近日，信息科学与技术学院智慧电气科学中心（CiPES）刘宇课题组提出了一项融合物理信息的数据驱动输电线路新型故障定位方法，并采用真实220kV电力系统的工程现场录波数据进行了验证。研究成果以“A physics-informed data-driven fault location method for transmission lines using single-ended measurements with field data validation”为题，发表在电力系统保护领域知名国际期刊Electric Power System Research。
输电线路的精确故障定位是快速恢复供电、保障电力系统供电可靠性的核心环节。近年来，基于人工智能的数据驱动方法在电力系统领域的应用受到广泛关注。然而，针对电力系统故障定位的应用场景，现有的人工智能方法存在一定的局限性。电力系统中故障发生概率较低；针对特定线路，在过去数十年中一般也只有几次故障，而且这些故障难以涵盖各种故障时刻、故障类型、故障位置、过渡电阻等，故障数据极少。一方面，若采用特定线路的真实的录波数据开展训练，由于数据量不足，得出的神经网络往往难以实现精确故障定位。另一方面，若采用仿真产生大量数据进行训练，由于仿真系统与真实系统在系统运行状态、系统源参数、故障参数等各方面差距大，训练出的神经网络在用于真实工程现场时将产生定位误差。基于人工智能的故障定位方案挑战如图1所示。
图1. 基于人工智能的故障定位方案挑战
针对人工智能方法在电力系统输电线路故障定位问题中的特殊挑战，研究团队提出了融合物理信息的数据驱动故障定位方法。首先，针对工程现场的特定录波数据，基于电力系统的粗略物理模型，计算出该故障情况时的线路负荷、源等效阻抗、故障发生时刻以及过渡电阻的大致范围。而后，在离线产生的大量仿真数据中，选取与该故障情况对应的数据集训练神经网络。该方法通过引入物理信息，有效弥合了仿真数据与工程现场数据之间的差距；同时，该方法也不依赖精确的物理模型，避免了基于模型方法精确物理建模的困难。该方法兼容数千赫兹的工程现场典型采样率、仅需要线路本端故障发生前后半个周波的电气量，无需与线路对端的通信。工程现场故障数录波据验证结果表明，相比现有的数据驱动方法，所提出方法显著更高了故障定位精度，如图2所示。
图2. 现有方法和所提方法在故障定位结果，工程现场故障录波数据验证
信息学院硕士研究生邹昕辰、邢逸琦分别为第一、第二作者，信息学院何旭明教授为合作作者，刘宇教授为通讯作者，上海科技大学为第一完成单位。该项研究得到了国家自然科学基金面上项目的支持。
论文链接：
https://www.sciencedirect.com/science/article/pii/S0378779624008290
沪公网安备 31011502006855号
