smart substation; relay protection test; digital relay protection test device; long short-term memory (LSTM) network; automatic fault diagnosis

10.19783/j.cnki.pspc.210624

國家自然科學(xué)基金項目資助(11872069); 四川省中央引導(dǎo)地方科技發(fā)展專項資助(2021ZYD0034)；四威高科-西華大學(xué)產(chǎn)學(xué)研聯(lián)合實驗室資助(2016-YF04-00044-JH)

This work is supported by the National Natural Science Foundation of China (No. 11872069).

2021-05-24；

2021-10-10

陳桂芳(1996—)，女，碩士研究生，研究方向為電力系統(tǒng)及其自動化；E-mail: 1181075814@qq.com

董秀成(1963—)，男，通信作者，教授，碩士研究生導(dǎo)師，研究方向為數(shù)字化智能測控與裝置；E-mail: dxc136@163.com

鄭永康(1977—)，男，博士，教授級高工，研究方向為繼電保護(hù)、智能變電站二次技術(shù)、智能優(yōu)化算法。E-mail: zyk555@163.com

(編輯 葛艷娜)