[论文解读] Real-time Fault Localization in Power Grids With Convolutional Neural Networks.

Wenting Li, Deepjyoti Deka+2 more|arXiv (Cornell University)|Oct 11, 2018

Power Systems Fault Detection参考文献 22被引用 4

一句话总结

本文提出了一种基于卷积神经网络（CNN）的数据驱动故障定位方法，利用具有物理可解释性的母线电压特征对配电网中的故障进行定位。尽管可观测性较低（仅7%的母线），该CNN方法仍能以高精度在小范围内实现故障定位，优于现有机器学习方法，并可在复杂故障条件下实现实时运行。

ABSTRACT

Diverse fault types, fast re-closures and complicated transient states after a fault event make real-time fault location in power grids challenging. Existing localization techniques in this area rely on simplistic assumptions, such as static loads, or require much higher sampling rates or total measurement availability. This paper proposes a data-driven localization method based on a Convolutional Neural Network (CNN) classifier using bus voltages. Unlike prior data-driven methods, the proposed classifier is based on features with physical interpretations that are described in details. The accuracy of our CNN based localization tool is demonstrably superior to other machine learning classifiers in the literature. To further improve the location performance, a novel phasor measurement units (PMU) placement strategy is proposed and validated against other methods. A significant aspect of our methodology is that under very low observability (7% of buses), the algorithm is still able to localize the faulted line to a small neighborhood with high probability. The performance of our scheme is validated through simulations of faults of various types in the IEEE 68-bus power system under varying load conditions, system observability and measurement quality.

研究动机与目标

• 解决在复杂故障动态和测量数据有限条件下的配电网实时故障定位挑战。
• 克服现有方法依赖静态负荷假设、或需要高采样率和全可观测性的局限。
• 开发一种基于数据驱动的方法，采用具有物理可解释性的特征，以提升模型透明度和性能。
• 提出一种新型PMU布设策略，以提升故障定位精度和系统可观测性。
• 在不同负荷条件、测量质量及系统可观测性水平下，验证方法的鲁棒性与故障定位性能。

提出的方法

• 该方法采用卷积神经网络（CNN）分类器，基于母线电压测量数据实时检测并定位故障。
• CNN所用特征源自母线的电压幅值和相角，这些特征在电力系统故障分析中具有明确的物理意义。
• 提出一种新型PMU布设策略，旨在在测量资源有限的条件下最大化故障定位精度。
• 通过在IEEE 68母线系统上进行大量仿真，验证该方法在不同故障类型、负荷条件和测量质量水平下的有效性。
• 在低可观测性（仅7%的母线配备PMU）条件下训练和测试CNN模型，以模拟实际部署约束。
• 该方法利用电压信号中的时间模式，捕捉暂态故障动态，从而实现实时故障定位。

实验结果

研究问题

• RQ1 基于具有物理可解释性的电压特征的CNN分类器，是否能在配电网中实现优于现有机器学习方法的故障定位精度？
• RQ2 在系统可观测性较低（如仅7%的母线配备PMU）及测量质量变化的情况下，该方法表现如何？
• RQ3 与传统或随机布设方法相比，所提出的PMU布设策略在多大程度上提升了故障定位性能？
• RQ4 该方法是否能在不依赖静态负荷假设的前提下，准确实现对多种故障类型和负荷条件的故障定位？
• RQ5 在暂态故障动态条件下，该CNN驱动的定位框架是否具备实时可行性和鲁棒性？

主要发现

• 所提出的基于CNN的故障定位方法在精度上显著优于文献中报道的其他机器学习分类器。
• 即使仅有7%的母线配备PMU，该方法仍能以高概率将故障线路定位在极小的邻近区域。
• 使用具有物理可解释性的特征提升了模型的透明度，并增强了在不同系统条件下的泛化能力。
• 新型PMU布设策略在故障定位精度和可观测性效率方面均优于现有方法。
• 该方法在IEEE 68母线系统仿真中，对多种故障类型和不同负荷条件均表现出鲁棒性能。
• 尽管存在复杂的暂态状态和低采样率，该方法仍保持实时处理能力，具备实际部署的适用性。