基于融合模型的單相接地故障類型辨識方法

李宗峰，郭祥富，范 敏，夏嘉璐，董 軒

(1. 國網(wǎng)河南省電力公司電力科學(xué)研究院, 鄭州 450001；2. 國網(wǎng)河南省電力公司，鄭州 450001；3.重慶大學(xué) 自動化學(xué)院，重慶 400044)

安全、可靠、優(yōu)質(zhì)、經(jīng)濟是電力系統(tǒng)運行的基本要求。電力線路的安全可靠運行關(guān)乎國民生產(chǎn)、人民生活的各個方面。在中國6～66 kV的中低壓配電網(wǎng)中廣泛采用了小電流接地系統(tǒng)，又稱中性點不直接接地系統(tǒng)(NUGS)[1]。

單相接地指的是小電流接地系統(tǒng)單相接地，單相接地故障是配電網(wǎng)系統(tǒng)中最常見的故障，約占配電網(wǎng)故障總數(shù)的80%。當小電流接地系統(tǒng)發(fā)生單相接地故障時不形成低阻抗的短路回路，而是由線路對地電容形成高阻抗回路，短路電流非常小，同時線電壓依然保持對稱，短時間內(nèi)不會對負荷的連續(xù)供電造成一定的影響，可以帶故障運行1～2 h。但是若發(fā)生單相接地故障時電網(wǎng)仍長期運行，可能引起絕緣的薄弱環(huán)節(jié)被擊穿，發(fā)展成為相間短路，使事故擴大，影響用戶的正常用電。同時弧光接地還會引起全系統(tǒng)過電壓，進而損壞設(shè)備，破壞系統(tǒng)安全運行，甚至將會進一步帶來巨大的經(jīng)濟損失和惡劣的社會影響。所以需要在故障后第一時間內(nèi)準確識別故障類型，為后續(xù)制定有針對性的故障處理措施提供可靠依據(jù)。

目前針對小電流系統(tǒng)的單相接地故障類型辨識的研究較多，根據(jù)特征量應(yīng)用途徑的不同，現(xiàn)有的識別方法可分為2類：一類是特征分析法，如：文獻[2]提出一種配電網(wǎng)高阻接地故障在線監(jiān)測與辨識方法，利用高阻接地故障時產(chǎn)生的高次諧波，作為高阻接地故障的判別依據(jù)；文獻[3]提出一種配電網(wǎng)單相電弧接地故障的辨識方法，認為單相電弧接地故障相較金屬接地故障，其暫態(tài)過程持續(xù)存在，并提取高頻信號切片圖來識別單相電弧性故障；文獻[4]提出了高阻故障模型，并通過故障零序量的小波特征值識別高阻接地故障；文獻[5]結(jié)合零序等值網(wǎng)絡(luò)分析了配網(wǎng)高阻故障產(chǎn)生高頻分量的原因以及正常狀態(tài)對高頻分量的影響，提出了一種基于零序電壓小波包能量比的配電網(wǎng)單相高阻接地故障辨識方法；文獻[6]在分析小電阻接地系統(tǒng)發(fā)生接地故障時故障線路、非故障線路零序電流與中性點電流關(guān)系的基礎(chǔ)上，提出了一種基于中性點電流與線路零序電流投影量差動的高阻接地故障判斷方法。

另一類識別方法是結(jié)合時頻分解與機器學(xué)習(xí)的智能方法，如：文獻[7]提出了離散小波變換和k近鄰機器學(xué)習(xí)算法的組合模型，以檢測和分類高阻單相接地故障；文獻[8]將人工智能技術(shù)運用于故障類型識別中，提出了一種小電阻接地系統(tǒng)間歇性弧光過電壓分析方法，利用HHT算法，提取零序電壓的IMF分量，并采用支持向量機對間歇性弧光故障進行識別；文獻[9]利用小波分析的方法從相電壓和電流數(shù)據(jù)中提取特征，并基于XGBoost模型對中性點不接地系統(tǒng)的3種狀態(tài)進行辨識，分別是：無故障、接地故障和零線故障。文獻[10]首先根據(jù)各節(jié)點LOF值的大小實現(xiàn)智能配電網(wǎng)的故障檢測與定位，然后對故障處的三相電壓進行小波變換，以三相電壓的小波奇異熵值建立SVM故障類型判別預(yù)測模型。

現(xiàn)有的研究成果在單相接地故障檢測中取得了一定效果，但大多只選取了配電網(wǎng)的部分特征，即某類故障的特有屬性來進行分析，造成了對故障整體信息描述不充分，只能針對某一特定的故障類型進行識別，并未對單相接地故障類型進行全面綜合劃分，算法的通用性不足，不利于運維人員制定有針對性的故障處理措施。

筆者考慮要對包括高阻接地故障與間歇弧光接地故障在內(nèi)的共7種類型的單相接地故障進行綜合辨識，對此需要提取更加全面的故障特征。由于現(xiàn)場采集到的故障錄波數(shù)據(jù)特征維度高，采樣點數(shù)量較多，其中蘊含了豐富的與故障類型強相關(guān)的復(fù)雜非線性特性，有利于故障類型辨識。而深度學(xué)習(xí)十分擅長從高維數(shù)據(jù)集中自動學(xué)習(xí)復(fù)雜且有用的特征，相比于過去出現(xiàn)的很多優(yōu)秀的手動特征提取器，比如：尺度不變特征變換(SIFT)，Gabor 濾波器和定向梯度直方圖(HOG)等，深度學(xué)習(xí)模型可以通過搭建不同的結(jié)構(gòu)、調(diào)整隱藏層的數(shù)量來學(xué)習(xí)得到不同性質(zhì)、不同層次的特征，可實現(xiàn)端到端的任務(wù)學(xué)習(xí)或者提取抽象特征用于下游任務(wù)的學(xué)習(xí)。

1 單相接地故障類型辨識方法總體流程

筆者提出的基于特征分解和深度學(xué)習(xí)的單相接地故障類型辨識方法的總體流程如圖1所示。配電網(wǎng)現(xiàn)場采集到的錄波數(shù)據(jù)是配電網(wǎng)實時狀態(tài)、運行情況的“心電圖”，能為單相接地故障的類型辨識提供最直接、最準確的依據(jù)。所以，考慮將配電網(wǎng)的故障錄波數(shù)據(jù)作為原始數(shù)據(jù)集。首先將其劃分為關(guān)鍵特征部分和非關(guān)鍵特征部分，并對關(guān)鍵特征部分進行HHT變換，將重點關(guān)注的和故障類型強相關(guān)的特征從復(fù)雜信號中分離出來生成新的特征變量；同時為保證故障信息的完整性，并未將非關(guān)鍵特征部分直接舍棄，而是將其與關(guān)鍵特征部分的HHT變換結(jié)果進行拼接；其次設(shè)計深度學(xué)習(xí)模型ResNet18對經(jīng)特征處理后的數(shù)據(jù)集進行學(xué)習(xí)，辨識出具體的單相接地故障類型。

圖1 單相接地故障類型辨識方法總體流程Fig. 1 The overall process of single-phase grounding fault type identification method

2 基于HHT的配電網(wǎng)錄波數(shù)據(jù)的特征分解

HHT是一種具有自適應(yīng)的時頻分析方法，結(jié)果反映信號的頻域特征隨時間變化的規(guī)律。作為時頻域分析的重要手段，HHT既吸取了小波變換的多分辨率的優(yōu)勢，又克服了小波變換中選擇小波基困難的問題，可以對局部特征進行反映，有利于提取復(fù)雜故障信號中的重要特征[11]。

HHT具體包括2個過程：經(jīng)驗?zāi)B(tài)分解(EMD)和Hilbert變換。EMD是依據(jù)信號特點自適應(yīng)地把任意一個復(fù)雜信號分解為一系列本征模態(tài)函數(shù)(IMF, intrinsic mode function)。經(jīng)驗?zāi)B(tài)分解后, 再對每一個IMF作Hilbert變換，繼而可求取每一個IMF的瞬時頻率和瞬時幅值。

EMD分解出的IMF分量需要滿足2個條件，分別是：在整個信號長度上，極值點的個數(shù)和過零點的個數(shù)相同或相差至多一個；在任意時刻，由極大值點形成的上包絡(luò)線和由極小值點形成的下包絡(luò)線的平均值為零，即上、下包絡(luò)線對稱于時間軸[12]。EMD的分解過程如圖2所示。

圖2 EMD的分解過程Fig. 2 Decomposition process of EMD

再對EMD分解出的IMF分量ci(t)依次進行Hilbert變換，公式為

(1)

由原始的IMF分量和其對應(yīng)的Hilbert變換結(jié)果構(gòu)成的解析信號zi(t)為

(2)

其中，瞬時幅值表示為

(3)

θi(t)可根據(jù)下式求得

(4)

瞬時頻率表示為

(5)

特征x(t)的Hilbert譜表示為

(6)

式中，q表示分解出的IMF分量的個數(shù)。通過對故障錄波數(shù)據(jù)的關(guān)鍵特征進行HHT變換，提取出其中隱藏的局部暫態(tài)特征：瞬時頻率、瞬時幅值、Hilbert譜。

3 ResNet18深度學(xué)習(xí)模型

深度學(xué)習(xí)通過構(gòu)建具有很多隱藏層的神經(jīng)網(wǎng)絡(luò)模型來學(xué)習(xí)更有用的特征，從而最終提升分類或回歸的準確性。深度學(xué)習(xí)模型提取特征的能力主要是通過卷積層、激活操作、池化層等來實現(xiàn)的，其中起主要作用的是卷積層，卷積層中的卷積核等價于很多不同的濾波器，通過卷積層來對原始特征進行“濾波”處理，從而實現(xiàn)數(shù)據(jù)集中特征的提取。

卷積層中涉及的卷積運算由矩陣內(nèi)積和全加計算組成，如圖3所示。卷積計算的本質(zhì)是內(nèi)積運算[13]。對于一維向量的卷積運算，2個向量的內(nèi)積越大，則2個向量的相似度越高。而卷積計算實際上是將一維的內(nèi)積運算推廣至二維平面，卷積核在滑移卷積時，其實就是提取和它相似的特征。卷積核的參數(shù)是根據(jù)數(shù)據(jù)集的標簽來不斷地進行修正。通過逐層地卷積運算，不斷組合和抽象，就可以提取到一系列代表單相接地故障類型的復(fù)雜非線性特征。

圖3 卷積計算過程Fig. 3 Convolution calculation process

由前述理論可簡單推知深度學(xué)習(xí)網(wǎng)絡(luò)模型的層數(shù)越多，模型可以從數(shù)據(jù)中提取到更加抽象的特征，更有利于提高模型的準確度。但根據(jù)研究學(xué)者的實驗結(jié)果表明，當網(wǎng)絡(luò)層數(shù)超出了一定范圍內(nèi)，隨著其的增加，梯度彌散問題嚴重制約了深度學(xué)習(xí)的性能，淺層網(wǎng)絡(luò)幾乎學(xué)不到任何知識。并且因為卷積核參數(shù)的盲目性、激活函數(shù)的抑制作用等，造成每做一次卷積運算和對應(yīng)的激活操作都會在原始特征或上一步提取到的特征結(jié)果的基礎(chǔ)上浪費掉一些信息。

Resnet網(wǎng)絡(luò)巧妙地利用了殘差連接的方式，很好地解決了深度網(wǎng)絡(luò)中模型退化的問題[14]。Resnet網(wǎng)絡(luò)中的殘差連接，在反向傳播時，每2個殘差塊之間不僅傳遞了梯度，還加上了求導(dǎo)之前的梯度，從而減小梯度彌散的可能性[15]。同時將上一步的處理結(jié)果直接拿到當前時刻一并處理，減少了信息損失。

為此，筆者設(shè)計使用深度學(xué)習(xí)模型ResNet來學(xué)習(xí)經(jīng)特征變換后的數(shù)據(jù)集與故障類型之間的復(fù)雜抽象映射。

4 實驗分析

4.1 訓(xùn)練集和測試集的建立

本研究使用的錄波數(shù)據(jù)來自國內(nèi)某真型試驗場，其拓撲結(jié)構(gòu)如圖4所示。試驗時通過改變中性點的接地運行方式、接地介質(zhì)種類、接地電阻大小等，得到不同類型的單相接地故障錄波數(shù)據(jù)。其中，中性點接地方式覆蓋不接地、經(jīng)消弧線圈接地和經(jīng)小電阻接地等主流形式；接地介質(zhì)包括經(jīng)間歇性弧光接地、經(jīng)穩(wěn)定弧光接地、經(jīng)泥土地接地、經(jīng)電阻接地等常見故障類型；接地電阻阻值選取了250、1 000、2 000、5 000 Ω等典型值。試驗在3種接地運行方式下各自產(chǎn)生420、600、240條故障錄波數(shù)據(jù)；錄波裝置的采樣頻率為10 kHz，采樣周期包含12 014個采樣點，每段錄波數(shù)據(jù)包含291個電氣量；數(shù)據(jù)分析時以8∶ 2的比例劃分訓(xùn)練集和測試集。

圖4 配電網(wǎng)拓撲圖Fig. 4 Distribution network topology diagram

所用實驗環(huán)境平臺條件為Windows10 X64 操作系統(tǒng)、Inter i5-7200，使用Python編程語言實現(xiàn)，ResNet18采用pytorch框架實現(xiàn)。

4.2 錄波數(shù)據(jù)的處理

由于每個完整的單相接地故障錄波數(shù)據(jù)樣本，并非在整個采樣階段都是處于故障狀態(tài)，還包含發(fā)生故障前的正常狀態(tài)，非永久性故障還包括故障發(fā)生后恢復(fù)正常的過渡狀態(tài)。為了使觀察對象更加明確并且減少分析的數(shù)據(jù)量，對處于故障狀態(tài)的錄波數(shù)據(jù)進行截取。通過對錄波數(shù)據(jù)的觀察，截取的時間周期包含600個采樣點。

對幾種不同故障類型線路的母線零序電流3I0進行EMD分解，并對比分解結(jié)果。

圖5中的(a)為間歇性弧光接地故障、(b)為經(jīng)250 Ω電阻接地故障、(c)為經(jīng)1 000 Ω電阻接地故障、(d)為經(jīng)2 000 Ω電阻接地故障、(e)為經(jīng)泥土接地故障、(f)為經(jīng)弧光電阻接地故障。通過對圖5觀察得出：不同故障類型線路的母線零序電流3I0的EMD分解結(jié)果存在著明顯的區(qū)別，具體表現(xiàn)在IMF分量的個數(shù)、波形以及殘差的波形都不盡相同，可作為后續(xù)故障類型辨識研究的故障特征之一。

圖5 EMD分解結(jié)果對比Fig. 5 Comparison of EMD decomposition results

對圖5中的間歇弧光接地故障線路(a)的IMF1分量進行Hilbert變換，得到對應(yīng)的瞬時幅值和瞬時頻率曲線，如圖6所示。

圖6 IMF1的瞬時頻率和瞬時幅值Fig. 6 Instantaneous frequency and instantaneous amplitude of IMF1

通過上述實驗結(jié)果表明，使用HHT有利于提取錄波數(shù)據(jù)的局部暫態(tài)特征，使得不同類型的單相接地故障之間的特征區(qū)分度更高。因此，對所有故障樣本的關(guān)鍵特征部分進行HHT操作，由于EMD分解出的IMF分量個數(shù)不完全相等，為了保證特征數(shù)量的一致性，便于后續(xù)建模訓(xùn)練，對分解出的IMF分量個數(shù)少于設(shè)定閾值的用零來進行填充，超出閾值部分的IMF分量則舍棄。其次再對IMF分量依次進行Hilbert變換。經(jīng)過HHT變換后，5個關(guān)鍵特征的維度由(5，600)變換為(185，600)。

盡管非關(guān)鍵特征與單相接地故障類型間的關(guān)聯(lián)性很弱，但其仍包含了一些有用信息。對此，將關(guān)鍵特征部分經(jīng)過HHT變換后的結(jié)果與原始的非關(guān)鍵特征部分進行拼接，拼接后的特征維度為(471，600)，使特征維度處于可接受范圍內(nèi)的同時也保證了故障信息的完整度。

為了使經(jīng)過特征處理后的數(shù)據(jù)樣本變成傳統(tǒng)意義上的“圖像樣本集”，便于后續(xù)使用卷積操作來提取特征，還需要將特征歸一化至(0，255)區(qū)間，并轉(zhuǎn)換為灰度圖。特征歸一化的公式為

(7)

式中，xmin表示該特征中的最小值，xmax表示該特征中的最大值。

4.3 ResNet18模型的參數(shù)設(shè)置

配電網(wǎng)采集得到的錄波數(shù)據(jù)經(jīng)過特征處理后，采用深度學(xué)習(xí)模型ResNet來對單相接地故障類型進行辨識。根據(jù)特征數(shù)據(jù)集的特征數(shù)量和硬件環(huán)境情況，設(shè)置ResNet結(jié)構(gòu)為ResNet18，如圖7所示。

圖7 ResNet18的基本結(jié)構(gòu)Fig. 7 Basic structure of ResNet18

結(jié)合故障錄波數(shù)據(jù)的特性，在原始結(jié)構(gòu)的基礎(chǔ)上對其進行了局部改動，具體如下：1)為了與故障錄波數(shù)據(jù)的維度匹配，將第一層conv的卷積核修改為3×3；2)根據(jù)預(yù)期辨識的單相接地故障類別數(shù)量，調(diào)整模型最后一層(全連接層)的輸出維度。修改后的具體網(wǎng)絡(luò)參數(shù)如表1所示。

表1 ResNet18的模型參數(shù)

模型訓(xùn)練時，使用的損失函數(shù)為交叉熵損失函數(shù)。假設(shè)概率分布p為期望輸出，概率分布q為實際輸出，H(p,q)為交叉熵，其表達式為

(8)

4.4 實驗結(jié)果分析

4.4.1 實驗一

錄波數(shù)據(jù)的處理階段相當于對樣本數(shù)據(jù)進行特征工程操作。原始特征經(jīng)特征工程處理后表征能力變強，通過其訓(xùn)練得到的模型在未知數(shù)據(jù)上的性能表現(xiàn)可以達到更優(yōu)。

本實驗對故障錄波數(shù)據(jù)的關(guān)鍵特征部分進行HHT變換，通過實驗結(jié)果驗證了特征變換對于提高辨識模型的最終分類精度是有效的?；诒?中的3種錄波數(shù)據(jù)處理方式得到的樣本數(shù)據(jù)，分別運用本文設(shè)計的深度學(xué)習(xí)模型ResNet18進行訓(xùn)練和分類，對比分類精確度如圖8所示。

表2 3種錄波數(shù)據(jù)的處理方式

圖8 3種錄波數(shù)據(jù)處理方式的分類效果對比Fig. 8 Comparison of the classification effects of the three recording data processing methods

對比得出：不預(yù)先對特征進行任何處理操作得到的特征1的分類精確度最低，為67.9%；將剩余的286個原始的電氣量直接舍去，僅對關(guān)鍵特征部分進行了HHT變換得到的特征2，損失部分故障相關(guān)信息，但由于其將關(guān)鍵特征通過分解和變換提取出更有利于故障類型辨識的新特征，所以模型收斂后分類的精度優(yōu)于特征1，為83.1%。然而不同故障樣本的特征經(jīng)過EMD分解得到的IMF分量的個數(shù)不一致，對于分解個數(shù)低于設(shè)定閾值的采用補零方法進行填充，由此造成特征矩陣稀疏，模型的精確度波動比較大；而采用提出的特征處理方式得到的特征3結(jié)合前2種方式的優(yōu)勢，既提取了更有利于故障類型辨識的新特征，使特征維度處于可接受的范圍內(nèi)的同時也保證了故障信息的完整度，故障類型辨識的精度也是最優(yōu)的，模型收斂后的精確度為92.8%。

4.4.2 實驗二

本實驗對比分析了使用設(shè)計的ResNet18模型和使用傳統(tǒng)的深度CNN模型的預(yù)測分類效果。同樣以測試集的最終分類精確度Acc作為評價指標，設(shè)置訓(xùn)練的epoch為500。使用本文設(shè)計的ResNet18模型和傳統(tǒng)的CNN模型的分類效果對比如圖9所示。由圖可以看出，ResNet18模型的精確度整體上都明顯優(yōu)于CNN模型。CNN模型從200個epoch之后沒有明顯的增長，保持在60%左右，當epoch=283時，模型的精確度最高，為61.9%。CNN模型從訓(xùn)練初期到模型收斂，精確度變化曲線的波動幅度較小。ResNet18模型在模型訓(xùn)練前期的精確度變化曲線的波動較大，但隨著訓(xùn)練輪數(shù)的增加，波動幅度逐漸減小。ResNet18模型和CNN模型因神經(jīng)網(wǎng)絡(luò)的深度和龐大的參數(shù)量，具有強大的擬合輸入與輸出之間復(fù)雜非線性關(guān)系的能力，區(qū)別在于ResNet18模型克服了CNN模型隨著模型深度增加，造成因梯度消失而導(dǎo)致的深度學(xué)習(xí)模型效果退化的問題。所以ResNet18模型的分類效果明顯優(yōu)于CNN模型，當ResNet18模型收斂后，精確度保持在90%附近波動，epoch=484時，模型的精確度最高，為92.8%。通過本實驗驗證了使用設(shè)計的ResNet18模型對于單相接地故障類型辨識的有效性。

圖9 ResNet18和CNN的分類效果對比Fig. 9 Comparison of classification effects between ResNet18 model and CNN model

4.4.3 實驗三

本實驗基于相同的樣本集，對比了文獻[10]中提出的方法：結(jié)合小波變換和SVM模型對多種單相接地故障類型進行辨識，以及對比了單獨使用SVM模型和結(jié)合HHT和SVM模型對單相接地故障類型進行綜合辨識的效果。其中SVM模型基于網(wǎng)格搜索法設(shè)定超參數(shù)，小波變換選擇的小波基函數(shù)是Daubechies(db5)小波。同樣以測試集的最終分類精確度Acc作為評價指標，各種方法的辨識效果對比如表3所示。

表3 綜合辨識方法效果對比

對比得出：單獨使用SVM模型的辨識效果最差，精確度為79.5%。SVM模型利用核函數(shù)將特征映射到高維空間，并基于樣本與決策面間的距離最大化來進行分類，但其難以挖掘樣本中的復(fù)雜非線性特征，并且其性能易受缺失數(shù)據(jù)影響，對參數(shù)和核函數(shù)的選擇也比較敏感，最終造成其辨識效果不佳。而將SVM模型與小波變換結(jié)合，利用小波變換的時頻多分辨率的特點，可以捕捉到更多關(guān)于單相接地故障類型的細節(jié)信息，相比于單獨使用SVM模型，辨識效果有明顯地提升，精確度為86.0%。但小波變換的性能也和所選擇的小波基函數(shù)直接關(guān)聯(lián)，不同的信號可能需要選擇不同的小波基函數(shù)，自適應(yīng)性能略顯不足。使用HHT替代小波變換與SVM模型結(jié)合，其辨識效果又在前一基礎(chǔ)上有一定提升，精確度為87.4%。而使用提出的辨識方法，結(jié)合了HHT的自適應(yīng)時頻分析能力和ResNet18模型提取抽象特征的能力，相比于其他辨識方法，辨識精確度最高，為92.8%。

5 總 結(jié)

筆者提出了一種融合特征分解和深度學(xué)習(xí)思想的單相接地故障類型辨識方法。首先采用希爾伯特-黃變換對配電網(wǎng)特征進行初步處理，突出不同故障類型的特點；其次設(shè)計深度學(xué)習(xí)模型ResNet18學(xué)習(xí)故障事件的復(fù)雜非線性特征，最終辨識出故障類型結(jié)果。通過國內(nèi)某真型試驗場采集到的錄波數(shù)據(jù)進行驗證，證明了本文提出的模型能準確識別出多種單相接地故障的類型，具有較高的辨識精度和較強的魯棒性，通用性好，可為后續(xù)制定有針對性的故障處理措施提供可靠依據(jù)。