广西电网有限责任公司吴江雄等｜应用深度学习网络的变电站二次测量回路误差评估

来源：《中国电力》2025年第6期

引文：吴江雄, 刘千宽, 阳国燕, 等. 应用深度学习网络的变电站二次测量回路误差评估[J]. 中国电力, 2025, 58(6): 206-212.

编者按

变电站电气二次系统主要起着监视、测量、控制、保护等作用。常规监测方法依靠技术人员长期的现场运维经验，具有较大的主观性和不确定性，同时记录的信息量大、信息数据类型多元化、结构多变，缺少直观高效的手段对数据进行定量、定性分析。而深度学习可以分析提取有效信息并且快速处理大量数据，能够很好地应对数据异常、缺失和噪声等方面的问题。因此，可应用深度学习方法来监测测量回路的误差状态以提高其监测效率。

《中国电力》2025年第6期刊发了吴江雄等撰写的《应用深度学习网络的变电站二次测量回路误差评估》一文。文章借助条件生成对抗网络（conditional generative adversarial nets，CGAN）在数据生成上的优势和LSTM网络在评估上的准确性，提出了变电站二次系统测量回路误差评估新方法。CGAN作为深度生成模型的一种形式可以对现有的有限的历史电流数据进行生成。对生成后的数据进行经验模态分解（empirical mode decomposition，EMD）构成样本并选择最优特征集，引入遗传算法（genetic algorithms，GA）寻找最优长短期记忆（long short-term memory，LSTM）网络参数，通过训练得到测量误差预测模型。通过仿真分析可知所提方法能够可靠地评估二次系统测量回路的误差状态。

摘要

变电站的测量及保护装置伴随环境以及自身使用磨损易引起其监测的电流变动产生误差，从而导致测量回路面临误动拒动风险，常规监控方法难以检测该类幅度变化，基于此提出一种条件生成对抗网络（conditional generative adversarial nets，CGAN）和改进的长短期记忆（long short-term memory，LSTM）网络的误差评估方法。首先，采集正常运行下测量回路的电流数据，引入CGAN方法进行误差数据的增强生成；其次，对生成后的数据进行经验模态分解（empirical mode decomposition，EMD）构成样本并选择最优特征集；为进一步评估误差状态，采用改进的长短期记忆（long short-term memory，LSTM）算法训练模型；最后，搭建PSCAD/EMTDC仿真模型验证本文所提方法的可靠性和准确性。测试实验结果表明：本文所采用的新方法能够可靠地评估二次系统测量回路2%的误差状态。

变电站二次测量回路误差评估关键技术

变电站担负着电能转换和电能重新分配的任务，对电网的安全和经济运行起着举足轻重的作用。通过二次回路对系统运行状态进行监测能够大大提高变电站的安全性和可靠性，为站内设备的安全运行提供保障，提升变电站系统效率，减少非计划停电时间，对提高电网运行效率具有重要意义。

由于设备寿命、环境变动、线路参数变化等影响，采集测量装置监测的电流数据可能会存有误差数据和异常数据，进一步会对测量精度造成影响，必须进行误差评估。由于波动误差数据正常监测下较少，难以达到较好的误差评估结果，因此本文通过引入CGAN对波动数据样本x进行生成，加强误差数据的占比以便本文进行下一步的评估，其中变电站二次测量回路如图1所示。

图1 变电站二次测量回路

Fig.1 Substation secondary measurement circuits

生成式对抗网络（generative adversarial networks，GAN）模型中通常有两个模块：生成器G和判别器D；生成器负责对输入的噪声信息进行处理，并进一步对训练数据集生成逼真的样本；判别器则负责鉴别出训练样本中由生成器生成的不真实数据；两个学习器相互博弈、学习，直到生成的数据和真实数据之间没有差别，具体CGAN结构如下图2所示。

图2 CGAN结构

Fig.2 Structure of CGAN

由于GAN存在训练不稳定、梯度消失、模式崩溃坍塌的问题，本文引入CGAN进行数据生成，具体CGAN结构如下图3所示。

图3 CGAN结构

Fig.3 Structure of CGAN

变电站二次测量回路误差评估方法

为进一步构建GA-LSTM模型，将均衡后的数据集输入GA-LSTM进行训练，进而获得高精度的误差评估模型用于电流波动状态评估。

LSTM是一种常用的循环神经网络（recurrent neural network，RNN）架构，通过门控单元的设计来有效地处理长序列数据，并能够捕捉时间序列中的相互联系及依赖关系。

LSTM的性能往往受到网络结构和超参数的选择影响，在神经网络参数优化中，遗传算法GA可以找到最佳的网络权重w和偏置b和学习率L等等，从而提高网络的性能和准确性。

在本文中，基于GA优化LSTM网络的方法主要过程如下。

1）设计适应度函数。本文为了使LSTM网络在分类预测时，预测值与期望值的残差尽可能小，所以选择预测样本的分类错误率作为目标函数的输出。

2）寻找最优参数。随机生成一定数量的个体作为初始种群，每个个体对应一个LSTM网络的参数组合，在遗传算法的迭代过程中，通过交叉操作融合不同个体的参数，通过变异操作引入新的变化，以增加种群的多样性。对每一个LSTM网络参数组合进行适应度函数评估，得到各个个体的适应度值。根据适应度值选择适应度较高的个体作为父代，用于产生下一代种群。

3）迭代终止。重复进行遗传算法的选择、交叉和变异等操作，直到适应度阈值F<0.5。

准确率a是用于评估分类模型的指标之一，即

式中：T_P为真正例；T_N为真负例；F_P为假正例；F_N为假负例。

本文方法包含数据采集、数据生成、特征选择与评估模型构建这4个阶段，其整体流程如图4所示。

图4 二次系统测量回路误差评估模型

Fig.4 Secondary system measurement loop error assessment model

案例分析与验证

依据某220 kV现场变电站，本文利用PSCAD/EMTDC软件搭建仿真模型并设定其设备参数，系统频率为50 Hz，获取厂变压器侧的互感器电流无误差数据，在其基础上加入–5%~5%模拟量仿真电流波动，进一步对本文所提的方法的可行性和准确性进行验证。

建立CGAN模型，需要考虑设定其网络参数迭代的次数，本文根据其他文献的经验以及收敛性性能，设置训练的迭代次数为

5000

次，训练过程中生成器和判别器的损失函数变化情况曲线如图5所示。由图5可见，迭代次数达到

5000

次左右后，生成器与判别器变化趋于稳定，即具有较好的收敛性。

图5 生成器和判别器的损失函数曲线

Fig.5 Loss function curves of generator and discriminator

收集了200组不同状态误差下的电流数据，在CGAN模型中生成了

2000

组的相似数据，如图6所示。

图6 通过CGAN模型生成的数据

Fig.6 Data generated by the CGAN model

采集厂变侧的互感器电流在不同误差状态下的数据构建数据集，根据厂变电流的不同运行状态下对其进行划分标签，按照表1对标签进行编码，将其数据集70%划分为训练集，30%换分为测试集以便进行下一步的训练。

表1 厂变电流的误差状态对应的标签和编码

Table 1 The label and code corresponding to the error state of the transformer current

将数据集通过EMD分解，用训练集作为样本数据在Matlab R2021b平台上建立模型，进行测试，并与暴力算法（brute-force algorithm，BF）、卷积神经网络（convolutional neural network，CNN）等方法进行对比。其模型训练结果如图7~8所示。

图7 四种网络准确率随迭代次数变化情况

Fig.7 The accuracy of the four networks varies with the number of iterations

图8 四种网络损失函数随迭代次数变化情况

Fig.8 The four network loss functions vary with the number of iterations

从图7中可以看出，GA-LSTM网络的准确率曲线波动最小且稳定后值较高，LSTM网络的准确率曲线较为波动，BF网络和CNN网络相较LSTM网络较为稳定但收敛速度慢于GA-LSTM。总体来说，GA-LSTM网络在准确率的收敛速度和模型准确率上有提升。从图8中可以看出，GA-LSTM网络的损失函数曲线下降陡峭且较早稳定，LSTM、BF、CNN网络的损失函数曲线下降平缓且稳定较晚。因此，GA-LSTM网络在损失函数收敛速度上有较大提升。

数据生成前后准确率对比如图9所示，从图9可以看出：当输入相当数量的样本时，通过CGAN数据进行数据生成这对本文的模型识别率有较大作用。生成前的数据对3种状态分类的准确率大概为88%左右，而生成后准确率能达到99%，对3种状态的识别有较大的提升。

图9 数据生成前后准确率对比

Fig.9 Accuracy comparison before and after data generation

结语

本文采集厂变压器侧互感器的原始电流数据，对其进行标签分类后，由CGAN模型对初始电流数据进行生成，将生成后的样本数据打乱排序并建立均衡样本集。将其输入GA-LSTM网络构建误差状态评估模型。

针对初始样本误差状态不均衡的问题，本文采用CGAN对原始数据进行生成，达到丰富样本的均衡性，并通过实验证明了生成后样本的有效性。引入GA-LSTM模型进行评估，相比于普通的LSTM网络模型，采用的GA算法在一定程度上简化了参数优化过程，加快了迭代速度，同时，相比于其他类型的网络模型，该算法整体上提高了评估准确率。

作者简介