2026年面向电力系统继电保护整定计算的极端运行方式智能搜索报告-华中科技大学 王镜毓副研究员

2026年4月24日*致谢：感谢课题组硕士生李彦同学对本报告的贡献目录2线路1线路2线路3口快速、准确识别极端运行方式对保护整定计算至关重要传统发电(火水核)交流输电传统电力系统新型电力系统高比例电力电子化高比例电力电子化需求侧高比例新能源光伏发电居民用电交通用电工业用电口电网结构持续扩张，极端运行方式的搜索空间急剧增长，传统枚举式搜索方法效率降低口为适应新能源/负荷随机性，电力系统运行方式更加灵活，难以定义基本运行方式口与传统电网在短路计算中视为空载网络不同，新能源机组通常采用非线性压控电流源模型，短路电流需要迭代求解，进一步增加搜索时间方式组合数目基本方式数量整定计算效率搜索范围大小口电源影响域法，仅适用于辐射型网络口电源贡献系数->电源运行方式口遗传算法->极端厂站组合方法□故障特征提取->直流差动保护口虚拟支路法，门槛值设定缺乏理论依据口快速凸包算法->裕度、爬坡、传输安全强化学习、深度学习、迁移学习、图神经网络……;最优潮流、稳定评估、功率预测、信息安全……口深度学习训练需要海量样本支撑，在极端运行方式搜索问口电力系统网架结构持续扩张，保持模型的泛化能力是方法实用化的关键深度学习、图神经网络络拓扑传递●适用于处理电力系统等本征具备图结构系统的学习问题强化学习●环境+智能体→累计奖励最大化●解决高维离散空间最优搜索问题的有效方法●离线训练后，在线寻优速度快环境智能体环境智能体迁移学习●继承原任务的神经网络参数，冻结神经网络靠前的特征提取层●用少量新任务下的样本训练靠后的输出层，达到快速适应新任务的目的 离线训练+在线应用，降低搜索时间半监督训练，减少对训练样本的依赖模型参数动态自适应，增强泛化性目录01研究背景与意义目标函数：最大化短路电流元件参数矩阵P:元件参数矩阵包含电力元件类型与元件参数信息。拓扑矩阵T:拓扑结构矩阵包含电网中各母线间的连接关系和保护所在位置信息。电气距离矩阵Dz:电气距离矩阵包含电网中各母线之间的电气距离信息，由互阻抗衡量。图距离矩阵D:图距离矩阵包含图结构中所有节点两两之间的最短距离信息。本节点非邻居节点,最大池化口聚合邻居节点信息以更新本节点的特征向量，使得,最大池化口基于邻接矩阵卷积，更适用于电力系统问题充分考虑了新能源的非线性压控电流源特性：口特征编码：在特征矩阵中做特殊编码。口样本生成：在生成训练样本时，计及新能源的非线性压控电流源特性，通过迭代计算得到短路电流。元件参数矩阵P:元件参数矩阵包含电力元件类型与元件参数信息。脱网脱网U特征提取器(图神经网络)输入：四个特征矩阵P、T、Dz、D输出：极端运行方式向量决策网络(多层感知机)极端运行方式(多层感知机)极端运行方式训练与测试：有监督训练；二元交叉熵损失函口容差短路电流准确率e-SCC-Acc:在若干个随机初始状态下，并行图神经网络输出极端运行方式下的短路电流与根据全局枚举法得到的最大短路电流误差在e范围内的占比。口保护选择性准确率PS-Acc:在若干个随机初始状态下，并行图神经网络计算的短路电流满足保护选择性判据的四类准确率指标的严苛程度依次降低。只有保护选择性准确率达到四类准确率指标的严苛程度依次降低。只有保护选择性准确率达到100%时，才能满足实际工程的需求。批量大小一—短路电流准确率一—保护选择性准确率训练轮次推理时间口大电网实验：包含2414个节点、260台发电机、764条线路和2074台双绕组变压器。批量大小推理时间00训练轮次实际大电网上的损失曲线—1%短路电流准确率训练轮次实际大电网上的三类准确率曲线—5%短路电流准确率运行方式准确率短路电流准确率 0目录01研究背景与意义强化学习口并行图神经网络的缺陷：训练高度依赖口并行图神经网络的缺陷：训练高度依赖于大规模、高质量的枚举样本。在极端运行方式●解决高维离散空间最优搜索问题的有效方法搜索问题中，样本基于枚举法生成，获取足智能体环智能体环境短路计算，时间成本高。半监督训练，减少对训练样本的依赖策略π价值V(G),Q”(5)动作a,,A状态动作a,,A智能体环境智能体智能体通过与环境不断交互，优化自身价值网络/策略网络的参数，从而逐渐达到目标。口序贯决策过程：状态→动作→奖励→状态→……口价值为未来奖励之和的期望值，智能体的目标是寻找最优策略使得价值最大。卷积卷积层卷积层全连接层全连接层AQDueling和Double两种改进措施。口D3QN算法在离散状态空间、动作空间的决策问题中目标函数：最大化短路电流问题描述：在系统初始运行方式t0下，寻找当待整定保护p所在线路的末端发生三相短路故障f时，使得流过线路首端保护的短路电流最大的系统中所有线路的投/停状态组合，就是该保护的极端运行方式τ。口环境：口环境：短路电流求解器口智能体：GraphD3QN神经网络→GNN提取系统特征，D3QN决策极端运行方式口状态：四个特征矩阵P、T、Dz、D口动作：停运一条线路，或保持运行方式不变口奖励：动作前后的故障电流差值策略π策略π动作a₁,A智能体奖励r,R环境目标网络架构图定期复制所有参数网络架构图定期复制所有参数全连全连全连结束回合动作状态结束回合动作状态结束标签一用于训练的枚举数据引导网络+价值网络全连接层全连接层枚举获得训练数据环境枚举获得训练数据环境智能体-环境交互收敛?训练并测试训练并测试引导网络v输出具有最高准确率的神经网络记忆缓存区N输出具有最高准确率的神经网络记忆缓存区NN缓存区满full?Y降低引导网络占比Y输出引导网络调整学习率测试价值网络调整学习率训练结束引导学习+自由探索口引导网络训练：有监督训练，通过枚举法获得少量〈初始运行方式，极端运行方式>键值对，有监督训练引导网络实际整定时，通常需要求解系统在某个初始运行方式下所有保护的极端运行方式。测试场景1:随机取N1个系统初始运行方式，包括线路初始投停方式和保护位置，比较价值网络计算的极端短路电流与枚举法计算的极端短路电流，得出准确率。只测试场景2:随机取N2个系统线路初始投停方式，计算系统中所有线路上保护的极端短路电流，比较价值网络与枚举法的计算结果，得出准确率。场景1聚焦神经网络训练，场景2面向实际应用；场景1在训练过程中使用，场景2在训练结束后使用，作为对场景1的补充。场景1训练轮次训练轮次—短路电流准确率0.6—1%短路电流准确率0.4——2%短路电流准确率0.2——5%短路电流准确率训练轮次价值网络在IEEE39节点系统上的准确率曲线训练轮次价值网络在IEEE39节点系统上的损失曲线场景199.1%训练轮次0.6短路电流准确率0.4—1%短路电流准确率0.2——2%短路电流准确率5%短路电流准确率训练轮次价值网络在IEEE118节点系统上的准确率曲线训练轮次引导网络在训练轮次引导网络在IEEE118节点系统上的损失曲线价值网络在IEEE118节点系统上的损失时间开销时间开销训练时间推理时间口与并行图神经网络方法相比，GraphD3QN所需训练样本数减少一半(10000→5000),生成样本时间节省>5h27目录01研究背景与意义数迁移学习●继承原任务的神经网络参数，冻结神经网络靠前的特征提取迁移学习●继承原任务的神经网络参数，冻结神经网络靠前的特征提取层●用少量新任务下的样本训练靠后的输出层，达到快速适应新任务的目的神经网络结构参数与电力系统大小耦合，所训练的神经网络仅适用于当前系统。当电力联a起行方施系统中新增母线等元件后，原有的神经网络便不再适用，需要进行重新训练。需提升神模型参数动态自适应，增强泛化性经网络的泛化能力。模型参数动态自适应，增强泛化性数改进思路：√重构编码、解码过程，将神经网络大小与电力系统大小解耦，可适应电力系统一定程度的变化；验证模型泛化能力自信息特征提取器特征提取器线路特征自信息特征提取器特征提取器线路特征自信息自信息(9项):互信息(4项):互特征互信息平均互特征n条平均互特征特征提取器线路阻抗Z、度线路运行状态(是否为保护所在线路pro)两侧节点类型、距离故障节点的电气距离支路末端是否故障支路类型两条线路的连接方式是否为故障处：0/1故障节点/-1保护节点线路首末节点与故障点的电气距离相连的这个支路的类型数√重构编码、解码过程，将神经网络大小与电力系统大小解耦，可适应电力系统一定程度的变化；验证模型泛化能力图神经网络结构与节点数量无关，与电力系统大小解耦决策网络通常为决策网络通常为MLP,为了解耦决策网络与电力系统大小，需有选择性的将线路高维特征特征提取器线路高维特征F特征提取器e.g.nD=4,length(D)=5数√重构编码、解码过程，将神经网络大小与电力系统大小解耦，可适应电力系统一定程度的变化；验证模型泛化能力每条线路计算决策权重Ei时仅计算自身计算域内的线路特征，实现决策网络与电力系统大小解耦决策网络决策网络整体框架整体框架训练轮次批量大小IEEE39节点系统上的损失曲线5000训练轮次IEEE118节点系统上的损失曲线系统新增元件运行方式准确率短路电流准确率1%-短路电流准确率5%-短路电流准确率保护选择性准确率口在IEEE39节点系统上新增2条树支/1条连支/1台发电机时选择性准确率保持为1;在IEEE118节点系统上新增6条树支/4条连支/2台发电机时选择性准确率保持为1。口继续增加元件后，保护选择性准确率无法保持为1,就需要对神经网络参数进行修正。增加发电机将直接增加系统故障时短路电流馈入源，增加连支会改变短路电流在系统中的分布情况。35支会改变短路电流在系统中的分布情况。36口在IEEE39节点系统上新增2条树支/1条连支/1台发电机时选择性准确率保持为1;在IEEE118节点系统上新增6条树支/4条连支/2台发电机时选择性准确率保持为1。口继续增加元件后，保护选择性准确率无法保持为1,就需要对神经网络参数进行修正。增加发电机将直接增加系统故障时短路电流馈入源，增加连参数迁移学习：赫征聚8方案4最后一层赫征聚8方案4最后一层极端运行方式方案2极端运行方式方案方案1方案2方案3口训练终止判据：选择性准确率达到1时停止训练，比较各种方法消耗的训练时间