基于改進的兩支路ResNet的配電網(wǎng)接地故障辨識和選線

楊柳林,李宇

(廣西大學(xué) 電氣工程學(xué)院，南寧 530004)

0 引 言

故障辨識和故障選線作為配電自動化兩大關(guān)鍵功能，若能在準確性、快速性方面得到有效提升，對縮小故障停電時間，加快故障恢復(fù)速度，提高配網(wǎng)供電質(zhì)量具有重要的意義[1]。

在配電網(wǎng)接地故障辨識和選線研究中，文獻[2]利用小波變換對三相電流進行分解并求取三相電流能量值，通過將能量值與設(shè)定的閾值進行比較，從而辨識發(fā)生的故障類型。文獻[3]提出稀疏分解與綜合測度值的選線方法，以最大綜合測度值對應(yīng)的線路判斷為故障線路。由于我國中低壓配電網(wǎng)多采用小電流接地方式，在發(fā)生接地故障后，故障信息常呈現(xiàn)間歇性、微弱性的特點，以閾值作為判據(jù)，容易誤判，準確性不高。

文獻[4]結(jié)合小波變換和信息熵兩種技術(shù)提取零序電壓的低頻能量以及三相電壓的小波奇異熵作為輸入量，用SVM分類器對常見故障類型進行識別。文獻[5]提取配電網(wǎng)零序電壓與零序電路暫穩(wěn)態(tài)特征構(gòu)造故障向量，以改進的PSO-BP網(wǎng)絡(luò)實現(xiàn)故障選線。雖然傳統(tǒng)機器學(xué)習(xí)SVM、BP等作為分類器，較閾值法準確性提高，但挖掘故障深層次特征有限，泛化能力較弱。另外，以上所提故障辨識和故障選線文獻中，兩者采集的是不同故障電氣量，按照不同方法提取故障特征，存在故障信息利用率低、信息冗余等，且都沒有考慮快速性要求。但隨著并行計算、分布式存儲以及深度學(xué)習(xí)的不斷發(fā)展，對提高配網(wǎng)故障辨識和選線的準確性、快速性提供了有利的條件。文獻[6]在2016年首次提出殘差網(wǎng)絡(luò)(Residual Network, ResNet)結(jié)構(gòu)，較大幅度的提高了深度網(wǎng)絡(luò)準確率，避免了深度卷積網(wǎng)絡(luò)在訓(xùn)練時梯度消失和退化問題，具有提取故障特征能力更好、適應(yīng)性更強等優(yōu)點。鑒于ResNet優(yōu)異的特性，目前已在圖像識別、目標檢測[7]等方面，取得了良好的效果。

文中在小波分析與深度學(xué)習(xí)理論背景下，先引入離散小波變換對各類電氣量進行小波分解得到子頻帶，以分頻帶分時間段提取子頻帶合成的時頻矩陣的特征量，構(gòu)造故障樣本初始特征矩陣。其次，以多標簽分多類出發(fā)，每個故障樣本設(shè)置兩個正確標簽，即正確的故障類型和故障饋線，便于提高故障信息利用率且能對兩者結(jié)果進行統(tǒng)一分析。最后，建立兩支路改進的ResNet 并列訓(xùn)練能同步實現(xiàn)配網(wǎng)故障辨識與選線。其中改進的殘差單元通過建立多分支結(jié)構(gòu)可融合不同尺度故障特征信息，且不同卷積核的應(yīng)用可增強網(wǎng)絡(luò)感受野范圍。

1 樣本特征構(gòu)建

文中引入離散小波變換對各類電氣量進行小波分解，將分解的細節(jié)系數(shù)和近似系數(shù)構(gòu)成時頻矩陣，按照分時間、分頻率段提取時頻矩陣的初始特征量，以矩陣形式作為網(wǎng)絡(luò)輸入。

饋線發(fā)生接地故障時，采集時間序列數(shù)據(jù)總長度為N，電氣量數(shù)為M，波形采樣頻率Fs(kHz)。每個故障樣本數(shù)據(jù)：

XN×M=[x1,N0···xM0,N0;xM,N0](N0∈1,2···N)

(1)

設(shè)離散小波變換對電氣量M0進行i層分解，得到i層細節(jié)系數(shù)和1層近似系數(shù)，每層系數(shù)時間序列長度依然為N，組成時頻矩陣大小為(i+1)×N，集中可表示：

xM0,N=[cd1···cdj;cdi;cd(i+1)](1≤j≤i+1)

(2)

電氣量M0分解的每個子頻帶按照工頻周期進行等長度劃分，序列總長度為N的子頻帶cdj可劃分為：

cdj1,N=[cdj(1)···cdj(q);cdj(p)](1≤q≤p)

(3)

式中P表示劃分總段數(shù)，P=N/NS；NS為一周波采樣點數(shù)；NS=T*FS；T為工頻周期(50 Hz)。

提取電氣量M0分解的子頻帶中第j層頻帶q時間段下的故障特征量，特征量包括均值、方差、小波頻熵值、小波熵權(quán)、小波能量值、小波能量熵六個特征量，計算公式分別對應(yīng)式(4)～式(9):

(4)

(5)

(6)

(7)

(8)

Hj,q=-Ej,qolog2|Ej,q0|

(9)

式中第j層頻帶q時間段中的Cdj1,Ns(q)為cdj1,Ns(q)小波系數(shù)標準化處理；max(Cj,q)是小波頻熵的最大值。Ej,qo為小波系數(shù)q時間段下占i+1層頻帶總能量值的比值。

因此電氣量M0在第j層，第q時間段的故障特征量寫成：

(10)

則電氣量M0的故障特征大小為(i+1)×(6×p)，集中可表示：

(11)

重復(fù)以上步驟，獲取故障樣本每個電氣量的故障特征，并按照從上至下依次拼接，即一個故障樣本總的故障特征量可表達為：

(12)

此矩陣作為網(wǎng)絡(luò)輸入量，既保留了時間維度和頻率維度之間固有的相關(guān)信息，又全面涵蓋了故障樣本的時間、頻率和幅值信息。

2 改進ResNet結(jié)構(gòu)

2.1 改進的殘差單元

殘差網(wǎng)絡(luò)是由一系列殘差單元堆疊而成，每個殘差單元主要包括恒等映射和前向卷積神經(jīng)網(wǎng)絡(luò)兩部分，原始殘差單元結(jié)構(gòu)如圖1(a)所示。為了使用較淺的神經(jīng)網(wǎng)絡(luò)能夠提取更多的故障深層次特征。改進的殘差單元結(jié)構(gòu)如圖1(b)所示。

圖1 改進殘差單元圖

對原殘差單元進行以下幾個改進：

(1)建立3個不同分支對故障特征進行深層次提取，意味著多尺度故障特征信息的融合；

(2)每一分支不同卷積核1×1，3×3的應(yīng)用，增加了網(wǎng)絡(luò)結(jié)構(gòu)感受野范圍，能獲取更廣故障特征信息；

(3)每一分支采用了較小的1×1卷積核對故障上一層特征進行降維，減少了卷積計算參數(shù)量。從圖1(a)殘差單元結(jié)構(gòu)，若殘差單元輸入與輸出的卷積核個數(shù)64個，卷積核大小都為3×3，則需優(yōu)化參數(shù)個數(shù)2×3×3×64×64=73 728。而改進的殘差單元，輸入與輸出卷積核個數(shù)也為64個，1×1卷積核個數(shù)32個，而需優(yōu)化的參數(shù)降低到35 840個?？芍?，改進的殘差單元中所需優(yōu)化的參數(shù)只有原殘差單元約0.48倍左右，有利于加快網(wǎng)絡(luò)訓(xùn)練速度以及測試速度。

設(shè)改進的殘差單元從左到右分支依次函數(shù)為F1(x,w1)，F(xiàn)2(x,w2)，F(xiàn)3(x,w3)，則總的輸出變?yōu)椋?/p>

y=f(F1(x,w1)+F2(x,w2)+F3(x,w3))

(13)

式中x為殘差單元的輸入；y為殘差單元的輸出；w1，w2，w3為對應(yīng)函數(shù)的權(quán)重大小；f(*)為激活函數(shù)。

2.2 改進的兩支路ResNet結(jié)構(gòu)

針對多標簽分類任務(wù)，考慮到配電網(wǎng)中發(fā)生的故障類型與發(fā)生在哪一條饋線關(guān)系不大。因此，可不考慮標簽之間的相互影響，將多標簽任務(wù)分解成兩個子任務(wù)的方式完成配電網(wǎng)故障辨識和選線。圖2所示，搭建兩支路改進的ResNet并列訓(xùn)練，一條支路用于故障辨識，另一條支路用于故障選線。訓(xùn)練時，這兩條支路分開進行。而在測試時，同時調(diào)用這兩條訓(xùn)練好的支路網(wǎng)絡(luò)，并將兩條支路網(wǎng)絡(luò)的輸出結(jié)果拼接起來作為最終的預(yù)測結(jié)果。每條支路采用三個如圖1(b)所示的殘差單元首尾相連而成，3×3×32等形式代表的是卷積層，3×3代表卷積核大小，32代表卷積核個數(shù)。Pool 和BN分別是池化層和批歸一化層。Pool層采用最大池化運算，核大小為2×2，步長為2。BN層有利于加快網(wǎng)絡(luò)訓(xùn)練速度以及降低網(wǎng)絡(luò)過擬合的風險，指數(shù)衰減速度設(shè)為0.9。網(wǎng)絡(luò)指定初始全局學(xué)習(xí)率為0.005，采用Adam算法和自適應(yīng)學(xué)習(xí)率相結(jié)合優(yōu)化網(wǎng)絡(luò)權(quán)重。非線性激活函數(shù)采用Relu。數(shù)字1-6代表的是故障類型，發(fā)生某故障類型相應(yīng)位置設(shè)置為1，其余為0。數(shù)字7-9代表的是故障饋線，發(fā)生某條故障饋線相應(yīng)位置設(shè)為1，其余為0。例如在L2饋線發(fā)生單相電弧接地故障時，對應(yīng)的一維標簽表示為[1,0,0,0,0,0,1,0,0]。

圖2 改進的兩支路ResNet結(jié)構(gòu)圖

3 仿真實驗與分析

3.1 故障樣本生成

文中選擇PSCAD/EMTDC作為故障仿真工具，搭建經(jīng)典輻射配電網(wǎng)模型如圖3所示[8-9]。母線上共有四條饋線，涵蓋架空線、電纜以及架空線和電纜的混合三種。架空線路采用分布參數(shù)模型，架空線路正序參數(shù)為R1=0.17 Ω/km，L1=1.209 6 mH/km，C1=0.009 7 μF/km，零序參數(shù)為R0=0.23 Ω/km，L0=5.475 mH/km，C0=0.005 4 μF/km。電纜正序參數(shù)R1=0.27 Ω/km，L1=0.255 mH/km，C1=0.339 μF/km，零序參數(shù)為R0=2.7 Ω/km，L0=1.019 mH/km，C0=0.28 μF/km。母線上和各饋線出口處分別配有零序電壓互感器(PT)和零序電流互感器(CT)用于采集故障信息。配電網(wǎng)仿真頻率50 Hz，設(shè)置仿真時長為0.4 s，故障啟動時刻為0.265 s，故障時長0.04 s，采樣頻率為10 kHz。配電網(wǎng)發(fā)生故障線路為L2或L4線路，選取的仿真故障類型和參數(shù)值如表1所示。

圖3 配電網(wǎng)仿真模型

采集的故障電氣量包括變壓器低壓側(cè)三相電壓，母線零序電壓以及4條饋線出線端的零序電流。為了豐富樣本信息，采樣段為故障發(fā)生時前一個周波到發(fā)生完后的兩個周波，即共采樣5個周波作為最終的采樣數(shù)據(jù)，每個采樣樣本大小為8×1 000。

表1 配網(wǎng)模型參數(shù)的分布

由表1可知，配網(wǎng)不加故障情況下，仿真樣本數(shù)為700個。一條饋線發(fā)生故障時，仿真樣本數(shù)為11 100個。因此，考慮兩條饋線發(fā)生故障和無故障情況，文中總的樣本量為22 900個。并對每類故障樣本按照8∶1∶1的比例隨機分成訓(xùn)練集、驗證集和測試集。

以某高阻接地故障為例，先對樣本中一條故障信息，用“DB4”小波進行5層離散小波變換，得到5層細節(jié)系數(shù)和1層近似系數(shù)組成相應(yīng)的時頻矩陣，并按照式(4)～式(9)分頻帶分時間段提取其故障特征量，得到一條故障信息特征量大小為6×30。然后對樣本中其余故障信息按照相同步驟完成特征量提取后。最終按照式(12)進行故障特征量依次拼接，并對其歸一化，形成故障樣本特征大小為48×30。選取了50個高阻接地故障樣本，提取的故障特征以三維坐標圖可視化展示，如圖4所示。

小波預(yù)處理后得到的圖4時頻分布圖涵蓋了故障樣本豐富的暫穩(wěn)態(tài)信息，有助于接下來網(wǎng)絡(luò)訓(xùn)練。

圖4 預(yù)處理后的時頻分布

3.2 改進的ResNet訓(xùn)練效果分析

對ResNet和改進的ResNet訓(xùn)練結(jié)果進行了比較，故障辨識和故障選線訓(xùn)練結(jié)果如圖5所示。

圖5 訓(xùn)練結(jié)果圖

從圖5可以看出，數(shù)據(jù)未經(jīng)預(yù)處理，直接輸入采樣樣本進行網(wǎng)絡(luò)訓(xùn)練，運行結(jié)果訓(xùn)練準確率和驗證準確率都較低，無法滿足配網(wǎng)辨識要求。而采樣樣本經(jīng)時頻分析預(yù)處理后，ResNet的準確率提高。且改進的ResNet訓(xùn)練過程較原ResNet收斂速度更快、震蕩小、準確率高。由于改進ResNet中的殘差單元在增加多個不同分支和不同卷積核后，融合了不同尺度下的故障特征以及擴大了網(wǎng)絡(luò)感受野，非線性映射能力增強。因而在故障辨識和故障選線效果上比原ResNet表現(xiàn)更出色。

3.3 網(wǎng)絡(luò)評估指標

文中選取網(wǎng)絡(luò)評估指標包括準確率、漢明損失、Jaccard距離、測試時間四個指標。其中測試時間為全部測試樣本測試十次的平均值。

準確率是指所有樣本中辨識正確的比例。

(14)

式中A表示樣本總數(shù)；xi與yi分別對應(yīng)樣本預(yù)測標簽和真實標簽。p(xi,yi)表示xi與yi相等返回1，不相等返回0。

漢明損失是指所有標簽中錯誤辨識的比例。漢明損失越小，表明網(wǎng)絡(luò)測試精度越高。

(15)

式中L表示樣本對應(yīng)的標簽數(shù)量；xor為異或運算。

Jaccard距離描述樣本之間的不相似性程度。Jaccard距離越小，表明預(yù)測標簽和真實標簽之間相似度越高。

(16)

式中xi∪yi表示xi與yi并集的大??；xi∩yi表示xi與yi交集的大小。

3.4 網(wǎng)絡(luò)性能評估

搭建MLP網(wǎng)絡(luò)，與以往不同的是，采用兩支路MLP網(wǎng)絡(luò)同時訓(xùn)練，每支路含有三層隱含層，每層隱含層分別含有16、16、32個神經(jīng)單元，激活函數(shù)采用Relu，權(quán)重優(yōu)化為Adam算法，迭代次數(shù)為150次。原ResNet中的殘差單元結(jié)構(gòu)如圖1(1)所示，卷積核大小都為3×3，其他參數(shù)設(shè)置與改進的ResNet一樣。3種網(wǎng)絡(luò)最終測試結(jié)果如表2所示。

表2 網(wǎng)絡(luò)評估結(jié)果

由表2可見，MLP網(wǎng)絡(luò)測試準確率較低，只有94.32%，漢明損失和Jaccard距離都較大，網(wǎng)絡(luò)泛化性能較差。原ResNet 較MLP網(wǎng)絡(luò)準確率提升了2.32%，漢明損失和Jaccard距離兩個指標值也低于MLP網(wǎng)絡(luò)。但較改進ResNet還是有一定的差距，改進ResNet測試準確率更高，達到了99.91%，漢明損失和Jaccard距離兩個指標最低。另外，以測試時間指標，MLP網(wǎng)絡(luò)結(jié)構(gòu)簡單，測試時間用時最低。殘差單元結(jié)構(gòu)相對復(fù)雜，優(yōu)化參數(shù)增多，測試時間有所增加。但改進的ResNet使用了較小的卷積核實現(xiàn)降維，減少了計算參數(shù)，測試時間比原ResNet減少。綜合四個指標評估表明，改進的ResNet通過多分支結(jié)構(gòu)提取故障深層次特征以及使用了較小的卷積核完成維度降低，最終在測試集上實現(xiàn)了較準、較快的故障辨識和選線。

表3 MLP混淆矩陣

為了進一步分析網(wǎng)絡(luò)評估性能以及方便與其他方法對比分析，做出各網(wǎng)絡(luò)的混淆矩陣如表3～表5所示。為了方便表示，以下網(wǎng)絡(luò)性能分析用數(shù)字19代替故障類型或故障饋線，具體對應(yīng)關(guān)系如圖2所示。各個網(wǎng)絡(luò)辨識錯誤數(shù)量具體分布情況如圖6所示。

圖6 辨識錯誤分布

從表3、圖6可以看出，MLP網(wǎng)絡(luò)故障辨識錯誤數(shù)量較多，且出現(xiàn)了部分6-故障類型辨識為5-故障類型，可能會造成檢測裝置誤動。在發(fā)生4、5-故障類型時，MLP網(wǎng)絡(luò)故障選線錯誤占了總的選線錯誤數(shù)量70%。另外，MLP也出現(xiàn)了5個樣本故障辨識和選線同時錯誤情況，網(wǎng)絡(luò)泛化能力有限。從表4、表5可知，原ResNet較MLP在故障辨識和故障選線中錯誤數(shù)量減少，故障類型錯判主要發(fā)生在3、4-故障類型之間，故障選線錯判主要發(fā)生在單相接地故障時。因此，原ResNet在配網(wǎng)發(fā)生單相接地故障時，故障選線性能還有待進一步提高。另外，雖然原ResNet和改進ResNet一樣，也沒出現(xiàn)故障辨識和故障選線同時錯誤的情況，但改進的ResNet不管從故障辨識還是從故障選線上，辨識錯誤的數(shù)量更少。其中，1個4-故障類型辨識為3-故障類型，分析其原因是該故障樣本仿真參數(shù)電壓為115 kV，相角90度，導(dǎo)致兩相接地電壓中某1相升高，造成誤判。

表4 ResNet混淆矩陣

表5 改進ResNet混淆矩陣

文中改進的ResNet故障辨識與選線情況與相應(yīng)文獻進行了對比分析，見表6。

表6 比較與分析

由表6可見，所提方法故障辨識與選線測試效果明顯好于文獻[10-11]。文獻[10]采取HHT+CNN方法，由于CNN自身結(jié)構(gòu)原因，以單分支提取故障特征信息不全面，網(wǎng)絡(luò)容易出現(xiàn)過擬合和退化問題。

文獻[11]中的ANN結(jié)構(gòu)相對較簡單，容易陷入局部收斂點。而文中改進ResNet最大限度挖掘了故障特征信息，魯棒性能更好，優(yōu)勢更加明顯。

4 網(wǎng)絡(luò)容錯性分析

配電網(wǎng)支路眾多，可能存在零序裝置不完全配置或者不工作情況[12-13]。文中假設(shè)母線處零序電壓或某一饋線零序電流互感器沒有配置，進行網(wǎng)絡(luò)容錯性分析。在零序電壓互感器沒有配置情況下，網(wǎng)絡(luò)評估結(jié)果如表7所示。零序電流互感器沒有配置情況下，網(wǎng)絡(luò)評估結(jié)果如表8所示。

表7 評估結(jié)果

表8 評估結(jié)果

從表7、表8可知，在零序電壓或零序電流互感器沒有配置情況下，MLP準確率出線了較大幅度的下降，漢明損失和Jaccard距離也出現(xiàn)較高增加，MLP容錯性較差。原ResNet準確率下降了3%～5%，而改進的ResNet準確率依然保持在97%以上，漢明損失和Jaccard距離增幅也較低。表明改進的ResNet對所用故障信息表現(xiàn)出了更強的容錯性。

5 結(jié)束語

(1)文中提出以分時間、分頻率段的方法提取故障樣本初級特征矩陣，并以多標簽多分類的思想，搭建了兩支路ResNet用同一故障樣本可同時判別故障類型和故障饋線，增強了故障信息的利用率；

(2)在測試集樣本以及零序裝置不完全配置產(chǎn)生的樣本下，驗證了改進的ResNet具有更好的準確性、快速性和容錯性。