基于卷积神经网络的电力系统故障线路实时定位与 PMU 布点
系统与控制
2019-05-20 v2 机器学习
机器学习
摘要
多样的故障类型、快速重合闸以及故障事件后复杂的暂态使得电网中的实时故障定位颇具挑战。该领域现有定位技术依赖于简化假设（如静态负荷），或需要高得多的采样率或全测量可用度。本文提出一种基于卷积神经网络（CNN）分类器、利用母线电压的故障线路定位方法。与先前数据驱动方法不同，所提分类器基于具有物理解释的特征，提升了定位性能的鲁棒性。我们基于 CNN 的定位工具的精度明显优于文献中其他机器学习分类器。为进一步提升定位性能，提出一种联合相量测量单元（PMU）布点策略，并与其他方法对比验证。我们方法的一个重要方面是：在极低可观测性（7% 的母线）下，算法仍能以高概率将故障线路定位至一小邻域内。我们的方案性能通过在 IEEE 39-母线与 68-母线电力系统中于不同不确定条件、系统可观测性及测量质量下仿真各类故障得以验证。
引用
@article{arxiv.1810.05247,
title = {Real-time Faulted Line Localization and PMU Placement in Power Systems through Convolutional Neural Networks},
author = {Wenting Li and Deepjyoti Deka and Michael Chertkov and Meng Wang},
journal= {arXiv preprint arXiv:1810.05247},
year = {2019}
}
备注
11 pages, 8 figures