编辑推荐:
准确的高压分布式电源(DG)并网微电网中电压暂降(voltage sag)源的定位,对维持系统可靠稳定运行至关重要。然而,微电网复杂拓扑、双向时变潮流及测量不确定性使传统基于模型的方法难以达到较高精度。为此,研究人员提出一种融合数据驱动时空学习模型与基于模型的
准确的高压分布式电源(DG)并网微电网中电压暂降(voltage sag)源的定位,对维持系统可靠稳定运行至关重要。然而,微电网复杂拓扑、双向时变潮流及测量不确定性使传统基于模型的方法难以达到较高精度。为此,研究人员提出一种融合数据驱动时空学习模型与基于模型的二分搜索(binary search)精炼的双阶段电压暂降源定位方法。第一阶段,构建改进时空图卷积网络(Improved Spatial-Temporal Graph Convolutional Network, STGCN),提取电压电流采样的时空相关性,实现暂降源的区段(section-level)初步定位;第二阶段,在候选区段内应用二分搜索精炼策略迭代收敛至精确故障点。研究人员在改进IEEE 33节点系统上结合多种光伏(PV)出力场景、故障类型及位置进行仿真。结果表明,所提方法在高DG渗透率下保持稳定的定位性能,且在多故障类型与噪声干扰下仍具高准确率与鲁棒性。
论文解读:《A Two-Stage Voltage Sag Source Localization Method in Microgrids》发表于《Energies》
一、研究背景与意义
随着高端制造业中电压敏感设备的广泛应用,用户对电能质量(power quality)的要求日益提高。电压暂降(voltage sag,亦称voltage dip)是微电网中最常见的电能质量扰动之一,主要由短路故障引起。高比例分布式电源(distributed generation, DG)(如分布式光伏PV)的接入使微电网拓扑复杂化,潮流呈双向时变特征,导致传统基于阻抗或方向判别的暂降源定位方法精度下降。现有上游/下游判别法仅能给出粗略方向;区段(section)定位法对终端数据质量敏感;行波法在分支众多的微电网中需大量测点且成本高昂。此外,人工智能方法多缺乏物理可解释性或对PMU(phasor measurement unit)全覆盖依赖强。为此,研究人员提出一种数据—模型融合的双阶段框架,兼顾数据驱动智能与物理模型可解释性,以解决高DG渗透率下微电网电压暂降源的高精度定位难题。
二、主要关键技术方法
研究人员在改进IEEE 33节点系统中生成涵盖不同故障类型(单相接地、两相短路、三相短路等)、故障位置及PV出力水平的仿真数据集,按6:2:2划分为训练、验证与测试集。关键技术方法包括:(1) 将微电网建模为图结构,以节点电压/电流基波周期有效值(RMS)构建时空特征张量,输入改进时空图卷积网络(STGCN),引入自注意力(self-attention)机制增强全局依赖捕获,输出各节点为暂降源端点的概率以判定故障区段;(2) 在STGCN判定的候选区段两端节点间,注入与故障类型相同的等效电压暂降源电流进行潮流计算,比较实测与仿真电压跌落量差值,采用带容差阈值ε与联合终止条件的二分搜索(binary search)迭代缩小区间,实现线路上的精确故障点定位。
三、研究结果
2. Section-Level Localization of Voltage Sag Sources Based on Improved STGCN(基于改进STGCN的电压暂降源区段定位)
研究人员将微电网抽象为图G(V,E),节点数N,邻接矩阵Aij=1表示节点i,j间有直接电气连线。取PQMD(power quality monitoring device)记录的每周期电压有效值Urms与电流有效值Irms构造特征矩阵Xt∈RN×2,经min-max归一化后输入改进STGCN。STGCN由时间卷积(GLU门控)—空间图卷积(归一化拉普拉斯矩阵聚合邻域信息)—时间卷积串联构成,其后接self-attention模块计算缩放点积注意力以建立跨节点长程关联,再经全连接层与Sigmoid函数输出各节点暂降源概率Y0。若某线路两端节点概率均超预设阈值,则该线路被判定为故障区段。仿真显示该方法区段定位准确率超99%,显著优于LSTM、CNN及普通GCN,且在SNR低至10 dB高斯噪声下仍保持较高鲁棒性。
3. Precise Localization Strategy of Voltage Sag Sources(电压暂降源精确定位策略)
确定故障区段端点a、b后,计算两端三相归一化电压跌落总和Ea、Eb。在区段中点z0注入与实际故障类型一致的等效电压暂降源电流,经快速潮流计算得仿真跌落Ea0、Eb0,求差值ΔEa0=Ea?Ea0、ΔEb0=Eb?Eb0。依据ΔE符号判断真故障点位于左半或右半子区间(引入容差ε防误判),迭代选取新区间中点注入等效电流并比较差值。终止条件为区间长度小于δL(如线路长1%或100~300 m)或相邻迭代残差相对改善量低于δJ(1%~5%)。实例中9轮迭代后定位误差小于区段长的0.1%,精确率达99.98%(三相短路)与99.94%(单相接地)。
4. Case Study(案例研究)
- •
4.1 Test System and Data Configuration:改进IEEE 33节点10 kV系统,节点0接入主网,DG(PV)接于节点5、10、13、17、27;PQMD布设于含DG及分支节点共10个(节点1,3,5,10,13,17,21,24,27,32),无PQMD节点特征置零。
- •
4.2 Accuracy Analysis in Different Fault Scenarios:区段定位平均准确率>99%;精确定位在设定精度下经有限轮次二分搜索收敛至实际故障点附近。
- •
4.3 Noise Robustness Analysis:叠加10~40 dB高斯噪声模拟单相对地故障,所提方法在10 dB低信噪比下区段定位精度明显优于对比模型,证明RMS特征与拓扑信息融合提升了抗噪性。
- •
4.4 Generalizability Verification:改变网络接线(断开/闭合联络开关等)构建三种拓扑变更场景,方法区段定位准确率仍在96%以上,表明对拓扑动态变化具良好泛化能力。
四、讨论与结论翻译
研究人员通过改进STGCN挖掘微电网时空相关性与拓扑约束完成区段初定位,再借助基于等效注入与残差比较的二分搜索实现线段内精确定位。该方法在高DG渗透率、噪声干扰及拓扑变化条件下均保持高精度与鲁棒性,具备工程应用潜力。论文结论如下:
(1) 改进STGCN有效融合微电网空间拓扑与稳态时间序列信息,提取的时空特征具良好区段定位能力,在不同DG渗透率下维持高准确率,适应微电网运行特性。
(2) 基于区段定位引入二分搜索,通过注入与判别等效电压暂降源电流快速缩窄范围,有限迭代内达预设精度,实现故障区段内高精度电压暂降源定位。
(3) 在噪声干扰与拓扑变化条件下,所提方法仍保持较高定位准确率,展现良好鲁棒性与泛化能力,具较强工程应用价值。