5G承載網(wǎng)下基于經(jīng)驗(yàn)小波變換和卷積神經(jīng)網(wǎng)絡(luò)的配網(wǎng)故障診斷方法

于 洋, 王同文, 張 駿, 邵慶祝, 謝 民*, 張東岳, 孟凡上

(1.國(guó)網(wǎng)安徽省電力有限公司, 合肥 230022； 2.南京南瑞繼保電氣有限公司， 南京 211102；3.安徽大學(xué)電氣工程與自動(dòng)化學(xué)院， 合肥 230601)

及時(shí)、精確的故障診斷是合理調(diào)度規(guī)劃和故障恢復(fù)的基礎(chǔ)。配電網(wǎng)拓?fù)浣Y(jié)構(gòu)復(fù)雜、分支眾多、具有非均勻性[1]，故障診斷有一定難度。近年來(lái)隨著分布式可再生能源接入規(guī)模和滲透率不斷提高，配電網(wǎng)潮流方向、電流故障等級(jí)都發(fā)生了較大變化[1]，需要高精度的故障診斷技術(shù)。

數(shù)據(jù)驅(qū)動(dòng)的配電網(wǎng)故障診斷可根據(jù)數(shù)據(jù)來(lái)源分為兩類(lèi)，一類(lèi)是基于保護(hù)和斷路器開(kāi)關(guān)量信息，包括專(zhuān)家系統(tǒng)[2]、人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)[3]、Petri網(wǎng)[4]等；另一類(lèi)是基于故障錄波的電氣類(lèi)信息[5-8]，包括特征提取[6]、頻域分解[7]、深度學(xué)習(xí)[8]等。在實(shí)際故障過(guò)程中保護(hù)和斷路器存在誤動(dòng)和拒動(dòng)，電網(wǎng)發(fā)生故障時(shí)首先是電流、電壓等電氣量予以反應(yīng)，然后才是繼電保護(hù)裝置啟動(dòng)。因此與保護(hù)和斷路器開(kāi)關(guān)量相比，故障錄波的電氣量信息具有準(zhǔn)確性、可靠性、連續(xù)性、時(shí)序邏輯性、冗余性等優(yōu)點(diǎn)。文獻(xiàn)[7]首先對(duì)三相線(xiàn)電流和零序電流進(jìn)行離散小波變換(discrete wavelet transform，DWT)，然后進(jìn)行基于人工神經(jīng)網(wǎng)絡(luò)的建模預(yù)測(cè)，進(jìn)行電力系統(tǒng)故障辨識(shí)和故障定位。

原始數(shù)據(jù)的準(zhǔn)確采集和有效傳輸對(duì)故障診斷的準(zhǔn)確性和實(shí)時(shí)性具有重要的意義。但因通信傳輸通道不穩(wěn)定、傳輸速率低、時(shí)延大等不足，導(dǎo)致保護(hù)和斷路器信息可能出現(xiàn)誤傳或漏傳[9]，錄波數(shù)據(jù)也可能存在不完整、對(duì)時(shí)不準(zhǔn)確的問(wèn)題。為保障配電網(wǎng)系統(tǒng)的安全穩(wěn)定，在高壓輸電層級(jí)普遍配置多種裝備對(duì)輸電網(wǎng)運(yùn)行狀態(tài)進(jìn)行量測(cè)，并且先進(jìn)的光纖通信技術(shù)的應(yīng)用使輸電系統(tǒng)電力信息實(shí)現(xiàn)互聯(lián)互通。與輸電網(wǎng)絡(luò)相比，電壓等級(jí)較低的配電網(wǎng)絡(luò)雖然連接更多的設(shè)備，但沒(méi)有同步實(shí)現(xiàn)光纖覆蓋[10]。基于4G無(wú)線(xiàn)通信的配電網(wǎng)保護(hù)與故障診斷技術(shù)解決了光纖約束的問(wèn)題，但是4G通信傳輸在通道質(zhì)量、通道帶寬、時(shí)間同步方面均有待提高[11]。5G無(wú)線(xiàn)通信網(wǎng)絡(luò)的關(guān)鍵能力指標(biāo)更為加強(qiáng)和豐富，在配電網(wǎng)系統(tǒng)中存在低時(shí)延高可靠性[12]、密集覆蓋[13]、大容量高帶寬[14]等多樣化通信場(chǎng)景。其中配網(wǎng)故障診斷為5G通信技術(shù)應(yīng)用中典型的低時(shí)延高可靠性場(chǎng)景。

現(xiàn)構(gòu)建基于5G承載網(wǎng)絡(luò)的分布式配電網(wǎng)故障診斷系統(tǒng)，建立數(shù)據(jù)丟包、網(wǎng)絡(luò)時(shí)延問(wèn)題模型，測(cè)試實(shí)際過(guò)流元件啟動(dòng)與接收兩個(gè)網(wǎng)絡(luò)時(shí)刻的網(wǎng)絡(luò)時(shí)延。并在5G技術(shù)運(yùn)用在電力通信背景下，提出了5G承載網(wǎng)絡(luò)下基于EWT和CNN的配電網(wǎng)故障診斷方法。

1 5G承載網(wǎng)絡(luò)構(gòu)建與分析

1.1 5G承載網(wǎng)絡(luò)的故障診斷試驗(yàn)架構(gòu)

如圖1所示，構(gòu)建的承載網(wǎng)絡(luò)是基于聯(lián)通5G NSA/SA雙?；窘M網(wǎng)的電網(wǎng)業(yè)務(wù)試驗(yàn)測(cè)試環(huán)境，該試驗(yàn)的目的是依托5G公眾網(wǎng)絡(luò)，測(cè)試配電網(wǎng)站所終端(distribution terminal unit，DTU)終端之間平均時(shí)延。使用DTU終端對(duì)發(fā)數(shù)據(jù)包互測(cè)單向時(shí)延，記錄本側(cè)過(guò)流元件啟動(dòng)時(shí)刻和收到對(duì)側(cè)過(guò)流元件啟動(dòng)時(shí)刻，測(cè)試過(guò)程中分別對(duì)試驗(yàn)兩邊的DTU終端、5GCPE、基站和傳輸節(jié)點(diǎn)進(jìn)行抓包和分析。

無(wú)線(xiàn)接入網(wǎng)IP化(IP radio access network，IPRAN)；有源天線(xiàn)單元(active antenna unit，AAU)；室內(nèi)基帶處理單元(building base band unite，BBU)圖1 5G承載網(wǎng)整體網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.1 Topology of 5G network system

1.2 5G承載網(wǎng)絡(luò)特性分析

與4G承載網(wǎng)絡(luò)相比，5G承載網(wǎng)絡(luò)[15]不僅考慮人與人互相通信，同時(shí)也充分考慮了人與物、物與物的連接和通信需求。實(shí)現(xiàn)電網(wǎng)各個(gè)環(huán)節(jié)設(shè)備和周?chē)h(huán)境全面感知、信息快速采集和處理，及時(shí)發(fā)現(xiàn)和消除電力系統(tǒng)故障，降低風(fēng)險(xiǎn)發(fā)生率[16]。與4G無(wú)線(xiàn)通信相比，5G可實(shí)現(xiàn)10～100倍的連接設(shè)備密度、10～100倍的傳輸速率、3～5倍的頻譜效率以及端到端時(shí)延能達(dá)到毫秒級(jí)[17]，具體指標(biāo)如表1所示。

表1 4G與5G性能指標(biāo)對(duì)比Table 1 Performance comparison between 4G and 5G

1.3 端到端時(shí)延分析與實(shí)驗(yàn)

目前獲取5G時(shí)延的手段主要是靠人工ping 測(cè)試，同時(shí)記錄包含無(wú)線(xiàn)、傳輸、核心網(wǎng)等多個(gè)環(huán)節(jié)的時(shí)延。試驗(yàn)記錄本側(cè)過(guò)流元件啟動(dòng)時(shí)刻、收到對(duì)側(cè)過(guò)流元件啟動(dòng)時(shí)刻、網(wǎng)絡(luò)時(shí)延，DTU1口和DTU2口接收數(shù)據(jù)試驗(yàn)記錄如圖2所示。

圖2 DTU口接收數(shù)據(jù)延遲記錄Fig.2 Time delay record of DTU port

2 經(jīng)驗(yàn)小波變換

2.1 傅里葉譜分割

圖3 傅里葉軸的分割Fig.3 Segmentation of the Fourier axis

2.2 經(jīng)驗(yàn)小波變換

(1)

(2)

(3)

將5G承載網(wǎng)絡(luò)傳輸?shù)玫降脑夹盘?hào)f(t)分解，提取出具有緊湊的支撐特性的傅立葉譜的AM-FM(amplitude modulation-frequency modulation)分量為

(4)

每個(gè)fi(t)是一個(gè)AM-FM函數(shù)，可以寫(xiě)成

fi(t)=Fi(t)cos[φi(t)],Fi(t),φi(t)>0

(5)

根據(jù)式(6)，可得

(6)

EWT分解可將故障狀態(tài)下的電流按頻域分布，提取特征信息。與目前已有文獻(xiàn)[7]中使用的DWT相比，所引入的EWT算法可得到不同模態(tài)，既可以解決DWT存在的模態(tài)混疊問(wèn)題，同時(shí)分解后得到的分量的數(shù)目更少，進(jìn)而降低計(jì)算的難度[7]。

3 卷積神經(jīng)網(wǎng)絡(luò)

3.1 卷積神經(jīng)網(wǎng)絡(luò)

CNN作為一種典型的前饋神經(jīng)網(wǎng)絡(luò)，典型的CNN結(jié)構(gòu)如圖4所示，主要由輸入層、隱含層、全連接層和輸出層組成，其中隱含層由卷積層和池化層組成。卷積和池化過(guò)程可以提取輸入數(shù)據(jù)中包含的拓?fù)浣Y(jié)構(gòu)特征[18-19]。

圖4 CNN基本結(jié)構(gòu)圖Fig.4 The basic architecture diagrams of CNN

將EWT分解后的電流分量作為輸入信號(hào)，應(yīng)用CNN進(jìn)一步進(jìn)行故障特征提取，得出故障判斷作為輸出層結(jié)果。

3.2 CNN各層功能簡(jiǎn)介

卷積層是CNN的核心部分。卷積層由多個(gè)卷積核組成，實(shí)現(xiàn)信號(hào)特征自適應(yīng)提取，卷積層的輸出為

(7)

池化層在卷積層之后，主要對(duì)卷積層的輸出進(jìn)行降低特征空間大小，減少計(jì)算時(shí)間。采用最大值池化函數(shù)作為池化層函數(shù)，即

(8)

全連接層是一個(gè)傳統(tǒng)的多層感知器，其主要功能是實(shí)現(xiàn)訓(xùn)練數(shù)據(jù)集進(jìn)行分類(lèi)，采用softmax函數(shù)作為全連接層的激活函數(shù)，即

(9)

式(9)中：zj為第j個(gè)神經(jīng)元輸出；k為總類(lèi)別。

3.3 故障診斷流程

5G承載網(wǎng)絡(luò)下，數(shù)據(jù)傳輸可靠性達(dá)99.999%，仿真實(shí)驗(yàn)中考慮丟包率為0.001%，網(wǎng)絡(luò)時(shí)延如1.3節(jié)實(shí)驗(yàn)所示。對(duì)傳輸獲得的原始信號(hào)，基于EWT進(jìn)行頻域分析與分解，再應(yīng)用CNN模型對(duì)故障進(jìn)行類(lèi)型判斷和識(shí)別。提出的EWT-CNN配電網(wǎng)故障診斷方法流程如圖5所示，具體步驟如下：

圖5 EWT-CNN故障診斷流程圖Fig.5 EWT-CNN fault diagnosis flow chart

步驟1基于5G承載網(wǎng)絡(luò)從配網(wǎng)獲得原始數(shù)據(jù)，提取故障區(qū)域各線(xiàn)路電流信號(hào)作為樣本信號(hào)。

步驟2樣本信號(hào)EWT分解。EWT分解線(xiàn)路中電流信號(hào)，獲得內(nèi)稟模態(tài)函數(shù)(intrinsic mode function，IMF)分量。

步驟3IMF分量選擇。若干個(gè)IMF分量通過(guò)峭度值分析，選擇含有大量故障信息的IMF分量，形成樣本數(shù)據(jù)集。

步驟4將樣本數(shù)據(jù)集隨機(jī)選擇一部分作為訓(xùn)練樣本集和測(cè)試樣本集，用于訓(xùn)練CNN模型和故障診斷測(cè)試。

步驟5訓(xùn)練CNN。利用訓(xùn)練樣本集作為CNN的輸入進(jìn)行訓(xùn)練，調(diào)整CNN模型參數(shù)設(shè)置，直到訓(xùn)練準(zhǔn)確率滿(mǎn)足要求。

步驟6故障診斷。利用測(cè)試樣本作為輸入數(shù)據(jù)，測(cè)試訓(xùn)練好的CNN模型，驗(yàn)證該模型的有效性。

4 算例仿真

本文算例采用的實(shí)驗(yàn)仿真模型如圖6所示。分別設(shè)置線(xiàn)路L1～L3的4處位置K1～K4發(fā)生故障時(shí)，提取每條線(xiàn)路的電流信號(hào)。

圖6 實(shí)驗(yàn)仿真模型Fig.6 Experimental simulation model

4.1 信號(hào)EWT分解

以線(xiàn)路L1在K1處發(fā)生三相短路故障為例，發(fā)生故障后線(xiàn)路L1的故障電流如圖7所示。線(xiàn)路L1電流信號(hào)通過(guò)EWT分解，得到5個(gè)IMF分量，分解結(jié)果如圖8所示。

圖7 線(xiàn)路L1故障電流波形Fig.7 Zero sequence voltage waveform of line L1

圖8 EWT分解結(jié)果Fig.8 EWT decomposition results

通過(guò)峭度計(jì)算，把含故障信息較多的IMF分量篩選出來(lái)作為故障特征。通過(guò)如圖9所示的IMF分量峭度情況，可以看出IMF1分量比其他IMF分量擁有更加豐富故障特征信息，因此選擇IMF1分量作為線(xiàn)路L1的故障特征信息。其他線(xiàn)路的故障特征提取如上述操作，將每條線(xiàn)路提取出的故障特征構(gòu)造成特征向量，即

圖9 各IMF分量峭度Fig.9 Kurtosis of each IMF component

Xi={imfi1,imfi2,…,imfij}

(10)

式(10)中：Xi為第i個(gè)故障樣本的故障特征向量；imfij表示第i個(gè)故障樣本中第j條線(xiàn)路的故障特征信息。

4.2 CNN診斷結(jié)果

合適的CNN模型參數(shù)，不僅能提高故障診斷精度，也能降低訓(xùn)練時(shí)間，所以實(shí)驗(yàn)了4種不同CNN模型參數(shù)的進(jìn)行故障診斷。4種不同CNN模型各參數(shù)配置情況以及訓(xùn)練時(shí)間結(jié)果如表2所示，與表2相對(duì)應(yīng)4種不同CNN模型的訓(xùn)練準(zhǔn)確率曲線(xiàn)如圖10所示。從表2和圖10可以看出，雖然序號(hào)1的訓(xùn)練時(shí)間最短，但是訓(xùn)練準(zhǔn)確率只有85.417%，在4種模型中最低。序號(hào)3的訓(xùn)練準(zhǔn)確率為95.2%，此外訓(xùn)練時(shí)間達(dá)到780.346 s，訓(xùn)練時(shí)間過(guò)長(zhǎng)。序號(hào)2和序號(hào)4的訓(xùn)練準(zhǔn)確率分別為98.5%和99.2%，序號(hào)2的訓(xùn)練準(zhǔn)確率比序號(hào)4的訓(xùn)練準(zhǔn)確率高，此外序號(hào)4的訓(xùn)練時(shí)間也相比序號(hào)2短，因此采用序號(hào)2的CNN模型參數(shù)進(jìn)行仿真實(shí)驗(yàn)。

圖10 4種CNN模型訓(xùn)練準(zhǔn)確率Fig.10 Training accuracy of 4 CNN models

表2 4種CNN模型參數(shù)配置及訓(xùn)練結(jié)果Table 2 Parameter configuration and training results of 4 CNN models

對(duì)于本文方法(EWT-CNN)、SVM和原始信號(hào)直接進(jìn)行CNN診斷(CNN)，為了避免偶然誤差的影響，每種方法都在相同訓(xùn)練樣本和測(cè)試樣本下進(jìn)行20次仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表3所示?？梢钥闯霰疚姆椒?EWT-CNN)比其他方法故障診斷準(zhǔn)確率高。

表3 3種方法對(duì)比實(shí)驗(yàn)結(jié)果Table 3 Three methods were used to compare the experimental results

EWT-CNN診斷準(zhǔn)確率結(jié)果如圖11所示，可以看出迭代18次后，故障診斷的準(zhǔn)確率就能達(dá)到100%，診斷效果好。此外，從訓(xùn)練準(zhǔn)確率曲線(xiàn)和測(cè)試準(zhǔn)確率曲線(xiàn)可以看出本文方法具有很好的擬合效果，因此本文方法具有很好的魯棒性和泛化能力。

圖11 EWT-CNN診斷準(zhǔn)確率Fig.11 Diagnostic accuracy of EWT-CNN

5 結(jié)論

在信息傳輸過(guò)程中電氣量在準(zhǔn)確性、抗干擾性方面具有開(kāi)關(guān)量無(wú)法比擬的優(yōu)點(diǎn)。提出的5G承載網(wǎng)絡(luò)下的EWT-CNN配電網(wǎng)故障診斷方法，經(jīng)過(guò)EWT處理后的數(shù)據(jù)，再進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)故障診斷，故障診斷精度高；通過(guò)峭度計(jì)算能很好確定出有效的IMF分量，構(gòu)建故障特征數(shù)據(jù)，實(shí)現(xiàn)故障診斷，具有很高的故障診斷精度。綜上，提出的5G承載網(wǎng)絡(luò)下的EWT-CNN配電網(wǎng)故障診斷方法，一方面，為配電網(wǎng)故障診斷提供了一種有效地診斷技術(shù)；另一方面，在5G背景下，能夠更好更快地實(shí)現(xiàn)故障診斷，對(duì)及時(shí)排除配電網(wǎng)故障和恢復(fù)供用電具有重要的意義。