zoupaper的个人博客分享 http://blog.sciencenet.cn/u/zoupaper

博文

机器学习对继电保护的影响

已有 539 次阅读 2018-2-13 10:00 |系统分类:科研笔记

继电保护是在电力系统中非常重要的技术,它的作用是:在电力设备出现故障时,准确、快速地切除故障设备,避免造成连锁反应。同时需要保证不误切无故障设备,不能扩大切除范围。为此,不同设备的保护是互相配合的,每个保护,都有严格制定的保护范围,保证在保护范围内的故障准确动作,保护范围外的故障坚决不能误动。

继电保护对于电力系统安全稳定运行,发挥了极其重要的作用。现在技术发展日新月异,特别是大数据、机器学习等技术快速发展,有没有可能从这些快速发展的行业中借鉴一些好的东西,改进我们的继电保护技术,这是本篇博客讨论的问题。

首先,保护的特点是:输出极其简单,要么动作,要么不动作。这是一个典型的分类问题。不涉及连续量调节(回归分析),不涉及反馈控制。但是保护的输入很复杂,要考虑很多影响因素,比如说测量误差、故障过渡电阻、外部短路电流等。这种问题是很典型的、适合机器学习处理的问题。实际上,传统的保护,也可以划到机器学习的范畴里面。比如说,下图是某距离保护的判断逻辑:


实际上,上述逻辑框图就是决策树,只不过这里的决策树是预先设计的,不是训练出来的。决策树的优势是可解释性强,容易被用户接受,但并不是说,其它工具就不可以用了。

传统保护应用决策树的固有问题是:坚持非此即彼,硬生生的把整个空间划分为动作区和非动作区。那么,如果故障正好发生在边界范围附近怎么办?因此,有的学者(柳焕章)提出把问题空间分为3个区,中间的那个区叫做柔性区,其余两个区继续采用成熟简单的判据,保证快速、可靠。柔性区可以引入更多的信息,做更详细的判断,取得更可靠的结果。

如果我们用机器学习的思维来思考,那么,柔性区就是机器学习的用武之地。因为边界附近非常难以判断,各种因素的误差交错在一起,哪个误差稍微大一点就是不同的结果。应用大量模拟仿真的统计结果训练柔性区的分类器,我觉得是一条可行的方法。

传统继电保护还有一个问题是:我们无法获得真实的状态,所有测量数据都是带有误差的。尤其是故障电流条件下,互感器的误差尤其很大。其次,电力系统都是带有谐波,我们有时候希望提取工频分量,需要滤波计算,这里面的误差仍然存在。传统的方式是在提取了有关信息后,才进行后续的判断。

那么,能不能有这样的思维:通过仿真训练机器学习分类器时,能否直接输入原始测量数据,把信号的滤波工作作为机器学习的一部分,我想这是深度学习应该擅长的吧,至少这是一种思路。

最后一个问题,随着现在大规模分布式电源的接入,需要主动配电网的保护实现更多功能,但是目前主网的保护设备价格太贵了,一个变电站全套保护的价格,和一次设备是同一个数量级的。如果我们降低一些绝对可靠性的要求,可以大幅度降低主动配电网保护的成本,同时保证功能综合多样。我想机器学习可能会发挥一些作用,因为传统保护有大量逻辑判断模块需要开发、测试,机器学习尤其擅长大量判据的融合,比如用一个深度神经网络可以实现以前需要很多模块、很多代码才可以做到的事情;再比如贝叶斯网络,可以在分析中考虑不确定性。




http://blog.sciencenet.cn/blog-3316223-1099666.html

上一篇:矩阵乘法的优化
下一篇:能源变革形势下值得关注的技术工具

2 郭景涛 彭雷

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...
扫一扫,分享此博文

Archiver|手机版|科学网 ( 京ICP备14006957 )

GMT+8, 2018-5-21 09:18

Powered by ScienceNet.cn

Copyright © 2007-2017 中国科学报社

返回顶部