摘要：随着大规模分布式电源(DG)接入配电网，配电网的结构由传统的辐射型变为多端电源结构，传统的故障定位方法不再完全满足含DG的配电网系统，对此提出一种基于深度学习的有源配电网故障定位方法。首先通过馈线监控终端采集过电流故障数据与节点电压数据，结合各电源出力数据，形成故障数据向量;然后使用Tensor Flow构建基于全连接网络的深度神经网络模型，挖掘故障数据向量与故障支路之间的映射联系，形成故障定位模型;最后利用该模型在线定位故障并验证其有效性。模型测试结果表示，与反向传播神经网络、学习向量量化神经网络模型相比，深度学习模型收敛速度更快，故障定位准确率更高，同时在数据畸变或缺失时，模型具有较高的容错性。
关键词：Tensor Flow；分布式电源；配电网；深度学习；故障定位
1 引言
为了解决能源短缺问题，阻止环境继续恶化，以光伏发电等为代表的分布式电源（DG）开始加速接入传统配电网中，使配电网变成一个潮流双向流动的有源网络，称为有源配电网。拓扑结构更加复杂，故障电流双向流动，这导致其故障特征与传统配电网存在较大差异，使得配电网现有的继电保护不再适用。通过PMU测量线路两端电流相位，对样本数据进行有效筛选，提取有效数据的电流相位，建立线路两端电流相位间的组合关系模型，获得电流相位故障前后变化以及故障后两端电流相位差变量，建立配电网故障区段和电流相位间的关联关系，确定故障后电流相位变化的主要原因，形成简明、准确的保护动作整定值，进而根据保护动作整定值，快速、准确启动保护，切除故障，为配电网保护提供量化信息支持，提升配电网整体稳定化、快速性和自适应能力，具有广泛应用前景。
2 深度学习框架Tensor flow及模型介绍
2.1 Tensor Flow框架
Tensor Flow是当今最为流行的深度学习框架，是谷歌基于DistBelief研发的第二代人工智能学习系统，该框架中所有数据均以Tensor(张量)形式流动。文中根据各节点的FTU装置得到故障数据向量数据集，通过Tensor Flow框架，构建并训练DNN模型，实现故障定位。
2.2 基于Tensor Flow框架的深度学习模型
基于Tensor Flow搭建的深度学习模型中数据传输方向主要分为数据处理与模型搭建2部分。第一部分为有源配电网故障数据处理。根据各节点的FTU装置采集过电流故障数据与节点电压数据，结合各电源的出力得到故障数据向量数据集，同时对数据进行标签化与数据清洗。第二部分为在Tensor Flow框架内构建基于DNN的有源配电网故障定位模型，使用经过处理与标签化的故障数据训练，在训练结束后形成最终的故障定位模型。
3 有源配电网源荷不确定性
在传统配电网中，多是输出功率较为稳定的常规机组以及变化波动不大的负荷，主要是接受来自上级网络的电能，并且将其分配给各级的用电，潮流形式较为单一，主要是从发电端流向用电端。而当大规模的分布式电源接入后，尤其是小型的配电网中，光伏的渗透率很高，由于其出力的大小受到太阳辐照度、气溶胶、大气透明度等多种大气因素限制，很难保证其稳定地电能输出，通常具有出力不确定性的特点。通过过去的研究可知，通过贝塔分布来拟合光伏机组出力的不确定性情况，通过正态分布来拟合可变负荷的不确定性情况。考虑到小容量微电网只有较为粗略的气象信息，因此采用离散型随机变量的概率分布描述光伏的出力情况。故本小节介绍关于离散型随机变量的概率分布定义、正态分布的定义、概率分布函数等统计信息。
在分析了以往的研究后发现，其考虑分布式电源的不确定性，多是通过得到出力的概率分布函数，进而得到出力的预测区间，对于小型的微电网而言，较少能获得精确的光伏出力数据信息，只有粗略的气象信息，例如下一个整点时刻的晴天、阴天、雨天三种气象类型所出现的概率，以及和气象类型相对应的光伏的出力情况，需要通过这些离散的数据信息预测当前的光伏出力。
4 基于深度学习的有源配电网故障定位模型
4.1 有源配电网故障定位逻辑
(1)首先对已有的历史故障向量数据集预处理，并划分为训练集与测试集，对训练集数据激励。(2)在Tensor flow框架内，构建或更新基于FCN的DNN模型，对多隐层网络神经元采用随机失活技术(Dropout)。(3)每个步长内，通过步骤(1)所得训练集激励数据，在DNN模型中进行学习训练，计算损失值并以减少该值为目标梯度优化，给出反馈调节DNN参数信号以供网络参数调整使用。(4)每个步长内，经过步骤(2)—(3)，能够生成故障定位模型。使用步骤(1)所得的测试集数据载入该定位模型，测试模型准确率，从而监测训练步数增多时，模型效果的变化。(5)若达到设置步长，则停止训练，并输出最终故障定位模型。若未达到训练步长，则模型根据步骤(3)调整信号，更新DNN参数，重复步骤(2)—(4)，继续训练直至达到设定步长。(6)已有最终故障定位模型。若发生故障，则将采集的故障向量数据载入模型，输出故障定位支路，实现对有源配电网的故障定位。
4.2 逆变器并网型分布式电源模型
建立通用于各种故障类型的有源配电网简化模型的过程中，建立符合实际的分布式电源简化模型至关重要。发生故障时，逆变型分布式电源的故障输出特性与传统的同步机电源有很大不同，根据不同的控制目的，有不同的控制方式，故障时出力也不同。目前，常见的逆变器控制方法有功率控制、恒压恒频控制以及下垂控制。其中，并网型逆变电源最常见的控制策略是基于电网电压矢量定向的恒功率控制，恒压恒频控制及下垂控制主要在接入微网运行时采用。恒功率控制是一种储能逆变器主从控制策略，当储能逆变器并网运行时采用PQ控制。PQ控制指对储能逆变器输出的有功功率和无功功率进行控制，在保证额定有功功率输出能力的条件下，具有一定的无功调节能力。储能逆变器PQ控制方式下输出电压及频率由电网决定。
4.3 评估模块
在评估模块中需要监测模型定位准确率，在每个训练步长结束，均会形成有源配电网故障定位模型，此时需要通过测试集数据对模型进行测试，验证模型的正确性。定位准确率表示了所建深度学习故障定位模型中预测标签与实际标签的匹配样本数占所有样本数的比值。定位准确率能反映所建深度学习模型训练正确性，定位准确率越高，代表模型的精确度越高。
5 结束语
与BP、LVQ神经网络模型相比，该模型准确度更高，收敛速度更快，有效缩短模型的计算时间，为在线调整模型参数提供技术支持。模型在训练数据无畸形缺失情况下，模型准确率很高，若多节点数据畸形或缺失，在历史故障向量数据集中加入少量的畸形数据，能够对模型进行修正，提高模型容错率。
参考文献：
[1] 陈秋月,廖文龙,杨德昌.基于狼群竞争算法的主动配电网无功优化研究[J].供用电,2019,36(01):46-53.
[2] 黄校娟,付蓉,吴英俊,倪明,李满礼.网络攻击下基于贝叶斯图论的配电系统安全分析[J].电力建设,2019,40(01):86-95.
[3] 曹琼,李昊阳.光伏并网引起主动配电网电压越限问题研究[J].山西电力,2018(06):15-18.
[4] 高天润.新型有源电力滤波器的设计与仿真[J].通讯世界,2018,25(12):94-95.
[5] 秦川.配电网谐波电流谐波信号控制[J].电气应用,2018,37(24):51-53.