[论文解读] Real-time Faulted Line Localization and PMU Placement in Power Systems through Convolutional Neural Networks

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

Power Systems Fault Detection参考文献 35被引用 4

一句话总结

该论文提出了一种基于卷积神经网络（CNN）的方法，利用代换理论导出的物理可解释电压特征，实现实时故障线路定位。该方法在7%母线可观测性下仍保持高精度，优于其他机器学习方法，且联合相量测量单元（PMU）布设策略进一步提升了有限测量条件下的性能。

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 faulted line 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 improve the robustness of the location performance. 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 joint 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 39-bus and 68-bus power systems under varying uncertain conditions, system observability, and measurement quality.

研究动机与目标

• 解决大规模电力系统中PMU测量有限情况下的实时故障线路定位挑战。
• 提升对测量噪声、时间延迟、负荷波动及不同类型故障的鲁棒性。
• 开发一种具有物理可解释性的特征集，以增强模型的泛化能力和可解释性。
• 设计一种联合PMU布设策略，以共同提升故障定位精度。
• 在IEEE 39母线和68母线系统上，于多种故障条件和低可观测性下验证该方法的有效性。

提出的方法

• 该方法利用母线电压测量值，基于代换理论构建特征向量，实现物理可解释性。
• 使用一维CNN分类器对这些特征进行训练，以从候选线路中识别出故障线路。
• 该特征向量捕捉具有明确物理意义的暂态电压变化，减少对高频采样的依赖。
• 提出联合PMU布设算法，在预算和可观测性约束下最大化故障定位精度。
• 在合成生成的故障数据上训练CNN模型，涵盖不同噪声、延迟和负荷条件，以确保鲁棒性。
• 采用线路准确率（LAR）评估性能，并与基线方法在低可观测性（7%–30%母线测量）条件下进行比较。

实验结果

研究问题

• RQ1 数据驱动的CNN模型能否在PMU测量极少的情况下实现高故障线路定位准确率？
• RQ2 使用物理可解释特征在多大程度上提升了对噪声、延迟和负荷变化的鲁棒性？
• RQ3 与随机或基于拓扑的策略相比，联合PMU布设在多大程度上提升了定位性能？
• RQ4 在系统可观测性较低（如7%）和存在实际测量延迟的情况下，该方法表现如何？
• RQ5 该模型能否在各种故障类型和故障清除时间下保持高准确率？

主要发现

• 所提出的基于CNN的方法在7%母线可观测性下仍实现超过95%的线路准确率（LAR），显著优于其他机器学习分类器。
• 在30%母线可观测性下，该方法在所有故障类型（包括TP、LG、DLG和LL）下LAR均保持在98%以上。
• 测量延迟最高达40 ms时，LAR下降不足5%，延迟为20 ms时仅产生1%的误差，表明具有强鲁棒性。
• 故障清除时间在0.05 s至0.2 s之间时，LAR下降不足2%，表明对不同清除时长具有强适应能力。
• 联合PMU布设策略优于随机和基于拓扑的布设方法，尤其在低可观测性条件下表现更优。
• 误分类的线路大多与真实故障线路在地理上邻近，表明预测结果具有良好的空间一致性。