【摘要】随着电力系统规模的持续扩大及新能源的高比例接入，电网运行特性日趋复杂，传统的故障预警方法已难以满足实际需求。文章提出一种基于深度学习的电力系统故障自动预警方法，通过构建深度神经网络模型实现对海量电力系统运行数据的深入挖掘与分析。研究设计了基于长短期记忆（Long ShortTerm Memory，LSTM）网络及卷积神经网络（Convolutional Neural Network，CNN）的混合深度学习架构，结合注意力机制提取关键特征，建立了一套完整的故障预警框架。该方法具有较高的预警精度及实时性，预警准确率达到92.5%，平均提前预警时间为8.5分钟，误报率低于1.2%。该研究对提高电力系统运行的可靠性及预防重大事故的能力具有重要意义。

【关键词】深度学习；电力系统；故障预警；LSTM；CNN

引言

电力系统运行环境日趋复杂，特高压电网规模的扩大及新能源并网比例的提升，为电力系统正常运行带来了新的安全挑战。传统的基于阈值判断及专家系统的故障预警方法存在预警精度低与适应性差等问题，深度学习技术凭借其强大的数据处理能力及特征提取能力，为电力系统故障预警提供了新的研究思路，但在预警及时性及可解释性等关键问题上仍有待突破。

一、电力系统故障预警技术分析

电力系统运行特性正经历深刻变革，特高压电网规模的扩大与新能源并网比例的提高使系统稳定性机理日趋复杂。大规模风电与光伏发电的随机波动性与间歇性显著改变了电网的瞬态稳定特性，传统基于阈值判断及专家系统的故障预警技术难以满足新型电力系统的运行需求。IEEE 39节点系统实际运行数据分析表明，新能源渗透率每提升10%，系统暂态稳定裕度平均下降5.8%，传统预警方法准确率降低12.3%。深度学习技术凭借其强大的数据处理能力及自适应特征提取能力，在电力系统故障预警领域展现出独特优势。当前研究主要围绕特征量评估与数据挖掘及预警模型构建等方向，但多场景自适应预警与预警结果可解释性方面仍存技术瓶颈。构建基于深度学习的故障预警模型，结合电力系统运行机理与数据驱动方法，有望实现系统故障的精准识别及及时预警，为电网的安全稳定运行提供技术支撑[1]。

二、深度学习预警模型设计方法

（一）电力系统数据分析处理

电力系统数据分析采用多阶段特征处理方法。第一阶段针对原始数据进行时序分解，基于系统物理特性构建状态向量，构建过程如式（1）所示：

Si（t）=［δi（t），ωi（t），ai（t），Ii（t），Vi（t）］，i∈G，t∈T（1）

其中，Si（t）为第i个发电机在t时刻的状态向量；G为发电机数量（台）；T为预警时间段；δi（t）、ωi（t）、ai（t）、Ii（t）及Vi（t）分别为第i个发电机t时刻的功角（rad）、转速（rad/s）、转子加速度（rad/s2）、母线电流（kA）及母线电压（kV）。

在数据处理方面，先借助小波变换对原始数据开展多尺度分解工作，具体选取db4小波基函数并进行5层分解，以此分离出不同频率成分。在频域特征提取环节采用功率谱密度分析方法来计算各频段能量分布特征，对于瞬态分量设置50 ms滑动窗口开展短时傅里叶变换操作[2]。针对工频分量采用200 ms窗口来提取基波特征，对于低频振荡分量使用1 s窗口捕捉振荡模式特征，在图1所示的IEEE 39节点系统里实现特征筛选时，基于Spearman等级相关系数构建特征相关性矩阵，设置相关系数阈值为0.85以剔除高度相关的冗余特征。采用条件互信息最大化准则对特征重要性进行量化排序，通过设定信息增益阈值形成特征候选集，为保证特征集的鲁棒性引入Bootstrap采样方法，通过重复采样及验证确定最终的特征子集。