基于AE和GRU神經(jīng)網(wǎng)絡(luò)的電纜早期故障檢測(cè)和識(shí)別方法

徐子弘，季天瑤，鄧偉民，夏候凱順

(華南理工大學(xué) 電力學(xué)院，廣東 廣州 510641)

目前，隨著電網(wǎng)容量的擴(kuò)大以及城市用電規(guī)模的增加，地下電力電纜因體積小、安全性高和抗干擾性強(qiáng)等優(yōu)點(diǎn)被廣泛地應(yīng)用于電能傳輸和電能分配[1-2]。然而，由于電纜長(zhǎng)期敷設(shè)于地下，其絕緣部分易受到外界環(huán)境和運(yùn)行時(shí)間等多種因素的影響而造成局部損壞，從而增大了潛在的故障隱患[3]。電力電纜早期故障是因局部絕緣受損而引發(fā)的間歇性電弧故障[4]。電纜早期故障持續(xù)時(shí)間短、幅值低，難以觸發(fā)常規(guī)的保護(hù)裝置，但間歇性的故障會(huì)持續(xù)惡化電纜的絕緣，最終導(dǎo)致電纜的永久性故障[5]；因此，從多種過流擾動(dòng)中準(zhǔn)確識(shí)別電纜早期故障，對(duì)于降低故障風(fēng)險(xiǎn)、保障電力系統(tǒng)安全穩(wěn)定運(yùn)行具有重要意義。

現(xiàn)階段，國(guó)內(nèi)外相關(guān)研究人員針對(duì)電纜早期故障檢測(cè)展開了大量的研究工作。根據(jù)基本原理，這些方法可以分為基于信號(hào)處理的方法和基于人工智能的方法[6-8]。

文獻(xiàn)[9]利用形態(tài)學(xué)梯度小波將相電流信號(hào)分解為近似信號(hào)和細(xì)節(jié)信號(hào)，其中細(xì)節(jié)信號(hào)用來檢測(cè)暫態(tài)過電流擾動(dòng)，近似信號(hào)用于識(shí)別故障信號(hào)。文獻(xiàn)[4]提出了基于不同短路故障引起的暫態(tài)過程的小波判據(jù)來進(jìn)行故障分類。文獻(xiàn)[10]通過快速傅里葉變換分析擾動(dòng)電壓，然后根據(jù)電壓的畸變程度進(jìn)行故障識(shí)別。這些方法的準(zhǔn)確度依賴于閾值的選取，但實(shí)際電力系統(tǒng)的運(yùn)行情況復(fù)雜且存在不確定性，因此很難選擇合適的閾值作為判別標(biāo)準(zhǔn)。

機(jī)器學(xué)習(xí)不受閾值的限制，因此被廣泛應(yīng)用于故障診斷領(lǐng)域[11]。但是傳統(tǒng)的淺層網(wǎng)絡(luò)結(jié)構(gòu)難以學(xué)習(xí)數(shù)據(jù)的隱藏特征，而且分類器的性能高度依賴于人工提取的特征。深度學(xué)習(xí)是近年來機(jī)器學(xué)習(xí)的新興領(lǐng)域，具有深度架構(gòu)的網(wǎng)絡(luò)能從原始數(shù)據(jù)中學(xué)習(xí)到復(fù)雜的非線性關(guān)系[11]。此外，通過深度學(xué)習(xí)提取的特征比人工提取的特征有更強(qiáng)的泛化能力[12-14]。文獻(xiàn)[15]將經(jīng)S變換后的電流信號(hào)作為特征向量，并通過堆疊自編碼器(stacked autoencoder，SAE)對(duì)電纜早期故障進(jìn)行檢測(cè)。文獻(xiàn)[16-17]通過小波變換提取信號(hào)特征，然后建立卷積神經(jīng)網(wǎng)絡(luò)識(shí)別早期故障和其他擾動(dòng)信號(hào)。但是小波基函數(shù)的選取具有不確定性，而且難以從眾多信號(hào)處理方法中選擇最優(yōu)特征提取器。

門控循環(huán)單元(gated recurrent unit，GRU)神經(jīng)網(wǎng)絡(luò)是長(zhǎng)短期記憶(long short term memory，LSTM)神經(jīng)網(wǎng)絡(luò)的變體，它通過門結(jié)構(gòu)有效地解決了循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)梯度消失和梯度爆炸的問題，而且比LSTM網(wǎng)絡(luò)收斂速度更快[18]；因此，本文選取GRU神經(jīng)網(wǎng)絡(luò)作為故障分類器，提出基于自編碼器(autoencoder,AE)和GRU神經(jīng)網(wǎng)絡(luò)的電纜早期故障的檢測(cè)和識(shí)別方法。通過AE強(qiáng)大的特征提取能力對(duì)電纜單端采集的電流電壓信號(hào)進(jìn)行特征提取[19-20]，利用GRU神經(jīng)網(wǎng)絡(luò)能有效學(xué)習(xí)數(shù)據(jù)的長(zhǎng)期依賴關(guān)系的特性，從多種過電流擾動(dòng)信號(hào)中識(shí)別電纜早期故障。最后，通過與傳統(tǒng)分類器方法進(jìn)行對(duì)比，對(duì)所提出方法的優(yōu)越性進(jìn)行驗(yàn)證。

1 早期故障機(jī)理

電纜早期故障通常是由水分滲入電纜接頭位置造成絕緣破損引起的。由于絕緣受損會(huì)導(dǎo)致絕緣擊穿，產(chǎn)生電弧，而電弧熱量產(chǎn)生的高壓水蒸氣會(huì)使電弧迅速熄滅，因此電纜早期故障也被稱為自清除故障[21]。根據(jù)故障持續(xù)時(shí)間，早期故障可以分為半周波故障和多周波故障。半周波故障發(fā)生在電壓峰值附近，在電流經(jīng)過零點(diǎn)時(shí)消失；而多周波故障通常持續(xù)1～4個(gè)工頻周期，電弧電阻呈現(xiàn)出典型的非線性特征。

建立準(zhǔn)確的電弧模型是研究電纜早期故障特性的重要基礎(chǔ)，目前學(xué)術(shù)界常用的電弧模型有Cassie電弧模型、Mayr電弧模型、控制論模型以及分段電弧電阻模型[8,22]。本文采用文獻(xiàn)[23]提出的基于控制論的改進(jìn)電弧模型，該電弧模型能夠很好地反映電纜間歇性接地故障的特性。電弧結(jié)構(gòu)如圖1所示，其中：τs為改進(jìn)后的電弧常數(shù)；Gs為穩(wěn)態(tài)電導(dǎo)；β為常量系數(shù)；Is為故障穩(wěn)態(tài)電流的幅值；l為電弧長(zhǎng)度；Vs0為每厘米的弧隙壓降；ih為電弧電流；r為電弧電阻。圖1中各方框?yàn)榉抡孳浖倪\(yùn)算模塊。

圖1 電弧模型Fig.1 Arc model

電弧方程為：

(1)

式中：t為時(shí)間；g為電弧電導(dǎo)。仿真波形如圖2、圖3所示。

圖2 電弧電壓和電弧電流波形Fig.2 Arc voltage and current waveforms

圖3 電弧電阻波形Fig.3 Arc resistance waveforms

2 AE-GRU故障分類器

2.1 AE

AE是一種對(duì)稱的3層神經(jīng)網(wǎng)絡(luò)模型，由輸入層、隱藏層和輸出層組成[24]。典型的AE結(jié)構(gòu)如圖4所示。

圖4 AE結(jié)構(gòu)Fig.4 Autoencoder structure

AE的訓(xùn)練由編碼和解碼2個(gè)部分組成，過程可表示為：

h=σ(W1x+b1)；

(2)

(3)

(4)

2.2 GRU模型結(jié)構(gòu)

LSTM神經(jīng)網(wǎng)絡(luò)是升級(jí)的RNN。它有3種特殊的門結(jié)構(gòu)，即輸入門、輸出門和遺忘門，通過輸入門和遺忘門來實(shí)現(xiàn)對(duì)前一時(shí)刻狀態(tài)信息的保留或丟棄，同時(shí)更新當(dāng)前時(shí)刻的單元狀態(tài)。LSTM神經(jīng)網(wǎng)絡(luò)通過這些特殊的門結(jié)構(gòu)來存儲(chǔ)和觀察歷史信息，從而使其能夠?qū)W習(xí)具有長(zhǎng)期時(shí)間依賴性的問題，而且能夠有效解決普通RNN存在的梯度爆炸和梯度消失的問題[26]。

圖5 GRU結(jié)構(gòu)Fig.5 GRU structure

(5)

當(dāng)前輸入值xt和前一時(shí)刻隱含層狀態(tài)信息ht-1共同決定了重置門rt和更新門zt的值，即：

rt=σ(Wr·[ht-1,xt])；

(6)

zt=σ(Wz·[ht-1,xt])；

(7)

Wr=Wrx+Wrh；

(8)

Wz=Wzx+Wzh.

(9)

式中：[ ]表示向量連接；Wrx和Wzx分別為當(dāng)前輸入與重置門以及更新門之間的權(quán)重；Wrh和Wzh分別為隱含層向量與重置門以及更新門之間的權(quán)重。

(10)

(11)

GRU的最終輸出yt取決于當(dāng)前時(shí)刻隱含層狀態(tài)ht，即

yt=σ(Wo·ht)，

(12)

式中Wo為輸出權(quán)重。由于GRU神經(jīng)網(wǎng)絡(luò)不再額外給出記憶狀態(tài)，而是將輸出結(jié)果作為記憶狀態(tài)向后循環(huán)傳遞，因此減少了計(jì)算內(nèi)存，提高了網(wǎng)絡(luò)的訓(xùn)練速度[27]。

2.3 GRU診斷網(wǎng)絡(luò)

本文以GRU神經(jīng)網(wǎng)絡(luò)作為故障分類器。該分類器將AE提取的特征數(shù)據(jù)作為輸入，網(wǎng)絡(luò)由多個(gè)GRU隱含層組成，前一隱含層的輸出作為下一隱含層的輸入，每一層的GRU之間有序排列并且彼此間相互連接。由于網(wǎng)絡(luò)架構(gòu)越深，從輸入序列中挖掘隱藏信息的能力越強(qiáng)，因此構(gòu)建包含大量GRU的故障分類器，網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

圖6 GRU診斷網(wǎng)絡(luò)Fig.6 GRU diagnosis network

隱含層最后一層的輸出作為網(wǎng)絡(luò)全連接層的輸入，全連接層與softmax層相連。全連接層包含5個(gè)神經(jīng)元，分別對(duì)應(yīng)著3種故障情形和2種正常情形，其中輸出最大值的神經(jīng)元對(duì)應(yīng)著當(dāng)前電纜系統(tǒng)最可能的運(yùn)行狀態(tài)。通過softmax層對(duì)不同電纜故障和過流擾動(dòng)的離散概率分布的梯度進(jìn)行歸一化，即

(13)

式中：i=1，2，…，5；si為發(fā)生第i種情況的概率；Vi為全連接層的第i個(gè)輸出結(jié)果。因此故障診斷結(jié)果S可以表示為

S=argmax[s1,s2,…,s5].

(14)

基于AE和GRU神經(jīng)網(wǎng)絡(luò)的電纜早期故障識(shí)別方法的流程如圖7所示。

圖7 電纜早期故障識(shí)別方法的流程Fig.7 Flow chart of the identification method for cable incipient fault

3 GRU神經(jīng)網(wǎng)絡(luò)的優(yōu)化及訓(xùn)練

GRU神經(jīng)網(wǎng)絡(luò)的優(yōu)化是通過對(duì)隱含層單元數(shù)、小批量梯度下降個(gè)數(shù)以及迭代次數(shù)進(jìn)行調(diào)整而使損失函數(shù)達(dá)到最小的過程，優(yōu)化過程如下：

a) 隱含層單元數(shù)：深度的網(wǎng)絡(luò)架構(gòu)能夠捕捉到數(shù)據(jù)更為復(fù)雜的特征，大于最優(yōu)單元數(shù)的值通常不會(huì)顯著提高網(wǎng)絡(luò)的泛化能力，但會(huì)增加網(wǎng)絡(luò)的訓(xùn)練時(shí)間。交叉驗(yàn)證集被用來選擇隱含層單元數(shù)的最優(yōu)值，當(dāng)其他超參數(shù)不變時(shí)，隱含層單元數(shù)從64增加到200。當(dāng)單元數(shù)被設(shè)置為64時(shí)，網(wǎng)絡(luò)不能充分學(xué)習(xí)到信號(hào)的復(fù)雜特征，正確率低；當(dāng)單元數(shù)被設(shè)置為200時(shí)，盡管正確率較高，但是增加了訓(xùn)練的迭代次數(shù)。經(jīng)過實(shí)驗(yàn)，GRU神經(jīng)網(wǎng)絡(luò)的隱含層單元數(shù)設(shè)置為128，以實(shí)現(xiàn)正確率和收斂速度的平衡。

b) 小批量梯度下降：批量梯度下降法保證每輪迭代都能降低損失函數(shù)的值，增加了損失函數(shù)收斂到全局最優(yōu)解的概率；但是每輪迭代時(shí)使用全部的樣本進(jìn)行參數(shù)更新，降低了網(wǎng)絡(luò)的訓(xùn)練速度。隨機(jī)梯度下降法每次只使用1個(gè)樣本進(jìn)行參數(shù)更新，加快了訓(xùn)練速度；但是增加了空間搜索過程的隨機(jī)性，最終網(wǎng)絡(luò)的收斂值通常不是全局最優(yōu)解。小批量梯度下降法每次更新參數(shù)時(shí)只使用部分樣本，兼顧以上2種方法的優(yōu)點(diǎn)，即加快了網(wǎng)絡(luò)的訓(xùn)練速度，又增強(qiáng)算法收斂的魯棒性。在經(jīng)過反復(fù)實(shí)驗(yàn)后，本文的小批量大小設(shè)置為64。

c) 訓(xùn)練代數(shù)：全部的訓(xùn)練集數(shù)據(jù)對(duì)模型進(jìn)行1次完整的訓(xùn)練的過程稱為1代訓(xùn)練，訓(xùn)練代數(shù)過低會(huì)導(dǎo)致欠擬合問題，如果訓(xùn)練代數(shù)過大則會(huì)導(dǎo)致過擬合問題。本文采用早期停止法來對(duì)網(wǎng)絡(luò)的訓(xùn)練代數(shù)進(jìn)行設(shè)置。早期停止法是在訓(xùn)練過程中追蹤訓(xùn)練集外的樣本誤差，在損失函數(shù)收斂到全局最優(yōu)解之前停止迭代過程，因此可以有效地避免訓(xùn)練過程中產(chǎn)生的欠擬合和過擬合問題。經(jīng)實(shí)驗(yàn)后，本文的最大訓(xùn)練代數(shù)設(shè)置為150，以實(shí)現(xiàn)訓(xùn)練誤差和正確率的平衡。

4 仿真研究

4.1 參數(shù)設(shè)置

在PSCAD/EMTDC環(huán)境下建立1個(gè)容量為50 MVA的35 kV/10 kV地下電纜早期故障系統(tǒng)仿真模型，采用小電阻接地方式，接地電阻為20 Ω。模型結(jié)構(gòu)如圖8所示，其中：us和is分別為電纜單端的電壓和電流；uf和if分別為故障電壓和故障電流；zload為負(fù)載；il為負(fù)載電流。電纜模型由2個(gè)Bergeron電纜元件組成，電纜總長(zhǎng)設(shè)置為10 km，因此可以模擬故障發(fā)生在電纜不同位置、不同時(shí)刻的情形。在Bergeron電纜元件內(nèi)設(shè)置電纜結(jié)構(gòu)參數(shù)，電纜芯半徑、電纜主絕緣半徑、金屬護(hù)層半徑以及外絕緣半徑依次被設(shè)置為0.02 m、0.04 m、0.043 m和0.045 m。

圖8 電纜早期故障仿真模型Fig.8 Simulation model of cable incipient fault

電纜線路末端與負(fù)載相連，故障模塊設(shè)置為單相短路接地(模塊④)、電纜半周波早期故障和多周波早期故障(模塊③)，同時(shí)考慮變壓器勵(lì)磁涌流(模塊②)、電容器投切(模塊①)引起的過電流擾動(dòng)。電纜故障波形及外部擾動(dòng)如圖9所示。

圖9 不同類型故障和擾動(dòng)下的電纜電流波形Fig.9 Cable current waveforms under different types of faults and disturbances

在PSCAD/EMTDC中通過Multiple Run元件對(duì)故障接入時(shí)間進(jìn)行設(shè)置，同時(shí)在電纜線路上以1 km為步長(zhǎng)單位進(jìn)行故障位置仿真，考慮到工程中電纜故障以單相故障為主，所以在故障仿真中，每次A相線路發(fā)生故障，其余相處于正常運(yùn)行狀態(tài)，采樣頻率為10 kHz。

每次仿真時(shí)，以電纜單端所測(cè)得的電流和電壓信號(hào)為樣本，經(jīng)AE壓縮后的樣本維數(shù)為200[28]。仿真參數(shù)見表1。將樣本按80%、10%和10%的比例劃分訓(xùn)練集、交叉驗(yàn)證集和測(cè)試集，樣本分布見表2。

表1 仿真參數(shù)設(shè)置Tab.1 Setting of parameters

表2 故障類型樣本設(shè)置Tab.2 Setting of fault types

4.2 數(shù)據(jù)預(yù)處理

為了加快網(wǎng)絡(luò)的收斂速度，對(duì)采集的信號(hào)樣本采取數(shù)據(jù)均值歸一化處理，

(13)

4.3 模型評(píng)估指標(biāo)

采用準(zhǔn)確率(accuracy，量符號(hào)為Dacc)、精確率(precision，量符號(hào)為Dprec)、召回率(recall，量符號(hào)為Dreca)和F1值，對(duì)本文所提出識(shí)別方法的分類效果進(jìn)行衡量[29]，表3為混淆矩陣。

表3 混淆矩陣Tab.3 Confusion matrix

(14)

(15)

(16)

(17)

為評(píng)估算法的有效性，將GRU神經(jīng)網(wǎng)絡(luò)與K近鄰算法(K-nearest neighbor algorithm，KNN)、BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(support vector machine，SVM)、概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural network，PNN)進(jìn)行比較，結(jié)果見表4。

表4 不同分類器的比較結(jié)果Tab.4 Comparison results of different classifiers %

分析表4可知，與傳統(tǒng)的機(jī)器學(xué)習(xí)方法相比，基于深度學(xué)習(xí)的GRU神經(jīng)網(wǎng)絡(luò)在識(shí)別電纜早期故障的各項(xiàng)性能指標(biāo)上有了明顯的提高，其分類效果在各種分類器中最好。而在傳統(tǒng)的機(jī)器學(xué)習(xí)方法中：KNN的精度最差，將大量的過電流擾動(dòng)信號(hào)識(shí)別為電纜故障；PNN由于網(wǎng)絡(luò)結(jié)構(gòu)的特點(diǎn)在訓(xùn)練過程中會(huì)存在內(nèi)存溢出的情況，因此不適用于構(gòu)筑大型網(wǎng)絡(luò)結(jié)構(gòu)；BP神經(jīng)網(wǎng)絡(luò)采用全連接的方式限制了訓(xùn)練速度；SVM的效果較好，但總體上仍低于GRU神經(jīng)網(wǎng)絡(luò)。

5 結(jié)論

本文提出了一種基于AE和GRU神經(jīng)網(wǎng)絡(luò)的電纜早期故障的檢測(cè)和識(shí)別方法，通過在仿真軟件PSCAD/EMTDC中采集電纜早期半周波故障、多周波故障、單相短路接地、勵(lì)磁涌流和電容投切的電流和電壓信號(hào)，對(duì)所提出的方法進(jìn)行驗(yàn)證。本文的主要貢獻(xiàn)如下：

a)所提出的基于AE和GRU網(wǎng)絡(luò)的方法能準(zhǔn)確地從各類過電流擾動(dòng)中識(shí)別電纜早期故障，準(zhǔn)確程度到達(dá)97.6%，克服了傳統(tǒng)分類器識(shí)別率低、分類效果差的缺點(diǎn)，提高了電纜供電系統(tǒng)的可靠性。

b)通過AE對(duì)電纜單端的信號(hào)進(jìn)行特征提取，避免了傳統(tǒng)信號(hào)處理方法復(fù)雜的閾值選擇過程，通過參數(shù)的優(yōu)化過程，提高了網(wǎng)絡(luò)的準(zhǔn)確率和收斂速度，防止了過擬合現(xiàn)象。

c)通過采用基于控制論的改進(jìn)電弧模型，準(zhǔn)確地模擬了早期電纜故障發(fā)生的各類情況，增強(qiáng)了本文所提出方法的可行性。

對(duì)于本文提出的基于AE結(jié)合GRU神經(jīng)網(wǎng)絡(luò)的電纜早期故障檢測(cè)和識(shí)別方法，仿真證明了其應(yīng)用與推廣的可能性，未來需要進(jìn)一步在實(shí)測(cè)波形中進(jìn)行驗(yàn)證。