其他
【精彩论文】基于深度学习的智能变电站通信链路故障定位方法
观点凝练
摘要：针对智能变电站通信链路故障定位因链路复杂导致排查效率低的问题，提出了基于深度学习的智能变电站通信链路故障定位方法。从智能变电站二次装置网络拓扑出发，构建网络连通矩阵并作为基准，提出了通信链路故障情形下的故障特征表征方法；进一步基于二次装置连接与运行状态之间的逻辑关系，构建全站故障样本集；应用改进卷积神经网络（CNN），搭建智能变电站通信链路故障定位模型，最终通过后台信息初步判定的故障间隔信息与模型输出结果共同实现故障链路精确定位。以220 kV智能变电站部分间隔为例，构建故障样本集，通过结果分析对比了不同定位方法，对比结果表明所提定位方法具有较高的准确率。
结论：针对智能变电站通信链路故障定位受限于链路复杂与人工排查效率不足的问题，本文提出一种基于改进CNN的智能变电站通信网络链路故障定位方法。首先通过解析SCD文件获取设备逻辑连接关系并构建网络矩阵，以此为基准表征通信网络故障状态下的冗余特征。结合智能变电站实际运行状态构建样本集，建立基于改进CNN的故障定位模型，以多尺寸卷积核提取不同层次的故障特征，将故障定位目标域精确至故障链路两端的装置层。
算例分析表明，本文提出的基于改进CNN的通信网络链路故障定位方法能够有效处理高维特征信息，结合后台故障间隔信息能够实现通信网络链路故障的准确定位，表明本文所提故障定位方法具有足够的准确性与工程实用性。
与此同时，考虑到不同智能变电站存在结构、规模以及配置方面的差异，本文所提方法存在一定的局限性，主要体现在面对大规模故障样本的获取需要大量的人工与时间成本，解决依据少量现场运行数据进行样本生成的问题将很大程度提高本文所提方法的应用性与推广范围。此外，交换机运行信息采集交互性差、数据类别少的问题使故障信息特征的表征复杂化，随着交换机检测技术的不断迭代，丰富全面的数据将提供更深层次的特征，能够进一步简化特征表征，缩小故障定位范围，提高故障链路定位精确率。
引文信息
皮志勇, 朱益, 廖玄, 等. 基于深度学习的智能变电站通信链路故障定位方法[J]. 中国电力, 2023, 56(7): 136-145.PI Zhiyong, ZHU Yi, LIAO Xuan, et al. Fault location method for communication link in smart substation based on deep learning[J]. Electric Power, 2023, 56(7): 136-145.往期回顾
◀【精彩论文】考虑源荷不确定性的氢能微网容量优化配置◀【精彩论文】惰转并网调相机同期系统定值整定及调整方法◀【精彩论文】C型阻尼滤波器内在特性分析及最优应用场景◀【精彩论文】基于氢负荷需求的氢能系统容量规划◀【征稿启事】“分布式智能电网的规划、运行和电力交易”专栏征稿启事◀【征稿启事】“新型能源体系下电碳协同市场机制及优化运行”专栏征稿启事◀【征稿启事】“面向碳达峰碳中和目标的清洁高效发电技术”专题征稿启事◀【征稿启事】“新型电力系统低碳规划与运行”专栏征稿启事
审核：方彤
根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。