王晓飞，冯小萍，程新宇，崔大林，花 凤

（1.国网新疆电力有限公司，新疆乌鲁木齐 830002；2.国网新疆电力有限公司伊犁供电公司，新疆伊宁 835000）

随着我国特高压电站、新能源电站和智能电网的迅速发展，各级电网的联系日益紧密，对于继电保护整定计算的相关方法提出了更高的要求。

人工智能技术的使用，可以减少电力系统的运营成本。智能化系统的应用，例如专家系统、模糊逻辑、机器学习和深度神经网络彻底改变了配电过程，这些系统为现代智能电网中的设计、仿真、故障诊断和容错控制提供了有效工具。

该文提出了一种多方向长短期记忆（LSTM）模型。该模型对电网器件模型中的智能网络数据集进行分类，预测电力系统的稳定性并辅助决策相应的应对策略，且通过实验论证了平台的可靠性。

1 整定计算分析建模

该文通过分析不同类型的继电保护整定计算，建立统一的模型，以实现高效、准确的电网数据计算平台设计[1]。该设计考虑到以下问题，对模型进行了合理简化：

1）换能器误差不是永久性的，且取决于输入信号的幅度、频谱以及换能器的负载[2]。

2）通过近似广义系数考虑直流瞬变的影响[3]。

3）对于一种通用的运行方式，受保护设备的参数是固定的[4]。

在合理简化的基础上，建模需要满足下述要求：

1）模型需要获取设备（发电机、电动机、变压器、电力线、负载）的所有正常与异常运行状况中的稳态和瞬态频谱[5]。

2）微分方程系统的精确计算方法，可以保证可接受的整定计算精度[6]。

在上述原则的基础上，构建了电子变压器差动保护（TDP）和相位比较保护的数学模型，以实现对继电保护过程中电流互感器与电压互感器的模拟。TDP 数值模型，如图1 所示。

图1 TDP数值模型

Zload是电流互感器的负载，即串联连接的中间互感器和频率滤波器的传递函数。单级电流互感器的传递函数如下：

式中，Y1TAI和Y2TAI为电路分支的电导率；Ye1、Ye2和Ye3为电路节点的等效电导率；K1、K2、K3、K4和K5是TDP 模型的继电保护参数确定的系数。

根据西门子电气的7UT51、7UT61 的方法进行TDP 模型数值的设置，差分电流的拾取值如式（2）所示：

式中，IratedHV为电力变压器高压侧的额定电流；Ibase为基本电流。

若系统中安装补电器，则通过式（2）计算的差分电流阈值将被校正。高行程的拾取值如式（3）所示：

任意电力曲线的基点脱扣特性可由式（4）得出：

显然，式（4）简化了模型的复杂程度，而式（3）中使用的系数是由经验数据得出，且涵盖了所有的标准情况。

2 LSTM数据分析平台

在建立整定计算模型的基础上，需对其进行准确、有效的分析。由于电力系统中的电气设备数量种类繁多，同一类型设备参数多数不同并存在性能衰减。因此普通的整定计算方法难以应对，通过引入长短期记忆网络（LSTM）对模型数据进行分析[7]。

LSTM 具有类似于RNN 的链结构，该链结构具有多个神经网络模块[8]。图2 说明了选用的LSTM 体系结构由不同的门组成（输入门、输出门和遗忘门）[9]，这些门对网络传递的信息进行相关分析运算[10]。

图2 LSTM体系结构

输入门it由域值范围为-1～1 的tanh 函数组成，使用当前输入xt、参数Ct-1和ht-1。遗忘门ft使用sigmoid 函数和tanh 函数作为激活函数，遗忘门决定了保留来自先前输出信息的多少[11]。若值为1，则数据将转换到网络中；若值为0，则数据将不会通过网络传递。输出门ot使用sigmoid 函数作为激活函数，取值范围为-1～1[12]。在每个时间戳上，it、ot、ft通过下式计算：

传统的LSTM 是双向工作的，使用了两个LSTM网络[13]。一个LSTM 网络用于向上和向下扫描，另一个LSTM 网络用于左右扫描。第二个LSTM 网络的输入是第一个LSTM 网络的总和[14]。与传统的LSTM相比，该文采用的多LSTM（MLSTM）使用了两倍数量的输入门、输出门和遗忘门，提高了准确性但增大了计算成本[15-17]。

引入门控循环单元（GRU），旨在处理LSTM 的短期内存问题。GRU 没有单元状态，而是利用隐藏状态来承载信息[18]。GRU 还包括两个门：复位门rt和更新门zt，用以下等式表示：

其中，zt表示更新门，σ(·)表示sigmod 型函数，w、U和b是参数矩阵和向量，ht表示输出向量，xt表示输入向量。更新门负责决定必须删除的信息和必须添加的信息，复位门负责确定要忘记的先前数据量。

提出的MLSTM 模型由4个一维空间LSTM 组成，以独立地沿不同方向扫描每一列和每一行。在每个计算中，均会计算隐藏层并在输出前将结果求和。垂直方向上的LSTM 网络A中应用两个空间一维LSTM，其中在每个步骤中计算隐藏状态并将结果相加。类似地，在水平方向上的LSTM 网络B 执行类似的操作。将A与B组合定义了多向LSTM，如图3所示。

图3 多向LSTM网络

考虑到一维空间LSTM 的输入数据特性，FL是每个空间位置的属性向量。网络在从上到下扫描时，用m,n的属性响应表示特征的维数，并由式（10）估计：

图4 表示了一维MLSTM sigmod 函数的工作流程。为了处理隐藏层的数据，设计的MLSTM模型使用以下3 种方法，即正向传播、求和及并置，如下所示：

图4 一维MLSTM sigmod函数工作流程

3 实验验证

为了验证基于长短期记忆网络的电力数据整定平台对电力系统稳定的价值，通过设计实验进行论证。

首先，使用电力数据分别对GRU、RNN 和LSTM以及该文设计的MLSTM 网络就精确度、召回率与F1分数3 个指标来测试模型的有效性。该次设计的MLSTM 网络在8 组不同数据集下进行实验得到的精确度、召回率与F1分数如图5 所示。

图5 模型指标对比实验

该实验是在内部和外部三相短路、内部和内部两相与单相短路以及无载自耦变压器的连接状态下进行的。在实验变电站110 kV 和10 kV 母线上的三相短路，以及220 kV 母线上的两相短路状态下，存在保护性误跳闸。改变跳闸特性的参数可以消除错误的跳闸，如图6 所示。

图6 跳闸和故障特性

使用MLSTM 数据计算平台分析可知，产生错误动作的主要原因是安装在受保护的自耦变压器侧面的电流互感器的相移不均等，如图7 所示。

图7 A相电流不同侧的波形图

针对MLSTM 平台分析的隐患原因，设计的保护配置如下：

1）对于相位A：差分的拾取电流Idiff=351.4 A，高设定跳闸的吸合值Idiff＞＞=5 120.4 A，曲线1 的跳闸特性斜率为1，曲线2 的跳闸特性斜率为1.5。

2）对于相位B：Idiff=426.7 A,slope1=1,slope2=1.5,Idiff＞＞=5 421.6 A,Ibasepoint2=1 066.75 A。

3）对于相位C：Idiff=376.5 A,Idiff＞＞=5 120.4 A,Ibasepoint2=941.25 A,slope1=1.1。

新参数设置下的输出特性，如图8 所示。可以证明，经过参数的重新设置未出现误跳闸。

图8 新参数设置下的跳闸和故障特性

4 结束语

随着电网向着智能化、大型化发展，电网结构日益复杂，传统的电力数据整定计算方法难以应对。该文通过建立电力器件的详细模型，引入长短期记忆网络对其数据进行分析。通过实验可以发现，设计的平台可以有效识别错误，并辅助制定应对突发事件的策略。

在模型设计中，对器件模型进行了部分简化。未来的工作将着重于研究如何使用时变模型，发现电力系统的更多安全问题，从而进一步提高该电力数据分析平台的价值。