AI-Powered Power Fault Reference in Power Systems: 技术概览 互联网档案馆的存檔,存档日期2013-09-02.

电网是关键的基础设施资产,其不间断的运行对现代社会至关重要。从瞬间线到地面短裤到永久设备故障,对电网稳定性、安全和可靠性都构成重大威胁。 传统的断层检测方法,往往基于阈值中继和人工分析,对于当代电力系统的复杂性和规模越来越不合适。人工智能提供了强有力的替代方法,能够实时、适应性强、非常精确的断层检测和诊断。 本条全面审视了AI技术如何应用于电力系统的断层管理,包括数据管道、算法选择、操作优势以及仍然存在的挑战。

为什么发现错误

电力系统断层如果得不到迅速清理,就可能逐步形成大面积断电。 输电线上的一条短路会导致附近的发电机发生故障,导致频率不稳定和负荷的堆积。计划外断层的经济影响非常严重:电力研究所(EPRI)估计电力中断每年使美国经济损失超过1500亿美元。除了经济学之外,断层还损坏了变压器、断路器和电缆等昂贵的设备,缩短了资产寿命,增加了维护成本。 早期和准确的断层探测通过快速隔离故障区段和快速恢复服务来将这些后果最小化。 传统的保护计划依赖于超流、距离和差分继器,这些系统对严重断层有效,但往往漏失常、高缺陷或不断演变的断层。 AI驱动的系统通过探测失败前的微妙模式来填补这一缺口。

传统的错觉检测:力量和局限性

常规保护系统使用定时规则:如果流超过既定阈值,则发出旅行信号。远程中继测量阻碍估计断层位置。这些方法简单、快捷、通晓。但是,它们与:

  • ]高通断层[](例如树枝触线),产生低电流变化.
  • 间断断 持续时间不够长,不足以触发阈值.
  • 变化的断层[],这些断层随时间变化而改变特性.
  • 网络复杂[],其中可再生源,分布式发电,双向电流扭曲了常规断层签名.

AI方法通过从数据中学习复杂,非线性的关系来克服这些局限性,而不需要明确的网格数学模型.

AI 过失管理工作流程

数据获取和预处理

基于AI的断层探测首先从来自哈苏测量单元(PMU),数字断层记录器,智能计,以及监督控制和数据获取(SCADA)系统的高分辨率数据开始. 关键信号包括三相电压和电流,频率,以及谐波含量. 数据以每秒30个样本(SCADA)到数千赫兹(PMU)的速率进行抽样. 预处理步骤包括:

  • 定型: 应用滤波器(如波浪变换)去除测量噪声而不会模糊瞬变特性.
  • 规范化:[] 将信号缩放为零平均值和单位差异,以确保不同操作条件的一致性.
  • 时间同步:[] 利用GPS时间戳对多个来源的数据进行对齐——对断层位置至关重要.
  • Feature 提取: 衍生RMS值,相角,对称成分(正,负,零序列)等更高层次的指标,以及波率系数.

AI 断层检测模型

成功应用了几套机器学习和深层学习架构:

  • 人工神经网络(ANNs): 饲料前导网络接受历史断层数据培训,将正常对错状态分类,常用于电压和电流波形的图案识别.
  • 支持矢量机(SVMs): 即使训练数据有限,对二进制分类有效(故障/无故障),当特性数量比样品高时,它们效果良好.
  • 决定树和随机林:提供可解释的规则(例如,“如果零序列电压超过X,那么断层型Y”)。 随机林通过聚合多棵树提高准确性。
  • 革命神经网络(CNNs):直接应用于原始时间序列信号或时间频率图像(谱). CNN捕捉局部规律和翻译的偏差,使其强力适应断层位置和阻断的变异.
  • 流体神经网络(RNN)和长期短期内存(LSTM): 为顺序数据设计. LSTMs记忆长期依赖性,可用于检测演化的断层或前故障条件.
  • Autouncodes: 训练以重建正常的操作模式. 高重建错误表示一个异常——当标签错误数据稀缺时,对无监督的断层检测的理想.

错位分类和本地化

一旦发现断层,系统必须确定其类型(如单线对地,线对线,双线对地,三相)及其位置. AI模型可以训练输出断层类型标签和估计距离(公里或线长百分比). 本地化,回归模型或包含网络地形的图神经网络(GNNs)等专业架构正在出现. 精确本地化加快了修复机组调度,缩短了断层持续时间.

AI-Driven故障管理的好处

  • 真实时间速度:[ 现代AI模型,特别是部署在边缘设备上的轻量级神经网络,可以在几毫秒内探测断层并进行分类——与常规继电器相比或比常规继电器更快.
  • 适应性:[] AI系统在新数据到达时自动重新排练,适应生成组合,负载模式,网络地形的变化(如重组后).
  • 敏锐地发现初发性断层:AI可以识别故障前的条件,如电缆部分放电或变压器的绝缘降解,从而能够预测维护.
  • 多变量分析:[AI将跨网的多个传感器的信号联系起来,检测出单点测量所看不见的断层.
  • 减少的假警报:[ 通过学习系统的正常变异性,AI可以区分真假错失与切换瞬态,加载变化,或测量错误,减少不必要的旅行.
  • 成本效率: 防止停电,减少设备损坏,优化维护时间表,转化为显著的业务节约.

实际世界应用和个案研究

几个公用事业和研究项目在实践中都证明了基于AI的断层探测。 比如,美国能源部的ARPA-E方案资助了一些项目,利用机器学习PMU数据来探测和定位广域监测系统的断层。 一个中国公用事业公司的一个显著实施是使用CNN-LSTM混合模型来分析成千上万的断层记录,实现了98.5%的分类精确度,并将断层定位误差降低到5%的线路长度。 在分销网络中,像Enel这样的公用事业公司在智能仪表数据上安装了AI,以识别传统中继器错失的高缺陷缺陷缺陷,减少干燥条件下的野火风险。 这些成功强调了AI的成熟性,可以用于操作。

克服挑战

尽管取得了令人乐观的成果,但AI在过失管理方面的采用面临若干障碍:

  • 数据质量和可用性:[] 高品质的标定断层数据稀缺,正常操作数据丰富,但断层是罕见的事件,正在探索合成数据生成和传输学习,以解决这一问题.
  • 模式解释性:[ 深层学习模型往往是黑盒. 公用事业和监管者需要解释性的决定,特别是在必须信任保护性继电器时. 解释性AI(XAI)技术如SHAP和LIME正在获得牵引力.
  • 循环安全:[ AI系统本身可以通过对抗性输入来攻击. 确保强性防止恶意数据操纵对于网格可靠性至关重要.
  • 与遗留硬件的融合:[ 许多子站仍然使用机电或固态继电器. 与AI能力控制器的重置需要精心规划和投资.
  • 校验: 网格保护系统必须经过严格的测试,才能达到标准(例如IEEE C37.118,IEC 61850). AI模型必须在部署前对各种假想进行验证.

未来方向

过失管理AI的下一个演变可能涉及:

  • 联邦学习:[ 跨多个公用事业的培训模式,不分享原始数据,在改进模式通俗化的同时保护隐私.
  • 定点计算:[] 直接在智能电子设备(IEDs)和继电器上部署轻量级模型,以减少通信延迟和带宽需求.
  • 数码双胞胎:[ 创建整个网格的实时数字复制,模拟断层情景,在安全的环境中训练AI模型.
  • 格氏神经网络:[ 利用网络地形来改进断层检测和位置,特别是在具有高可再生渗透度的网格中.
  • 与可再生能源的结合: 随着反向资源变得主导,AI模型必须适应新的断层特征(例如太阳反向器产生的低断层流).

AI不是传统保护的替代,而是强大的增强。 通过将常规中继的速度和可靠性与机器学习的智能相结合,动力系统可以实现前所未有的复原力水平。 正在进行的研究和试点项目表明,未来不仅发现和清除断层,而且可以预期和防止。

进一步阅读,见 EPRI关于电网现代化的AI,IEEE关于动力系统断层诊断深层学习的调查,以及U.S.DOE AI for Grid Initiative。